1.开始时请考虑一下“证据”。

一个较好的投资起始点是问问自己以下问题：如果有人向你证明某一投资策略的优点，那么，什么样的证据才能让你愿意采取这一策略呢?

这个问题非常重要，因为遗传算法(geneticalgorithms)和遗传算法编程(geneticprogramming)等演化算法(evolutionarycomputation)技术都是优化过程，目的是为复杂问题寻找最优或近似最优的解决方案。要利用这些技术探寻交易法则，你必须首先确定探寻的参数和“适用度”函数(fitnessfunction)。

适用度函数可以非常简单(见法则3)，比如一段时间内的最高复合回报率。如果你因为某一交易法则的复合回报率是同类法则中最高的，而采取这一法则，那么，这就是你寻求的全部证据。它将成为你交易体系的基础。但在实际操作中，你可能需要更多的证据。

2.仔细考虑你的约束条件。

假设你正构建一套体系，以便根据基础变量来优化股票选择标准。再假设你利用遗传算法来识别最佳的股票选择变量。当你对结果进行评估时，你会发现，根据选择标准，每年只会产生一只入选股票。你是否真的愿意孤注一掷?还是需要更为宽泛的标准，让你每年能够选择至少20只股票?如果是后者，你必须在搜索过程或适用度函数中嵌入这一(或别的)约束条件。

3.显而易见的适用度函数选择可能不会奏效。

好的交易法则能帮你赚钱，对吗?也对也不对。虽然赚钱是最终目标，但是，那些在历史测试期内能使回报率最大化且没有其他约束条件的交易法则，在今后的操作中很可能毫无作用。选择好的适用度函数需要做大量工作。

4.警惕过度适用(overfitting)。

如果不设定一些适当的约束条件，最终得到的很可能是一条十分适用于历史测试期，但却没什么价值的祛则。举例来说，演变算法可能会得出一些在测试时期过度适用的奇怪祛则。

5.仔细考虑你的数据库设计。

你可能会对自己最初的设计尝试进行某种程度的修改和扩展。大量编程工作涉及到数据管理和数据接口。在你设计数据库之前，试着先想一想。

6.从理论的角度检验结论。

初看起来十分奇怪的法则可能就是一条奇怪的法则。你可能会因为追求过度适用，而找到一条无用的法则。或者你可能有充分的理由来说明这条法则过去有效且今后还将继续有效。但是，请批判地看待你的结论。

7.警惕数据挖掘。

当今的计算机功能非常强大，可以帮助我们探寻无数可能的交易法则。如果你花足够长的时间，你一定会发现-些能够很好地适用于测试期、但在其他时期却并不一定那么有效的法则。

8.数量和质量之间有一个平衡。

假设你正根据技术分析来搜寻交易法则。法则A说：当模式X出现时，买入。法则B说：当模式Y出现时买入。那么，把法则A和法则B结合在一起，是不是就成了一条非常棒的交易法则了呢?有这个可能。但是，结合后的法则适用的概率可能非常低，还不如当法则A和法则B中任意条适用时就买入。

9.考虑使用一组法则。

另一种多样化的方式是使用一组法则，而不是单条法则。

10.事先决定何时退出。

从某种程度上来说，这个问题和法则1中提出的问题类似。什么会让你确信你的交易法则失效了?