专访兰盈量投：保持优势，除了多做对，还要少做错
问题1：您在海外有超越十年的全球市场投资经验，对于在国内创办私募基金，从事量化投资交易，您觉得这些经历或经验有什么帮助吗？
林雄：经常有人跟我说，海外市场的今天就是中国市场的明天，这可能是从发展成熟度的角度来说的。海外市场由于发展历史很久，所以相对比较成熟，而中国市场处于快速发展中，也许很快就能达到一个比较成熟的阶段，但要经历比较久的周期，因此海外沉淀下来的一些方法，对我们做国内市场的交易是有帮助的。
如果在海外都已经有效适应了，那么对在发展当中的国内市场，是有一定指导意义的。
简单想象一下，一个模型在海外训练过了，然后同样的模型，用国内的数据再去测试，相当于原来在海外的测试是样本外的，经过了更多的样本外数据的验证，过拟合的概率会更小一些。比如已经建立了焦炭单一品种的预测模型，并且是有效可行的，把它放在铁矿石上发现也可行，焦炭模型就是样本外的一个验证。焦炭和铁矿石可能是相关度较高的，若用在股指或其它不相关的品种上，也有一定指导意义。
问题2：核心团队成员均来自海外和国内知名的资产管理公司和科技公司，均有在美国多年的从业经历，有着丰富的全球市场投资经验。请分别从一名交易者和投资者的视角来看，您觉得中美市场有何不同？
林雄：关于中美市场，首先从交易者角度来看，第一，交易品种的数量不同。我认为在美国可接触的交易标的非常多，比国内多很多，就单从期货这个领域来说，虽然期货是比较小的领域，单纯这个领域在美国可交易的品种大概有300多个，接近400个。在国内，就我们目前的投研范畴，流动性好的、能交易的大约六十个品种。当然我们的市场在飞速发展中，目前已经上市了131个品种，还有些品种我们也在研究。
第二，合约结构，即期现结构不同。我们目前的合约比较短，大部分限制在一年之内，可能在1、5、9月这样的合约，就交易的流动性来说，除了这些合约，其它合约可能没有什么流动性。那么在海外，除了品种多，商品的期现结构还比较长。比较典型的像能源类，合约设计连续三年或者更久都可以交易，如果是近一两年的合约，它是每个月份都可以交易，流动性充足。
相对来说，国外交易一定程度上机会更多，即使策略相对简单，也可以从比较多的机会里寻找一个比较稳定的组合出来。在国内，交易机会可能需要更多的在信号逻辑中寻找差异，相当于是信号方面的分散，所以，在国内，我们从多策略的角度去寻找策略分散，使得整个组合更加稳定。
第三、市场结构不同。海外市场相对成熟，国内市场正在发展。国内的市场参与者结构变化非常快，量化也是近几年才逐步起来的，很多人才从海外回来，就是看到了国内发展的机会，特别是量化的发展机会，这使得交易者群体跟2015年以前有很大不同，所以这对策略的更新迭代又提出了更高的要求。
从投资者的角度来看，一方面，可投的资产不同。另一方面，投资者的认知在逐步提升。比如CTA这个相对比较新的领域，大家对它逐步有了认识，但还没有达到一个非常成熟的，能以真正配置的角度来理解它的阶段。
再额外补充一点，从我回国，感受到大家对策略的IP保护不够。在海外，基金公司不需要对很多资方来路演，可能只要几个资方就足够把规模做大，但在国内需要对大量机构讲解投资策略，这样可能会导致策略多多少少流出去一些。大家在这个层面上，没有做特别的保护，IP保护不够，就容易形成策略同质化。
问题3：专注于运用量化模型于交易，您觉得什么才是好的量化交易模型？又是如何保持模型的有效性和稳定性？
林雄：能赚钱的就是吧。所以，对我们来说，在建立模型的时候，我们一般追寻的原则是逻辑思路清晰简单，不是内部一层套一层。我们一般会尽量避免很多参数，在期货里大家都知道样本数其实不是那么多，比如深度学习需要几万个参数，需要足够多的参数，否则很容易造成过拟合。
如何保持模型的有效性和稳定性，我认为当一款模型，你想长期不迭代，让它一刀切，一直保持说实话很难，所以我们得在模型里不断地加加减减做相应调整。同时，增加一些新内容来对原有模型进行补足。
