在程式交易中有許多指標可以來評價一個策略的特性或表現，底下就介紹幾個相當有用的指標給大家：

Sharpe Ratio 夏普值

\(Sharpe=\frac{R_p-R_f}{\sigma_p}\)

\(R_p\)：投資商品的報酬率
\(R_f\)：無風險利率
\(\sigma_p\)：投資商品報酬率的標準差

夏普值在財務領域上是用來衡量在單位風險下投資商品的超額報酬，在承擔相同的風險下，會希望預期的超額報酬越高越好，因此夏普值是越大越好，在評量多個不同的投資商品時，可以使用夏普值做為更快速的挑選方法。

夏普值是基於 CAPM 模型下，所計算出來的一個指標，由 William F. Sharpe 提出。這個比率當然也適用於基金或交易策略或各式金融投資商品，都可以使用夏普值作為評價的工具。

System Quality Number 系統品質指標

\(SQN=\sqrt{N}\cdot\frac{\mu_r}{\sigma_r}\)

\(N\)：交易次數
\(\mu_r\)：平均每筆損益
\(\sigma_r\)：每筆損益的標準差

System Quality Number （SQN）是系統品質指標，近年來也有許多投資者將此指標利用在策略品質的鑑定上，SQN 指標會在期望獲利越高、標準差越小、交易次數越多的情況下，整體的值越大。利用這個特性可以有效地衡量策略的獲利能力和穩定度。

Return／Risk Ratio 風報比

\(RR=\frac{P}{MDD}\)

\(P\)：淨利
\(MDD\)：最大回撤（Max Drawdown）

Return／Risk Ratio（RR）是一個投資人必備的觀念，由 Victor Sperandeo 在「專業投機原理」上提出並應用，他也於交易市場獲得連續 18 年的長期正報酬，穩定一直都是交易理論的真正核心，風報比可說是判斷策略穩定度最好的基準。

因為如果風報比過小，代表在賺取相同的報酬時，所需要面臨的最大回撤較大，如果準備本金不足，很有可能會被迫離開市場，代表策略的績效無法維持穩定。

Value at Risk 風險值

風險對於投資人來說一直是一個既害怕又抽象，卻又不得不面對的存在，一般學術上常見的是以報酬率的波動率作為計算標準，但在風險管理的角度下，則有另一種明確的數學定義，也就是風險值（VaR）。

公式定義如下，給定 \(\alpha\) 下滿足條件式中的數字即為 VaR。

\(Prob(X_T<-VaR)=\alpha\)

\(X_T\)：商品在持有 T 時間的損益
\(\alpha\)：信心水準

比如給定 \(\alpha=0.05\) 而計算出來的 VaR 為 40 萬元，則表示投資人持有該商品 T 時間後的損失有 95% 的機率不超過 40 萬元。

從圖形來看更好理解，假設上圖是一投資組合持有 T 時間損益的機率分布。我們可以找到一個值，使得損失大於這個值的機率為 5%，反之小於等於這個值的機率為 95%，則這個損失值的大小就是在 5% 的信心水準下，所計算出來的風險值。

對銀行等從事風險管理的部門來說，就是代表市場在極端狀況下所可能承受的風險大小，如果要求更嚴苛的風險管理，就會將 \(\alpha\) 降低，代表該情況越不可能發生，則算出來的值會越大，代表需要更多的準備金，但相對的也比較不容易發生倒閉破產等情形。用在交易上則可以衡量需要多少的保證金。

以上大略介紹四個常見的策略指標，當然指標不只這幾種，要算永遠都算不完，重點是依照自己交易的目的與需求，挑選適合的指標定期檢視，這樣才能篩選出較良好的程式交易策略。

【延伸閱讀】

• 台指期三大法人資料跟單交易分析
  
• AI交易模型  —  強化學習

The post 策略評量指標簡介 appeared first on StockFeel 股感.

