從研究到實盤:完整策略開發流程

本文提供一個完整的端到端範例,展示如何從策略構想開始,經過回測、優化、驗證,最終部署至實盤交易,涵蓋整個量化交易策略的生命週期。

流程概覽

graph TD
    A[策略構想] --> B[資料探索]
    B --> C[策略開發]
    C --> D[策略優化]
    D --> E[深度分析]
    E --> F[樣本外測試]
    F --> G{通過驗證?}
    G -->|是| H[部署前準備]
    G -->|否| C
    H --> I[實盤交易]
    I --> J[績效追蹤]
    J --> K{需要調整?}
    K -->|是| C
    K -->|否| I

階段 1: 策略構想與初步研究

策略假設

我們要開發一個「營收成長 + 技術突破」的組合策略:

基本面: 營收近期加速成長(月均線上揚)
技術面: 股價突破均線,確認動能
風控: 跌破均線出場,設定 10% 停損

資料探索

首先檢查所需資料是否完整:

from finlab import data
import pandas as pd

# 載入所需資料
close = data.get('price:收盤價')
rev = data.get('monthly_revenue:當月營收')

# 檢查資料範圍
print(f"收盤價資料: {close.index[0]} ~ {close.index[-1]}")
print(f"營收資料: {rev.index[0]} ~ {rev.index[-1]}")

# 檢查缺失值比例
print(f"收盤價缺失值: {close.isna().sum().sum() / close.size * 100:.2f}%")
print(f"營收缺失值: {rev.isna().sum().sum() / rev.size * 100:.2f}%")

# 輸出:
# 收盤價資料: 2007-04-23 ~ 2024-12-31
# 營收資料: 2000-01-01 ~ 2024-12-01
# 收盤價缺失值: 2.15%
# 營收缺失值: 8.73%

階段 2: 策略開發與回測

撰寫策略邏輯

from finlab import data
from finlab.backtest import sim

# 1. 資料載入
close = data.get('price:收盤價')
rev = data.get('monthly_revenue:當月營收')

# 2. 計算技術指標
ma20 = close.average(20)
ma60 = close.average(60)

# 3. 計算營收指標
rev_ma3 = rev.average(3)   # 近 3 個月平均營收
rev_ma12 = rev.average(12)  # 近 12 個月平均營收

# 4. 定義進場條件
entry_tech = (close > ma20) & (close > ma60)  # 技術面:突破均線
entry_fund = (rev_ma3 / rev_ma12) > 1.1       # 基本面:營收加速成長

entry_signal = entry_tech & entry_fund

# 5. 定義出場條件
exit_signal = close < ma20  # 跌破 20 日均線

# 6. 組合進出場訊號(含停損)
position = entry_signal.hold_until(
    exit=exit_signal,
    stop_loss=0.1  # 停損 10%
)

# 7. 回測
report = sim(
    position,
    resample='M',        # 每月調整
    position_limit=0.1,  # 單一持股上限 10%
    upload=False,
    name="營收成長突破策略 v1.0"
)

# 8. 顯示績效
report.display()

初步績效評估

stats = report.get_stats()

print(f"年化報酬率: {stats['daily_mean']*100:.2f}%")
print(f"夏普率: {stats['daily_sharpe']:.2f}")
print(f"最大回撤: {stats['max_drawdown']*100:.2f}%")
print(f"勝率: {stats['win_ratio']*100:.2f}%")

# 輸出範例:
# 年化報酬率: 15.23%
# 夏普率: 0.87
# 最大回撤: -28.45%
# 勝率: 52.3%

初步判斷

年化報酬率 15% 不錯,但夏普率 0.87 偏低
最大回撤 -28% 可接受
接下來需要優化策略,提升風險調整後報酬

階段 3: 策略優化

3.1 使用 sim_conditions() 測試條件組合

我們新增更多候選條件,找出最佳組合:

from finlab.optimize.combinations import sim_conditions

# 原有條件
c1 = (close > ma20) & (close > ma60)  # 均線多頭
c2 = rev_ma3 / rev_ma12 > 1.1         # 營收加速

# 新增條件
pe = data.get('price_earning_ratio:本益比')
c3 = pe < 15                          # 低本益比
c4 = close == close.rolling(20).max()  # 創 20 日新高
c5 = rev / rev.shift(1) > 0.9         # 營收月增率 > -10%