总体来讲，在选择模型时，是否用这个模型？必须要有严格的模型准入条件，不是什么模型都能用，已选用的模型还要不断地更新迭代，所以强大的投研迭代能力以及高效的投研平台是需要的，这也是我们现在在做的。
问题4：当代社会，随着算力日益强大，高质量的大数据日益积累，人工智能技术全面崛起，并广泛应用于医疗保健、交通系统、艺术创作等领域，您可以简单讲述下人工智能在量化投资方面的应用吗？
林雄：人工智能确实在很多地方都已经比较成功地应用，还有很多大模型出来，但是在量化投资这个领域，据我们所知，真正用到这么复杂工具的其实不多，至少从示范的角度来看不多。这里主要原因是什么？是其中运用数据的种类不一样。投资领域金融数据的特性是噪音非常大，而且不稳定，不像训练一张图片的数据是平稳的。很多其它领域的大模型是很难直接照搬过来使用的，所以，现在还没有使用这么复杂模型的切入点。
人工智能或机器学习最重要的是如何减少过拟合，我可以用一个非常强悍的模型来达到样本内100%的效果，但是样本外的话，它可能是零效果，我们要避免这样的情况发生，所以，在金融数据本身的特性下，我们用的模型就相对比较简单。
所以在期货领域，还没有用这么复杂的像比如深度学习之类的模型。股票领域其实已经有很多人在用了，因为它的数据量相对要大一些，它有几千个标的，如果还做日内，那数据就更多了，期货里现在只有几十个有效标的。单一品种，如果按分钟频，一年也就几万个点，但是随便一个大模型的参数本身就可能是几万个，这样很容易造成过拟合。所以我们是在逐步切入，从简单的机器学习开始，然后慢慢学习再研究应用更复杂更深度的模型。
大家说的ChatGPT是个好工具，比如以前做文本分析，很多人可能需要自己建立模型，像用Transformer去做文本分析。如果用ChatGPT，我输入一篇文章，它就直接给我出来观点，关于买或卖我不需要自己去训练模型，它已经帮我训练了，它这个训练可能是记忆更大的数据集里所存储的这个模型。所以未来的人工智能可能随着技术的发展，算力越强，门槛越低；门槛越低，可能在投资领域就会慢慢的应用起来。到那时候，比如ChatGPT在分析情绪时，可以不仅使用金融数据，还可以用更多其它数据，使得模型更加具有鲁棒性。
问题5：在人工智能领域有一种说法，认为机器学习是人工智能领域中最能够体现智能的一个分支。可以给我们讲讲机器学习在策略管理方面的运用吗？
林雄：上述讲的更多可能是人工智能的方向，我们现在先从简单的开始运用，想要得到很强大的模型，算力方面是很高的成本，到未来，成本和门槛会逐步降低，大家都可以使用。我讲讲具体的应用，我们主要应用是因子的非线性组合和仓位管理，具体来讲，一部分是因子组合，比如股票有几千个因子，期货的因子可能有几十到上百个，我通过把这些因子汇入到一个非线性的机器学习模型里边去预测研究因子，预测未来，然后得到关于品种的综合预测，这是一种应用。
另外一种应用在仓位管理上。换句话说，任何一个策略，它可能出来的结果是买一卖一，是比较简单的逻辑，上涨我就买一，下跌我就卖一，那我可以用我的机器学习模型来对它进行优化，上涨的时候我要买多少手，可能不是一手，是0.5手，或者两手；下跌的时候可能是空三手，根据你对未来的判断来决定仓位强度到底应该是怎样的。这是我们目前机器学习在CTA策略的两个应用。
最后，我们认为机器学习应该只是作为一种研究工具来用，而不是用来替代传统阿尔法模型或其它因子开发体系。所以，我们现在应用的还是带有逻辑的因子，机器学习在我们这儿可能仅仅只是一种工具。
问题6：贵公司目前的交易策略有哪些，各个策略的特点是怎样的？
林雄：目前我们期货策略涵盖套利策略、机器学习策略、多因子策略、短线规则策略，比如像传统的趋势和突破类策略。
套利策略，目前以跨品种套利居多，主要基于上下游逻辑选择相关性较高的品种构建套利组合，同时建立多个统计预测模型。持仓周期目前在一周以上。