2016 年，DeepMind 的 AlphaGo 在圍棋比賽中以 4:1 擊敗了圍棋世界大師級冠軍李世乭，而後 AlphaGo Zero 更是青出於藍，在三天之內就超越了當時和李世乭對戰的 AlphaGo，而 AlphaGo Model 的核心技術之一，就是 Reinforcement Learning（強化學習）。Reinforcement Learning 是 AI 研究中相當熱門的一個領域，也是我個人認為 AI 能最接近人類學習方式的 Model。

Reinforcement Learning 主要透過和環境的互動來學習，跟人類小孩時一樣，根據當下的處境，小朋友會有不同的行為去嘗試，之後也會因為這些行為得到不同的後果，慢慢的小朋友就會學習起來，哪些行為會造成不良的後果，進而慢慢減少這樣的舉動。

例如明天就要段考了，小強面對書本時有不同的想法，第一次的時候他很努力學習，隔天考試的成績相當優秀，自己也非常開心；但第二次時他覺得麻煩，跑去打電動，導致隔天的考試成績非常糟糕，也讓他失落一整個禮拜，慢慢的，小強就從中學習到，面對段考時必須要認真讀書，這樣更能讓他在考試時獲得比較好的成績，心情也會變的更好。

Reinforcement Learning 同樣也是利用這樣的方式學習的，面對一個 Environment（即將段考的環境），AI Model 會做出一個 Action（認真讀書或打電動），這個 Action 會改變整個環境，讓環境進入下一個 State（段考結束），並讓 AI Model 獲得相對應的 Reward（段考成績），根據得到的 Reward，AI Model 會學習並影響下一次的決策，透過不斷的與這個環境互動，不斷的得到各種 Reward，AI Model 即能慢慢成長並學習如何在這環境中生存了。

同樣的道理，在期貨市場上，我們也可以為 AI 交易機器人創造這樣的一個環境，讓他以 Reinforcement Learning 的方式學習，而這個環境就如同上面所說，必須包含 Observation、可執行的 Action 範圍、相對應的 Reward 設計。在這樣的 AI 交易架構中，Environment 的設計是相當多變化也是最為重要的一個環節，環境設計的好壞將直接影響整個 AI 交易機器人的績效及穩定性。

舉個例子，不管是市場上的籌碼資料、技術指標，甚至是消息面的文章資訊等等，都可以打造成 AI Model 的 Observation，讓 AI 交易機器人利用這些資料，執行下單的各種決策；最後，直接以賺賠的點數及面對的風險來決定他能得到的 Reward，就能夠打造一個持續學習進步的 AI 交易機器人來面對期貨市場了。

【延伸閱讀】

• 台指期三大法人資料跟單交易分析
• 策略評量指標簡介

The post AI 交易模型  —  強化學習 appeared first on StockFeel 股感.

資料從 2008/04/07 到 2017/03/31 共 2,227 天，成交量是用小台指期除以四再加上台指期貨的總數，先畫箱形圖來看看自營商（dealer）、外資（foreign）與投信（trust）的每日買入（buy）、賣出（sell）、淨未平倉量（net.oi）與淨買入（net）：

由上圖可以看出每天在台指期貨市場上進出最多的是外資與自營商，投信相對少很多，但是在留倉方面卻是外資與投信的未平倉量較多，且外資多留多單，投信多留空單。以上觀察結果與只看 2016 年以後的資料也是符合的。接下來看看三大法人的淨未平倉量（net.oi）與淨買入（net），在隔天市場上的獲利：

由上圖可以看出外資的淨未平倉量與淨買入是總獲利最高的兩項，但在 2008 年時獲利輸給了總獲利最低的投信淨未平倉量，這與市場走勢高度相關，2008 年金融海嘯過後，台指期就一路漲上去。

以上只是大概的計算，並非實際的獲利，因為淨未平倉量與淨買入是一直在隨時間改變的，而我們只能得到日資料，於是以日資料做粗略的估計，並非即時每筆精確的損益。接下來依照三大法人的淨未平倉量與淨買入的正負來當作我們在隔天開盤時進場的多空依據，其績效如下：

由結果來看，外資的淨買入最具指標性，自營商的淨買入最具有反指標性。

我們可以發現跟隨著外資的淨買入做單有較好的績效，但其他的三大法人資料就沒有用了嗎？混合著其他資料是否能夠增加報酬？另外還有每天的跟單是在開盤價進場、收盤價出場，其中的震盪可能會很大，一般投資者不一定可以承受一天一兩百點的變動，所以還需要加上停損停利的機制。

