第 8 章 案例研究與實務應用

# 第 8 章 案例研究與實務應用 在前幾章中，我們已經建立了從資料採集、EDA、統計建模、機器學習、時間序列預測，到策略設計與回測的完整流程。這一章將透過三個實際案例： 1. **固定收益**（國庫券/公司債） 2. **衍生品**（期貨/期權） 3. **跨資產配置**（多策略組合） 來說明如何將前面學到的技術整合到真實市場交易中，以及在部署過程中需要關注的實務細節。 --- ## 8.1 固定收益策略：利率曲線交易 ### 1. 背景與交易動機 利率曲線（Yield Curve）描述不同期限債券的收益率關係。投資者通常透過對利率曲線的形狀（平坦、陡峭、扁平）進行交易。 ### 2. 資料來源 | 資料 | 供應商 | 取樣頻率 | 說明 | |---|---|---|---| | 國庫券日價格 | Bloomberg | 1 分鐘 | 用於計算利率曲線 | | 央行基準利率 | 中央銀行 | 1 天 | 風險因子 | | 信用利差 | FRED | 1 天 | 公司債風險補償 | ### 3. 特徵工程 python import pandas as pd # 1. 產生 1、2、3、5、7、10 年期收益率 yield_curve = df[['1y','2y','3y','5y','7y','10y']].pct_change().dropna() # 2. 計算斜率與曲度 yield_curve['slope'] = yield_curve['5y'] - yield_curve['2y'] yield_curve['curvature'] = (yield_curve['3y'] - yield_curve['2y']) - (yield_curve['5y'] - yield_curve['4y']) # 3. 加入宏觀因子 yield_curve = yield_curve.join(macro_features) ### 4. 模型設計 | 模型 | 目的 | 參數 | |---|---|---| | ARIMA(1,1,1) | 捕捉短期利率變動 | p=1, d=1, q=1 | | GARCH(1,1) | 波動率預測 | α=0.1, β=0.85 | | XGBoost | 長期趨勢預測 | n_estimators=500, learning_rate=0.05 | ### 5. 交易策略 * 方向：當 **slope > 0.2%** 且 **curvature > 0.1%** 時，採取 **長期買入** 10 年期國庫券。 * 止損：若收益率跌破前 3 個交易日的最低值 + 0.5% 時，止損。 * 風險平價：使用 `cvxpy` 進行投資組合權重最小化波動率，目標波動率 4%。 ### 6. 回測結果 | 指標 | 值 | |---|---| | 年化報酬 | 4.2% | | 最大回撤 | 3.8% | | 夏普比率 | 1.15 | | 資本保全率 | 95.6% | ### 7. 實務提示 1. **利率資料延遲**：實盤交易時必須考慮延遲，建議使用 **Tick‑to‑Close** 方式。 2. **合約到期**：需處理合約到期與續約邏輯，避免策略在到期日前被迫清倉。 3. **市場流動性**：利率衍生品流動性較差，建議使用 **市價委託** 時加上滑點預估模型。 --- ## 8.2 衍生品策略：期貨與期權套利 ### 1. 交易主題 期貨與期權市場提供多重套利機會：**時間價值套利、跨期套利、跨市場套利**。 ### 2. 資料結構 | 資料 | 類型 | 取樣頻率 | |---|---|---| | 期貨合約價格 | 期貨 | 1 秒 | | 期權隱含波動率 | 期權 | 1 分鐘 | | 歐洲期權內在價值 | 期權 | 1 分鐘 | | 波動率曲線 | 期權 | 1 分鐘 | ### 3. 特徵工程 python # 1. 期貨連續合約回溯 future_chain = future_prices.pct_change().rolling(window=5).mean() # 2. 期權內在價值偏差 iv_diff = implied_vols - delta * underlying_price # 3. 波動率差異 vol_skew = implied_vols.loc[:, 'short'] - implied_vols.loc[:, 'long'] ### 4. 模型設計 | 模型 | 目的 | |---|---| | Logistic Regression | 判斷 **價差是否偏離** | | LSTM | 捕捉時間序列波動 | | Bayesian Portfolio Optimization | 實時權重調整 | ### 5. 套利策略示例：**跨期期貨套利** 1. **買入** 短期期貨，**賣出** 長期期貨。 2. 方向判斷：若短期期貨與長期期貨之間的距離 > 5% 時啟動。 3. 止損：若差距縮小至 1% 時平倉。 ### 6. 回測指標 | 指標 | 值 | |---|---| | 年化報酬 | 8.5% | | 最大回撤 | 2.4% | | 夏普比率 | 1.60 | | 滑點成本 | 0.03% | ### 7. 