今年在原有系统基础上持续集成了几个子系统许多小功能，诸如因子参数矢量选择，分期绩效统计，并发执行，有创新有发展，我想即使跟其他主流互联网金融平台上的同类产品相比较，也是可圈可点的。这归功于来自专业投资者高屋建瓴的指导建议。由此可知，小知不及大知，放在投资者的专业眼光之中来实现功能，必将使系统本身更加具有实用性。

　　总结开发过程中存在的几个不足之处：

　　一、需求响应时间过长

　　一轮迭代开发完成需要接近1个月时间，这样就导致投研团队比较紧急的需求需要等待个把月的时间。如何平衡开发质量和速度？今后希望有一个快速响应的机制，特事特办，建立绿色通道。

　　二、代码优化

　　在代码审查过程中，发现有很多需要优化的地方：诸如有些代码重复，封装不够，面向对象不够，可读性不够等等，今后在满足需求的情况下，需花大力气进行代码重构工作。

　　三、更好规范开发流程和加强团队建设

　　1.做好人员招聘工作，看重个人学习热情和工作态度；

　　2.开发，QA，需求，各司其职，互相促进，不断积累进步；

　　3.开发流程制度化，规范化，角色化，尤其做好业务需求整理，代码质量审查，不求快，只求质；

　　4.做好项目管理，要求开发人员做好自我管理自我激励工作，引入敏捷开发流程，编写代码之前必须先有分析设计，过会而后才有coding。需求分析必须拆分到点，由点及面，上下左右，分析透彻。

　　关于前沿技术引入：

　　目前投资平台集成了几个子系统，虽则已能满足日常业务的大多需求，但是信息技术蓬勃发展，Fintech日新月异，平台今后将引入包括机器学习在内的前沿技术，为投资做更好的指引。

　　从互联网金融(ITFIN)到金融科技(Fintech)，新技术在金融行业的应用正成为席卷全球的浪潮。而人工智能是Fintech里最核心的东西之一，人工智能将帮助研究员、交易员、基金经理提升工作效率，这是未来的一个方向。已经有对冲基金公司与Amazon的研究员联手打造了一支由AI驱动的选股策略，其17.1%的收益率已超越14.4%的标准统计模型。这项成绩说明，利用人工智能在较长时期内挑选股票的策略能够超越典型的分析师驱动的方法。而谷歌DeepMind团队业已终止AlphaGo项目，进而转入智能投资领域，这势必将会颠覆传统投研领域，开创投资方法方式的新时代。

　　一切已经开始，落后便要挨打，所以有必要引入一个机器学习子系统，来做一个尝试：从历史的基本面数据预测未来，然后利用这些未来的数据预测价格。今年已经对机器学习做了些基础的学习和研究工作，今后会重点深入研究利用机器学习选股，选股因子的筛选评估等应用。

　　总之，规矩为备，累土以为山。博闻多见，蓄道以待物，审于时而动愈出。这样自然而然的能在投资大浪中不断前行。