混合三大法人資料

我們只考慮三大法人的淨買入與淨未平倉量，共 6 個變數，每個變數都有選擇與不選擇使用這兩個選項，所以總共有 2 的 6 次方種組合，再扣掉全部都不選，共有 63 種組合。

以其中一個組合外資淨買入（foreign.net）與外資淨未平倉量（foreign.net.oi）來當範例。若今天台指期收盤後，從期交所下載三大法人資料，發現外資淨買入為 −3,000 口為負數，外資淨未平倉量為 10,000 口為正數，此時再找出過去這兩個指標正負號與上述相同的交易日，並在其隔天做模擬多單回測；若這些回測模擬多單整體績效為正，則在出現此訊號時隔天做多單，反之則做空單，並在收盤時平倉。

這樣總共有 4 種可能的正負號組合，每種組合都做同樣的回測，就有每天進出場的策略，以此建構出混合外資淨買入、淨未平倉量的交易策略。

最後以 2008 年 4 月至 2017 年 3 月回測的結果，找出 63 種組合中績效最好的是三大法人的淨買入（foreign.net, dealer.net, trust.net）組合。

停損停利機制

上述混合三大法人資料來做交易，還沒有考慮到停損停利，因為每天的台指期可能變動正負三百點以上，自期交所開放三大法人資料以來，一天的最高價格最多超過該天開盤價 424 點，最低價格最多低於該天開盤價 599 點（截至 2017/3/31），所以在當沖策略中應該要做好停損停利點，否則會有斷頭的風險。

為了要計算停損停利點，我們特別使用移動式回測法來做最佳停損停利，且最佳停損停利都是依照多空來區分，多單的停損停利點與空單的停損停利點是不同的。

實際的做法是，若判斷該天為多單交易日，則其停損停利點就是利用過去所有多單交易日資料來最佳化的停損停利點；依此類推，若判斷該天為空單交易日，則其停損停利點就是利用過去所有空單交易日資料來最佳化的停損停利點。停損停利範圍設定在正負 200 之間。

以 63 種三大法人混合指標中績效最好的三大法人淨買入組合為例。在最佳停損停利圖中，正數值代表停利點，負數值代表停損點。由下圖可以知道，最佳的停利點不管多單還是空單幾乎都到達了設定的最大值 200，而最佳的停損點在多單是在 50 左右跳動，而空單的最佳停損點是在 100 左右跳動。

最後附上加上停損停利後多單與空單的累積績效走勢圖。

【延伸閱讀】

• 策略評量指標簡介
• AI 交易模型  —  強化學習

The post 台指期三大法人資料跟單交易分析 appeared first on StockFeel 股感.

交易量

首先從交易量著手，不同年份的平均每日交易量有明顯增長的趨勢，顯示了台指期的交易越來越頻繁。以台指期的歷史日資料來看，2016 年平均每天有 13 萬的交易口數，數目相當可觀。

同一份資料從月份來看交易量，各月的每日平均交易量差異並不大，唯十月與十二月偏低。

若改以週來看平均交易量，可得知星期六的交易量明顯低於星期一至星期五。

因為星期六的交易日大多集中在 2000 年以前，當時尚未實施周休二日，所以星期六平均值大多由 2000 年以前的資料主導。但近幾年有少量的星期六交易日，單日交易量也確實遠低於星期一至星期五。

指數漲跌

來看歷年台指期點數漲跌（此處漲跌指的是「當日收盤價」減「前一交易日收盤價」）。若該年平均每日漲跌達正負 10 點以上，表示 250 天可以漲或跌 2,500 以上。雖然 2008 年金融海嘯與 2009 年的經濟復甦造成明顯的年份變數影響台指期漲跌，但年份並不像星期與月份可以不斷循環，故無法用以預測。

以月份來看，十二月平均漲幅較高，而六月至九月的跌幅較高，七至八月的跌幅應是除權除息導致。然而這些漲跌幅較高的月份是否能夠作為一種交易策略呢？來看看各月份漲跌點數的標準差。發現各月漲跌點數標準差均達到 90 點以上，平均值的標準誤（標準差除以開根號的樣本數）也都在 5 點左右，且平均數均未超過 10 點。在統計學顯著水準 5% 的檢定之下，各個月份的漲跌指數平均數「不顯著不為零」（平均值除以標準誤小於 2）。白話來說，標準差太大而漲跌指數平均數相較之下很小，所以無足夠證據顯示月份時間變數會影響台指期漲跌。