實務要點 1. **市場滑點**：期貨交易高度流動，滑點可忽略，但期權的成交量波動大，需使用 **滑點模型**。 2. **合約週期**：不同期貨合約的 **合約到期日** 與 **交易日** 不同，策略需要動態切換合約。 3. **風險敞口**：期權的 **Delta** 可能使策略產生非預期敞口，建議使用 **Delta‑hedging**。 --- ## 8.3 跨資產配置：多策略組合 ### 1. 目標 將固定收益、股市、衍生品、加密貨幣等多元策略進行整合，達到風險調整後最大化報酬。 ### 2. 投資組合優化框架 使用 **Black–Litterman** 模型結合 **Risk‑Parity** 及 **Volatility‑Targeting**。 python import cvxpy as cp # 1. 估算資產收益與協方差 returns = pd.concat([fixed_income_returns, equity_returns, crypto_returns], axis=1) mean_ret = returns.mean() Sigma = returns.cov() # 2. 目標：最小化波動率，條件：期望報酬 >= target_ret w = cp.Variable(len(returns.columns)) objective = cp.Minimize(cp.quad_form(w, Sigma)) constraints = [cp.sum(w) == 1, mean_ret @ w >= target_ret, w >= 0] prob = cp.Problem(objective, constraints) prob.solve() ### 3. 動態再平衡 | 觸發條件 | 重新配置方式 | |---|---| | 風險偏好調整 | 重新計算 Black–Litterman 目標 | | 資產波動率變化 | 重新調整 Volatility‑Targeting 參數 | | 重大宏觀事件 | 觸發 **停牌** 或 **保守化** | ### 4. 實務案例：2023 年全球市場 | 策略 | 年化報酬 | 風險指標 | |---|---|---| | 多策略組合 | 12.3% | 5.1% 最大回撤 | | 基於市場情緒 | 9.8% | 4.3% 最大回撤 | | 風險平價 | 11.0% | 3.9% 最大回撤 | ### 5. 風險控制 * **VaR & ES**：每日計算 95% 置信區間。 * **Liquidity‑Risk**：使用 **Bid‑Ask Spread** + **Volume** 指標調整交易量。 * **Compliance**：所有資產配置需符合監管資產配置比重限制。 --- ## 8.4 量化策略落地流程 | 階段 | 主要工作 | 重要工具 | |---|---|---| | 資料管道 | 連接 API、數據清洗、存儲 | Kafka、Spark、PostgreSQL | | 研究實驗 | 策略開發、回測、參數優化 | Backtrader、Zipline、QuantConnect | | 風險管理 | 模型監控、風險指標計算 | QuantLib、Vaex | | 實盤部署 | 交易接口、訂單執行 | FIX, 1Password, Docker | | 監控與優化 | 效能監控、漂移檢測 | Prometheus, Grafana | ### 8.4.1 交易接口選擇 * **低延遲**：使用 **FIX 4.4** 或 **API‑direct**（對接交易所） * **容錯**：多餘載入、重試機制、故障轉移 ### 8.4.2 監控指標 | 指標 | 目標範圍 | |---|---| | 延遲 | < 1 ms | | 失敗率 | < 0.1% | | 報酬/風險 | 持續 > 1.2 | --- ## 8.5 常見陷阱與防範 1. **過度擬合**：使用「交叉驗證」+「前向驗證」。 2. **資料漂移**：定期重新訓練模型，使用 **Online Learning**。 3. **交易成本忽略**：在回測時加入滑點、手續費、匯率差異。 4. **合規風險**：遵守 KYC/AML、資料隱私、交易報告規範。 --- ## 8.6 參考文獻與進一步閱讀 | 類別 | 來源 | |---|---| | 書籍 | *Quantitative Trading* by Ernest P. Chan | | 期刊 | Journal of Finance, Journal of Financial Economics | | 在線課程 | Coursera: Machine Learning for Trading | | 開源項目 | QuantConnect, Zipline, Pyfolio | --- > **結語**：實務案例不僅展示了理論的可落地性，更強調了從資料流到策略執行的端到端流程。透過實踐，你將能把學到的模型轉化為可持續收益的量化產品，並在快速變化的金融市場中保持競爭力。