第 5 章 策略開發、風險管理與執行機制

## 第 5 章：策略開發、風險管理與執行機制 > **「資料為王，執行為王」** — 在量化投資的道路上，模型雖能預測市場，但若無有效的執行與風險控制，優秀的回測成績也會被「現實」吞噬。這一章將把剛剛搭好的模型帶上交易台，說明如何從信號產生到執行、風險管理、回測與前瞻檢驗的完整流程。 --- ### 5.1 策略設計的四大原則 1. **可執行性（Executable）** – 策略必須能在實際市場上被執行。若交易成本、滑點、最小交易單位等被忽略，理論收益可能被徹底削減。 2. **可驗證性（Verifiable）** – 每一條交易規則都應該有清晰的定義，便於回測與跟蹤。若規則模糊，回測結果容易出現偏差。 3. **可維護性（Maintainable）** – 量化策略常需隨市場變化調整。結構化、模組化的程式碼可以降低後續維護成本。 4. **可擴展性（Scalable）** – 從單一資產到多策略多品種，策略框架需能輕鬆調整資產池與風險預算。 > **實際範例**：我們以「均值回歸」為例，建立簡單的交易規則： > > - 當日內價格跌破 5 天移動平均線 1% 時，買入。 > - 當日內價格回升至 5 天移動平均線 1% 時，平倉。 > > 這樣的規則既可直接映射到程式碼，又能在回測中驗證其有效性。 --- ### 5.2 信號生成與回測評估 | 步驟 | 內容 | 重點 | |---|---|---| | 1 | 計算指標 | 移動平均、布林帶、RSI 等 | | 2 | 產生交易訊號 | 進場、出場邏輯 | | 3 | 建立交易日誌 | 進出場價格、成交成本 | | 4 | 回測指標 | Sharpe、Sortino、最大回撤、情報比率 | | 5 | 交易成本模擬 | 佣金、滑點、交易稅 | #### 5.2.1 回測實作範例（Python） ```python import pandas as pd import numpy as np # 讀取歷史數據 price = pd.read_csv('sample_price.csv', index_col='date', parse_dates=True) price['log_ret'] = np.log(price['close'] / price['close'].shift(1)) # 計算 5 天移動平均 price['ma5'] = price['close'].rolling(window=5).mean() # 生成交易訊號 price['signal'] = 0 price.loc[price['close'] < price['ma5'] * 0.99, 'signal'] = 1 # 進場 price.loc[price['close'] > price['ma5'] * 1.01, 'signal'] = -1 # 出場 # 回測 price['position'] = price['signal'].replace(0, np.nan).ffill().fillna(0) price['strategy_ret'] = price['log_ret'] * price['position'].shift(1) # 成本（固定 0.05%） price['strategy_ret'] -= 0.0005 * price['position'].abs() # 產生統計 cum_ret = (price['strategy_ret'] + 1).cumprod() sharpe = price['strategy_ret'].mean() / price['strategy_ret'].std() * np.sqrt(252) max_dd = (cum_ret.cummax() - cum_ret).max() print(f'Sharpe: {sharpe:.2f}, Max DD: {max_dd:.2%}') ``` > **備註**：實務中常使用 `backtrader`、`zipline` 或 `pyfolio` 等框架，能更方便地處理滑點、交易日曆與多策略同步。 --- ### 5.3 風險控制框架 | 風險指標 | 目標 | 控制手段 | |---|---|---| | 1. 交易成本 | 低於 0.1% | 交易批次化、使用最佳價格撮合 | | 2. 滑點 | 低於 0.05% | 使用限價單、分批下單 | | 3. 風險預算 | 風險敞口 ≤ 10% | 位置限制、動態資金分配 | | 4. 最大回撤 | ≤ 25% | 止損單、資產配置多樣化 | | 5. 