多因子策略，以偏时序信号为主，参考股票的做法，只不过我们在市值中性方面没有做特定限制，所以在某些时候，可以完全是单边；持仓周期目前是一周以上。
规则类策略，是比较传统的趋势和技术突破策略，我们目前的持仓周期大概两到三天；机器学习主要以量价指标作为输入，构建多个统计模型组合，与因子组合及仓位管理是相关的，主要作为一种工具。目前的持仓周期稍微短一点，但随着产品的规模会动态调整。
问题7：请问在竞争日益激烈的量化赛道，如何丰富超额收益来源？
林雄：指数增强这个赛道确实竞争激烈，但是我们总体感觉国内A股市场还大有发展空间，因为它在发展阶段，所以阿尔法还有提升前景。即便竞争像近几年这样，500指增平均也有10%左右的超额，1000指增有15%到20%的超额，我认为随着市场的有效性增强，超额会逐步递减，所以为了避免阿尔法的衰减，我们要做的是丰富因子库，比如增加一些偏高频类的因子，或者另类数据的因子，另外舆情也是可研究的方向。
丰富因子是一方面，还要配合组合优化，股票方面已经用到了深度学习，但这领域其实有很大空间可以再继续研究。所以我们会在输入数据，因子，模型这些方面寻找差异化，然后在产品体系上寻找创新，指增策略不一定是按传统的方法跟随现在的指数权重配置，我可以把权重配置得宽一点，可以用一套完全不一样的组合优化方法去分散最大化，用在指数的成分股上，可能不是每年都能跑赢指数，但是把时间拉长，可以平均每年跑赢指数，这就是从产品的丰富度上做一些工作，不一定只走传统赛道。
问题8：您们有丰富的策略库，包含套利、趋势，多因子，机器学习等，您觉得在不同的环境背景下，什么样的策略因子会表现更为突出呢？
林雄：首先，针对简单的策略，你会根据历史观察到现象，但这并不代表未来也是这样。比如规则类像趋势策略，可能在波动率放大期初，它会随着波动率的放大表现好，但是当波动率很大时，它就预测不是那么准确了，会表现不好，而且波动率是有一些反转效应的，波动率越大，可能导致来回判断错误。我们观察到一些现象，比如其它类策略像机器学习，这很难判断在什么样的环境会表现好，如果真的能判断，就把它当做一个因子加入进来，可以作为原来策略的加强。所以很难对机器学习判断在什么样的环境表现好，这就是不同环境下同时使用多策略的好处。
问题9：结合今年的股票市场与期货市场，您认为在今年这样的行情下，表现比较好的策略有哪些？
林雄：根据我们的实盘现象，当然这个现象不代表未来。比如我们几个子策略里，2023年七月份之前，虽然上涨行情并不明确，但套利策略是表现比较好的；七八月份之后，趋势性比较明显，套利策略就开始回撤，从五月份到九月份，机器学习表现不错。
中长周期的因子像多因子策略，从2022年十一月份开始回撤，十一月份是高点，到2023年三月份左右达到了低点，之后开始反弹，一直反弹到八月底，相当于达到了新的高点；短周期像规则类策略，我们观察在三到五月份的时候，其实表现还行，很多短周期策略在五月份达到了高位，五月份到八月份的一波上涨并没有抓住，虽然从较长周期来看，是比较明显的，但在偏微观的环境下看，很容易造成信号来回被打，震荡明显，导致短周期策略有回撤。所以不同策略在不同阶段表现不一，多策略均衡配置的组合会使产品的稳定性更好。
问题10：CTA策略最主要的交易标的是商品期货，与股票的相关性较低。请您从资产配置的角度谈一谈CTA策略的配置价值？
林雄：CTA的配置价值，在海外很早就有研究，有个经典的案例，把CTA加到股债配置里，股债一般是按40%和60%的比例配置，研究人员发现如果把CTA当做一个可交易的资产，像股票债券一样来配，那么会让整个组合效果提高。比如配置10%CTA策略，就会让收益回撤比更好。我们内部也做了一个简单的测试，一边是持有100%的中证500指数，另外一边配10%或者20%左右的贝塔一号，即一个传统的类似指数追踪的CTA策略。然后我们发现在多头里面配置20%的CTA策略，它能提高夏普比率，同时增强两到五个点的年化收益，当然这是根据历史来看，不代表未来。未来的收益率不一定能确定，但是相关性是确定的，即CTA和股票、债券的相关性很低，从这一点看它就有配置价值。
