GitHub 程式交易專案：專案類型與採用前的檢查

目錄

1. 可以使用 GitHub 上的程式交易專案嗎？
2. GitHub 上有哪幾類程式交易專案？
3. 最常用的開源回測框架有哪些？
4. 如何檢查開源策略的交易成本與前視偏誤？
5. 開源策略可以直接下單嗎？
6. 如何用沒看過的資料驗證借來的策略？
7. 常見問題
8. 參考文獻

可以使用 GitHub 上的程式交易專案嗎？

GitHub 上的程式交易專案適合當作積木與學習素材，不是現成的策略。星數與公開的權益曲線，都說明不了規則在手續費、滑價與下一根 K 棒成交之下，面對沒看過的資料能否撐住。每個儲存庫在你帶著交易成本親自執行過之前，一律視為未經檢驗。

原因並不複雜：儲存庫是程式碼加上一項主張。程式碼可以讀、可以執行；主張通常是一張圖或一張報酬表，用作者挑選的資料、作者調過的設定產生，往往沒有扣交易成本。GitHub 頁面看不出公開版本之前試過多少種變化。Bailey、Borwein、López de Prado 與 Zhu（2014）指出，從大量嘗試中挑出的最佳結果，會因挑選本身而偏高，即使每一條測過的規則都毫無價值。別人分享的腳本，是他人搜尋的終點，不論作者是否知情，都帶著這份偏高。

這不代表這些專案毫無用處。好的回測函式庫能省下數月工夫；交易機器人能示範委託處理怎麼做；策略集合是一份待測的構想清單。若你剛入門，請先讀程式交易的定義、成本與多數規則虧損的原因，因為只有先預期多數借來的規則在扣除成本後會失敗，本文的檢查才有意義。

GitHub 上有哪幾類程式交易專案？

開源程式交易專案分三類，各有各的用途，沒有任何一類單獨就能給你一套經過檢驗、可交易的期貨策略。回測函式庫是引擎，用舊價格重播規則並回報交易，本身沒有策略。交易機器人是連上交易所或券商、依規則送出委託的程式，多半一次只連一家交易所。策略集合是以程式碼分享的規則腳本倉庫，少有附上交易成本或樣本外結果的。

	回測函式庫	交易機器人	策略集合
內容	引擎：載入資料、模擬委託、輸出報表	下單連接器、排程器，常含簡易回測器	規則腳本，有時附結果圖
缺少的部分	策略；常缺期貨合約模型	檢驗；通常也沒有期貨連接器	交易成本、樣本外結果、參數歷程
常見市場	資料模型以股票為主；期貨需自行處理	提供免費公開 API 的交易所	混合：股票、外匯，部分期貨
首先要檢查的項目	成交價從哪裡來	風險控管，以及斷線時的處理	調過幾個參數

以「github trading bot」搜尋出來的儲存庫，多數屬於第二類，且多半連接提供免費公開 API 的交易所。CME 或 TAIFEX 的期貨要經由券商才能到交易所，所以相應的機器人需要券商連線，而附帶這項連線的開源專案少得多。讀程式碼之前，先把儲存庫歸類；歸類結果會告訴你，哪些部分得自己補。

最常用的開源回測框架有哪些？

常見的開源回測框架，差別在於處理 K 棒的方式、資料模型適用哪些市場，以及是否仍有人維護；這三項事實決定哪一個適合期貨回測。事件驅動引擎依序一次處理一根 K 棒，與實單系統的運作方式相同。向量化引擎以陣列一次算出整段價格序列的訊號，速度快，但容易用到規則當下不可能知道的價格。