# 組合字典
conditions = {
    'c1': c1,  # 均線多頭
    'c2': c2,  # 營收加速
    'c3': c3,  # 低本益比
    'c4': c4,  # 創新高
    'c5': c5   # 營收月增率
}

# 測試所有組合(31 種)
report_collection = sim_conditions(
    conditions=conditions,
    hold_until={'exit': exit_signal, 'stop_loss': 0.1},
    resample='M',
    position_limit=0.1,
    upload=False
)

# 視覺化比較
report_collection.plot_stats('heatmap')

3.2 分析優化結果

# 取得績效指標表
stats_df = report_collection.get_stats()

# 找出 top 3 組合
top3 = stats_df.T.sort_values('daily_sharpe', ascending=False).head(3)
print(top3[['daily_mean', 'daily_sharpe', 'max_drawdown', 'win_ratio']])

# 輸出範例:
#              daily_mean  daily_sharpe  max_drawdown  win_ratio
# c1 & c2 & c3      0.182         1.35        -0.245      0.561
# c1 & c2 & c5      0.165         1.28        -0.267      0.548
# c1 & c2          0.152         0.87        -0.285      0.523

優化成果

c1 & c2 & c3(均線多頭 + 營收加速 + 低本益比)組合的夏普率從 0.87 提升至 1.35,大幅改善!

3.3 採用最佳組合

# 使用最佳組合重新定義策略
best_entry = c1 & c2 & c3

position_optimized = best_entry.hold_until(
    exit=exit_signal,
    stop_loss=0.1
)

report_opt = sim(
    position_optimized,
    resample='M',
    position_limit=0.1,
    upload=False,
    name="營收成長突破策略 v2.0 (優化後)"
)

3.4 優化停損停利

透過 MAE/MFE 分析找出最佳停損停利點:

# 顯示波動分析
report_opt.display_mae_mfe_analysis()

# 取得交易記錄
trades = report_opt.get_trades()

# 分析 MAE/MFE 分位數
mae_q75 = abs(trades['mae'].quantile(0.75))
gmfe_q75 = trades['gmfe'].quantile(0.75)

print(f"MAE Q75: {mae_q75*100:.2f}%")  # 例如 8.5%
print(f"GMFE Q75: {gmfe_q75*100:.2f}%")  # 例如 18.3%

# 調整停損停利
position_final = best_entry.hold_until(
    exit=exit_signal,
    stop_loss=mae_q75 * 1.2,      # 停損設為 MAE Q75 * 1.2 = 10.2%
    stop_profit=gmfe_q75 * 0.8    # 停利設為 GMFE Q75 * 0.8 = 14.6%
)

report_final = sim(
    position_final,
    resample='M',
    position_limit=0.1,
    upload=False,
    name="營收成長突破策略 v3.0 (最終版)"
)

階段 4: 深度分析

4.1 流動性風險檢測

檢查策略是否適合大資金:

# 流動性分析(假設資金 1000 萬,單筆進出場至少需要 10 萬股)
report_final.run_analysis('LiquidityAnalysis', required_volume=100000)

# 輸出範例:
#        buy_high  sell_low  low_volume_stocks  處置股
# entry     0.032     0.008              0.087   0.012
# exit      0.015     0.045              0.092   0.008

流動性檢視

低成交量股票比例 8.7%,大資金需注意
處置股比例 1.2%,可接受
建議加入成交量篩選條件

4.2 年度穩定性分析

檢視策略在不同年度的表現:

report_final.run_analysis('PeriodStatsAnalysis')

