回測勝率 86%、30 天樣本——我們 trading pipeline 在這個階段，數字是漂亮的。但每次看到這種報告，第一個念頭都不是「準備上線」，而是「先別急，等真金跑」。

這幾個月一直在重複同一件事。AI 幫我們把策略跑出漂亮的數字，然後真正難的部分，AI 站在原地，我要自己往前走。

想法變策略中間，有一條很深的溝

我記得最開始的時候，我對 RSI 的理解就是教科書版本：超買超賣，穿越 70 做空、跌破 30 做多。我知道這太簡單，但我不確定「複雜化」的方向應該是什麼。

這裡有一個很多人沒意識到的斷層：把「我覺得市場在這個狀態下會這樣走」轉成「可以被程式跑的邏輯」，這中間不是技術問題，是思維問題。

你說的「RSI 搭配趨勢」，程式要怎麼定義「趨勢」？用均線？用哪根？用 regime detection？怎麼切換？每一個口語描述的背後，都有三個需要精確定義的變數。

AI 在這個階段確實幫了我。我把想法丟給 J（我們團隊內部的 AI 協作員），J 會拆解說：「你說的這個，有三種可能的實作方式，你要的是哪一種？」他不是在寫程式，他是在幫我把模糊的直覺變成可以測試的假設。

但「我覺得市場在這個狀態下應該怎麼做」這個判斷，他沒辦法替我做。那個判斷是從我看了多久的盤、賠了多少次錢、對市場結構有什麼直覺積累出來的——這部分不是 AI 能補的。這也是我們在 AI 與人類協作的本質 一文中反覆驗證的同一件事。

AI 真的很好用的三個地方

說清楚之後，可以講 AI 在哪裡確實省了我很多時間。

第一，信號設計這一段，J 的速度快到有點嚇人。我說「我想看 RSI 搭 volume surge 的組合，看看在不同波動率環境下表現有沒有差異」，他大概十分鐘就給我一個初版的 regime 分類邏輯，把市場狀態切成低波、中波、高波三種，每個狀態下 RSI 信號的觸發條件不一樣。

如果我自己寫，可能要花一個下午，而且還不一定寫對。

第二，參數掃描這件事，AI 更是直接改變了我的工作方式。以前我就是「RSI 用 14 期，因為大家都這樣用」。現在我們會跑網格掃描——RSI 週期從 7 到 21、每種 regime 下的進場條件閾值各試一遍，最後再看哪個組合的 Sharpe 最高、最大回撤最小。這個工作量如果手動做，大概要好幾天。J 跑一晚，早上起來數據都在了。

第三，異常偵錯也是。有一次回測結果突然暴衝，勝率從 60% 跳到 92%。我第一反應就是：這一定是哪裡出問題了。J 去查，發現是 look-ahead bias——程式用到了未來的數據。這種 bug 藏得很深，我自己看程式碼看不出來，但 J 十分鐘就找到了。

關於技術指標本身的有效性邊界，可以參考我們之前在 Bitcoin Bollinger Bands 的現實檢驗 寫過的那篇——指標再漂亮，沒有 regime 配套就是噪音。

但有些事 AI 真的幫不上

這才是我真正想說的部分。

策略哲學，沒辦法外包。

什麼叫策略哲學？就是你在設計這個策略的時候，你相信什麼是市場的本質。你認為市場是均值回歸的還是趨勢延續的？你認為 RSI 超賣是機會還是陷阱？你的整個策略邏輯是建立在哪個核心假設上？

這個問題 AI 沒辦法替你回答，因為它需要你自己對市場有一個判斷。J 可以幫我測試「如果是均值回歸假設，策略長什麼樣」，但他不能告訴我哪個假設是對的。

風控邊界，也是。

我們的規則是：單筆最多賠 2%、連虧超過一定次數就縮倉、月回撤超過門檻直接暫停。這些數字看起來很具體，但背後是我自己能接受多少痛苦的問題。J 可以幫我跑歷史模擬，看不同風控參數下最壞情況是什麼，但他沒辦法告訴我我能承受哪種最壞情況。風控的動態調整邏輯，我們在 自適應風控機制 有更完整的拆解。

然後是真金上線的那一關。

這是最難說清楚的部分。回測 86% 勝率、紙上交易也跑了 30 天，數字都說可以了——但真金點下去的那一刻，感覺完全不一樣。不是理性上覺得有風險，是那種很原始的「這是真實的錢」的感受。

AI 沒辦法幫你越過這一關。這個關卡是你自己的。

5 線架構是踩坑踩出來的，不是設計出來的

我們現在的設計是：線3 做回測驗證、線1 跑實盤測試（小倉）、線5 才是真金。這不是一開始就想到的結構，是踩過幾次坑之後慢慢形成的。

有一次策略在回測很美，線1 測試就開始出問題：滑點比預期大很多，而且特定市況下會漏掉信號。如果我們直接上真金，後果不堪設想。從那次之後，我們確立了一個規則：任何策略上真金之前，線1 至少要跑 30 天、勝率 ≥ 80%，才准往下走。

閉環的概念也是那時候想清楚的。真金如果賠錢，不是直接砍掉這個策略，是打回線3 重新研究，找出是哪個假設在現在的市場環境下失效了，修正之後重走一遍流程。沒有永遠爛的策略，只有不適合當下 regime 的策略。

AI 在這整個架構裡面，是一個非常重要的加速器。但架構本身是人設計的，每個「這樣不對，換個方向」的判斷，也是人做的。

我現在對 AI 輔助交易開發的理解是這樣的：它讓我可以用更快的速度去測試更多假設，但我要帶進來更清晰的假設才行。如果我自己的想法是模糊的，AI 只會幫我更快地確認它是模糊的。

以上是最近常被問到這個題目所以整理了一下。

在 Judy AI Lab，我們把 AI 當成加速器，真正的策略哲學、風控邊界與真金那一關，還是得我們自己走過。

常見問題 FAQ

Q1：從交易想法到上線跑單的完整流程是什麼？

先在線3 做回測驗證策略假設，通過後到線1 跑實盤測試（小倉）至少 30 天且勝率 ≥ 80%，最終才上線5 真金交易。任何階段失敗都打回線3 重新研究，形成閉環。

Q2：AI 在策略開發中最有價值的三個環節是什麼？

第一是信號設計（十分鐘內產出 regime 分類邏輯），第二是參數掃描（網格搜索自動跑一晚出結果），第三是異常偵錯（快速定位 look-ahead bias 等深層 bug）。這三個環節省下的時間從數天壓縮到數小時。

Q3：為什麼 AI 無法替代策略哲學的判斷？

策略哲學是你相信市場的本質——均值回歸還是趨勢延續、RSI 超賣是機會還是陷阱。AI 可以測試不同假設的結果，但選擇相信哪個假設需要交易者自身的市場理解和直覺積累。

Q4：真金上線前最困難的心理關卡是什麼？

回測數字再漂亮、紙上交易再順利，真金點下去的那一刻感覺完全不同。這是很原始的「這是真實的錢」的心理壓力，AI 無法幫你跨過這一關，必須自己面對。

Q5：5 線交易架構是怎麼形成的？

不是一開始設計出來的，是踩坑後逐步形成：策略回測漂亮但線1 測試出現滑點和漏信號問題，確立了必須分層驗證的規則。線3 回測 → 線1 實測 → 線5 真金，每層有明確通過標準，真金賠錢則打回線3 重新研究。