再看星期變數是否影響價格漲跌。除了看到平均數星期六最高，星期一最低之外，還得看標準差，得知星期一至星期五正常變動在 100 到 120 點。再看檢定用的標準誤，週一至週五因為樣本數多，大約 3.5 點左右；星期六樣本數少，標準誤高達 16 點。在統計上檢定結果，當然是全都「不顯著不為零」。白話來說，標準差太大而漲跌指數平均數相較之下很小，所以無足夠證據顯示星期變數會影響台指期漲跌。

結論

時間變數確實會影響心情，但由歷史資料來看，時間變數並不顯著影響台指期的漲跌。如依靠「時間變數」來進行台指期交易可能無法得出好績效，應該尋求其他更有效的方法，比如更有紀律的執行交易策略，或是利用程式交易等等。

【延伸閱讀】

• 什麼是最大回撤 Max Drawdown（MDD）？兼談策略管理
• 技術分析 — KD 指標入門指南

The post 「時間變數」是否影響台指期交易 appeared first on StockFeel 股感.

首先先了解近三年共 736 天的三大法人的淨買入（net）與淨未平倉量（net.oi）的關係：

由上圖可以看出在淨買入部分，外資普遍較自營商與投信多，2016 年後外資淨未平倉量維持看多，投信則維持看空。為了想要了解三大法人的獲利為何，於是分別計算三大法人淨買入與淨未平倉量在隔天的獲利，獲利分成今日收盤價到隔日開盤價的價差，若遇結算日則價差為零，另外一個便是隔日收盤價到隔日開盤價的價差。以下的圖便是兩個價差的和並乘以淨買入與淨留倉的值，也就是三大法人的判斷在隔天造成的獲利。

跟單策略

由上兩張圖可以看出外資的判斷在近三年確實會有較好的績效，於是如果設計一個跟單的當沖交易策略，分別依照三大法人的淨買入或淨未平倉量做交易，若為正則在隔天開盤做多並且在隔天收盤平倉，反之則做空單，若淨買入或淨未平倉量為零則不做單。因為在三大法人資訊出來的時候已經收盤了，所以只能計算隔日開盤到隔日收盤的獲利。

由這個模擬跟單的績效來看近三年的外資是可以跟單，且淨未平倉量比淨買入還具有指標性，但如果眼尖一點的朋友可能會發現跟自營商的淨未平倉量反向對作有機會賺更多。

【延伸閱讀】

• 台股的外資買賣佔比，在多頭市場與空頭市場的分析
• 台指期的價格波動與價量關係

The post 台指期的籌碼面交易 appeared first on StockFeel 股感.

Drawdown ( DD )

DD 又稱 “回撤" 或 “回檔" ，看的是策略 “累計獲利" 的損失，也就是損益曲線中一個波峰到波谷的距離。要注意的是波谷的確認方法，是指兩次波段高點形成的這段區間中的最低點，而 DD 就是計算前波高點到這中間低點的距離（如圖上紅線），當策略損益創新高後，前波高點又會重新計算（如圖上紅圈）。總之 DD 就是在衡量獲利回吐的程度。

Max Drawdown (MDD)

延續 DD 的概念，MDD 就是最大的一筆連續虧損，也就是 DD 中的最大值。為什麼對一個策略而言 MDD 如此重要呢? 因為一個策略不可能永遠是賺錢的狀況，MDD 則是讓我們了解到策略歷史最大的連續虧損，透過 MDD 來評量一個策略在目前市場表現的狀況，若出現連續虧損已經超過歷史的 MDD 則要考慮，這個策略在市場是否繼續有效，或是因為事件所導致的正常狀況。同時 MDD 也可以做為需要多少超額保證金的依據。

R 套件－fTrading

在這裡介紹 R 套件——fTrading，fTrading 提供簡單計算 MDD 的函數，只需要給函數累計獲利就可以計算 MDD。如下的結果，我們會得到 MDD 的值，第幾筆開始損失，第幾筆結束。

data(EuStockMarkets)
dax = log(EuStockMarkets[, "DAX"])
mdd = maxDrawDown(dax)
mdd