# 輸出會顯示每年的夏普率、報酬率、波動率等
# 可檢視策略是否在某些年度特別差

4.3 Alpha/Beta 分析

衡量策略的超額報酬:

report_final.run_analysis('AlphaBetaAnalysis')

# 輸出範例:
# Alpha: 0.082 (8.2% 年化超額報酬)
# Beta: 0.65 (市場上漲 1%,策略預期上漲 0.65%)

Alpha/Beta 評估

Alpha 8.2% 優秀,代表策略有真實的超額報酬
Beta 0.65 代表策略波動小於大盤,風險較低

階段 5: 樣本外測試

將資料切分為訓練集與測試集,驗證策略是否過度配適:

# 定義切分日期
train_end = '2022-12-31'
test_start = '2023-01-01'

# 訓練集回測(2018-2022)
position_train = position_final[position_final.index <= train_end]
report_train = sim(
    position_train,
    resample='M',
    position_limit=0.1,
    upload=False,
    name="訓練集(2018-2022)"
)

# 測試集回測(2023-2024)
position_test = position_final[position_final.index >= test_start]
report_test = sim(
    position_test,
    resample='M',
    position_limit=0.1,
    upload=False,
    name="測試集(2023-2024)"
)

# 績效對比
stats_train = report_train.get_stats()
stats_test = report_test.get_stats()

comparison = pd.DataFrame({
    '訓練集': [
        stats_train['daily_mean'],
        stats_train['daily_sharpe'],
        stats_train['max_drawdown'],
        stats_train['win_ratio']
    ],
    '測試集': [
        stats_test['daily_mean'],
        stats_test['daily_sharpe'],
        stats_test['max_drawdown'],
        stats_test['win_ratio']
    ]
}, index=['年化報酬率', '夏普率', '最大回撤', '勝率'])

print(comparison)

# 輸出範例:
#             訓練集     測試集
# 年化報酬率   0.182    0.165
# 夏普率       1.35     1.21
# 最大回撤    -0.245   -0.267
# 勝率         0.561    0.542

樣本外判斷標準

指標	訓練集 vs 測試集	判斷
年化報酬率	18.2% vs 16.5%	✅ 衰退合理(<20%)
夏普率	1.35 vs 1.21	✅ 略降但仍 > 1
最大回撤	-24.5% vs -26.7%	✅ 差異不大
勝率	56.1% vs 54.2%	✅ 穩定

樣本外測試通過

測試集績效略降但仍保持優秀,策略沒有過度配適,可進入部署階段!

階段 6: 部署前準備

6.1 上傳策略至雲端

# 上傳最終版本至 FinLab 平台
report_final.upload(name="營收成長突破策略 v3.0")

# 取得持股清單
position_info = report_final.position_info()
print(f"下期換股日: {position_info['next_trading_date']}")
print(f"當前持股數: {len(position_info['stocks'])}")
print("持股清單:")
print(position_info['stocks'])

# 輸出範例:
# 下期換股日: 2025-01-31
# 當前持股數: 8
# 持股清單:
#      stock_id  position
# 0        2330      0.12
# 1        2317      0.11
# 2        2454      0.10
# ...

6.2 準備實盤資金配置

# 假設實盤資金 100 萬
capital = 1000000

# 計算每檔股票應投入的金額
stocks = position_info['stocks']
stocks['amount'] = stocks['position'] * capital

print(stocks[['stock_id', 'position', 'amount']])