问题11：在过去的一年多时间，CTA策略经历了至暗时刻，而我们的业绩超越市场平均水平，请您谈谈如何在策略内卷、同质化日益加剧的背景下保持竞争优势的？
林雄：想保持竞争优势，这需要很大工作量，我们只能说尽力去做好。首先，在策略研发层面，我们一直推崇多策略的混合形式，在每个策略类别里，尽量去寻找差异化，比如套利策略，不是简单的一个回归就完事了，里面包含了多个子信号，机器学习策略里也会有很多子模型。
关于因子的构建，比如大家都做机器学习策略，那因子构建的逻辑可以不一样，可以用量价指标，包括技术指标；如何处理这些因子，特征工程，包括Y的选择很重要，Y即未来想要预测的目标值，因子不是对所有的Y都适用，它可能只对某些Y适用，这些细节都需要关注。因子在模型层面，如果X和Y都选的很合适，那模型更多的是锦上添花，要注意不能有太多的过拟合。
其次，在投研体系上，我们想做成一个非常高效的投研平台，基于此吸纳人才。如果有高效的投研平台，产出高对于公司的总体效果提升，包含策略的提升也是有帮助的。所以我们会投入大量的精力去发展人才和平台。在人才方面，我们追求少而精，争取做好收益。
最后，保持优势除了做对事情，同时还要减少做错事情。在机器学习里经常会犯的错误是拼命试模型、蹂躏数据，从不同的方法、模型、参数等各个方面不断地蹂躏，出来的效果往往很容易过拟合，另外在策略类型上避免单品种或单一风格在仓位上过多暴露，这样做不一定能有收益增长，但是可以减少犯错，不然可能在单一品种上暴露过多，可能赚大钱，但同样也可能亏大钱。所以减少错误也是增强。
问题12：您们想赚市场上哪一部分钱呢，又是如何通过技术去实现的呢？
林雄：关于收益来源，一部分是来源于市场的不有效。目前，国内的市场虽然处于快速发展的阶段，但还远不及成熟有效，所以我们能挖掘到一些机会，通过量价分析、统计建模，可以产生有效盈利信号，我们现在投入大量的精力去挖掘不有效市场的机会去盈利。通过我们过往的经验，尤其是数理方面，我们在实现这个过程中，更多采用是完全量化的方式，在信号上，我们基本上通过过往回测系统化去验证，看在历史上这样是否可行。
我们另外一部分收益来源是靠承担一定风险所获取的，就是所谓的风险溢价。比如偏回归类的套利策略，策略的两个套利对可以一直发散，那么为什么回归类策略会赚钱，可能因为类似做市的交易提供了流动性，所以获得了超额收益。再比如波动率套利策略为什么长期能获得收益？假设没有很强的择时信号，那么波动率套利策略需要承担一定尾部风险，特别是黑天鹅事件发生，可能会磨损掉之前的大部分收益，当长时间没有黑天鹅事件时，那么收益是一直向上的，所以承担了一定风险，相应去获取收益。
综上，我们从经验得出，一部分收益来源是市场无效的部分，我们通过量化的手段挖掘阿尔法，另一部分收益我们通过承担风险去获得。
问题13：您们关注哪些技术指标，如何将这些指标应用于策略的构建？
林雄：这与机器学习的应用非常相关。在构建指标方面，常见的量价指标我们都会涉及到，所有的TA指标以及比较常见的像趋势反转波动率我们都会关注，也会根据经验构建一些另类因子，比如持仓优化，这不是简单的量价指标。
以上只是最原始的因子，其实这些因子很多时候不能直接输入到模型里面，因为它们的数据格式可能很不规范，需要对它们进行一些类似平滑、标准化等最基本的处理，当这些数据都处理完了，我们会通过机器学习模型对这些因子进行组合。通过仓位优化，得到最终的持仓，接下来再交易。
所以针对指标，我们看的很广泛。如果把我们成交算法中成交的部分算进去，像tick级别的这些订单部的信息我们都会看。订单部是指买一卖一，或者是更高频的买二卖二到买五卖五这样的都会关注。
问题14：请问如何进行策略迭代？迭代周期又是怎样的？
