VALYNOXSTRATEGY RESEARCH TECHNOLOGY
AlphaPrimeAlphaPrime
策略學院 / 策略生成

程式交易要花多少錢?軟體、資料、費用與帳戶規模

程式交易的成本有五項:軟體、市場資料與平台費、每筆交易的手續費與滑價、大到能撐過最糟回撤再加保證金的帳戶,以及耗在失敗候選策略上的研究工時。帳戶與研究時間通常遠大於軟體價格。

作者 · 發佈 · 更新於 · 編輯原則

目錄
  1. 程式交易總共要花多少錢?
  2. 免費工具還是付費回測軟體:付費買到什麼?
  3. 市場資料與平台費要花多少?
  4. 手續費、滑價與交易所費用會從每筆交易拿走多少?
  5. 帳戶要多大?
  6. 隱藏成本是什麼:研究時間與失敗的策略?
  7. 常見問題
  8. 參考文獻

程式交易總共要花多少錢?

程式交易的成本可分為五部分:軟體(免費或付費)、市場資料與平台費、每筆交易的手續費與滑價、能涵蓋最糟回撤再加保證金的帳戶,以及耗在失敗策略上的研究工時。後兩項遠大於任何軟體價格。

程式交易是依寫成明文的規則、由程式執行的交易,詳見程式交易的定義、成本與多數規則虧損的原因。五項成本的付費方式各不相同,所以加總起來容易混淆。

成本項目付費方式一般比重
軟體一次買斷或訂閱小
資料與平台按月小到中
每筆交易成本每口、每邊隨交易筆數增加
帳戶規模為回撤與保證金預留的資金大
研究時間工時與被淘汰的候選策略大
程式交易的五項成本及付費方式:軟體按授權付費、資料按月、每筆交易成本按單邊計、帳戶是預留的資金、研究則是工時。長條長度代表一般比重,帳戶與研究最長,也最常被漏掉。 最大的成本常被漏掉 長條長度=一般比重 軟體 授權 資料 按月 每筆交易 每邊 帳戶 常被漏算 資金 研究 常被漏算 工時 軟體是最小的一項。 所以:先為資金與工時編預算。
五項成本各以不同方式付費。最高的兩根長條,正是多數人加總時漏掉的兩項。

免費工具還是付費回測軟體:付費買到什麼?

免費工具足以手動測試一條規則;一旦需要測試數千個變體,並且每次都以相同方式套用手續費、滑價與檢驗,付費軟體就值回票價。試算表或圖表平台內建的測試工具,只能在一個商品上重播一條規則。這樣測一百個規則變體,好比步行去隔壁城鎮:做得到,但慢,也容易做得前後不一致。

你得到什麼免費工具付費回測軟體
可測試的變體少數幾個,靠手動一次數千個
每次評估都計入成本常需手動輸入內建
檢驗與推進分析手動內建
規則轉到交易平台手動抄寫產生的原始碼
價格免費付費
免費工具與付費回測軟體的比較。免費工具只能測少數幾個變體,成本與檢驗靠手動輸入,規則要重新輸入。付費軟體能測數千個,成本與檢驗內建,規則匯出為原始碼。 價格買到什麼 免費工具與付費回測軟體 免費 付費 變體 少數幾個 數千個 成本 手動 內建 檢驗 手動 內建 匯出 重新輸入 原始碼 付費買到規模與一致性。 所以:一條規則用免費,多條用付費。
回測軟體的價格買到的是:規模、一致性,以及為你交易的平台寫好的完整規則。

從研究轉到實單時,最後一列最重要:付費軟體可把測好的規則寫成交易平台的原始碼(見支援的平台匯出清單),不必由你重新輸入。有用的軟體與漂亮圖表之間的差別,在於演算法交易軟體真正重要的五項功能所列的檢查項目。

市場資料與平台費要花多少?

資料與平台費是帳單中反覆發生的部分。研究用的歷史 K 棒是一次性或按年購買。實單交易用的即時交易所資料按月計費,而送出委託的平台可能自收月費,或透過期貨商按每筆交易收費。各交易所與供應商的價格不同,編列預算前,先查最新價目表。

兩項決定可讓這部分維持在低檔。第一,只買實際會測試的商品與 K 棒週期的歷史資料。第二,實單先從一個商品開始,只付一份即時報價,而不是五份。

手續費、滑價與交易所費用會從每筆交易拿走多少?

每筆交易成本是唯一會隨交易頻率增加的成本,所以決定策略是否負擔得起的,是扣除成本後的平均每筆損益,而不是未扣成本的回測。滑價是規則預期的價格與實際成交價之間的差距。手續費與交易所費用按每口計,進場與出場兩邊都要收。想知道你的合約一筆交易要付多少美元,可用免費的期貨合約與損益計算機。交易所會不定期調整跳動點與費用,請到交易所的合約頁確認。

假設性範例

假設一個一買一賣(來回)合計成本 $30:手續費與費用 $20,加滑價 $10。一年交易 30 筆的波段策略,一年約付 $900。一年交易 3,000 筆的日內策略,約付 $90,000。同樣的 $30,對前者只是小開銷,對後者卻決定整門生意。無論哪一種,未扣成本的平均每筆損益都必須是 $30 的數倍,這條規則才值得跑。

每個來回 30 美元的假設性範例:一年交易 30 筆的策略付 900 美元,交易筆數多一百倍的策略就付一百倍。未扣成本的平均每筆損益必須是 30 美元的數倍。 交易筆數決定帳單 同樣 $30 來回,每年 示意 30 筆 $900 筆數 100× 多 100× 費用相同,帳單大 100 倍。 所以:每筆毛利要達成本的 3×。
同樣的來回成本,一年的帳單卻相差懸殊。決定這項成本大小的是交易筆數,不是費用本身。

從第一次回測就把成本放進去,不要留到最後;回測中手續費與滑價的計入方式說明了,為什麼交易最頻繁的策略,一加進成本就最先失效。

帳戶要多大?