$maxdrawdown
[1] 0.256471
$from
[1] 236
$to
[1] 331

策略退場機制

一般人對於程式交易往往有種迷思，認為程式只要長期有紀律的執行下去就一定可以獲利，其實不然。

以台指期商品為例，臺灣期貨市場至今不過 19 年的歷史，市場上無論何種程式，最多也只不過利用了這 19 年的資料進行交易模型訓練，可以想像再過 20 年之後，期貨市場勢必有很大的不同，目前的策略將很難在未來的 20 年持續獲利，甚至可能在幾個月內就會變成一個只會虧損的策略，因此我們認為策略除了每三、五個月便應依據最新的市場變化進行檢視與微調外，也必須訂定一個明確的退場機制，當符合退場條件後，便應暫時停用該策略。

這就如同一般散戶下單，明知道這個單已經有明顯問題了，卻不願認錯，持續攤平凹單期待能翻身一樣，最終將導致鉅額虧損。

那策略什麼時候該停用？這邊介紹其中一個參考指標，就是當策略開始經歷連續的波段虧損（Drawdown），虧損金額超過操作商品的 2 倍原始保證金時，就是該進入觀察期、重新檢視與調整該策略的時候。若連續虧損金額超過 3 倍原始保證金時，即應該立即停止使用該策略。因為策略一旦超過上述條件，即代表其運作情形已經超出策略設計當初的預期，開始邁入未知的地帶。因此在此時停用會是個明確的停損點，同時我們將可鎖住策略過往大部份獲利。

有了這個明確的管理機制 ( 停損點 )，便可以保証我們過去的大部份獲利不會被侵蝕掉，協助我們未來可以更安心、更有紀律地執行各種交易策略。

結論

MDD 作為評測策略的標準之一，但不盡然 MDD 越小就越好，投資人在選擇投資策略時，應該將 MDD 視為該策略的風險，就自己能力可以承擔的情況下，選擇最好的投資策略，並在損失超出預期時停止策略的使用。

【延伸閱讀】

• 什麼是下檔風險？關於下檔分析的討論以及影響下檔分析客觀性的因子
• 永遠別忽略風險 降低風險的 5 大祕訣

The post 什麼是最大回撤？兼談策略管理 appeared first on StockFeel 股感.

程式交易利用長期資料統計、數學演算與近年興起的機器學習技術（Machine Learning），搭配各種經濟理論模型，分析出交易市場中不為人知的特定規則，接著交由電腦依據這些規則連結期貨商進行自動下單動作。

一般只要能完全遵守紀律，不干擾程式運作，市場上多數交易程式都可有不錯的績效，主要原因在於程式交易可完全避免人性貪婪與恐懼等因素，在市場中做出較為正確的判斷。

然而程式交易也並非萬能，在一些較特殊的盤面中，程式也可能做出一些令人噴飯的決策，這是因為程式的邏輯乃針對長期大盤趨勢所設計，對於特殊的盤面或系統化風險反應能力較差。

程式交易的目標在於追求中長期獲利，對於一些少見的特殊盤勢發生時，只能盡力減少虧損。人為的判斷雖然可能會比程式交易準確，卻也可能會更加錯誤，因此當程式做出這些令人懊惱的決策時，用戶們對於這種情形的發生應有足夠的心理準備並以平常心看待。

如何善用程式交易

許多自動交易程式的策略設計都非常好，也都考慮了成本與滑價等因素，但仍有許多程式交易者苦苦無法獲利，主要原因有三：

仍然無法克服自己人性的弱點，時常影響程式的正常運作，特別是在程式發生較大虧損之後，使用者對程式的信心降低，接著開始自作主張破壞了程式後續原本應該獲利的單子，甚至直接停用程式。如此大賠小賺自然是無法獲利。這必須依靠使用者自身足夠的覺悟與自律，並做好個人的資本管控。

