第五章：實盤執行與沙盒測試

# 第五章：實盤執行與沙盒測試 在前幾章中，我們已完成數據收集、特徵工程、機器學習模型訓練、回測與優化，並將最佳參數記錄於 **mlflow**。此章將把策略從紙上談兵推向真實市場，探討如何在實盤環境中安全、有效地執行。\n ## 5.1 為何實盤執行是一場全新的挑戰 * **滑點與流動性**：模型預測的價格往往是理論價值，實際成交價格受到流動性、訂單簿深度與市場噪聲影響。\n * **風險控制**：回測期的風險指標（如最大回撤）往往低估實盤波動，需要額外的風險限制層。\n * **系統可靠性**：連續交易要求系統具備高可用性、容錯機制與監控告警。\n * **合規與審計**：實盤交易需符合證券交易所規則與內部合規要求，交易紀錄必須可追溯。\n ## 5.2 建立實盤交易框架 ### 5.2.1 交易接口與 API | 交易所 | API 範例 | 主要功能 | |------|----------|----------| | Interactive Brokers | `ib_insync` | 訂單下單、訂單追蹤、帳戶資訊 | | Alpaca | `alpaca-trade-api` | RESTful 下單、WebSocket 行情 | | 雙向連線 | `ccxt` | 兼容多個交易所的統一介面 | > **Tip**：選擇支援 **回測** 和 **實盤** 兩種模式的 API，可減少程式碼重構成本。 ### 5.2.2 訂單類型與風險管理 1. **限價單 (Limit Order)** – 保障進出場價格，但可能因市場波動失敗。\n2. **市價單 (Market Order)** – 快速成交，但滑點風險高。\n3. **止損止盈 (Stop‑Limit / Stop‑Market)** – 用於自動風險管理。\n > **實務建議**：對於每日交易量不大於 5% 的持倉，建議使用 **限價單**，並在高波動時段加設 **止損** 以防止重大滑點。 ### 5.2.3 風險控制模組 - **資金管理**：\n - 每筆交易風險不超過帳戶總額的 1%。\n - 交易頻率上限：每日不超過 20 筆。 - **市場風險**：\n - 設置 **每日最大回撤** 3%。\n - 若累積損失達到 1% 帳戶價值，立即停盤。 - **系統風險**：\n - 連線失敗時自動重試 3 次，仍失敗則停止下單。 - 交易執行時間監控，超時 5 秒自動取消訂單。 ### 5.2.4 監控與告警 python import logging import smtplib logging.basicConfig(filename='trade.log', level=logging.INFO) def alert(msg): # 透過 Email 送出告警 with smtplib.SMTP('smtp.gmail.com', 587) as server: server.starttls() server.login('your_email', 'your_pass') server.sendmail('your_email', 'recipient_email', msg) > **說明**：將交易資訊、風險指標寫入 `trade.log`，同時在異常時發送 Email。可結合第三方監控平台（如 Grafana）視覺化關鍵指標。 ## 5.3 沙盒測試：從模擬到實盤 ### 5.3.1 沙盒環境概念 沙盒是一個仿真環境，允許開發者在不涉及真實資金的情況下測試交易邏輯。\n **核心優點**： - 模擬真實市場條件（價格、滑點、手續費）。 - 觀察系統行為（延遲、失敗率）。 - 逐步驗證風險管理與合規規則。 ### 5.3.2 沙盒實作流程 1. **配置沙盒 API**：將交易 API 的基礎 URL 轉為沙盒地址，例如 `https://paper-api.alpaca.markets`。\n2. **初始化資料**：使用歷史行情與策略歷史回測資料，生成「初始帳戶餘額」與「持倉」設定。\n3. **執行策略**：模擬實時行情，呼叫策略核心判斷與下單接口。\n4. **追蹤與驗證**：比較預期執行結果與實際回報，評估滑點、延遲與風險控制。\n5. **迭代調整**：根據沙盒測試結果，調整策略參數、風險閾值或訂單類型。 ### 5.3.3 常見沙盒陷阱與對策 | 陷阱 | 影響 | 對策 | |------|------|------| | **滑點估計不足** | 真實市場滑點較大，導致預期損益失真 | 在沙盒中引入隨機滑點模型，或使用歷史行情的「交易深度」重建滑點分布 | | **手續費設定錯誤** | 低估交易成本，實盤收益下降 | 參考交易所實際手續費結構，並在沙盒中模擬不同手續費層級 | | **延遲忽略** | 真實執行延遲可能使信號失效 | 在沙盒中加入隨機延遲，測試策略對延遲敏感度 | | **風險控制缺失** | 超過風險限制的交易仍執行 | 在沙盒階段啟用風險模組，確保任何超限行為被即時拋出 | ## 5.4 實盤部署示例 以下是一段簡化的實盤執行腳本，結合了策略核心、風險控制與沙盒測試。 python import os import time import pandas as pd from trading_core import Strategy from risk_manager import RiskManager from broker_api import AlpacaBroker # 1. 參數載入 config = pd.read_json('config.json') strategy = Strategy(config['strategy_params']) risk_mgr = RiskManager(config['risk_params']) broker = AlpacaBroker(api_key=config['api_key'], api_secret=config['api_secret'], paper=True) # 2. 連線檢查 while not broker.is_connected(): print('等待連線…') time.sleep(5) # 3. 主迴圈 while True: try: # 取得最新行情 tick = broker.get_latest_tick() # 判斷信號 signal = strategy.predict(tick) # 風險評估 if risk_mgr.check(signal, tick): order = broker.place_order(signal, tick.price) print(f'下單成功：{order}') else: print('風險控制阻止交易') except Exception as e: print(f'錯誤：{e}') # 觸發告警 risk_mgr.alert(f'交易異常：{e}') # 每分鐘執行一次 time.sleep(60) > **備註**：此示例僅為概念驗證，實務中須加入更完整的交易日誌、異常回報機制與多資產處理。 ## 5.5 小結 * **實盤執行** 不是簡單地將模型部署，而是將數據、模型、風險控制與系統可靠性結合的全流程。\n* **沙盒測試** 為實盤前的關鍵步驟，能幫助我們提前發現滑點、延遲、手續費等潛在問題。\n* 在實際交易前，務必確認 **風險閾值**、**訂單類型**、**緊急停機** 等機制已完整並測試過。\n 接下來，我們將深入探討 **多資產組合優化** 與 **動態風險管理**，進一步提升策略在不同市場環境中的穩健性。