AI 期貨交易：能做什麼、不能做什麼，以及如何檢驗

目錄

1. AI 在期貨交易中實際能做什麼？
2. AI 能預測期貨價格嗎？
3. AI 當構想產生器與 AI 當預測者，差別在哪？
4. 用 AI 自動搜尋策略是如何運作的？
5. AI 建立的期貨策略會過度最佳化嗎？
6. 交易 AI 策略之前，如何檢驗？
7. AI 期貨交易能獲利嗎？
8. 常見問題
9. 參考文獻

AI 在期貨交易中實際能做什麼？

AI 用在期貨交易，最適合的角色是撰寫與測試交易規則，而不是預測價格。AI 能草擬規則，把它變化成數千個候選策略，並計入成本逐一回測。每個產出仍然只是候選策略，在動用任何資金之前，必須先在它從未見過的資料上檢驗。

本文所說的 AI，是指大型語言模型：能閱讀與撰寫文字的程式，例如可以和你對話的助理。它在期貨交易中有三種可能的工作：用一般文字寫出規則並加以變化；執行或讀取一個回測多種變化、並計入手續費與滑價的搜尋；或是請它預測明天的方向。不妨把它想成一位不知疲倦的初級分析師，午餐前就能草擬上百個規則構想，每份草稿都能用舊 K 棒測試。至於它對明天收盤的猜測，價值不比任何人的猜測高，而且在當天結束之前，沒有任何測試能為這個猜測評分。

它草擬的規則都是常見的那幾種：均線交叉、通道突破、大幅偏離後回到平均。期貨演算法交易策略的五種類型說明 AI 通常會提出哪些策略，以及各類型需要的設定。AI 不會發明新型態的優勢。它只是比人更快、以更多變化寫出已知的類型，而這只有在後續的測試誠實時才有用。

AI 能預測期貨價格嗎？

沒有任何模型（無論是否為 AI）展現過可靠的期貨價格點預測，原因在資料，而不在模型。點預測是對某個時間點價格位置的陳述，例如「ES 明天收盤上漲 30 點」。從一根 K 棒到下一根，多數波動是雜訊：它是許多委託單的加總，而下單的原因是模型看不到的。有微小偏差的硬幣是個好比喻。擲上千次，你可以量出偏差的程度，卻仍然無法預測下一次擲出什麼。

模型若有足夠的自由度，能做到的是擬合過去。過度最佳化是把規則調得與某一段歷史過於貼合，使它描述的是那段歷史中的雜訊，而不是會重複出現的型態。一條緊貼到今天為止每個起伏的曲線，看起來像預測。新的 K 棒出現後，它會偏離真實路徑，因為它學到的起伏是隨機的。Sullivan、Timmermann 與 White（1999）在同一段價格歷史上測試了數千條技術規則，顯示其中最好的那條看起來不錯，主要是因為試了太多條；White（2000）提出能修正這個效應的統計檢定。

AI 能老實找出的，比預測更弱：一條在過去 K 棒上、扣除成本後表現出某種樣子的規則。「過去這樣表現」與「下個月會這樣表現」是不同的主張。前者可以寫下來並檢驗，後者不行。網路上販售的許多期貨訊號，是把方向預測包裝成後者。對其中任何一個，有用的問題是：它在哪些資料上檢驗過，檢驗之前規則是否已經固定下來。

AI 當構想產生器與 AI 當預測者，差別在哪？

構想產生器提出你能測試並淘汰的規則；預測者給你一個必須相信的方向。差別不在 AI 有多聰明，而在它產出什麼、你如何檢驗，以及你何時發現它錯了。

	AI 當構想產生器	AI 當預測者
它給你什麼	一條可測試的規則，進出場條件明確	一個方向：多、空或空手
如何檢驗	計入成本回測，再用樣本外資料檢驗	只能實單交易才知道
何時發現錯了	交易前，在過去的 K 棒上	虧損已經出現在帳戶之後
典型的失敗	對歷史過度最佳化	自信卻錯誤的預測

這個區分對期貨新手最重要，因為不論是可測試的規則，還是無法測試的預測，AI 自信的回答聽起來都一樣。檢驗方法只有一步：問這個產出能否用舊 K 棒、計入成本來執行。規則可以，方向不行。我們自己也用大型語言模型做過這個練習，記錄在測試 Claude AI 是否擅長建立交易策略；草稿都是一般規則，決定哪些留下的是回測，而不是 AI。

用 AI 自動搜尋策略是如何運作的？

自動策略搜尋把一個構想變成規則家族，用相同的成本與執行設定回測每個成員，排序後留下幾個交給檢驗。規則家族是指一條規則，保留部分設定不固定，例如突破規則的回看期間可以是 10 到 60 根 K 棒中的任何值。參數範圍是每個開放設定可取值的清單，規則家族就是這些值的所有組合。AI 的工作在開頭與結果解讀，不在挑選贏家。

