當沖演算法：如何建立與測試

目錄

1. 什麼是當沖演算法？
2. 當沖演算法有哪些組成區塊？
3. 該用哪種 K 棒週期測試，委託何時成交？
4. 為什麼交易成本對當沖演算法衝擊這麼大？
5. 有沒有最好的當沖演算法？
6. 實單交易前如何檢驗當沖演算法？
7. 常見問題
8. 參考文獻

什麼是當沖演算法？

當沖演算法是一組規則，決定何時進場、何時出場、一天中哪些時間可以交易，並強制在交易時段收盤前讓部位回到空手。交易者一次建立一個規則區塊，用下一根 K 棒成交與完整交易成本做回測，再用未見過的資料檢驗。沒有所謂最好的演算法。

當沖是在同一個交易時段內開倉並平倉，因此不留隔夜部位。空手指的是不持有任何部位。當沖演算法把規則寫得非常精確，讓電腦不必問你任何問題就能照著執行。可以把它想成食譜：兩位廚師照著做，會做出同一道菜。需要你主觀判斷的規則，例如「市場看起來強勢時進場」，還不算演算法的一部分，因為它無法回測。當沖演算法是程式交易裡範圍較窄的一種：一樣是寫好的規則，只是每個部位都在收盤前了結。

回測是把規則套用在歷史價格資料上，列出這些規則會做出的每一筆交易。只有當回測的規則與你實際交易的規則完全相同時，回測才值得信賴。

當沖演算法有哪些組成區塊？

多數日內策略使用四個區塊：進場、出場、時段過濾，以及收盤前平倉。每個區塊回答一個問題，而且每個區塊都會改變測試結果。

區塊	回答的問題	規則範例（僅為示意）
進場	我何時開倉？	價格突破開盤前 30 分鐘高點時買進
出場	我何時平掉獲利或虧損的交易？	固定距離的停損；停利為該距離的兩倍
時段過濾	演算法可以在哪些時間開新倉？	開盤前 15 分鐘與收盤前最後 30 分鐘不開新倉
收盤前平倉	一天結束時未平倉的部位怎麼處理？	在交易時段結束前 5 分鐘全部平倉

時段過濾是依時間決定允許或禁止新進場的規則。日內市場並非整天表現一致。開盤後的幾分鐘常常波動最大，成交也最差。午間則常常比較平靜。有了過濾，你就能測試進場規則在某些時間窗口是否比其他時間更有效。

收盤前平倉是在交易時段結束前的固定時間，平掉所有未平倉部位的規則。正是這條規則讓演算法成為當沖演算法。請設定在實際收盤前幾分鐘，讓你的出場委託有時間成交。

收盤時間依市場而定。例如台指期的一般日盤為台灣時間 08:45 至 13:45，夜盤則是另一個獨立的交易時段。交易所可能調整交易時段，因此設定時間前請先查看交易所的合約頁面。免費的期貨交易時間工具會以你所在的時區顯示各個交易時段。同時也要決定你的 K 棒包含哪些交易時段。只含日盤的 K 棒與全時段 K 棒，即使規則相同也會得到不同結果。

在 AlphaPrime（Valynox）中，策略生成就是以這些元件運作：規則與指標、參數範圍、進場與出場條件，以及搜尋限制。因此你從第一次執行起，就能讓時段過濾與收盤前平倉成為每個候選策略的一部分。

該用哪種 K 棒週期測試，委託何時成交？

請用演算法實際交易的 K 棒週期來測試，並且讓每個訊號在下一根 K 棒成交，而不是在產生訊號的那根 K 棒成交。

資料解析度是資料中每根價格 K 棒的長度，例如 1 分鐘、5 分鐘或 15 分鐘 K 棒。較短的 K 棒會有更多訊號與更多交易，但也包含更多雜訊，而且每筆交易通常可移動的空間較小，因此交易成本佔的比例更大。資料解析度是 AlphaPrime 回測的設定之一，同一條規則的 1 分鐘、5 分鐘與 15 分鐘版本會套用相同的手續費與滑價，成本佔的比例就能直接比較。

下一根 K 棒執行是一種成交規則：在一根 K 棒收盤時算出的訊號，於下一根 K 棒的開盤成交。這與你即時能做到的情況一致。你要等 K 棒收盤後才知道訊號，所以最早能拿到的價格就是下一個價格。若回測在同一根 K 棒的收盤價成交，用的就是你根本無法成交的價格。在日線策略上，這種誤差很小。但在平均每筆損益很小的 5 分鐘策略上，這個誤差可能比整個優勢還大。

每根 K 棒內部還有第二個問題。一根 K 棒只顯示開盤、最高、最低與收盤。假設某根 5 分鐘 K 棒同時觸及你的停損與停利，資料無法告訴你哪一個先發生。有兩種解法。你可以假設停損先被觸發，這是保守的做法。或者你可以在更短的 K 棒週期上測試出場，在那裡兩個價位很少在同一根 K 棒內同時被觸及。

為什麼交易成本對當沖演算法衝擊這麼大？

當沖演算法交易頻繁，每筆賺的金額又小，所以每筆固定的成本會吃掉每筆交易獲利的一大部分。

平均每筆損益是所有交易的淨損益除以交易筆數，與每筆交易的期望值是同一個數字。免費的勝率與期望值計算器可以根據勝率與平均獲利、平均虧損算出來。對當沖演算法而言，請把平均每筆損益與一筆交易的成本相比：

