1. 很好的分享贴， 谢谢。
2. 昨天的帖中已经谈了关于样本随机性的看法。 今天你提及样本处理来提高随机性。这实际上是quants们一直在用的方法。 比方在做Garch model （volatility model）时候会采用first differencing， AR和MA fitting， 来转变data。结果比用raw data的结果更可靠。但是简单处理也许不够， 复杂处理data会有处理带来的问题。 这不是小问题， 因为到现在也没有人能找到公认的方法来随机化。 也许这是永远没答案的问题 - 有人能找到随机化方法， 市场就一定能出现反随机化变化。
3. 如你所说， 不要100%精确。 可是当分布错了， 不是错一点的问题。high moments完全可以把大概率的正态几率， 变成小概率的events。 想象一下，假设今天data在均线上一个标准差， 也许你会说明天大概率向下。可是如果high moments 是positive skewed加上high kurtosis， 那大概率就是向上了 - 完全相反的大概率！相反亦然， 由于分布不同， 正态大概率赢的trade会在非正态下变成大概率的risk！
4. 主贴谈到fat tail可以用TVar风控。 其实这是quants编程的常规手段。 当然可以降低风险， 但同时降低reward。 就是说R/R一点没变化， 这其实不应该是我们讨论概率的内容， 因为我们讨论的是分布对预测的影响， 是讨论如何用概率方法降低risk/reward ratio。 这个问题是TVar解决不了的。
5. 所以说用概率本身没有错，但是市场分布要走出来以后才能确定的。 这就增加了太多不确定性。
6. 这绝不是说概率没有用， 新手自己就经常把指标用Bollinger band标准化， 帮助操作。 但还是那句话， 就是不能对概率太执着。
