演算法策略邏輯:一條規則可能有效的四個理由,以及如何檢驗
多數系統化規則都建立在四種可能存在優勢的理由之一:趨勢延續、均值回歸、風險溢酬或行為效應。先說出理由,把它寫成可能出錯的預測,在扣除成本後、用相關市場與未見過的資料檢驗,並定期重新檢驗,因為理由會衰退。
作者 Soren Huang · 發佈 · 更新於 · 編輯原則
常見的演算法交易策略背後有什麼理由?
演算法策略的理由,是一條交易規則應該有效的原因。幾乎所有系統化規則都建立在四種理由之一上:趨勢延續、均值回歸、風險溢酬或行為效應。在第一次回測之前,先說出規則依賴哪一種理由,才能分辨「經過檢驗的想法」與「剛好配對的運氣」。
可以把一條規則看成一個關於其他人的主張。每筆交易的另一端一定有人,而理由就是在說明那個人是誰,以及他們為什麼會一直出現。搜尋「獲利的演算法交易策略」,通常得到的是一串規則類型,但很少說明每一種為什麼應該有效,而這一句缺漏正是最重要的一句。下面四種理由,是大多數已發表研究與交易台最常依賴的理由。
- 趨勢延續是指一段已經開始的走勢會持續一段時間的傾向,因為資訊擴散得慢,部位也是用好幾天而不是幾秒鐘建立起來的。Moskowitz、Ooi 與 Pedersen(2012)在許多期貨市場、一到十二個月的週期上發現了這種型態。突破與移動平均規則都依賴它;期貨動量交易策略一文測試了其中一個版本。
- 均值回歸是指被推到極端的價格會回到一部分的傾向,因為衝動的委託所造成的短期推力,之後會被有耐心的委託吸收。逆勢做被拉開的走勢,或交易回到平均值,都依賴它;請見期貨均值回歸策略與可檢驗範例。
- 風險溢酬是一群人為了轉嫁另一群人想要迴避的風險而付出的代價,例如為了鎖定價格而遠期賣出期貨的生產者,或是承受指數回撤而持續持有指數的投資人。轉倉與展期規則,以及指數期貨的多頭偏好,都依賴它。
- 行為效應是交易者的一種可重複反應,而不是資產本身的特性:隔夜跳空後追價、停損在第一次虧損時、在期間結束時再平衡。盤開與期間結束規則依賴它。
| 理由 | 趨勢延續 | 均值回歸 | 風險溢酬 | 行為效應 |
|---|---|---|---|---|
| 優勢來源 | 資訊與部位到來得慢 | 短期推力之後會被吸收 | 一方付出代價以轉嫁風險 | 交易者每次都以相同方式反應 |
| 誰付出代價 | 晚進場或晚出場的交易者 | 追逐被拉開走勢的交易者 | 避險者與厭惡風險的持有者 | 受情緒或固定時程驅動的交易者 |
| 範例規則類型 | 突破 20 日高點 | 逆勢做遠離均價的走勢 | 轉倉或展期、指數多頭偏好 | 盤開效應、月底資金流 |
| 什麼會打破它 | 資訊變快、擁擠交易 | 走勢背後出現真正的制度變化 | 避險者離開,或風險消失 | 反應的那一群人改變或學會了 |
為什麼沒有理由的規則通常在樣本外失效?
故事不能當作證明,但它會縮小你願意搜尋的規則數量。在同一段歷史上比較的候選規則越少,最佳那一條是意外的機率就越低。樣本外資料是價格歷史中沒有參與選擇規則的那一部分,意外在這裡會被揭露。
資料挖掘是在同一段價格歷史上搜尋大量規則,然後保留得分最高的那一條,不管背後有沒有理由。問題不在搜尋本身,而在於大量嘗試中的最高分帶有一份來自運氣的加分,而且這份加分會隨嘗試次數增加。Bailey、Borwein、López de Prado 與 Zhu(2014)指出,只要變體夠多,即使每個變體都只是純粹的雜訊,最佳的回測結果也會看起來非常出色。Harvey 與 Liu(2015)主張,任何結果都必須依背後的測試次數打折。其機制詳見為何最佳回測通常被高估。
理由是在搜尋開始前運作的一道篩選。如果故事是「走勢會持續好幾天」,你就不會去測試一條在 5 分鐘圖上以 3 根 K 棒反轉進場的規則,因為故事不允許這樣的規則存在。故事排除掉的每一條規則,都是少一個爭奪最佳回測頭銜的候選,因此同樣的最高分意味著更多的價值。想像兩個漏斗:一個寬的,接受任何配合資料的規則;一個窄的,只接受故事允許的規則。兩者各會產生一個贏家。窄漏斗的贏家擊敗的對手較少,因此它分數中屬於運氣加分的部分也較少。
還有第二個好處。帶有理由的規則,失效時的方式是可以讀懂的。如果突破規則不再有效,你可以問該市場的走勢是否仍然持續,然後看資料來回答。只靠搜尋找到的規則,會悄悄地失效,因為從來沒有理由去檢查。
如何把理由轉化為可檢驗的規則?
