第二章：量化投資策略的基礎構建

# 第二章：量化投資策略的基礎構建 在前一章，我們簡述了量化投資的核心理念與整體架構。如今，我們將進一步探討實際的策略設計與實作步驟，為後續的機器學習與風險管理奠定堅實基礎。 ## 1. 策略思維的三大核心 1. **資訊選取（Information Acquisition）**：挑選對市場波動有解釋力的因子。常見的如價格、成交量、基本面指標、甚至社群情緒。 2. **訊號生成（Signal Generation）**：將資訊轉化為可執行的交易訊號。方法包括統計指標、機器學習模型或簡單的均值回歸。 3. **風險管理（Risk Management）**：控制單一持倉與組合風險，確保在極端情況下不會被毀。 > **小結**：一個成熟的量化策略不是單純的「賺錢公式」，而是由資訊、訊號、風險三者互相呼應的閉環系統。 ## 2. 資料收集與前處理 ### 2.1 來源與格式 | 來源 | 常見格式 | 取得方式 | |------|----------|----------| | Yahoo Finance | CSV/JSON | yfinance、pandas‑datareader | | Bloomberg | Bloomberg Terminal | Bloomberg API | | 期貨交易所 | HDF5/Parquet | 官方網站下載 | ### 2.2 清洗流程 1. **缺失值處理**：使用前向填補或插值。 2. **異常值檢測**：Z‑score、箱型圖法。 3. **時間對齊**：確保所有指標在同一時間格點上。 4. **回測環境切割**：訓練集、驗證集、測試集的合理分佈。 > **實務提示**：在處理高頻資料時，務必先做時間戳去重與毫秒級同步。 ## 3. 策略設計範例：簡單移動平均交叉 ### 3.1 理論基礎 * **短期均線**：捕捉市場即時趨勢。 * **長期均線**：過濾噪音，辨識長期方向。 * **交叉訊號**：短期上穿長期視為買進，下穿視為賣出。 ### 3.2 Python 實作 python import pandas as pd import yfinance as yf import matplotlib.pyplot as plt # 下載資料 ticker = "AAPL" start_date = "2015-01-01" end_date = "2023-12-31" price = yf.download(ticker, start=start_date, end=end_date) # 計算移動平均 price['MA20'] = price['Adj Close'].rolling(window=20).mean() price['MA200'] = price['Adj Close'].rolling(window=200).mean() # 產生訊號 price['Signal'] = 0 price.loc[price['MA20'] > price['MA200'], 'Signal'] = 1 price.loc[price['MA20'] < price['MA200'], 'Signal'] = -1 price['Position'] = price['Signal'].shift(1) # 簡易回測 price['Return'] = price['Adj Close'].pct_change() price['Strategy'] = price['Return'] * price['Position'] price['Cumulative'] = (1 + price['Strategy']).cumprod() # 畫圖 plt.figure(figsize=(12,6)) plt.plot(price['Cumulative'], label='Strategy') plt.plot((1+price['Return']).cumprod(), label='Buy & Hold') plt.title(f"{ticker} MA Crossover Strategy") plt.legend() plt.show() > **備註**：此範例僅作示範，實務中須加入交易成本、滑點、持倉上限等條件。 ## 4. 策略驗證：過度擬合的警戒 1. **交叉驗證**：k‑fold 或時序拆分。 2. **Walk‑Forward Analysis**：動態更新模型，測試未見資料。 3. **統計檢定**：t‑檢定、p‑值、信賴區間。 4. **情報漏損（Information Leakage）**：確認未使用未來資訊。 > **結論**：僅靠一次回測結果不能代表策略實際表現，必須多角度驗證。 ## 5. 風險管理基礎：風險度量與止損 | 風險指標 | 定義 | |----------|------| | VaR（Value at Risk） | 在給定置信區間下，最大可能虧損 | | 夏普比率 | 超額報酬與波動率的比值 | | 最大回撤 | 最高峰值至最低谷的跌幅 | ### 5.1 止損策略示例 python # 假設持倉 1 股 entry_price = price['Adj Close'].iloc[0] stop_loss_pct = 0.05 # 5% 止損 stop_price = entry_price * (1 - stop_loss_pct) price['StopHit'] = price['Adj Close'] <= stop_price if price['StopHit'].any(): exit_date = price[price['StopHit']].index[0] print(f"止損觸發於 {exit_date.date()}，止損價：{stop_price:.2f}") else: print("未觸發止損") > **實務提醒**：止損設定要考慮到波動性與交易成本，過度頻繁止損會侵蝕報酬。 ## 小結 本章我們從策略設計的理念、資料前處理、實際編碼，到驗證與風險控制，逐步建立了量化投資的基礎框架。接下來的章節將深入探討機器學習模型與高頻交易策略的實作，並引入更精細的風險控管工具。