# 輸出:
#   stock_id  position  amount
# 0     2330      0.12  120000
# 1     2317      0.11  110000
# ...

階段 7: 實盤交易

7.1 設定券商帳戶(以永豐證券為例)

from finlab.online.sinopac_account import SinopacAccount

# 設定券商帳戶
account = SinopacAccount(
    simulation=False,  # False 為實盤,True 為模擬單
)

實盤交易注意事項

首次使用請先設定 simulation=True 測試
確認券商 API 金鑰正確
確認有足夠的資金與額度
建議先小資金測試

7.2 計算目標部位

from finlab.online.order_executor import Position

# 計算目標部位（整股）
capital = 1000000  # 實盤資金 100 萬
position = Position.from_report(report_final, capital)

# 或使用零股交易
position = Position.from_report(report_final, capital, odd_lot=True)

print(position)
# 輸出: [{'stock_id': '2330', 'quantity': 5, 'order_condition': <OrderCondition.CASH: 1>}, ...]

7.3 執行下單

from finlab.online.order_executor import OrderExecutor

# 建立下單執行器
order_executor = OrderExecutor(position, account=account)

# 下單檢查（瀏覽模式，不會真的下單）
order_executor.create_orders(view_only=True)

# 執行下單（會真的下單，初次使用建議收市時測試）
order_executor.create_orders()

# 更新限價（將最後一筆成交價當成新的限價）
order_executor.update_order_price()

# 刪除所有委託單
order_executor.cancel_orders()

階段 8: 績效追蹤

8.1 取得實盤交易記錄

# 取得實盤部位
account_positions = account.get_stocks()
print(account_positions)

# 取得帳戶總市值與現金
account_value = account.get_total_balance()
print(f"帳戶總值: {account_value:,.0f}")

8.2 監控策略表現

# 定期檢查帳戶狀態（建議每日收盤後執行）
import pandas as pd

# 記錄每日帳戶淨值
daily_value = {
    'date': pd.Timestamp.today(),
    'account_value': account.get_total_balance(),
    'positions': len(account.get_stocks())
}

print(f"日期: {daily_value['date']}")
print(f"帳戶淨值: {daily_value['account_value']:,.0f}")
print(f"持股檔數: {daily_value['positions']}")

# 與回測比較
backtest_return = report_final.get_stats()['daily_mean']
print(f"回測年化報酬率: {backtest_return * 100:.2f}%")
print(f"實盤 vs 回測差異: {(realized_return - backtest_return) * 100:.2f}%")

8.3 定期檢視

建議每月檢視以下項目:

# 1. 持股是否按計劃執行
current_stocks = set(account_positions['stock_id'])
planned_stocks = set(position_info['stocks']['stock_id'])

print(f"計劃持股: {planned_stocks}")
print(f"實際持股: {current_stocks}")
print(f"誤差股票: {planned_stocks.symmetric_difference(current_stocks)}")

# 2. 報酬率是否符合預期
print(f"當月報酬率: {account.get_monthly_return()*100:.2f}%")

# 3. 是否觸發停損
for stock_id, pos in account_positions.items():
    entry_price = pos['avg_price']
    current_price = pos['current_price']
    unrealized_pnl = (current_price / entry_price - 1)

    if unrealized_pnl < -0.10:  # 停損 10%
        print(f"警告: {stock_id} 已觸發停損,未實現損益: {unrealized_pnl*100:.2f}%")

完整程式碼彙整

以下是完整的可執行程式碼:

# =============================================================================
# 從研究到實盤:營收成長突破策略完整範例
# =============================================================================

from finlab import data
from finlab.backtest import sim
from finlab.optimize.combinations import sim_conditions

# -----------------------------------------------------------------------------
# 階段 1 & 2: 資料載入與策略開發
# -----------------------------------------------------------------------------

# 載入資料
close = data.get('price:收盤價')
rev = data.get('monthly_revenue:當月營收')
pe = data.get('price_earning_ratio:本益比')

# 計算指標
ma20 = close.average(20)
ma60 = close.average(60)
rev_ma3 = rev.average(3)
rev_ma12 = rev.average(12)

# 定義條件
c1 = (close > ma20) & (close > ma60)  # 均線多頭
c2 = rev_ma3 / rev_ma12 > 1.1         # 營收加速
c3 = pe < 15                          # 低本益比