把理由寫成一個可能出錯的預測,再寫成進場、出場與成本設定,讓回測有機會推翻故事,而不是只能證實它。無法被推翻的理由只是口號,不是假說。
- 用一句話說出理由。「在這個市場,走勢會持續好幾天,因為部位是慢慢建立的。」
- 把它轉化為帶有數字的預測。「收盤創下 20 日高點之後,接下來 10 天上漲的次數多於下跌,而且扣除成本後的平均每筆損益為正。」預測指明了週期與方向,所以結果持平或為負,就足以推翻它。
- 寫下規則。進場:收盤創下 20 日高點後,於下一根 K 棒開盤買進。出場:10 根 K 棒後,或設在近期區間下方的停損。兩個數字都來自預測,而不是來自搜尋。
- 執行前先設定成本與交易時段。手續費、每邊滑價,以及下一根 K 棒成交,做法如同手續費、滑價與平均每筆損益所述。只有在零成本下才能存活的理由,不是可以實際交易的優勢。
- 在執行前寫下什麼結果會推翻預測。例如:扣除成本後的平均每筆損益低於零,或是在該週期內上漲結果少於下跌結果。在你看結果之前就先決定。
最後一步是大多數交易者會略過的。當結果與預測相反時,誠實的做法是放棄故事,而不是試 15 日與 25 日高點,直到有一個能用為止。為了讓回測符合而不斷更動數字,會把檢驗變回搜尋。在策略生成中設定搜尋時,你允許的參數範圍與進場條件,正是理由被寫下的地方。因此,只包含故事所允許數值的範圍,能讓搜尋待在窄漏斗之中。
假設範例
理由:股價指數期貨的走勢會持續數天。預測:收盤創下 20 日高點後,接下來 10 天上漲的次數多於下跌,而且扣除成本後的平均每筆損益為正。規則:於下一根開盤進場,10 根 K 棒後出場,或設在 10 日低點下方的停損。成本:每一來回 $6,每邊一個跳動點的滑價。事先寫下的反證:扣除成本後的平均每筆損益低於 $0,或正報酬的結果少於一半。300 筆交易的結果:正報酬佔 52%,扣除成本後的平均每筆損益為 $38。預測沒有被推翻。如果結果是 44% 且為 −$12,那麼應該是針對該市場放棄這個故事,而不是重新調整參數。
如何檢查邏輯在多個市場與樣本外是否成立?
建立在真實理由上的規則,應該在相關市場、相鄰的參數設定與未見過的資料上,表現出同一個方向。只出現在單一市場或單一時段的結果,是對故事的反證,而不是對規則的支持。方向比幅度更重要,因為樣本內結果總是帶著其他測試所沒有的選擇加分。
可以把它想成醫生確認診斷。一次檢驗結果可能只是雜訊;多次獨立檢驗指向同一方向,就很難用機率來解釋。理由也是如此。如果走勢在股價指數期貨上真的會持續,那麼 20 日突破在 ES、NQ 與 YM 上,扣除成本後的平均每筆損益都應該為正,而不只是在發現它的那一個市場上。而且在搜尋從未見過的樣本外區間,它的正負號也應該保持不變。資料切分與最後那段未動用的資料,請見如何切分樣本內與樣本外。
| 檢查項目 | 真實理由會呈現的結果 | 資料挖掘的規則會呈現的結果 |
|---|---|---|
| 相關市場 | 多數市場正負號相同,部分較弱 | 在搜尋的市場很強,其他市場正負號混雜 |
| 相鄰參數設定 | 15、20、25 日版本都相近 | 只有一個設定有效,相鄰設定無效 |
| 樣本外區間 | 為正,比樣本內略小 | 從切分日起持平或為負 |
| 最後未動用的區間 | 正負號相同,只測試一次 | 正負號翻轉 |
| 滑價加倍 | 較小但仍為正的平均每筆損益 | 平均每筆損益跌破零 |
有兩個細節會讓這項檢查公平。第一,「相關」指的是理由適用,而不是市場熱不熱門:股價指數期貨共享同一種資金流,黃金共享較少,所以黃金較弱的結果是可預期的,反向的結果才有資訊量。第二,相鄰參數的檢查是在檢驗故事,而不是檢驗最佳化工具。如果 20 日有效而 18 日與 22 日無效,市場並不是在告訴你走勢只會在恰好 20 日持續,而是在告訴你這個結果是雜訊。解讀參數曲面的方法,請見參數穩定度:高原還是幸運尖峰。在執行上述檢查之前,寫下你要求的通過數,例如上述五項中要通過四項。策略檢驗中的門檻設定,讓你可以把這條規則記錄一次,並以相同方式套用到每一個候選策略上。
理由為什麼會衰退,如何及時察覺?
