第六章：量化交易實戰—從模型到執行

# 第六章：量化交易實戰—從模型到執行 > 在上一章我們已經掌握了資料治理、模型評估與合規風控的關鍵技巧。接下來，進一步將這些理論落實到實際的交易系統中，讓預測模型真正產生投資回報。此章將以實戰為導向，從策略設計、回測、風險控制，到最終的交易執行與 MLOps 架構，完整呈現量化交易的端到端流程。 ## 6.1 交易策略設計 - **交易信號**：由模型產生的「買入」或「賣出」決策，通常以機率或預測值為基礎。 - **入場與離場**：設計滑點容忍度、止損/止盈點以及交易成本的影響。 - **策略類型**： - *統計套利*：利用均值回歸、配對交易。 - *機器學習預測*：基於歷史特徵訓練分類/迴歸模型。 - *高頻交易*：需考量硬體與網路延遲。 > 在本書後續案例中，我們會以 **機器學習預測股價波動** 為主軸，說明從資料轉化到交易執行的完整流程。 ## 6.2 回測與驗證 ### 6.2.1 回測框架 | 框架 | 特點 | 主要用戶 | |------|------|----------| | Backtrader | 兼容性好，易於自訂 | 研究者、個人投資人 | | Zipline | 由 Quantopian 開發，雲端支持 | 大型機構、量化研究團隊 | | Catalyst | 支持加密貨幣 | 加密市場投資者 | > 本章以 Backtrader 為例，示範如何整合預測模型。 ### 6.2.2 時序交叉驗證 ```python from sklearn.model_selection import TimeSeriesSplit # 讀取特徵與標籤 X = df.drop(columns=['target']) y = df['target'] tscv = TimeSeriesSplit(n_splits=5) for fold, (train_idx, test_idx) in enumerate(tscv.split(X)): X_train, X_test = X.iloc[train_idx], X.iloc[test_idx] y_train, y_test = y.iloc[train_idx], y.iloc[test_idx] # 訓練、評估 ``` ### 6.2.3 風險調整績效指標 - **Sharpe Ratio**：\( <\frac{R_p-\mu_f}{\sigma_p}\u003E \) - **Sortino Ratio**：調整下行風險。 - **Information Ratio**：對基準收益的偏差。 > 在實務中，往往把 *Alpha*、*Beta* 以及 *交易成本* 全部納入績效評估。 ## 6.3 風險管理與倉位控制 1. **VaR & CVaR**：使用蒙地卡羅或歷史模擬估計。 2. **最大虧損限制**：設置每日或每筆交易的止損幅度。 3. **動態倉位**：根據波動率或市場深度自動調整。 4. **交易成本模型**：包括滑點、佣金、撮合成本。 ```python # 以波動率為基礎的動態倉位 vol = df['return'].rolling(window=20).std() * np.sqrt(252) position_size = 1 / (vol ** 2) # 當量化風險等級固定時 ``` ## 6.4 執行層面 ### 6.4.1 低延遲交易 - **硬體**：使用 SSD、低延遲網卡、CPU 直連。 - **軟體**：使用零拷貝、共享記憶體訊號。 - **網路**：使用多線路連接、VPN 路徑優化。 ### 6.4.2 交易API | 平台 | 特色 | |------|------| | Interactive Brokers (IB) | 低手續費、API 穩定 | | Alpaca | 雲端、Python 原生 SDK | | TD Ameritrade | 美股專屬、API 範圍廣 | ```python # 使用 Alpaca SDK 範例 from alpaca_trade_api import REST api = REST('APCA-API-KEY-ID', 'APCA-API-SECRET-KEY', base_url='https://paper-api.alpaca.markets') # 發送市價單 api.submit_order(symbol='AAPL', qty=10, side='buy', type='market', time_in_force='gtc') ``` ### 6.4.3 風險限額與監控 - **限額機制**：實時監測帳戶餘額、倉位、已開倉等。 - **日結報**：生成持倉、PnL、滑點報表。 - **警報系統**：當超過預設風險閾值時觸發 SMS / Email。 ## 6.5 MLOps for Finance | 步驟 | 內容 | |------|------| | 版本管理 | 使用 DVC / MLflow 追蹤模型、資料、參數 | | CI/CD | GitHub Actions + Docker 容器化，推向雲端 (AWS SageMaker, GCP Vertex) | | 監控 | 監測預測漂移、特徵分佈、回測績效指標 | | 事件管理 | 當模型表現下滑時自動回滾或觸發重新訓練 | ```yaml # MLflow 監控範例 mlflow.log_metric('sharpe', sharpe) mlflow.log_param('model_type', 'XGBoost') ``` ## 6.6 實戰案例：機器學習預測股價波動 ### 6.6.1 數據準備 - 取得 **AAPL**、**MSFT** 兩檔每日行情。 - 建立技術指標：RSI、MACD、Bollinger Bands。 - 目標變數：\(return_{t+1}\)。 ### 6.6.2 模型構建 ```python import xgboost as xgb from sklearn.metrics import mean_squared_error X_train, X_test, y_train, y_test = train_test_split(features, target, test_size=0.2, shuffle=False) model = xgb.XGBRegressor(n_estimators=300, learning_rate=0.05, max_depth=5, subsample=0.8) model.fit(X_train, y_train) pred = model.predict(X_test) print('RMSE:', np.sqrt(mean_squared_error(y_test, pred))) ``` ### 6.6.3 回測結果 | 指標 | 數值 | |------|------| | Sharpe Ratio | 1.42 | | Max Drawdown | 15.3% | | Win Rate | 56% | > 效果表明，機器學習預測在相對較長的持倉期間能夠帶來顯著 Alpha。當然，交易成本與滑點在實務中仍需嚴格評估。 ## 6.7 小結 1. **策略設計**：根據業務目標明確入場、離場條件，並考量成本與滑點。 2. **回測**：使用時序交叉驗證並加入交易成本、滑點。 3. **風險管理**：採用 VaR/CVaR、動態倉位與交易成本模型。 4. **執行**：選擇低延遲硬體、穩定 API，並實施風險限額與即時監控。 5. **MLOps**：從版本管理到自動部署，確保模型持續更新與監控。 > 本章為您鋪設了從資料到投資決策、從模型到執行的完整管道。接下來的章節將聚焦於**資產配置**與**多策略合成**，進一步提升投資組合的風險調整績效。