1. 用一般文字寫出構想。AI 的第一項工作。「趨勢指標上升且價格突破近期高點時做多，趨勢指標轉下時出場」這樣的句子就足以開始。
2. 規則家族與參數範圍。AI 把構想寫成精確的進出場條件，並為每個數字給定範圍。在 AlphaPrime（Valynox）中，這由策略生成負責，規則與指標、參數範圍、進出場條件與搜尋限制，在第一次評估開始之前就已固定。
3. 每個變化都計入手續費、滑價與下一根 K 棒成交來回測。下一根 K 棒成交是一種設定：在訊號之後的那根 K 棒成交，因為以收盤價決定的規則，無法在同一個收盤價交易。要把滑價寫成金額，需要所測合約的每跳動點價值；免費的期貨合約與損益計算機顯示跳動點大小、每跳動點價值與每點價值，並把 1 個跳動點的滑價換算成每口的金額。這一步需時多久，取決於處理器或顯示卡、資料長度與研究設定。
4. 依報酬相對回撤排序。AI 的第二項工作：讀排序結果，說明強與弱的候選策略有哪些共通點，讓下一個構想更有依據。
5. 檢驗留下的幾個。由人決定適用哪些關卡、什麼算通過；下方的檢驗一節會說明這些關卡。
6. 匯出原始碼到將執行策略的交易平台。

AI 操作 AlphaPrime 時，使用的是你自己的 Claude 個人訂閱，不需要 API 金鑰。AI 從不憑感覺挑出贏家。它寫出構想、讀排序結果、提出下一個構想，而檢驗之後什麼算通過，由人決定。

AI 建立的期貨策略會過度最佳化嗎？

會，AI 建立的策略預設就會過度最佳化，因為任何從許多變化中留下最佳者的搜尋，都會讓留下來的那個看起來比實際好。想像一個房間裡有一千人，各擲硬幣十次。有人擲出九次正面。那個人並沒有學會擲硬幣。Bailey、Borwein、López de Prado 與 Zhu（2014）在回測中顯示了同樣的效應：同一段歷史上試的變化越多，即使沒有任何變化具優勢，最佳的樣本內結果也會越高；他們 2017 年的論文則為最佳者已過度最佳化的機率給出估計。

下方的回測顯示留下的候選策略長什麼樣子。它測試的是 ES 日 K 棒，2019-01-02 至 2025-06-30，多空皆做，1 口，每筆交易手續費 $20、滑價 $25。規則是 ADX 規則，一種趨勢強度指標，作為唯一的進出場，沒有停損、停利與濾網。它是以標準指標建立的替代規則，不是 AI 撰寫的策略，所以呈現的是搜尋的機制，而不是主題本身。所示的候選策略，是搜尋在約一千次嘗試中留下的那一個，依報酬相對回撤挑選。

把這張表當成紀錄來讀，而不是期望。事後挑出留下的候選策略，會讓它顯得更好：在約一千個變化之中，這個在這段歷史上排名最佳，它 $99,702.5 的淨損益中，有一部分是每個「從眾多中挑最佳」的結果都帶有的選擇加成。43 筆交易偏少；由 43 筆交易得出的平均每筆損益 $2,318.66，只要少數幾筆交易改變，就可能大幅變動。持倉時間占比 88.68%，表示這條規則幾乎一直持有部位，所以它的走勢與這幾年 ES 走過的路徑綁在一起。這些都不代表 ADX 規則替交易人賺到了那筆錢，也不代表任何人可以期待如此。它只說明這次搜尋的過去是這個樣子。

交易 AI 策略之前，如何檢驗？

先在看結果之前寫好通過規則，再依固定順序執行各項檢查，遇到第一次失敗就停止，而不是一路調整到策略通過。每項檢查都是一道關卡。看到結果後才調整的關卡，不算關卡；那只是另一輪調整，而它背後的資料也不再是沒看過的。

1. 樣本外區塊，規則固定。樣本外資料是歷史中，搜尋的任何步驟都沒碰過的部分。先寫下通過規則，例如：淨平均每筆損益維持為正，且至少保有樣本內水準的某個比例。然後把候選策略原封不動執行一次。
2. 推進分析視窗。推進分析是在一個視窗上調整設定，原封不動套用到接下來的視窗，向前推移並重複，再把未經觸碰的區段接成一個結果的測試。它能從同一段歷史產生更多樣本外交易，在單一區塊交易偏少時特別重要，例如六年 43 筆交易。
3. 成本加倍。以兩倍滑價重新執行。只有在成交便宜時才有效的規則，依賴的是執行，不是型態。
4. 相鄰設定。測試所選設定旁邊的設定。一條在 14 根 K 棒長度有效、在 12 或 16 卻無效的規則，學到的是某個數值附近的雜訊。
5. 最後保留的期間，只測一次。把最近的一段排除在上述每一次測試之外。用它檢驗留下來的策略一次，對照事先寫好的規則讀結果，然後接受或淘汰。

