在点餐台旁边站了一会儿，他看了一眼墙上的排班表，每个时间段谁在岗写得很清楚。
林深注意到晚上六点到九点的时段，排班人数明显比中午多。
又走到后厨门口，看了一眼。操作台上干净，调料碗排成一排，标签朝外。两个厨师各忙各的，配合很默契。
林深退回来。
“工业区那家远不远？”
“开车二十分钟。”
“走，去看看。”
二十多分钟后，车拐进工业区的主干道。两边全是灰色的厂房，门口停着货车，小当家的店面在工业区入口的位置，门头比城中村那家大了不少。
此时正是饭点，林深还在车上，就看见店门口排着一条长队。
队伍从点餐台一直延伸到门外，沿着墙根拐了个弯，排了快二十米。但没有人插队，没有人催，也没有人站在窗口堵着。大家就安静地排着，有人低头看手机，有人踮脚往前看一眼，然后收回目光，继续等。
林深下了车，站在门口看了一会儿。
队排得长，但走得快。出去的人手里端着餐盘，进来的人马上补上，队伍一直在往前移动，但长度几乎没有变。
他推门进去。
店里坐满了人，一张张小方桌挨着坐，挤得满满当当。
后厨的出餐铃响得很勤，。前厅的店员端着托盘在桌与桌之间穿梭。点餐台后面，两个店员在点单，一个在帮忙打包。
林深没有去打扰他们，而是站在角落里，把整个店扫了一遍。
他走到取餐口旁边，往里看了一眼。后厨四个人，两个在灶台前炒菜，一个在配菜，一个在炸炉那边忙，四个人各司其职，没有人多余，也没有人闲着。
林深退回来，站在吧台旁边。
看了一眼墙上贴着的出餐数据统计表。上周的数据，最高峰时段在中午11点半到下午2点，出餐量将近六百份，平均出餐时间三分半钟。
在角落里站了十来分钟，他没有再问赵卫国任何问题，该看的都看到了，不用问。
两人在店里随便吃了点，下午又去了其他的几家店，回到滨城大厦的时候，已经快五点了。
陈小虎坐在办公室里，面前摊着几张铺位的平面图，看见林深和赵卫国回来，他放下笔，坐直了身子。
“怎么样？有没有问题？”
林深在沙发上坐下来，扫了一眼小虎桌上的那些图纸。
“工业区那家，高峰期能扛住，但厨房的动线还有点挤。三个人在里面转身都费劲，高峰期容易出问题。你看看能不能把备餐区往外挪一点，或者把冰箱换个位置。”
小虎拿起笔，在旁边的本子上记了几笔。
“住宅区那家，下午四点多就开始上人了，这个时间点你们之前可能没注意到。晚上的排班要提前，别等到五点半才换班，那会儿已经忙起来了。”
小虎又记了一笔。
“其他几家没什么大问题。”
小虎抬起头，咧嘴笑了。“深哥，你这哪是休年假，你这是来给我们做顾问来了。”
“我就随便看看。”他从沙发上站起来，“行了，我走了。”
后面的几天，林深没有再去小当家。不是不想去，是觉得没必要天天去。那几家店已经跑顺了，该看的问题也看过了，剩下的交给小虎他们就行。他去了也帮不上什么大忙。
他去书城买了几本关于量化模型和期货市场的书，宅在家里啃了几天。
《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。