框架	處理模式	程式語言	期貨資料模型	預設成交	實單下單連接器	專案活躍度
Backtrader	事件驅動	Python	契約乘數與保證金設在手續費設定中；有轉倉資料來源；交易時段需自行處理	下一根 K 棒開盤價	有（Interactive Brokers、Oanda、Visual Chart）	查看最近一次發行日期
Zipline	事件驅動	Python	內建連續月期貨與交易日曆；日曆以美國為主	下一根 K 棒	核心函式庫不含	原始儲存庫在 Quantopian 於 2020 年關閉後封存；另有延續維護的分支
vectorbt	向量化	Python	以價格陣列運算；契約乘數與交易時段需自行處理	同一根 K 棒收盤價，除非自行位移訊號	無（開源版本）	查看最近一次發行日期
Backtesting.py	逐根 K 棒迴圈	Python	單一商品；無契約乘數；交易時段需自行處理	下一根 K 棒開盤價	無	查看最近一次發行日期
Lean（QuantConnect）	事件驅動	C#，支援 Python	期貨：內建連續月對應與轉倉設定	委託之後的下一筆行情	有（多家券商）	由公司維護

這些欄位中，有兩欄值得先看。預設成交欄告訴你，照抄範例會不會把收盤價洩漏進決策，下一節會說明。期貨資料模型欄則告訴你，有多少東西得自行建置：契約乘數、交易時段濾網，以及處理好轉倉跳空的連續月序列。期貨回測對任何軟體（不論開源與否）的需求清單，見期貨演算法交易軟體真正重要的五項功能；不論選哪個框架，都可拿它當檢核表。

如何檢查開源策略的交易成本與前視偏誤？

依固定順序讀程式碼，檢查五件事，遇到第一項不通過就停下。前視偏誤是指回測用到了規則做決定的當下還拿不到的資訊。最常見的形式，是規則讀取某根 K 棒的收盤價、做出決定，又在同一個收盤價成交。實單交易中，收盤價要等 K 棒結束才知道，你能拿到的第一個價格是下一根 K 棒的開盤價。清單上其他項目都比這一項容易修正，所以它排第一。

1. 成交價相對於訊號 K 棒，是從哪裡來的？ 找出設定執行價格的那一行。若是產生訊號那根 K 棒的收盤價，測試就有洩漏。以下一根 K 棒開盤價成交，或以下一根 K 棒實際走過的停損價或限價成交，才是可交易的。這種洩漏的藏身方式（包括位移過的指標欄位），見回測中的前視偏誤與一根 K 棒檢查法。
2. 有沒有手續費與滑價，是否按每邊計算？ 在程式碼裡搜尋費用、手續費或滑價設定。許多腳本一項都沒有。有些按名目金額的百分比收費，這適用於股票，不適用於每跳動點價值固定的期貨合約。期貨測試的手續費要用每口每邊的固定金額，滑價每邊至少一個跳動點。
3. 資料是怎麼建構的？ 確認價格序列是單一合約、已調整轉倉跳空的連續月序列，還是把各合約原樣串接。也要確認交易時段：以 23 小時交易建構的日 K 棒，與以日盤建構的日 K 棒，是不同的商品。再把時間戳記的時區，對照任何時間規則所用的時區。
4. 調過幾個參數，用什麼資料調的？ 數一數規則裡所有可能改動的數字：回看期數、門檻、停損距離、時間窗口。在 60 筆交易上調五個數字，描述的只是那段歷史，不是規則。查看提交紀錄，確認這些數字改過幾次。
5. 公開的成果只有樣本內嗎？ 讀 README，對照圖表涵蓋的日期範圍，與選定參數所用的日期範圍。若兩者相同，或完全沒提到切分，就把這張圖視為樣本內成果，也就是作者所有嘗試中最好的那一個。

第一項與第二項檢查合在一起，說明了為什麼多數分享的腳本在儲存庫裡最好看，到真實帳戶上最差。同一根 K 棒成交，會替每筆交易多算入該 K 棒走勢的一部分，而沒計入的交易成本則什麼也不會扣。交易越頻繁的規則，合併影響越大，因為每筆交易的走勢最小、成交次數最多。AlphaPrime（Valynox）評估候選策略時，會在評估內扣除手續費與滑價，並以下一根 K 棒成交；這項設定的說明在回測頁。上述五個問題，正是這項設定在搜尋開始前就回答的那些，你也可以手動套用到任何腳本上。

