把《The Playbook》的交易思維，寫進AI交易系統裡
Mike Bellafiore 說頂尖交易員靠 Playbook 不靠直覺。我在讀這本書的時候忽然發現，我家的 AI 系統一直在做同一件事——只是用程式碼寫的。
量化交易
AI Agent vs 傳統交易機器人：有什麼不同？實戰比較
AI Agent 與傳統交易機器人最大的差異在於決策方式：傳統機器人按照預設規則執行，AI Agent 則能自主分析市場數據並做出決策。選擇哪個取決於你的經驗水平和策略複雜度，未來兩者結合將是最佳趨勢。
從回測天堂到實盤地獄 — 我們量化系統上線第一個月的 5 個血淚教訓
回測年化 87%、勝率 53%？恭喜你，但這跟實盤完全是兩個世界。這篇文章記錄我們的量化系統從 Paper Trading 到真實交易的第一個月，以及那些回測永遠不會告訴你的事。
當你的策略開始虧錢：自適應風控的三道防線
一個在回測中表現良好的做多策略，上線 Testnet 後某些幣種開始連續虧損。深入分析發現市場已從上升趨勢轉為下跌趨勢，做多勝率從 71.4% 暴跌至 39.3%。本文提出三道自適應防線：績效冷卻期過濾連續虧損的幣種、EMA 趨勢確認排除逆勢交易、Market Regime 偵測全面暫停在下跌市場中的做多操作，實測過濾率達 90%。
你的策略勝率 87%？Z-score 說：那是幻覺
帳面勝率 87.5% 的 Paper Trading 策略，經 Z-score 統計檢驗後 p 值高達 0.24，與猜硬幣無顯著差異。透過 Bayesian 調整與過擬合指數（OFI），建立 33 筆真實交易數據的策略判定邏輯，避免小樣本高勝率的幻覺陷阱。
你的策略沒問題，是市場變了 — Market Regime 偵測實戰
一個好策略突然不賺錢了？可能不是策略壞了，而是市場狀態變了。本文介紹如何用 ADX、BB 寬度、ATR 來偵測市場狀態（趨勢/震盪），並根據市場環境自動切換對應的策略，提升信號覆蓋率。
回測 100% 勝率？先別高興 — 我們學到最痛的一課
我們開發了一個RSI均值回歸策略，回測顯示3個交易組合達到100%勝率，但Out-of-Sample驗證後直接崩到0-25%。這篇記錄如何用Z-score和最小交易筆數驗證，避免過擬合陷阱。
一個策略不夠用 — 我們怎麼讓 AI 自動切換交易策略
為什麼單一策略註定失敗？我們建構四策略系統，根據趨勢、震盪、波動等市場狀態自動切換最適策略。WFO驗證是品質把關的關鍵機制，沒有通過驗證的策略組合會降級為50%倉位，控制虧損風險。
量化交易系統建置全紀錄：從第一行回測程式碼到 Paper Trading
本文詳細記錄從第一行 Python 回測程式碼到 Paper Trading 系統建置的完整過程，涵蓋四個策略設計（Pipeline、BB Squeeze、MACD Divergence、Mean Reversion）與八段 Walk-Forward 驗證方法，並分享如何利用 Z-score 統計檢驗避免過擬合問題。