市場脫節 | 風險敞口 ≤ 2% | 多品種、時間跨度多樣化 | #### 5.3.1 位置限制範例 ```python # 假設資金為 1,000,000 元 capital = 1_000_000 max_position = capital * 0.10 # 10% 最大敞口 # 每次下單限制 for idx, row in price.iterrows(): if row['signal'] == 1: # 進場 # 檢查目前持倉是否已達上限 if current_position + row['close'] <= max_position: # 下單 current_position += row['close'] positions.append({'date': idx, 'price': row['close'], 'qty': 1}) elif row['signal'] == -1: # 出場 # 平倉 if positions: pos = positions.pop() current_position -= pos['price'] ``` > **提醒**：實際應考慮稅收、手續費以及杠桿限制。 --- ### 5.4 執行機制與延遲管理 | 執行方式 | 特點 | 適用場景 | |---|---|---| | 市場單（Market Order） | 快速成交 | 高流動性市場、急迫平倉 | | 限價單（Limit Order） | 價格可控 | 低波動、長期持有 | | 止損限價單（Stop-Limit） | 風險可控 | 需要精確止損的高頻交易 | | 交易 API（FIX, REST） | 程式化 | 量化系統自動化執行 | > **延遲與滑點**：在高頻交易中，延遲通常分為訊號產生延遲、網路延遲與交易所撮合延遲。滑點則受市場深度與交易量影響。量化策略需要在回測時加入「滑點模型」（如基於成交量權重的 VWAP 滑點），才能更貼近實際執行情況。 --- ### 5.5 進階測試：前向驗證與情境模擬 1. **前向驗證（Walk‑Forward）**：將歷史資料分成多個訓練期與測試期，逐步往前「滑動」測試，確保模型在未知數據上的穩定性。 2. **情境模擬**：使用壓力測試（Stress Test）或市場危機場景（如 2008 年金融危機、2020 年新冠疫情期間的市場波動），觀察策略在極端情況下的表現。 3. **多因子模擬**：結合不同風險因子（流動性、波動率、價值因子）對策略進行「多因子對照測試」，檢驗各因子對收益與風險的貢獻。 > **示例**：在 2008 年金融危機期間，市場波動率急升至 40%+，若策略僅靠均值回歸，可能因高波動導致滑點大幅擴大，最大回撤上升。將滑點模型調整為「加權 VWAP 滑點」可使回測更符合實際情況。 --- ### 5.6 策略開發全流程圖（文字版） ``` ┌───────┐ ┌─────────────┐ ┌─────────────────────┐ │ 資料 │─► │ 指標計算 │─► │ 信號產生 & 回測 │ │ 數據 │ │ 模組化 │ │ 成本、滑點模擬 │ └───────┘ └─────────────┘ └─────────────────────┘ │ │ ▼ ▼ ┌─────────────────────┐ ┌─────────────────────┐ │ 風險控制模組 (止損、位置) │ │ 執行模組 (API、限價) │ └─────────────────────┘ └─────────────────────┘ │ │ ▼ ▼ ┌─────────────────────┐ ┌─────────────────────┐ │ 前向驗證 (Walk‑Forward) │ │ 情境測試 (Stress) │ └─────────────────────┘ └─────────────────────┘ │ │ ▼ ▼ ┌─────────────────────┐ │ 最終策略產出 (報表、日誌) │ └─────────────────────┘ ``` > **關鍵**：流程中的每一個環節都必須以「可驗證」的方式落地。若有一處失誤，即使回測表現極佳，也可能在實盤中失靈。建議團隊在策略開發初期就確立完整的流程圖，並把「資料 → 風險 → 執行」的三個環節緊密耦合。 --- ### 5.6 小結 本章闡述了從可執行的交易規則到回測、風險控制、執行機制與前瞻測試的全流程。記住，**一個量化策略不僅僅是數學模型，更是一套完整的交易系統**。在實際操作中，我們經常需要在模型優化、交易成本、滑點、延遲、止損單與資金配置之間做權衡，才能在真實市場中長期維持穩健收益。 > **後續閱讀**：第 6 章將進一步探討多策略協同、機器學習模型的部署與實時調整，以及如何在雲端或本地化部署中保持系統高可用性。