開源策略可以直接下單嗎？

只有附帶券商或交易所連接器的專案才能下單，而大多數適用期貨的路徑，要經過交易平台自己的語言，所以借來的規則通常得重寫成下單所在平台的語言。連接器是程式中負責登入交易所或券商、送出委託並讀取成交的部分。多數 GitHub 機器人只有單一家提供免費公開 API 的交易所的連接器。在有東西把兩者接起來之前，放在 Python 腳本裡的規則和券商的期貨帳戶是兩件各自獨立的事。

實務上接起來有三種方式：

1. 內建連接器的機器人。 程式碼自己送出委託。這在提供免費公開 API 的交易所常見，在交易所掛牌的期貨則少見，因為期貨的連線要經過券商 API，而支援它的開源專案不多。
2. 附券商連接器的框架。 Backtrader 與 Lean 可以透過支援的券商轉送實單委託。你仍得自己執行程式，用一台持續開機的機器，並自行負責風險控管。
3. 改寫成平台語言。 把規則翻成交易平台的語言，由平台處理券商連線、委託類型與交易時段。期貨最常走的就是這條路。有自己策略語言的平台包括 MultiCharts（PowerLanguage）、TradingView（Pine Script v6）、TradeStation（EasyLanguage）、NinjaTrader（NinjaScript）、MetaTrader 4（MQL4）與 MetaTrader 5（MQL5）。AlphaPrime 可把策略原始碼匯出到這六個平台；目前支援的清單放在支援的平台匯出頁。

改寫也是第二道檢驗發生的地方。規則翻成新語言後，在相同資料上產生的交易明細，應與原版逐筆高度吻合。若不吻合，差別通常出在成交時點、交易時段邊界，或兩個引擎處理同一根 K 棒內停損與停利的方式。差異修正之前，規則不要靠近任何委託。

如何用沒看過的資料驗證借來的策略？

固定規則，以貼近實況的交易成本，在作者沒看過的後段資料上執行，計算樣本外交易筆數，並記得多個嘗試中留下的一個候選策略，帶有挑選加成。樣本外資料是價格歷史中沒有用來選擇規則或設定的部分。就借來的規則而言，唯一能確定的，是儲存庫最後一次更動時還不存在的資料，所以參數的提交日期就是你的切分日。

1. 照公開內容原樣記錄規則與每個參數，連同提交日期。 不要改，連四捨五入過的回看期數也不行。
2. 依你交易的市場設定交易成本：每口每邊固定手續費，滑價每邊至少一個跳動點，並採下一根 K 棒成交。
3. 只用提交日期之後的 K 棒執行。 這是作者不可能拿來調參數的資料。
4. 用完成的交易筆數衡量樣本，而非日曆年數。 少於約 30 筆只是提示，不算結果；數百筆才是能讀的樣本。
5. 用你在看結果之前寫下的標準評斷：例如，扣除交易成本後的平均每筆損益必須維持為正，且沒有任何單一季度占了大部分獲利。

挑選加成是人們最常略過的部分。公開這條規則的人，之前先試過別的，並留下看起來最好的。Harvey 與 Liu（2015）說明，結果應依背後的檢定次數打多少折扣；Sullivan、Timmermann 與 White（1999）發現，數十年股票資料中看似強勁的技術規則，一旦把整組搜尋過的規則都算進去，大部分表面優勢就消失了。在 AlphaPrime 內搜尋出的規則同樣如此。下方的方框就是這樣一次執行。它測試的是以標準指標建立的替代規則，不是 GitHub 上的策略本身：以效率比（Efficiency Ratio）規則作為唯一的進場與出場，沒有停損、停利或濾網。效率比衡量價格走勢在一段回看期間內有多筆直，從近乎零（走勢震盪）到近乎一（一條直線）；如何把它當作趨勢指標來解讀，說明在考夫曼效率比與 0 到 1 的解讀。這次執行使用 NQ 日 K 棒，期間 2019-01-02 至 2025-06-30，多空雙向，一口，每筆交易手續費 $20、滑價 $10。所示候選策略，是搜尋從所試的 1,024 個中，依報酬相對回撤的表現而留下的那一個。事後挑出留下的那個，會讓它的成績偏好看，就像公開在 GitHub 的腳本，受先前的嘗試美化一樣。

