实践是检验真理的唯一标准，前端是技术的终点。
继续推进：获取数据–>【计算特征】–>预测模型–>策略–>回测–>实盘。
很早的时候拉取过历史数据建模，但感觉意义不大。很大的一个原因是无法持续，因为如果不能走向实盘测试，建立的模型/策略都是空中楼阁，毫无意义。建立一个策略，花钱进行实盘操作，才能最直观的给到对错的反馈，才能促进模型和算法的不断迭代
本质上，我是相信通过模型（哪怕是很普通的）也可以达到显著与随机差异的赢率，以前很仔细的做过一篇论文，所以我非常坚信这一点。另外我也相信，目前大部分的量化模型都是粗糙/原始的（也许计算量不小，但框架未必是好的），这也是技术改进的动力。
从数据/数学的角度看，数据是有其固定规律的，所以可以抛开所谓消息面，纯粹看数据
简单来说，高斯研究正态分布正是为了发现世界的一些本质规律：个体差异大没有问题，但最终会揭示一个稳定的变化。当然，为了获得可靠的判断，足够丰富的时空数据是必须的，而不仅仅是行情数据。
(例如shibor数据，我就不信指数不涨…)
所以最关键的是：找到这样一个组合，能够体现出某种稳定的随机分布，然后利用它。不要试图通过