帳戶大小由策略的最糟回撤加保證金決定,不能只看保證金。回撤是權益從高點下跌到下一個低點、創新高之前的跌幅。保證金是交易所要求持有一口合約的押金。只備足保證金的人,第一段正常的虧損期就會被迫退出這個策略。

以下用一次實測說明這一點。AlphaPrime(Valynox)測試 NQ 日 K 棒,區間 2019-01-02 至 2025-06-30,多空皆做,一口,每筆交易收 $20 手續費與 $10 滑價。規則只是代用品:HiLo Activator 進場與出場,不設停損、停利或濾網,用來說明成本與回撤的表現,並非可照抄的策略。它是搜尋從嘗試的 1,024 個候選策略中唯一留下的一個,依報酬相對回撤的比例挑出;事後才挑出留下的那一個,會讓它的表現顯得比實際好看。

來源:AlphaPrime 產品引擎(CPU),2026-10-31 執行。NQ 日線,2019-01-02 至 2025-06-30,多空都做,1 口,每筆手續費 $20、滑價 $10。

項目結果
淨利(已平倉)$109,290
最大回撤$116,305
交易筆數33
勝率69.7%
獲利因子1.703
平均每筆$3,311.82
在場時間95.08%

最大回撤 $116,305 比淨利 $109,290 還大。以一口跑這條規則,資金成本是這個回撤,而不是保證金;實單帳戶需要它,加上保證金,再加一筆緩衝,因為下一次回撤通常比回測中的更深。三十三筆交易也是小樣本,結果只是提示,不是量測。決定帳戶規模之前,要先在績效報表的回撤面板,從權益曲線上讀出這個數字。

看權益曲線從高點下跌的最深處,以及回到新高所需的時間。決定帳戶規模的是這段跌幅,不是保證金。
看權益曲線從高點下跌的最深處,以及回到新高所需的時間。決定帳戶規模的是這段跌幅,不是保證金。 NQ · 日 K 棒 · 2019-01-02 至 2025-06-30 · CPU 引擎回測

隱藏成本是什麼:研究時間與失敗的策略?

多數候選策略都會失敗,所以程式交易最大的成本,是通過檢驗之前花掉的時間與淘汰的策略。上面那次測試嘗試了 1,024 個候選策略,只留下一個。其餘全是研究成本,而留下的那一個仍帶有選擇的加成:Bailey 等人(2014)與 Harvey 和 Liu(2015)指出,大規模搜尋中的最佳結果,會被搜尋本身灌高,所以下一步是用搜尋從未用過的資料做檢驗。

本文測試的研究漏斗:嘗試了逾一千個候選策略,依報酬相對回撤排名,留下 1 個。其餘全被淘汰,這些就是研究成本。留下的那個尚未在樣本外證明有效。 搜尋後只剩一個 上方 NQ 測試的候選策略 逾一千個 已排名 留 1 個 其餘淘汰 =研究成本 尚未證實 失敗的部分就是成本。 所以:用樣本外檢驗留下的策略。
研究是一個漏斗。被淘汰的候選策略是隱藏成本,留下的那個仍須在樣本外證明自己。

這時速度與一致性就值回成本:每個候選策略都必須用相同的手續費、滑價與下一根 K 棒成交來測,而搜尋要花多久,取決於你的處理器或顯示卡。留下的策略必須通過的檢驗,列在演算法交易策略持續有效的五項檢驗。

下一步:拿你現行策略未扣成本的平均每筆損益,除以來回成本,把比值寫下來。比值若低於三,問題就出在每筆交易成本。若通過,就讀權益曲線上的最糟回撤,與你的帳戶比較。接著依第一支程式交易策略的 30 天路線,把其餘四項成本排成計畫。

常見問題

可以免費開始程式交易嗎?

用試算表或圖表平台內建的測試工具,可以免費測試一條規則,這是不錯的第一步。需要測試許多變體,並一致套用成本與檢驗時,免費路線就會變慢。無論用哪套軟體,市場資料、手續費與交易帳戶都要付費。

開始程式交易期貨需要多少資金?

足以涵蓋策略回測中最糟的回撤,加上所持合約的交易所保證金,再加一筆緩衝,以防回撤比回測更深。只有保證金,不算帳戶規模。微型期貨會降低這些數字,是小額起步的常見方式。

付費程式交易軟體值得嗎?

測試數千個規則變體時值得付費,因為它對每一個變體都以相同方式套用手續費、滑價與檢驗,並把完成的規則寫成交易平台可用的程式碼。只手動測一條規則,免費工具就夠。評斷軟體要看它檢查什麼,不是看價格。

程式交易哪一項成本最大?

對多數散戶來說,是為回撤預留的帳戶資金,以及耗在失敗候選策略上的研究時間。相較之下,軟體與資料費小而可預期。每筆交易成本居中,並隨策略的交易頻率增加。

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.