# 出場訊號
exit_signal = close < ma20

# -----------------------------------------------------------------------------
# 階段 3: 策略優化
# -----------------------------------------------------------------------------

# 測試條件組合
conditions = {'c1': c1, 'c2': c2, 'c3': c3}
report_collection = sim_conditions(
    conditions=conditions,
    hold_until={'exit': exit_signal, 'stop_loss': 0.1},
    resample='M',
    position_limit=0.1,
    upload=False
)

# 找出最佳組合
stats_df = report_collection.get_stats()
top1 = stats_df.T.sort_values('daily_sharpe', ascending=False).index[0]
print(f"最佳組合: {top1}")

# 使用最佳組合
best_entry = c1 & c2 & c3

# 優化停損停利
position_temp = best_entry.hold_until(exit=exit_signal, stop_loss=0.1)
report_temp = sim(position_temp, resample='M', position_limit=0.1, upload=False)
trades = report_temp.get_trades()

mae_q75 = abs(trades['mae'].quantile(0.75))
gmfe_q75 = trades['gmfe'].quantile(0.75)

# 最終策略
position_final = best_entry.hold_until(
    exit=exit_signal,
    stop_loss=mae_q75 * 1.2,
    stop_profit=gmfe_q75 * 0.8
)

report_final = sim(
    position_final,
    resample='M',
    position_limit=0.1,
    upload=False,
    name="營收成長突破策略 v3.0"
)

# -----------------------------------------------------------------------------
# 階段 4: 深度分析
# -----------------------------------------------------------------------------

# 流動性分析
report_final.run_analysis('LiquidityAnalysis', required_volume=100000)

# 波動分析
report_final.display_mae_mfe_analysis()

# 時期穩定性
report_final.run_analysis('PeriodStatsAnalysis')

# Alpha/Beta
report_final.run_analysis('AlphaBetaAnalysis')

# -----------------------------------------------------------------------------
# 階段 5: 樣本外測試
# -----------------------------------------------------------------------------

train_end = '2022-12-31'
test_start = '2023-01-01'

position_train = position_final[position_final.index <= train_end]
position_test = position_final[position_final.index >= test_start]

report_train = sim(position_train, resample='M', position_limit=0.1, upload=False)
report_test = sim(position_test, resample='M', position_limit=0.1, upload=False)

print("訓練集績效:", report_train.get_stats()['daily_sharpe'])
print("測試集績效:", report_test.get_stats()['daily_sharpe'])

# -----------------------------------------------------------------------------
# 階段 6: 部署前準備
# -----------------------------------------------------------------------------

# 上傳至雲端
report_final.upload(name="營收成長突破策略 v3.0")

# 取得持股清單
position_info = report_final.position_info()
print("下期持股:")
print(position_info['stocks'])

# -----------------------------------------------------------------------------
# 階段 7: 實盤交易(需先設定券商帳戶)
# -----------------------------------------------------------------------------

# from finlab.online.sinopac_account import SinopacAccount
# from finlab.online.order_executor import OrderExecutor
#
# account = SinopacAccount(simulation=True)  # 先用模擬單測試
# executor = OrderExecutor(
#     report=report_final,
#     account=account,
#     fund=1000000
# )
# executor.execute()

# -----------------------------------------------------------------------------
# 階段 8: 績效追蹤
# -----------------------------------------------------------------------------

# 定期執行以下程式碼檢視實盤狀況:
# account_value = account.get_total_value()
# print(f"帳戶總值: {account_value}")

關鍵要點總結

開發階段檢查清單

[ ] 策略構想明確: 有清晰的邏輯假設(技術面/基本面/籌碼面)
[ ] 資料完整性檢查: 確認所需資料範圍足夠,缺失值比例合理
[ ] 初步回測績效可接受: 年化報酬 > 10%,夏普率 > 0.5
[ ] 條件組合優化: 使用 sim_conditions() 找出最佳組合
[ ] 停損停利優化: 使用 MAE/MFE 分析設定合理的停損停利點