擁擠交易、規則變更與市場結構的轉變,都可能移除一個優勢存在的原因。因此,要把扣除成本後的平均每筆損益與過去的離散程度進行比較,並定期重新檢驗理由,而不是等到回撤來告訴你。沒有任何理由是永久的,因為每一個理由都依賴一群可能改變行為的其他交易者。
Sullivan、Timmermann 與 White(1999)在一段長期的股價指數歷史上測試了大量技術規則,發現在早期資料中表現最好的規則,在後期並沒有維持其結果。這就是衰退的一般樣貌:型態曾經是真實的,之後支撐它的條件改變了。常見的原因有三種,每一種都有早期的徵兆。
| 衰退原因 | 需要留意的早期徵兆 | 因應行動 |
|---|---|---|
| 使用相同規則的交易者變多 | 扣除成本後的平均每筆損益逐漸趨近一來回的成本;訊號價格的成交變差 | 把目前的平均每筆損益與其過去的範圍比較,而不只與零比較 |
| 交易所或商品規格變更 | 交易時段、最小跳動單位、結算或新合約,改變了時段效應或轉倉方式 | 只用變更日之後的資料重新檢驗規則 |
| 交易該市場的人改變 | 相關市場仍保有該正負號,而這個市場已失去 | 重新執行跨市場格狀檢驗,看哪些格子改變了 |
最有用的單一數字,是最近一段交易的扣除成本後平均每筆損益,並與原始測試中單筆交易的離散程度比較。相對於該離散程度來說很小的下降,屬於正常雜訊;若下降讓平均值逼近一來回的成本,則是擁擠或結構已經侵蝕優勢的徵兆。權益曲線也會顯示同樣的事,但那時虧損已經進入帳戶了。
假設範例
原始測試:扣除成本後的平均每筆損益為 $38,單筆交易通常偏離該平均 $320,一來回成本為 $6。之後 200 筆交易的一段,平均為 $24。200 筆交易平均值的不確定性約為 $320 ÷ 14 ≈ $23,所以 $24 完全在雜訊範圍之內。再之後一段顯示為 $4,且每筆成交的滑價由一個跳動點升到兩個跳動點。此時平均值已低於一來回的成本,成交成本也上升,符合上表的擁擠那一列。定期進行的跨市場格狀重新檢驗顯示 NQ 仍為正、ES 持平,因此在投入更多資金之前,要先重新檢視 ES 上的理由。
固定排程勝過觸發條件。設定固定的間隔,例如每季或每隔幾百筆交易,並在每個間隔用最新資料重跑上一節的完整檢查。試圖擊破策略的穩健度檢查,也是這裡應該重複的檢查,而策略資料庫中的重新驗證功能,就是為了這種定期重跑而設計的。仍然通過的理由,進入下一個間隔;未通過的理由應該被取代,用新的故事與全新的搜尋,而不是在舊規則上換一組新參數。
下一步,是為你執行的每一個策略準備一張四行的表格:用一句話寫下理由、寫下帶有數字的預測、寫下會推翻它的結果,以及下一次定期重新檢驗的日期。先為你最有信心的規則填寫;如果第一行是空白的,這週就對它執行跨市場格狀檢驗。
常見問題
動量策略背後的理由是什麼?
動量策略依賴趨勢延續:一段已經開始的走勢會持續一段時間,因為資訊擴散得慢,大部位也要用好幾天才能建立。期貨市場的研究在大約一到十二個月的週期上發現了這種型態。交易的另一端是晚進場或晚出場的交易者。檢驗方式是預測:突破之後,扣除成本後的報酬在固定週期內為正的次數,會多於為負的次數。
均值回歸策略背後的理由是什麼?
均值回歸策略依賴短期價格推力之後會被吸收:衝動的委託把價格推離,有耐心的委託則把其中一部分拉回。另一端是追逐被拉開走勢的交易者。檢驗方式是預測:價格遠離其平均值之後,接下來幾根 K 棒回到均值的次數會多於繼續遠離的次數。走勢背後出現真正的制度變化,會打破這個理由。
資料挖掘找到的策略還值得交易嗎?
有可能,但前提是它要通過與有故事的規則相同的檢查:在相關市場上正負號相同、相鄰參數設定的結果相近,而且有一段它從未見過的正報酬樣本外區間。資料挖掘出來的規則比較難通過這些檢查,因為大量嘗試中的最佳者帶有運氣加分。如果它通過了,之後再試著寫出理由;如果寫不出來,就應把部位大小視為對一個無法解釋的型態下注。
交易理由應該多久重新檢驗一次?
應依固定排程進行,而不是等到出現回撤之後,例如每季或每隔幾百筆交易。每次重新檢驗時,把最近一段扣除成本後的平均每筆損益,與原始測試中單筆交易的離散程度以及一來回的成本比較,並用最新資料重跑跨市場與樣本外檢查。落在雜訊範圍內的下降是正常的;平均每筆損益接近一來回的成本,或是相關市場仍保持正負號而本市場翻轉,則需要重新檢視故事。
參考文獻
- Moskowitz, T. J., Ooi, Y. H., & Pedersen, L. H. (2012). Time Series Momentum. Journal of Financial Economics, 104(2), 228–250.
- 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.

