quant-trading

# 量化交易 Quant Trading

> 系統化、數據驅動的交易策略開發

## 適用場景

- 開發交易策略（趨勢跟蹤、均值回歸、套利）
- 策略回測與績效分析
- 風險管理與部位控制
- 因子研究與 Alpha 挖掘

## 策略開發流程

```
假說形成 → 數據準備 → 策略編寫 → 回測驗證 → 風險控制 → 實盤監控
```

## 核心知識

### 策略類型

| 類型 | 說明 | 風險 |
|------|------|------|
| **趨勢跟蹤** | 順勢而為，追漲殺跌 | 震盪市場虧損 |
| **均值回歸** | 價格偏離後回歸 | 趨勢市場虧損 |
| **統計套利** | 配對交易、價差收斂 | 相關性崩潰 |
| **高頻交易** | 微秒級別的價差捕捉 | 技術風險高 |

### 風險指標

| 指標 | 公式 | 良好標準 |
|------|------|----------|
| **夏普比率** | (收益 - 無風險) / 標準差 | > 1.5 |
| **最大回撤** | 峰值到谷值的最大跌幅 | < 20% |
| **卡瑪比率** | 年化收益 / 最大回撤 | > 1.0 |
| **勝率** | 獲利交易 / 總交易 | > 50% |

### 常見因子

| 因子 | 說明 | 邏輯 |
|------|------|------|
| **價值** | P/E, P/B 低 | 便宜股票長期表現好 |
| **動量** | 過去漲的繼續漲 | 趨勢持續性 |
| **品質** | ROE 高、負債低 | 好公司溢價 |
| **規模** | 小型股溢價 | 流動性補償 |
| **波動** | 低波動異常 | 低風險高報酬 |

### 回測檢查清單

- **數據品質**: 是否有生存者偏差？
- **前視偏差**: 是否使用了未來數據？
- **過度擬合**: 參數是否過度優化？
- **交易成本**: 是否包含手續費、滑價？
- **樣本外測試**: 是否保留測試集？

## 最佳實踐

1. **先簡單後複雜** - 從簡單策略開始，逐步增加複雜度
2. **樣本外驗證** - 永遠保留一段數據做最終測試
3. **考慮交易成本** - 回測時加入真實的手續費和滑價
4. **分散風險** - 不要把所有資金押在單一策略
5. **持續監控** - 實盤後監控策略表現，設定停損條件

## 常見錯誤

| 錯誤 | 正確做法 |
|------|----------|
| 回測收益驚人就上線 | 檢查是否過度擬合 |
| 忽略交易成本 | 加入真實手續費和滑價 |
| 用全部數據訓練 | 分割訓練/驗證/測試集 |
| 單一策略 All-in | 多策略組合分散風險 |

## Sharp Edges

### SE-1: 回測過度擬合
- **嚴重度**: critical
- **情境**: 策略在回測中表現優異（夏普 > 3），但實盤虧損
- **原因**: 參數針對歷史數據過度優化，捕捉的是噪音而非信號
- **症狀**: 回測夏普 > 3、實盤表現 < 50%、參數敏感、交易次數過少
- **檢測**: `sharpe.*[3-9]\.|sharpe.*\d{2,}`
- **解決**: 使用 Walk-forward 驗證，分 5+ 段滾動測試

### SE-2: 前視偏差 (Look-ahead Bias)
- **嚴重度**: critical
- **情境**: 回測時無意使用了未來數據
- **原因**: 數據處理時沒有注意時間順序
- **症狀**: 回測報酬率完美、使用當日收盤價作為當日信號
- **檢測**: `shift\(-|iloc\[-1\].*today`
- **解決**: 信號必須延遲一天 `signal = prices.shift(1) > ma.shift(1)`

### SE-3: 生存者偏差
- **嚴重度**: high
- **情境**: 只使用當前存在的股票進行回測
- **原因**: 退市、下市的股票被排除，導致高估策略表現
- **症狀**: 回測報酬明顯高於實際、小型股策略表現特別好
- **解決**: 使用包含退市股票的完整數據庫、使用 Point-in-Time 數據

### SE-4: 忽略交易成本與滑價
- **嚴重度**: high
- **情境**: 高頻換手策略看起來很賺錢
- **原因**: 沒有計入手續費和滑價，實際成本吃掉所有利潤
- **症狀**: 年換手率 > 1000%、單筆獲利 < 0.5%、回測用收盤價成交
- **解決**: 計入 commi