驗證階段檢查清單

[ ] 流動性風險: 低成交量比例 < 20%,處置股比例 < 5%
[ ] 年度穩定性: 沒有連續多年表現極差
[ ] Alpha > 0: 策略有超額報酬
[ ] 樣本外測試通過: 測試集績效衰退 < 30%,夏普率仍 > 1

部署階段檢查清單

[ ] 策略已上傳雲端: 可隨時檢視持股清單
[ ] 券商帳戶設定完成: API 金鑰正確,權限開通
[ ] 先用模擬單測試: 確認下單邏輯正確
[ ] 小資金測試: 先用小額資金測試 1-2 個月
[ ] 定期檢視機制: 設定每月檢視實盤績效

後續學習建議

完成本流程後,可進一步學習:

機器學習策略: 機器學習完整流程(進階篇)
多策略組合: 多策略組合管理(進階篇)
自訂分析模組: 策略分析模組指南
自訂市場回測: 自訂市場物件指南

常見錯誤處理檢查清單

在執行完整流程時，務必在每個階段進行錯誤檢查。以下是關鍵檢查點與解決方案：

階段 1-2：資料載入與回測

常見錯誤： - ❌ KeyError: 'price:收盤價' - API token 未設定或資料表名稱錯誤 - ❌ 資料為空或缺失值過多 - ❌ 回測無交易記錄（進場條件過嚴）

檢查方法：

try:
    # 1. 檢查資料載入
    close = data.get('price:收盤價')

    if close.empty:
        raise ValueError("❌ 資料為空，請檢查 API token")

    missing_ratio = close.isna().sum().sum() / close.size
    if missing_ratio > 0.1:
        print(f"⚠️  警告：缺失值比例 {missing_ratio:.1%} > 10%")

    # 2. 檢查進場訊號
    entry_count = entry_signal.sum(axis=1).mean()
    if entry_count < 1:
        print("⚠️  警告：進場條件過嚴，平均每日 < 1 檔股票")
        print("建議：放寬條件或使用 .is_largest(N) 確保固定檔數")

    # 3. 檢查回測結果
    report = sim(position, resample='M', position_limit=0.1)
    trades = report.get_trades()

    if len(trades) == 0:
        raise ValueError("❌ 策略無任何交易記錄，請檢查進場條件")

    print(f"✅ 回測成功：{len(trades)} 筆交易")

except KeyError as e:
    print(f"❌ 找不到資料表：{e}")
    print("請至 https://ai.finlab.tw/database 確認資料表名稱")
    print("或檢查 API token 是否正確設定")

except ValueError as e:
    print(f"❌ 資料驗證失敗：{e}")

詳細錯誤處理：參考資料下載錯誤處理

階段 3：策略優化

常見錯誤： - ❌ sim_conditions() 組合數量過多導致執行時間過長 - ❌ 條件定義錯誤（日期範圍不一致）

檢查方法：

# 限制組合數量（< 50 個組合）
conditions = {
    'c1': c1,
    'c2': c2,
    'c3': c3,
    # 最多 5 個條件（2^5 = 32 種組合）
}

# 估算執行時間
num_combinations = 2**len(conditions) - 1
print(f"將測試 {num_combinations} 種組合，預估時間：約 {num_combinations * 30 / 60:.1f} 分鐘")

if num_combinations > 100:
    print("⚠️  警告：組合數量過多，建議先測試部分條件")

詳細錯誤處理：參考策略優化錯誤處理

階段 5：樣本外測試

常見錯誤： - ❌ 訓練集與測試集日期範圍重疊 - ❌ 測試集績效與訓練集差異過大（過度配適）

檢查方法：

# 檢查日期範圍
train_end = '2022-12-31'
test_start = '2023-01-01'

position_train = position_final[position_final.index <= train_end]
position_test = position_final[position_final.index >= test_start]

