若要稳定而持续，必须依靠框架、流程、和体系，尽最大可能地排除人为不确定性，在从研究到执行的每一个环节，建立科学而客观的决策依据。没有人能保证所有的决策都是完美的，但只要超越市场就行了。而且当有了客观的决策依据时，我们就能拿结果考量依据，随时复盘、修正策略、优化流程、保持自我进化和迭代。

投资中最精华的部分还是主观的，那就是框架的设定，是需要依赖一定逻辑的，是人类智能的结晶。无论是基本面还是量化，框架都是人为的。框架确定以后，才是尽可能地客观化。

量化不是自动化，我们强调的不是交易执行的自动化，而是决策依据的客观化，如AlphaGo那样，将传统认为人类智能中无以名状的内容通过现代科学研究系统化地定量表述出来并加以分析和运用。

       数据收集清洗：人工智能的时代，数据已经不单单追求数量了。大数据的精华是多维度。(10000 x 10)的数据可以带来远大于(1000000 x 1)的信息。除了传统数据外，我们尽可能多的搜集另类数据(alternative data)，包括卫星、网络舆情、物流跟踪定位等，用数据构成的网络去认知世界；

       数据研究建模：跳出传统框架的禁锢，同时也不迷信人工智能的神奇，而是将机器学习的方法和精髓移植到投资上来；

       策略生成：完整的策略不只是交易信号那么简单，而是包含了进场、离场、仓位分配和调整、容错等一整套体系。在每一个环节上都要确保优秀；

       调参、回测：用科学系统的手段避免data mining, over-fitting, 以及look-ahead bias. 兼顾参数的效果和可解释性，提高策略的稳定性；

       资金分配：组合理论中分散资产标的一样，我们对策略也是层层组合，根据规则分配资金，同时运行多套相关性较低的策略，进一步降低策略组合的风险；

       交易执行：以独立或自动的方式交易，将决策与执行分开；

       风控追踪复盘：持续的风控追踪，在必要的时候动态调整仓位和资金，以应对市场状况，更为重要的是交易后的复盘，将交易的得失分析总结，反哺与策略生成和调参回测的流程，自我学习、进化。