從零學量化交易
這頁用你自己的回測數據當教材——夏普值不是抽象公式，而是「你的策略 1.23」。 從「什麼是量化」一路講到怎麼判斷一個策略好不好。
📊 尚無回測資料，下方以本專案實測的 AAPL 布林突破為範例。去「策略績效」頁跑一次回測，這裡就會換成你的數字。
1 · 量化交易在做什麼
量化交易就是用數據與固定規則做交易決策，而不是憑感覺。 把「我覺得會漲」換成「符合這些條件就買、達到這些條件就賣」，再用歷史資料驗證這套規則到底賺不賺。
整條流程就是這頁的骨架：先有資料，算出指標，依指標產生買賣訊號， 用回測模擬歷史績效，用績效指標判斷好壞，再迭代改進。
2 · 資料：行情從哪來
最基本的單位是 OHLCV：每天的開盤(Open)、最高(High)、最低(Low)、收盤(Close)、成交量(Volume)。 本專案台股美股都用 FinMind 抓，統一成同一種格式，策略才不用管資料來自哪個市場。
⚠️ 還原價（Adjusted Close）——新手最常忽略的坑
除權息與股票分割會讓股價「跳空」。例如 AAPL 2024-05-01 收盤 169.30，但還原價是 167.62—— 差的 1.68 是配息造成的。回測一定要用還原價，否則除息那天會看到假跌、訊號和報酬全錯。 台股免費資料未還原，本專案先以 close 代替，要真實總報酬需接 FinMind 付費的還原股價資料集。
3 · 指標：把價格變成可判讀的訊號原料
指標是對價格序列做的數學計算，幫你「看出」單看 K 線看不出的東西：
- 移動平均線 (MA)：近 N 日收盤平均，撫平雜訊看趨勢。MA5 上穿 MA20 = 黃金交叉（短線轉強）。
- 布林通道 (Bollinger Bands)：以 20 日均線為中軸，上下各 2 個標準差。價格站上上軌代表突破近期波動區間。
- MACD：快慢均線之差，判斷動能與多空轉折。
- KD (KDJ)：衡量收盤價在近期高低區間的相對位置，看超買超賣。
4 · 訊號 / 選股策略：何時進場
策略 = 一組「符合就進場」的規則。本專案內建三類選股策略：
- 布林突破：收盤站上布林上軌 + 量能放大 + 中長均線多頭排列。抓「剛突破盤整、帶量上攻」的股票。
- VCP（波動收縮）：價格波動一段段收斂、量縮後突破。Minervini 的經典型態，抓「醞釀後爆發」。
- 形態學：辨識特定價格型態（如底部、旗形）作為進場依據。
這些策略選擇性很高——任一天通常只有約 5% 的股票同時滿足條件。所以選股池看起來「沒幾檔」是正常的，寧缺勿濫。
5 · 回測：怎麼知道策略賺不賺
回測 = 拿歷史資料模擬「如果過去照這策略做，結果會怎樣」。 這是量化的心臟，也是最容易自我欺騙的地方。三個一定要懂的坑：
① 未來函數 (Look-ahead bias)
不能用「還沒發生的資料」做決策。本引擎在第 i 根收盤決策、第 i+1 根才成交——你不可能在看到今天收盤的同一刻用今天收盤價買進。少了這道防線，回測會漂亮到不真實。
② 交易成本
台股手續費 0.1425%（可打折）+ 賣出證交稅 0.3%；美股多為零手續費。不算成本的回測對短線策略尤其騙人——高週轉會被成本吃掉一大塊報酬。
③ 還原價
同上節，用未還原的價格回測，除權息日會出現假跳空，讓報酬與訊號全錯。
6 · 績效指標：怎麼判斷好壞（用你的數據）
教材：布林突破 20/2 · AAPL (US)（範例）
總報酬是整段期間賺的%；年化(CAGR)是把它換算成「平均每年」幾%，不同長度的回測才能公平比。但只看報酬會被騙——下面才是重點。
每承受一單位波動，換到多少報酬。公式：年化報酬 ÷ 年化波動。判讀慣例：<1 普通、1–2 不錯、>2 優秀。這就是為什麼「賺 6% 但夏普 0.27」其實很差——用大波動才換到一點點報酬。
夏普的改良版：只懲罰「下跌」的波動（上漲的波動不算風險）。所以索提諾通常 ≥ 夏普。分母是「下檔偏差」，標準算法是對低於目標的缺口平方、除以全部期數——除以「負報酬個數」是常見錯誤。
從歷史高點到谷底，最痛時跌多深。這是「你撐不撐得住」的指標。一個年化 7% 但中途回撤 -17%、且帳面虧損持續一年多的策略，多數人會在谷底受不了砍掉，根本領不到那 7%。深度 × 持續時間決定一個策略心理上能不能執行。
報酬的起伏程度（標準差年化）。波動越大，同樣的報酬「坐起來越晃」。它是夏普的分母。
高勝率 ≠ 好策略
勝率高（82%）但賺賠比 0.60<1 → 靠「常常小賺」累積，怕少數幾次大賠。勝率與賺賠比是一組 trade-off，一定要一起看：常常小賺（高勝率、低賺賠比）怕大賠；少數大賺（低勝率、高賺賠比）要忍受常輸。再配「獲利因子」（總獲利÷總虧損，>1 才賺）一起判斷。
7 · 迭代與進階：別停在「跑出一個好看的數字」
量化真正的學習發生在循環裡：策略賠錢 → 想為什麼 → 改假設 → 再測。進階主題：
- 過度擬合 (Overfitting)：在歷史上調到完美的參數，實盤往往失靈。最危險的陷阱。
- 樣本外 / Walk-forward 驗證：用一段資料調參、另一段沒看過的資料驗證，才知道是真本事還是背答案。
- 參數最佳化 (Grid Search)：系統化掃描參數組合，但要搭配上面的驗證，否則只是更精緻的過度擬合。
- 投組與資金配置：多檔標的分散、決定每檔下多少，是把單一策略變成可長期執行系統的關鍵。
8 · 參考資料來源
想更深入，這些是值得收藏的入口：
- FinMind ↗台股與美股的開放金融資料 API，本專案的行情來源。免費版每日 600 次請求，付費版另有還原股價。
- Investopedia ↗金融名詞百科，夏普值、最大回撤、還原價等概念都有白話解釋，查術語的第一站。
- backtrader 文件 ↗Python 回測框架官方文件，關於「次根成交、避免未來函數」的設計講得最清楚。
- QuantStart ↗量化交易入門文章庫，從回測、風險指標到策略開發循序漸進，適合自學。
- Quant Stack Exchange ↗量化金融問答社群，公式細節（如年化用 252、成交時點）有大量高品質討論。
- 《Advances in Financial Machine Learning》 ↗López de Prado 著，進階必讀：講過度擬合、交叉驗證、避免回測陷阱，學完基礎後再讀。