林雄：我们的策略迭代基本上是基于现有的投研框架做的，现在的投研框架已经比较模块化了，每一个环节都形成了一个模块，可以是由单独的团队或是个人来负责，这样我们的策略迭代就逐步流程化，可以持续地挖因子，因子挖完了就可以持续地建模，或者也可以在现有的因子库上直接建模。接下来会加强组合优化。总之，我们通过这样每一个环节去增强的目的都是为了在原有组合上做出增量信息。
关于迭代周期，为了减少过拟合的概率，我们每半年优化一次大类策略；在因子更新方面，我们频率会稍微快一些，其实这部分更多的是看有没有合适的因子挖掘出来。
问题15：索罗斯曾说过，“判断对错并不重要，重要的在于正确时获取了多大利润，错误时亏损了多少。”这句话放在交易上也非常值得借鉴，请问您们是如何做好仓位管理的？
林雄：在仓位管理中，我们非常注重风险预算与均衡配置，我们不希望单一品种或单一风格策略的收益占比过大，所以出发点是风险均衡，基于此，我们会通过组合优化再去增强收益。
具体来说，首先，在最顶层，我们通过风险预算的方式来控制产品整体的波动率，一般产品我们会区分低波、中波、高波，我们通过这种方式来控制产品的波动率，波动率从某种意义上来讲是仓位的控制。
其次，我们从底层信号开始，通过风险预算的方式对每一层进行控制，同时也会对交易标的，针对单边、单品种或是单个组合对进行风险贡献的最高限制，比如单品种不能超过一定阈值，这样会使我们整体的仓位相对比较均衡，收益或者亏损不会过度集中在单一品种上面。
最后，在产品层面，我们当然也会设置止损，主要因为策略方面，走势有可能会失效，我们会根据策略类型来判断，是当下进行减仓，还是继续再观察。一般来说，频率越快的策略，我们对它的容忍度越低，频率慢的策略，我们对它的观察时间要长一些。
问题16：贵公司非常重视风险控制，其中波动率套利策略的回撤能控制在2%以内，请问是如何做好风险管控，并提高收益风险比的？
林雄：波动率套利策略是期权套利策略里面的一部分，我们主要是通过控制希腊字母的暴露，这里含有几个子策略，每一个子策略，基本上第一步是要delta中性的，第二步控制每个品种的Vega值上限，同时品种尽量分散，不要在单一品种上有过多的风险暴露，不要因为某个品种很赚钱就一直满仓去做，那风险暴露易过大，所以我们尽量品种分散，控制每一个品种的上限，并且一般在重大事件之前，仓位会减一点，来避免尾部风险。
问题17：您有丰富的海内外投资经验，在您的投资生涯中，是否有经历过风险事件，您是如何应对又收获了哪些启示呢？
林雄：风险事件包括不同类别，有交易异常、市场风险等等。
关于交易异常，我们平常多多少少会遇到一些系统方面的问题，比如交易单没收到，导致没成交，或是多发单等，这种情况是有可能发生的，特别是系统第一次启动的时候。遇到这种情况，我们一般会做预警，实时监控仓位，观察实际仓位跟我们目标仓位有什么不一样，预警之后，就有专人来处理。还有可能会出现一些系统的转动问题，比如系统网络不好，导致行情没收到。我们在系统方面拥有备份，这一台机器不行了，我立马切到另外一台机器，迅速接上，立马交易。所以预警、响应、备份都要有。
关于市场风险，根据不同环境，处理方法不同。大多数时候，如果只是正常现象，我们不会去做干预，因为在模型中历史回撤时，很多时候有隔夜大行情或是事件发生，那系统已经包含了这部分的处理，所以我们平常一般不会去主动干预它。我们在子策略中设置了止损，如果遇到期权的尾部风险，一般隔夜跳空的时候，我们会做止损。也许止损是亏钱的，相当于实现了这个亏损，但假设不止损一直持有，可能会把亏损扳回来，但是尾部风险可能一直扩散，导致未来也许会爆仓，所以我们一般会认亏，执行止损。市场风险的处理方式与策略和当时发生的情况息息相关，没有统一的概论认为应该怎么处理。
问题18：您认为海内外的量化公司有怎样的异同，您认为一流的量化私募公司是怎样的？
林雄：现在国内不少量化公司也在逐步地向海外靠拢，海外比较成功的公司分多种类型，比如Citadel、Two Sigma、 Millennium、 Bridgewater 等。国内的私募，很多比较厉害的是从海外回来，或多或少参考借鉴了外部的经验，所以他们的公司也慢慢往此方向去发展。
