请关闭浏览器的阅读/畅读/小说模式并且关闭广告屏蔽过滤功能，避免出现内容无法显示或者段落错乱。
《期货市场技术分析》《量化交易：如何构建自己的算法策略》《趋势跟踪》《统计套利实战》。书名一个比一个唬人，翻开之后，有的写得深入，有的泛泛而谈。
他看得很快。不是囫囵吞枣，是带着问题在看。
他的模型现在用的都是技术面的东西，均线、成交量、突破、趋势、布林带，这几个因子组合在一起，就能捕捉到螺纹钢的大部分行情。
赵建设说过，策略同质化是收益下降的主要原因。大家都在用差不多的参数、差不多的逻辑，赛道太挤了，滑点把利润吃掉了。
解决办法之一是加入基本面信号，做别人做不了的东西。
林深当时觉得这个方向可行，深度研究是他的强项，他比别人更能看到基本面上平常看不到的信号，把这些量化，就是他的护城河。
但看了几天书之后，他开始意识到一个问题——基本面量化，比他想象的要难得多。
不是难在技术，是难在维度。
技术面的模型，输入的数据是单一的。价格、成交量、持仓量、波动率。这些都是数字，是结构化的，格式统一，频率一致。模型拿到这些数据，不需要“理解”它们是什么，只需要计算。
均线就是算数平均数。突破就是创出新高。趋势就是一系列价格的方向。布林带就是标准差。
这些东西，计算机天然就能处理。
但基本面不一样。
螺纹钢的基本面就涉及太多板块了。
供给端：钢厂开工率、产能利用率、库存水平、检修计划、环保限产政策。
需求端：房地产开工面积、基建投资增速、制造业PMI、出口订单。
宏观层面：货币政策、财政政策、汇率波动、贸易摩擦。
政策层面：去产能、碳中和、限产令、秋冬季大气治理。
还有市场舆情：钢贸商的情绪、下游囤货意愿、期货市场的资金流向。
每一个板块都是一堆数据。
有些数据是量化的，比如开工率、库存、PMI。但有些是定性的，比如环保政策、“回头看”督查、某个钢厂突然停产的消息。
要把这些数据全部塞进模型，首先得解决一个基础问题——怎么让模型“读懂”这些信息。
政策文件是文字，新闻是文字，调研记录是文字。计算机不认识文字，只认识数字。得先把文字翻译成数字，才能喂给模型。
怎么翻译？
一条“某钢厂高炉停产检修”的消息，对不同合约的影响是不一样的。近月合约反应大，远月合约反应小。停产一周和停产一个月，影响完全不同。这个消息是确认的，还是传闻？是官方公告，还是小道消息？如果当天还有其他利空消息，这条停产消息的权重怎么定？林深发现这是一个新闻分析师的活。
而且这还只是第一步，数据抓取。
第二步更难：分析处理加权重。
同样是库存数据，报告期的库存环比下降，但市场预期是大幅下降，结果只降了一点点，这个数据是利多还是利空？
同样是开工率数据，开工率上升了，但上升的原因是利润高，利润高的原因是需求好，需求好的原因是基建发力——这条逻辑链，模型该怎么样自己推导出来？
林深翻到一本讲“文本挖掘”的章节，里面提到了自然语言处理和情感分析。他用了一个晚上囫囵吞枣地看完了那几十页，最后得出了一个结论——这条路，不是他现在能走的。
不是技术达不到，是他的能力圈不在这里。
他数学好，会写Python，会调参跑回测。但他不会做自然语言处理，不会搭情感分析模型，不会训练一个机器去理解政策文件里的潜台词。
这些需要专门的知识和大量的数据积累，不是他一个人花点时间就能搞定的。