# 確認無重疊
if position_train.index[-1] >= position_test.index[0]:
    raise ValueError("❌ 訓練集與測試集日期重疊！")

# 檢查績效差異
sharpe_train = report_train.get_stats()['daily_sharpe']
sharpe_test = report_test.get_stats()['daily_sharpe']
degradation = (sharpe_train - sharpe_test) / sharpe_train

if degradation > 0.5:
    print(f"⚠️  警告：夏普率衰退 {degradation:.1%} > 50%，可能過度配適")
    print("建議：")
    print("1. 簡化策略條件")
    print("2. 增加訓練集資料範圍")
    print("3. 使用交叉驗證")

詳細錯誤處理：參考回測錯誤處理

階段 7：實盤交易

常見錯誤： - ❌ 券商帳戶連線失敗（API key 錯誤、憑證過期） - ❌ 資金不足或持倉過多 - ❌ 訂單被拒絕（處置股未圈存、漲跌停鎖死）

安全檢查清單：

# 實盤下單前必須檢查
def pre_trading_checks(position, account):
    """實盤下單前安全檢查"""

    print("=== 實盤下單安全檢查 ===\n")

    # 1. 檢查持倉數量
    if len(position) > 30:
        raise ValueError(f"❌ 持倉過多（{len(position)} 檔），建議 < 30 檔")

    # 2. 檢查可用資金
    available = account.get_balance()
    required = position.total_value  # 假設此方法存在

    if required > available * 0.9:
        raise ValueError(f"❌ 資金不足！需要 {required:,.0f}，可用 {available:,.0f}")

    # 3. 檢查帳戶連線
    try:
        account.get_position()
    except Exception as e:
        raise ConnectionError(f"❌ 券商帳戶連線失敗：{e}")

    print("✅ 所有檢查通過\n")

# 執行檢查
try:
    pre_trading_checks(position_info, account)

    # 先預覽（不會真的下單）
    executor.create_orders(view_only=True)

    # 確認後執行（取消註解）
    # executor.create_orders()

except (ValueError, ConnectionError) as e:
    print(f"\n{e}")
    print("請修正問題後再執行下單")

詳細錯誤處理：參考實盤下單錯誤處理

實盤交易最後提醒

下單前務必確認：

✅ 策略已通過樣本外測試
✅ 先用模擬帳戶測試至少 1 週
✅ 初期資金不超過總資金的 10-20%
✅ 設定停損機制，避免單次巨大虧損
✅ 每日監控持倉與訂單狀態

錯誤可能導致財務損失！請務必謹慎！

從研究到實盤:完整策略開發流程

流程概覽

階段 1: 策略構想與初步研究

策略假設

資料探索

階段 2: 策略開發與回測

撰寫策略邏輯

初步績效評估

階段 3: 策略優化

3.1 使用 sim_conditions() 測試條件組合

3.2 分析優化結果

3.3 採用最佳組合

3.4 優化停損停利

階段 4: 深度分析

4.1 流動性風險檢測

4.2 年度穩定性分析

4.3 Alpha/Beta 分析

階段 5: 樣本外測試

樣本外判斷標準

階段 6: 部署前準備

6.1 上傳策略至雲端

6.2 準備實盤資金配置

階段 7: 實盤交易

7.1 設定券商帳戶(以永豐證券為例)

7.2 計算目標部位

7.3 執行下單

階段 8: 績效追蹤

8.1 取得實盤交易記錄

8.2 監控策略表現

8.3 定期檢視

完整程式碼彙整

關鍵要點總結

開發階段檢查清單

驗證階段檢查清單

部署階段檢查清單

後續學習建議

常見錯誤處理檢查清單

階段 1-2：資料載入與回測

階段 3：策略優化

階段 5：樣本外測試

階段 7：實盤交易

參考資源