量化交易 Quant Trading

系統化、數據驅動的交易策略開發

適用場景

• 開發交易策略（趨勢跟蹤、均值回歸、套利）
• 策略回測與績效分析
• 風險管理與部位控制
• 因子研究與 Alpha 挖掘

策略開發流程

假說形成 → 數據準備 → 策略編寫 → 回測驗證 → 風險控制 → 實盤監控

核心知識

策略類型

風險指標

常見因子

回測檢查清單

• 數據品質: 是否有生存者偏差？
• 前視偏差: 是否使用了未來數據？
• 過度擬合: 參數是否過度優化？
• 交易成本: 是否包含手續費、滑價？
• 樣本外測試: 是否保留測試集？

最佳實踐

1. 先簡單後複雜 – 從簡單策略開始，逐步增加複雜度
2. 樣本外驗證 – 永遠保留一段數據做最終測試
3. 考慮交易成本 – 回測時加入真實的手續費和滑價
4. 分散風險 – 不要把所有資金押在單一策略
5. 持續監控 – 實盤後監控策略表現，設定停損條件

常見錯誤

Sharp Edges

SE-1: 回測過度擬合

• 嚴重度: critical
• 情境: 策略在回測中表現優異（夏普 > 3），但實盤虧損
• 原因: 參數針對歷史數據過度優化，捕捉的是噪音而非信號
• 症狀: 回測夏普 > 3、實盤表現 < 50%、參數敏感、交易次數過少
• 檢測: sharpe.*[3-9]\.|sharpe.*\d{2,}
• 解決: 使用 Walk-forward 驗證，分 5+ 段滾動測試

SE-2: 前視偏差 (Look-ahead Bias)

• 嚴重度: critical
• 情境: 回測時無意使用了未來數據
• 原因: 數據處理時沒有注意時間順序
• 症狀: 回測報酬率完美、使用當日收盤價作為當日信號
• 檢測: shift\(-|iloc\[-1\].*today
• 解決: 信號必須延遲一天 signal = prices.shift(1) > ma.shift(1)

SE-3: 生存者偏差

• 嚴重度: high
• 情境: 只使用當前存在的股票進行回測
• 原因: 退市、下市的股票被排除，導致高估策略表現
• 症狀: 回測報酬明顯高於實際、小型股策略表現特別好
• 解決: 使用包含退市股票的完整數據庫、使用 Point-in-Time 數據

SE-4: 忽略交易成本與滑價

• 嚴重度: high
• 情境: 高頻換手策略看起來很賺錢
• 原因: 沒有計入手續費和滑價，實際成本吃掉所有利潤
• 症狀: 年換手率 > 1000%、單筆獲利 < 0.5%、回測用收盤價成交
• 解決: 計入 commission (0.1%) + slippage (0.2%) = 每筆 0.3%

SE-5: 過度自信於樣本內績效

• 嚴重度: medium
• 情境: 只看樣本內回測結果就決定上線
• 原因: 沒有保留獨立的測試集
• 症狀: 沒有 out-of-sample 測試、驗證集被重複使用、測試集數據量太少
• 解決: 數據分割 60/20/20（訓練/驗證/測試），測試集只用一次

風險管理框架

Layer 1 交易層: 單筆停損 2%、根據波動度設定停利、移動停損保護利潤 Layer 2 策略層: 單策略不超過 20% 總資金、回撤超 15% 減半部位 Layer 3 組合層: 每日 VaR 不超過 2%、壓力測試、保持 20% 現金

Kelly 公式

f* = (p × b - q) / b
f* = 最佳投注比例, p = 勝率, q = 敗率, b = 賠率
範例：勝率 55%, 賠率 1.5 → f* = 25%（實務用 Half-Kelly 12.5%）

執行風險

工具推薦

• Backtrader – Python 回測框架
• QuantConnect – 雲端量化平台
• TradingView – 圖表分析和策略測試
• Zipline – Quantopian 開源回測引擎

延伸資源

• 程式碼範例: extended/code-examples.md
• 模板與 Checklist: extended/templates.md

參考資源

• Quantitative Trading – Ernest Chan
• Advances in Financial Machine Learning – Marcos Lopez de Prado

免責聲明

量化交易涉及高風險，歷史績效不代表未來表現。本內容僅供教育參考，不構成投資建議。