五道關卡中的所有設定都要保持相同：相同的交易時段、相同的成本、相同的執行方式。以 ES 來說，這包括 K 棒只涵蓋日盤，還是涵蓋接近 24 小時的全時段；接近 24 小時的期貨交易時段如何影響回測說明了這個選擇。由於關卡的順序與遇到第一次失敗就停止的習慣，比任何單一檢查都重要，AlphaPrime 以這個精神把檢查做成策略檢驗：推進分析與其他檢驗步驟依固定順序執行，門檻由你在搜尋開始前設定，策略未通過較早的檢查時，就停止後面的檢查。上面的成本加倍與相鄰設定重測，是你可以用相同回測設定自行建立的測試。

AI 期貨交易能獲利嗎？

沒有任何工具能單靠自己讓期貨交易獲利，AI 也不例外。三個數字決定結果：扣除成本後的淨平均每筆損益、背後的樣本外交易筆數，以及規則是否原封不動通過每道關卡。AI 只是縮短取得這三個數字的時間。免費的勝率計算機：期望值與損益兩平勝率能依勝率、平均獲利與平均虧損，算出其中第一個。

值得記住的公式只有一個：淨平均每筆損益 = 毛平均每筆損益 − 來回成本。其中毛平均每筆損益是扣除手續費與滑價之前每筆交易的平均獲利，來回成本是一次進場加一次出場所付出的手續費、費用與滑價。若淨平均每筆損益相對於來回成本偏小，滑價小幅上升就會把它吃掉。

	回測結果是什麼	回測結果不是什麼
性質	一條規則在過去 K 棒上的紀錄	對未來 K 棒的承諾
成本	已扣除你輸入的成本	已扣除你實際會付出的成本
選擇	所試候選策略中的最佳者	一般的候選策略
用途	檢驗決策的輸入	交易的理由

下一步是具體的。拿你最喜歡的那個 AI 草擬的候選策略，在執行任何東西之前，先把五道關卡各自的通過規則寫在紙上，再把第一道關卡在規則固定的情況下執行一次。接著數樣本外交易筆數，算出滑價加倍後的淨平均每筆損益，把兩者與你寫下的數字比較。無論結果如何，你對那條規則的了解，都會比任何預測能告訴你的更多。

常見問題

AI 能預測期貨價格走勢嗎？

沒有任何模型展現過可靠的期貨價格點預測，因為多數 K 棒之間的波動是雜訊，沒有任何輸入能事先解釋。AI 能做的，是寫出交易規則，並顯示該規則在過去 K 棒上、扣除成本後的表現。那是過去的紀錄，不是預測，而且只有在規則於搜尋從未碰過的資料上檢驗過之後，才有意義。

AI 期貨交易會賺錢嗎？

沒有任何工具能自行決定這件事。結果取決於扣除手續費與滑價後的淨平均每筆損益、背後有多少筆樣本外交易，以及規則是否原封不動通過每道檢驗關卡。AI 縮短的是產生與測試候選策略的時間；它不會改變這三個數字必須呈現的內容。

如何判斷 AI 策略是否過度最佳化？

把它原封不動用在沒看過的資料上，比較分割前後權益曲線的斜率。樣本內陡峭平滑地上升，接著樣本外平坦或下滑，是最明顯的跡象。另有兩項檢查有幫助：所選設定旁邊的設定表現應該相近，且結果在滑價加倍後仍應成立。作為眾多候選中的最佳者，留下來的候選策略會因這個選擇而偏高，因此預期會有一些下滑，並對照事先寫好的規則來評斷。

用 AI 做期貨交易需要撰寫程式嗎？

你需要的是用一般文字描述構想，並讀懂回測報表；AI 能寫出精確的進出場條件並設定參數範圍。無法交出去的是決定。執行前先寫好通過規則、保留最後一段資料不動、遇到第一次失敗的檢查就停止，這些是要由人自己負責的部分。

參考文獻

• Bailey, D. H., Borwein, J., López de Prado, M., & Zhu, Q. J. (2014). Pseudo-Mathematics and Financial Charlatanism: The Effects of Backtest Overfitting on Out-of-Sample Performance. Notices of the American Mathematical Society, 61(5), 458–471.
• Bailey, D. H., Borwein, J., López de Prado, M., & Zhu, Q. J. (2017). The Probability of Backtest Overfitting. Journal of Computational Finance, 20(4), 39–69.
• Sullivan, R., Timmermann, A., & White, H. (1999). Data-Snooping, Technical Trading Rule Performance, and the Bootstrap. The Journal of Finance, 54(5), 1647–1691.
• White, H. (2000). A Reality Check for Data Snooping. Econometrica, 68(5), 1097–1126.