今年在原有系統基礎上持續集成了幾個子系統許多小功能，諸如因子參數矢量選擇，分期績效統計，并發執行，有創新有發展，我想即使跟其他主流互聯網金融平臺上的同類產品相比較，也是可圈可點的。這歸功于來自專業投資者高屋建瓴的指導建議。由此可知，小知不及大知，放在投資者的專業眼光之中來實現功能，必將使系統本身更加具有實用性。

　　總結開發過程中存在的幾個不足之處：

　　一、需求響應時間過長

　　一輪迭代開發完成需要接近1個月時間，這樣就導致投研團隊比較緊急的需求需要等待個把月的時間。如何平衡開發質量和速度？今后希望有一個快速響應的機制，特事特辦，建立綠色通道。

　　二、代碼優化

　　在代碼審查過程中，發現有很多需要優化的地方：諸如有些代碼重復，封裝不夠，面向對象不夠，可讀性不夠等等，今后在滿足需求的情況下，需花大力氣進行代碼重構工作。

　　三、更好規范開發流程和加強團隊建設

　　1.做好人員招聘工作，看重個人學習熱情和工作態度；

　　2.開發，QA，需求，各司其職，互相促進，不斷積累進步；

　　3.開發流程制度化，規范化，角色化，尤其做好業務需求整理，代碼質量審查，不求快，只求質；

　　4.做好項目管理，要求開發人員做好自我管理自我激勵工作，引入敏捷開發流程，編寫代碼之前必須先有分析設計，過會而后才有coding。需求分析必須拆分到點，由點及面，上下左右，分析透徹。

　　關于前沿技術引入：

　　目前投資平臺集成了幾個子系統，雖則已能滿足日常業務的大多需求，但是信息技術蓬勃發展，Fintech日新月異，平臺今后將引入包括機器學習在內的前沿技術，為投資做更好的指引。

　　從互聯網金融(ITFIN)到金融科技(Fintech)，新技術在金融行業的應用正成為席卷全球的浪潮。而人工智能是Fintech里最核心的東西之一，人工智能將幫助研究員、交易員、基金經理提升工作效率，這是未來的一個方向。已經有對沖基金公司與Amazon的研究員聯手打造了一支由AI驅動的選股策略，其17.1%的收益率已超越14.4%的標準統計模型。這項成績說明，利用人工智能在較長時期內挑選股票的策略能夠超越典型的分析師驅動的方法。而谷歌DeepMind團隊業已終止AlphaGo項目，進而轉入智能投資領域，這勢必將會顛覆傳統投研領域，開創投資方法方式的新時代。

　　一切已經開始，落后便要挨打，所以有必要引入一個機器學習子系統，來做一個嘗試：從歷史的基本面數據預測未來，然后利用這些未來的數據預測價格。今年已經對機器學習做了些基礎的學習和研究工作，今后會重點深入研究利用機器學習選股，選股因子的篩選評估等應用。

　　總之，規矩為備，累土以為山。博聞多見，蓄道以待物，審于時而動愈出。這樣自然而然的能在投資大浪中不斷前行。