高獲利往往伴隨高風險，長期高獲利的自動交易程式雖然績效好，卻也常常難以避免短期連續數日的大量虧損，這些連續虧損有時可能高達五百點甚至千點以上，進而導致使用者對程式的信心徹底潰散，尤其對資金水位較低的使用者而言更可能尚未獲利便已經提早畢業出場，甚至連程式開發者本身都會開始質疑自己程式的獲利能力而開始慌亂。這個情形也是程式交易過程中常見的致命傷。一個好的交易程式應盡可能避免連續大量虧損的情形發生，以追求穩健獲利為目標。儘管此一作法可能降低程式最終整體獲利，但維持使用者對程式的信心才是程式交易的最重要原則。讓使用者持續對程式有信心，也才能夠達到長期獲利的目標。

此外，很多第一次接觸程式交易的人皆視程式交易為萬靈丹，抱持這樣的想法將會讓自己曝露在過高的風險之中。大部份的程式交易簡單來說都是一種將大盤規則簡化再簡化的結果，其能力都是有限的。加上設計者的觀念若稍有偏差或是市場開始出現較大幅度的變化，任何策略都可能在短時間內變成一個只會虧損的策略。因此使用者在使用程式交易的時候，最重要的永遠是風險控制，不應因為一時的急躁與抱持過高的期待而孤注一擲。

程式交易與許多投資商品相同，應分散風險，避免壓注在單一個交易策略上。最好的方式是同時使用多種不同特性的交易策略，如此才得以在市場劇烈之際，讓風格迥異的交易策略達到互補的效果。

【延伸閱讀】

• 機器人 AI 能幫你的投資賺錢嗎？
• 高頻交易揭密：美國五大高頻交易商訪談錄

The post 程式交易簡介：追求長期穩定獲利 appeared first on StockFeel 股感.

期貨，英文為 Futures。是由「未來」一詞演化而來，期貨的概念起源於早期的農產品交易市場，為了規避價格的大幅波動，買賣雙方便事先簽訂契約，約定好數量、價格與日期以便進行貨物的交易。

歷史上最早的期貨市場出現在日本的江戶幕府時代。由於稻米的價格受軍事活動影響非常大，所以米商常常會依據稻米的生產量以及市場對稻米的期待而決定庫存米的買賣。當時各地從事稻米貿易的貿易商會先用白銀付訂金，取走訂單，來年再憑訂單付下尾款取走預先預定的稻米（期貨合約到期交割的概念）。

由上述的歷史故事，我們可以知道，其實期貨就是一紙合約，合約到期時才會由合約轉換成約定好的貨品。所以市面上的期貨交易其實都是「合約」的買賣，而非真的將貨品運來運去。

隨著時代的發展，期貨交易的標的範圍也越來越廣，從基本的農產品又發展出了黃金、白銀等貴金屬以及石油、燃煤等能源商品。而時至今日，更多金融衍生性商品成了期貨標的，像是股票期貨、外匯期貨和指數期貨，大家耳熟能詳的台灣加權指數期貨（下稱台指期）就是金融指數期貨的一種。

交易方式

期貨交易與一般的股票交易不同，期貨買賣是採用保證金交易的制度。保證金制度即是以投資人的保證金做擔保，只要付出合約部分的金額即可交易。也因為只要付出部分的錢，期貨交易本身具有槓桿性。

舉例來說，假設在台指期 10,000 點時交易一口台指期的合約（期貨市場的合約是以「口」為計算單位）。1 點加權指數價值 200 元，其合約本身價值是 200 萬元台幣。然而交易一口台指期的合約並不需要真的掏出 200 萬元，而只需要先繳交保證金 9 萬 6 千元（稱為原始保證金，會隨指數高低有所調整），槓桿的倍數即是 200 萬除以 9 萬 6 千，大約 21 倍。隨著指數的波動，手持合約的投資人必須將保證金維持在一定的額度之上，否則便需要補繳保證金，這個必須維持的金額便被稱為維持保證金。

不同的期貨合約所需要的原始保證金和維持保證金皆不相同，槓桿倍數和標的價值也不一樣。由於期貨的交易比較特別且具有槓桿放大的特性，投資人在投入期貨市場前一定要先了解清楚交易規則，並謹慎對待自己的投資才行。

【延伸閱讀】

• 利用名牌包看金融(2)-認識期貨
• 40年前的驚濤駭浪：重溫史上最大期貨投機事件

The post 期貨是什麼？歷史與交易方式簡介 appeared first on StockFeel 股感.