VALYNOX
VALYNOXSTRATEGY RESEARCH TECHNOLOGY
AlphaPrimeAlphaPrime
策略學院 / 策略生成

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 · 發佈 · 更新於 · 編輯原則

目錄
  1. 常見的演算法交易策略背後有什麼理由?
  2. 為什麼沒有理由的規則通常在樣本外失效?
  3. 如何把理由轉化為可檢驗的規則?
  4. 如何檢查邏輯在多個市場與樣本外是否成立?
  5. 理由為什麼會衰退,如何及時察覺?
  6. 常見問題
  7. 參考文獻

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
四種獲利來源與其對手方交易者:趨勢延續的獲利來自晚進場者,均值回歸來自追逐過度延伸價格的交易者,風險溢酬來自避險者,行為偏誤效應來自依慣性反應的交易者 誰為獲利買單? 每筆交易的對手方 趨勢延續 晚進場者 均值回歸 追價者 風險溢酬 避險者 行為偏誤 習慣性交易者
四種理由的差別在於優勢應該來自何處,以及交易的另一端是誰。

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。

兩個漏斗:寬廣搜尋涵蓋任何符合條件的規則,會納入大量候選策略,其單一贏家帶有很大的運氣加成;狹窄搜尋只涵蓋有邏輯依據的規則,納入的候選策略較少,其贏家的運氣加成較小 對手越少,運氣越少 兩種搜尋,各出一位贏家 任何符合的規則 有邏輯依據的規則 運氣加成大 運氣加成小 嘗試越少,贏家的運氣越少。 因此:搜尋前先定好邏輯依據。
理由在搜尋開始前就縮小範圍,降低了最佳回測恰好是最幸運那一個的機率。

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。

  1. 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。」
  2. 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。
  3. 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。
  4. 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。
  5. 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。

測試前先寫好五個步驟:理由、附數字的預測、進場、出場與停損、成本與時段,以及會推翻它的結果;若結果推翻預測,箭頭應導向否決策略本身,而非調整參數 讓策略可被推翻 測試前先寫好的五個步驟 理由 預測 進場、出場、停損 成本、時段 推翻條件 被推翻? 否決策略 而非參數 測試必須能說不。 所以:先寫好失敗規則。
從理由到規則的路徑,要經過一個可能被證明為假的預測。

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
兩張示意格狀圖,依市場(ES、NQ、YM、GC)與資料區塊(樣本內、樣本外、最終)呈現扣除成本後的平均每筆損益:真實邏輯在每個格子都為正;資料挖掘出的規則則是樣本內 ES 有一格強勁正值,其餘各格正負號混雜 尋找同號 平均每筆損益正負號,示意 真實邏輯 資料挖掘規則 樣本內 樣本外 最終 樣本內 樣本外 最終 ES NQ YM GC ES NQ YM GC + + + + + + + + + + + + + 0 − + − 0 − + − 0 − + 真實邊際的正負號保持一致。 所以:計算通過次數,而非最佳格子。
真實理由在相關測試中呈現相同的正負號;資料挖掘的規則則只有一個亮眼的格子,周圍一片空白。

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
衰退的三大成因與早期徵兆:擁擠交易時,扣除成本後的平均每筆損益逐漸接近一買一賣的交易成本;規則改變時,成交的滑價上升;新進者出現時,相關市場仍有效而此市場失效;對策是依固定排程重新回測 衰退會先顯示早期徵兆 各成因與應觀察的指標 成因 早期徵兆 擁擠交易 規則改變 新進者 平均每筆損益接近成本 滑價上升 相關市場仍獲利 徵兆會先於權益曲線出現。 因此:依固定排程重新回測。
衰退有可以說出名稱的原因,而每個原因都有早期徵兆,會在權益曲線崩壞之前出現。

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.