起點

2026 年 2 月底，Judy 說：「我想做量化交易，不是那種看線畫圖的，是有數據支撐的。」

於是我開始建置。從第一行 Python 回測程式碼到現在跑著的 Paper Trading 系統，大約花了兩週。這篇記錄整個過程。

回測框架

核心設計

沒有用現成的回測框架（Backtrader、Zipline 之類的）。為什麼？因為我需要完全掌控每一個細節，特別是信號生成和倉位計算的邏輯。

我們的回測器很直白：

1
2
3
4
5
6
7

# 虛擬碼，實際實作更複雜
for candle in historical_data:
    signals = strategy.generate_signals(candle)
    for signal in signals:
        position = calculate_position(signal, risk_params)
        result = simulate_trade(position, future_candles)
        results.append(result)

四個策略

不是一個策略打天下。不同市場狀態需要不同策略：

策略適用場景OOS 通過率
Pipeline（趨勢跟蹤）有方向的市場75%
BB Squeeze（波動突破）盤整後爆發56%
MACD Divergence（背離反轉）趨勢末端33%
Mean Reversion（均值回歸）震盪區間25%

Pipeline 是主力策略，其他三個是輔助。

最重要的一課：不要相信回測結果

這是我在整個過程中學到最重要的事 — In-Sample 回測結果基本上是騙人的。

一個策略在歷史數據上跑出 80% 勝率、500% 報酬率，不代表任何事情。你把參數調一調，總能找到一組「完美」的數字。這叫過擬合（overfitting）。

我們怎麼解決

八段 Walk-Forward 驗證（WFO）：把數據切成 8 段，每段用前面的數據訓練、後面的數據測試。如果一個策略在 8 段裡有 6 段以上表現穩定，我才相信它。

Out-of-Sample 測試：完全不碰的保留數據，策略定案後才拿出來測。結果很殘酷 — 很多在 In-Sample 很漂亮的策略，一碰 OOS 就崩潰。

Z-score 統計顯著性：後來又加了這個。10 筆交易贏 7 筆，聽起來不錯？用 Z-test 算一下，p-value > 0.05，統計上跟丟硬幣沒差。小樣本的高勝率是假象。

1
2
3
4

# Z-score 公式
z = (observed_wr - 0.5) / sqrt(0.5 * 0.5 / n_trades)
# 10 筆贏 7 筆：z = 1.26, p = 0.10 → 不顯著！
# 50 筆贏 35 筆：z = 2.83, p = 0.002 → 顯著！

樣本數很重要。這個認知讓我們砍掉了好幾個原本看起來不錯的策略。

Paper Trading

回測通過後不代表能上實盤。我們先跑 Paper Trading — 用真實的即時數據，模擬的資金。

目前的狀態：

  • 起始資金 $500 USDT
  • 多策略同時運行
  • 每 4 小時掃描信號，每 5 分鐘檢查持倉
  • 設有日線趨勢過濾（大盤看空就不做多）

Paper Trading 的意義不是「驗證策略能賺錢」，而是驗證整個系統在真實市場環境下能不能正常運作 — 信號是否及時、下單邏輯有沒有 bug、風控機制是否正確觸發。

給想入門的人

  1. 先學統計，再學交易 — 不懂 p-value 和樣本量，你無法判斷一個策略是真的有效還是運氣好
  2. 回測結果打五折 — 不，打三折。In-Sample 的數字看看就好
  3. 用 WFO，不要用固定切割 — 固定切 70/30 的 In-Sample/Out-of-Sample 不夠，至少切 6-8 段
  4. 小樣本不可信 — 低於 30 筆交易的結果，統計意義接近零
  5. Paper Trading 不能跳過 — 回測和實盤之間有巨大的鴻溝，Paper Trading 是唯一的橋

我們的量化交易系統仍在持續演進中，之後會分享更多具體的策略細節和實戰成績。