从我们自己的过往经验来看，他们为什么能成功？首先内部规则非常严格，合规放在首位，很多人可能会忽略合规，但只有公司合法合规，才能长久经营，在此基础上，再说怎样去盈利。
其次，公司的平台很重要，比如Two Sigma有很好的投研平台，大家在平台上可以做各种贡献，同时能分辨每人分别贡献了多少，并有公平的激励机制，这样能把人才留住。所以高效的投研平台、公平的激励机制不可或缺。
再次，精准的人才招募和培养体系。很多人招进来，刚开始可能什么都不会，但如果公司有系统化的培训流程，可以让新人快速上手，这对公司成长也很有帮助。比如普通公司正常需要三年时间才能培养出一名优秀的研究员，但你的公司有系统化的培训体系，三个月就培养出来了，那么你公司的产出比普通公司要大很多，这就增效了。
最后，生产环境，即交易环节，要有严格的测试、监控和备份，海外不止一次发生过因生产环境不严谨导致的风险事件，像以前的Knight Capital，不小心部署了测试代码到生产，导致公司一夜之间基本崩塌。这种风险事件可能是万分之一的概率，但万分之一足以致命，所以务必严谨。
综上，我认为一流的量化私募要合法合规，投研高效，激励公平，人才培养体系完善，生产测试环境及监控备份方面非常严格。
问题19：您认为未来量化投资在国内发展的趋势是怎样的？将如何把握时代的机遇？
林雄：国内的发展非常快。从我们自身角度感受，2020年底，我决定回国，当时我还认为量化投资领域是一片蓝海，如今已感觉到很大的竞争压力，参与者在不断地成长，很多海外人才回国了，策略在不断地更新，各方面与国内相结合；国家政策在不断地出台；行业制度也在不断地完善。
市场发展很快，但总体还没有达到成熟稳定的阶段，那在发展过程中，还有很多机会待挖掘，我们怎样去把握这些机会？首先，专攻策略和投研体系，我们以过往经验为基础，这些在海外积累的十几年经验确实有些帮助，这部分经验与国内市场相结合，持续更新已有的模型，这样能使我们基本明确哪些方向比较容易做出有性价比的策略，从而及时让研究员往该方向挖出较为有价值的信号，这是我们的优势。
其次，在产品开发层面，海外的投资选择很多，有很多类别的产品，在产品方面不断创新，包括风险溢价，智能贝塔这种类型。在国内，我认为现阶段还偏少，所以我们会在这方面投入较多精力去发展，比如我们最近刚开发的产品智能贝塔1号，初心是想给我们国内的投资者选择多一点，成本低一点。这是我认为可以做的另外一个探索。
问题20：古语道，“才者，璞也；识者，工也。”您认为量化行业需要怎样的人才，在人才选拔上又有什么要求？
林雄：人才选拔方面，我们是广撒网，再不断精选，真正留下的人才都是精英。
人才，要在某一个领域里有自己的专长，不一定要学校背景很好，但要在实战能力上很强。我们一般看两方面，一是数理水平，二是编程水平，这是量化最基本的要求，有了这两个水平，再看学习能力如何。人招进来之后，我会给一个课题，考察上手快不快。
除此以外，最重要的是人品端正。人可以不很聪明，实力不是最强，这些我们都可以教他，但是人品是我们没办法教的，所以我们在相处中，会筛选出跟公司文化相匹配的人才，和我们一起成长。我们的文化是谦卑，敬畏市场。
问题21：股神巴菲特对知识如饥似渴，连好搭档查理·芒格都戏称他为“学习机器”。投资行业倡导终身学习，对于广大投资者朋友，您在学习方面有怎样的建议？
林雄：学无止境，现在的科技发展瞬息万变，人工智能突飞猛进，就像ChatGPT，即使现在不用，也要不断地尝试了解它，因为将来有可能会成为一个很好的投资工具。所以学习不仅要持之以恒，而且要涉猎广泛，不一定只在投资领域去学习某一个策略，那可能会限制思维，多数时候在投资方面发散性思维至关重要。
有时候不是专攻一个方向就能做出成果，在往一个方向攻克的时候，发现旁边的副产品可能是一个更好的信号或是启发，这就是发散，所以兴趣爱好要非常广，尽可能多涉猎不同类型的信息或知识。