紮實的數據品質，並不保證產出具備實戰價值的真洞察
為了進一步優化投資成果，我們打算引入擇時交易指標來動態調節投資部位。因為剛好手邊有一篇關於以 GDP 成長率作為擇時依據的學術論文有不錯的結果，因此我就請同事以這篇論文為依據，以「GDP 成長率能否作為股市擇時指標」為主題來進行研究。
這位同事表現得非常專業，精準地處理了數據滯後性與觀測期偏差等所有技術細節，避開了回測中最棘手的「前視偏誤」問題。如此扎實的數據品質，理當可以產生一份可信的研究報告。
同事的回報是：根據 GDP 調整比重後，波動明顯降低，夏普值略優於大盤，因此得出的結論認為 GDP 是一個能有效降低風險的參考依據。
洞察的價值：看穿「多此一舉」的複雜化作業
一般來說，投資成果的優化不外乎是在風險不變的前提下，提高投資報酬；或是在報酬不變的前提下，降低投資風險。而同事的結論明顯不符合這個期待，只是單方面根據風險降低，推論實驗的變因（GDP）是有效的因子。我並沒有馬上指出他的失誤，而是向他提問：「如果要讓風險與報酬同步下降，有沒有更直觀的方法？」他很快反應過來，並說出：「只要減少實際投入市場的資金比重就行了。」沒錯，分母不變（本金不變）的情況下，參與市場的風險資金變少，本來就會降低波動（風險）和報酬。
這就是問題的核心：這個看似有效的模型（根據 GDP 的數值低買高賣調節投資部位）， 其實只是扮演了「讓資金閒置」的角色。如果一個指標真的具備價值，應該要能顯著提升夏普值（Sharpe Ratio），而不是靠犧牲報酬來降低曝險而讓風險下降。如果效果只是持平，我們大可直接減碼就好，透過 GDP 數據來調節反而還要額外承擔模型失靈的風險。
主管的決策思維：研究的本質是因果，而非關聯
即便是資深同仁，也常在不經意間被研究主題制約，當研究主題設定為「GDP」時，大腦會慣性地在「GDP」與「最終結果」之間強行建立連結。因此決策時要避免被「研究的主題」不小心產生錨定效應，並且更強調「邏輯上的因果鏈」，以這次研究為例，我後續提給同事的建議就是「保持懷疑，才有機會看見更純粹的真相」，時時提醒自己： 「這個結論，可以有邏輯的解釋因果關係嗎？還是只有統計上的相關性而已。」避開這種心理慣性，我們才能在繁雜的數據中，做出真正正確的決策。