扣成本後的平均每筆損益 = 毛平均每筆損益 − 一買一賣（來回）成本

毛平均每筆損益是扣除任何成本之前，每筆交易的平均結果。一買一賣（來回）成本是一筆完整交易讓你花費的所有成本，包含進場與出場的手續費與交易所費用，以及雙邊的滑價。滑價是回測假設的價格與你實際成交價格之間的差異。

對慢速策略幾乎無關緊要的成本，卻決定了快速策略的結果。這就是為什麼成本應該放進第一次回測，而不是最後一次。如果你在排名策略時不計入成本，排名會偏向許多小額交易，之後再加入成本，大部分入選者就會被淘汰。手續費、滑價與價差在回測中的交易成本有更詳細的說明。

有沒有最好的當沖演算法？

沒有。不存在最好的當沖演算法，因為日內優勢取決於一個市場、一個交易時段與一種成本水準，而這三者都會變動。

• 市場會變。波動、成交量與開盤附近的行為會隨年份改變。在每日波動區間很大時有效的突破規則，區間縮小時可能虧損。
• 成本會變。手續費、交易所費用與你實際遇到的滑價都會隨時間變動。對於很小的平均每筆損益，成本小幅上升就可能讓淨損益轉為負值，如上面的範例所示。
• 規則是特定的。在某一合約日盤調校出的進場規則，放到另一種合約或夜盤上，表現往往不同。
• 「最好」的結果通常是一長串名單的榜首。許多變體在同一段歷史上被測試，贏家是事後挑出來的。

讓足夠多的人待在一個房間裡擲硬幣，其中一個人會連續擲出十次正面。那個人並不是擲硬幣高手；只是房間夠大。關於資料窺探的研究在交易規則上也顯示出同樣的效應。當許多規則在同一份資料上被測試，其中最好的那個可能只因偶然就看起來很強。因此公平的測試必須考慮試過多少條規則（Sullivan、Timmermann 與 White，1999；White，2000）。Bailey 及其共同作者（2014）指出，你嘗試的變體越多，最好的回測就越傾向高估策略在新資料上的表現。

實單交易前如何檢驗當沖演算法？

用規則從未見過的資料、納入交易成本來檢驗，之後才用小部位或模擬交易。

樣本外資料是未用於建立或調校規則的價格歷史。它在你的回測中扮演未來的角色。請依下列順序使用：

1. 預留一段保留資料。在任何搜尋之前，保留歷史中最近的一部分（例如最後 20–30%）不去動它。
2. 用其餘資料建立與調校，並開啟下一根 K 棒執行、收盤前平倉與完整交易成本。
3. 執行推進測試。在一個窗口調校，在下一個窗口測試，向前移動並重複。推進分析說明如何選擇窗口。
4. 對成本做壓力測試。把滑價加倍後重新執行。
5. 拆解結果：依年份、多單與空單、以及一天中的時間來看。
6. 只測試一次保留資料。如果你在看過它之後又修改規則，這段保留資料就不再是未見過的了。
7. 以小部位或模擬交易，並將你的實際成交與回測假設的價格相比較。

檢查項目	好跡象	壞跡象
樣本外 vs 樣本內	未見過的資料保留了樣本內平均每筆損益中相當明確的一部分	平均每筆損益在未見過的資料上崩塌或轉為負值
滑價加倍	淨平均每筆損益仍為正	淨損益轉為負值
相鄰參數	附近的設定給出相近的結果	只有某一個精確設定有效
逐年結果	大多數年份都有貢獻	一兩年就創造了全部結果
多單 vs 空單	兩邊的表現都能解釋	一邊撐起一切，卻說不出原因

AlphaPrime 的策略檢驗把檢查依耗時分為基礎、標準與完整，並包含推進分析。你可以用相同標準對每個候選策略執行這些檢查，而不是憑肉眼逐一判斷。

如果你使用 AlphaPrime，這代表：用明確的進場、出場、時段與收盤前平倉規則來建立日內策略，並在搜尋開始前設定合理的手續費與滑價。然後依每個候選策略在從未見過的資料上的表現來評判，而不是看它最好的回測。

常見問題

最好的當沖演算法是什麼？

沒有最好的當沖演算法。日內優勢取決於市場、交易時段與成本水準，而這些都會隨時間改變。被稱為「最好」的策略，往往只是在同一段歷史上測試許多變體後的榜首結果。評判任何演算法，請看它在未見過的資料上、扣除完整交易成本後的結果。

當沖演算法該用哪種 K 棒週期？

使用策略實際交易的 K 棒週期，並以下一根 K 棒成交來測試。較短的 K 棒有更多交易，但每筆的波動較小，所以成本佔的比例更大。如果你的出場很緊，請在更短的 K 棒週期上檢查，讓同一根 K 棒很少同時觸及停損與停利。

當沖演算法一定要在交易時段結束前平倉嗎？

是的。在交易時段結束前平掉所有部位，正是讓它成為當沖演算法的原因。多數交易者會把收盤前平倉設在正式收盤前幾分鐘，讓出場委託有時間成交。收盤時間依交易所與交易時段而異，所以請查看交易所的合約頁面。

回測需要多少筆交易，才能信任當沖演算法？

沒有固定數字。你需要足夠多的交易，讓結果不取決於少數幾個不尋常的日子。一個快速的檢查方法：移除最好的幾天，看淨損益是否仍為正。也要檢查大多數年份都有貢獻，而不是只有一兩年。

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.
• 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.