最有名的一個事件是 1998 年的 Long-Term Capital Management （LTCM） 事件，一群天才的諾貝爾獎得主以及華爾街的頂級交易員，在執行上過度放大其風險容忍度，即使事後證明他們的方向還是對的，但是太大的槓桿交易導致投資等不到結局就遭到斷頭了。
另外，電影 The Big Short 描述2008-2009年的次貸危機，主角之一 Michael Burry雖然早就預期市場泡沫危機，但是太早進入市場放空，在2007年時他所管理的基金已經產生大損失，雖然最後也證明他的堅持是對的，但如果市場再晚個一個月崩盤，故事結局可能就不一樣了。
近期的 GameStop 的專業投資者與散戶的博弈，著名的私募基金 Melvin Capital 在今年一月過度放空損失了超過 50％，而許多小戶也因為買在一個超過$300美金的不理性股價高點而蒙受損失，這樣的事件更血淋淋的描述出投資方向、執行時機與風險控管的重要性。
量化模型可以協助投資者調整最適的策略，最常使用的方式是回測，也就是測試歷史數據在量化策略上表現，協助管理者找到適當的執行參數，這樣的過程稱作是「最佳化」(Optimization) 的過程，換句話說就是最大化某個策略的成功率。回測的分析也是一門學問，量化分析師需要了解模型或回測的極限，知道未來市場的不確定性所帶來的模型風險，而不盲從於過往的數據。
學術方面，財務數學在策略最佳化也為顯學，當股價能被量化成一個隨機過程（見前篇 0到 [0, 1] https://www.storm.mg/article/3424878），策略可以描述為一個根據模型所產生的「停止時間」 (Stopping Time)，白話的意思則為一個可依價格變動來決定買賣的時機點。如果加入更多的投資變數以及交易限制，最佳化的過程會需要進階的模擬程式（Simulation），來測試不同的市場狀況可能發生的變化，這樣的過程也當然需要很大量的電腦運算，自然是金融數據科技重要的一環了。
從數據到策略，使用量化來做為主要工具是必要的趨勢，只是對於科技所能成就的預期心態更顯得關鍵。 因為多數的量化模型是人為判斷的延伸，包含大家喜歡提到的人工智慧，多數也僅在人類設定的遊戲範圍內去判斷，因此如果資本市場是個動態發散的遊戲，期待一個有完美結局的策略就像是在讀童話故事了。
數據提供了很好的投資判斷，進而提供最佳化的投資策略，但是如何應用在資產管理上？下一次讓我們談談與金融數據科技與金融服務的連結吧。
＊作者林敬倫博士（Peter Lin Ph.D.）為高曼計量／高曼投顧董事長，同時任教於美國約翰霍普金斯大學，專長為計量財務金融，並致力於金融科技創新。