請像讀儲存庫圖表那樣讀這個方框。淨損益 $104,570 與獲利因子 2.309，是留下的候選策略在這次執行中的樣本內紀錄，不是規則賺來的，也不是讀者可以預期的。先看的數字是約六年半間的 44 筆交易。這就是第四步的波段策略問題：44 筆交易的 63.64% 勝率，只要少數幾筆交易改變就可能大幅變動，所以平均每筆損益 $2,376.59 只是這個候選策略的提示，不是量測到的優勢。最大回撤 $26,345 是這一段歷史產生的回撤；同樣的交易換個順序，會得到不同的回撤。這次執行還有 16.37% 的時間在市場中，所以多數期間空手，這在與永遠持有部位的規則比較時有影響。

借來的規則通過這項測試一次，只是候選，不是策略。它還需要通過演算法交易策略持續有效的五項檢驗中的檢查：相鄰設定表現相近、獲利分散在不同時間而非一個幸運季度，以及結果在滑價加倍後仍然成立。對同一條固定下來的規則執行這些檢查，並在看結果之前，先寫下你要求的通過項數。

具體的下一步：從你加了星號的策略集合中挑一個，找出最後一次更動參數的提交，用你自己的期貨 K 棒，從那天起向後執行原封不動的規則，並設定固定手續費、每邊一個跳動點的滑價。先數交易筆數，再看其他任何東西。若你從未建立過這樣的測試，新手 30 天的第一支程式交易策略路線會依序帶你走完設定。

常見問題

用實際資金執行 GitHub 交易機器人安全嗎？

唯有先讀過它如何處理斷線、遭拒絕的委託，以及交易所有部位但機器人記憶中沒有的情況，才算安全。多數開源機器人由一個人寫成，並在一個帳戶上測過。任何機器人都先在模擬交易帳戶執行，使用你打算用的同樣部位大小，並觀察它在週末與重新連線時的行為。

可以用開源軟體回測期貨嗎？

可以，但多數開源回測框架是圍繞股票的資料模型建構，所以契約乘數、交易時段濾網，以及帶有轉倉跳空的連續月，常需要你自己加上。Zipline 與 Lean 內建連續月期貨；Backtrader 在手續費設定中處理乘數與保證金；vectorbt 與 Backtesting.py 則留給你處理。先確認框架如何成交委託，再檢查其他項目。

為什麼 GitHub 上的策略加入交易成本後就失效？

許多分享的腳本以產生訊號那根 K 棒的收盤價成交，且不計手續費與滑價。這兩個選擇都會替每筆交易加分，交易越頻繁的規則影響越大，因為它們每筆交易的走勢最小。一旦成交改到下一根 K 棒開盤價，並按每邊收取固定成本，交易頻繁的腳本，平均每筆損益常會跌到零以下。

使用開源程式交易專案需要懂 Python 嗎？

對多數廣泛使用的回測框架來說，需要，因為它們是 Python 函式庫，策略以 Python 程式碼撰寫。期貨帳戶則還要讓規則進到交易平台，通常意味著第二種語言，例如 PowerLanguage、Pine Script、EasyLanguage、NinjaScript 或 MQL。能讀懂程式碼、找到成交價與成本設定，是最重要的能力，即使你從不從頭寫策略。

借來的策略需要多少樣本外資料？

足以容納數百筆完成的交易，從儲存庫中規則參數最後一次更動的日期起算。對一年只交易幾次的日 K 棒規則，提交日期後只過一年，交易筆數太少，無法判斷，所以你可能得等待，或用同一條固定下來的規則，把測試擴及數個相關市場。少於約 30 筆只是提示，不算結果。

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.
• Harvey, C. R., & Liu, Y. (2015). Backtesting. The Journal of Portfolio Management, 42(1), 13–28.
• Sullivan, R., Timmermann, A., & White, H. (1999). Data-Snooping, Technical Trading Rule Performance, and the Bootstrap. The Journal of Finance, 54(5), 1647–1691.