AI 量化交易開發 SOP:8 個步驟,每一步要交付什麼?
用 AI 做量化交易研究,很容易得到一段程式、一張報表,甚至一條看起來很漂亮的曲線。接著問題來了:它到底做了什麼?用了哪些資料?結果能不能重跑?
我想強調的,仍是原本那個觀念:把交易想法變成規則,每一步都可能失敗,失敗就回頭修改。 AI 可以協助整理與實作,你需要知道它交出了什麼,才能判斷下一步。
下面沿用八步驟的全貌,把每一步拆成「交付物」和「檢查點」。這是研究與驗收的方法教學,不代表某個策略已經有效,也不是自動交易部署指南。
先看全貌
流程圖:八個步驟由上往下,每一步都可能回頭修改。
| 步驟 | 應留下的交付物 | 人要檢查什麼 |
|---|---|---|
| 1. 研究假說 | 問題、觀察範圍、規則與比較基準 | 問題是否清楚,規則能否客觀描述 |
| 2. 資料取得與清理 | 來源、期間、欄位與清理紀錄 | 日期、缺漏、資料授權及當時可知資訊 |
| 3. 特徵與因子建構 | 計算說明、小樣本對照與產出資料 | 計算是否正確,有沒有偷看未來 |
| 4. 樣本內回測 | 報表、交易紀錄、曲線與成本假設 | 程式是否照規則運作,成本是否納入 |
| 5. 樣本外與 WFA 檢查 | 時間切分、各期結果與測試紀錄 | 規則是否在測試前定好,結果是否依賴單一期 |
| 6. 風險與組合評估 | 風險情境、限制與曝險說明 | 結果對假設的敏感度及策略間的關聯 |
| 7. 紙上測試 | 模擬紀錄與預期/實際差異 | 資料時間、成交假設與異常情況 |
| 8. 執行與持續監控 | 監控紀錄、異常處理與回復流程 | 權限、人工控制與運作是否符合原設計 |
第八步牽涉真實資金與系統操作,必須另外評估環境、權限和風險。學習研究不需要走到這一步;停在可重跑的回測與樣本外檢查,也是一個完整的階段成果。
第一步:先把問題寫清楚
「幫我找一個好策略」太模糊。你可以先問一個有邊界的問題:某個公開市場現象,在不同期間是否有一致的表現?
把它寫成一頁研究需求:研究對象、資料範圍、要比較的情況、可能的干擾,以及什麼結果會讓你放棄這個假說。AI 可以協助找出描述不清的地方,研究問題與判讀責任仍要明確。
例如你可以把下面這段當作一般教學需求範本:
請先整理研究問題、必要資料與比較基準,列出不能由現有資料回答的部分。先不要調整規則追求漂亮結果,也不要補出不存在的數據。產出需求表後,再依表進行下一步。
這是一個需求範例,並非某個已實測專案的紀錄。
第二、三步:先檢查資料,再檢查計算
程式能讀到資料,不等於資料適合研究。請保留來源與取得日期,檢查樣本期間、缺值、公司是否已下市,以及財報等資訊在當時何時才可取得。只用目前仍存在的公司,或把尚未公布的資訊帶回過去,都可能讓結果失真。
AI 可以生成清理與計算的程式初稿。交付時還要附一小段可人工對照的資料:原始值、計算後的值、缺漏怎麼處理。先把小例子算對,再擴到完整樣本;不要只看程式有沒有跳出錯誤。
第四步:回測要留得下過程
回測是依規則與歷史資料做模擬。報表之外,還要有交易紀錄與成本假設,才能知道曲線從哪裡來。
抽查幾筆紀錄:日期是否正確、當時是否已有所需資訊、資金限制是否成立、手續費與滑價如何處理。只有最後的總報酬,無法回答這些問題。原始資料、規則版本與產出要能相互對照,別讓每次重跑都得到無法解釋的新結果。
第五步:保留沒參與調整的資料
在同一段歷史資料反覆修正規則,容易把偶然波動當成規律。樣本外檢查,就是留一段沒拿來調整的資料,看看原規則在那裡的表現。
Walk-Forward Analysis(WFA,滾動檢查)會按時間先後安排多輪調整與測試。它幫你看跨期差異;它不保證未來有效。 如果測試結果一出來就回頭繼續調,再拿同一段當作沒看過的資料,原本的分工就失去了意義。
把各期結果一起列出,留意是否只靠某個年份或少數事件支撐。想先理解這個問題,可以讀過度擬合教學。
第六到八步:把限制與運作也納入研究
歷史回撤是一種觀察,不是未來虧損的上限。組合評估也不能只把幾張漂亮報表放在一起,要看策略是否在相同環境一起失效,以及假設改變後的結果。
紙上測試能記錄研究假設與運作環境的差異,卻不能完整複製真實成交。到了任何涉及執行的系統,還要另外處理資料延遲、異常、權限、人工控制與回復流程。
AI 可以協助寫監控與整理紀錄,但通知會不會送到、異常時能不能處理,仍要實際檢查。不要把一段生成的程式直接當成已經可以長期無人管理的服務。
結果不合格,就回到出問題的那一步
示意圖:常見的四種問題,各自要回到哪一步處理。
資料對不上,先修資料;交易紀錄和規則不一致,先修回測;結果集中在單一環境,就交代限制,而不是把不好看的期間藏起來。
如果你要請 AI 接續工作,可以請它每次回答三件事:這一步交付了什麼、哪些檢查已完成、哪些問題仍無法確認。這樣累積下來的,才是一份能讓別人理解、也能讓未來的你接手的研究紀錄。
常見問題
拿到 AI 生成的程式,就算完成了嗎?
還要執行、對照小樣本與抽查紀錄。程式能跑和研究做對是兩件事。
每個學習專案都要走完八步嗎?
不需要。可以先把假說、資料、回測與樣本外檢查做清楚。是否涉及真實執行,是另一個需要完整評估的決定。
沒有得到好看的結果,這份研究有價值嗎?
有。知道假說在哪些條件下不成立,並且保留證據,也是一個有用的研究成果。
延伸閱讀
編輯說明:本文依本站既有公開教學整理,保留原發表日期(2026-03-15),2026-10-09 補上各步驟交付物與回頭修正示意圖。本稿由 Codex 協助整理既有公開教學,Claude 負責流程查核與網站接入。文中需求範例是教學示例,不代表新的個人實測或策略成果。
本內容僅為個人學習紀錄與市場觀察分享,不構成任何投資建議。投資有風險,請謹慎評估並自負盈虧。
資料來源
- 量化交易中的過度擬合檢查於 2026-10-08
AI 參與:本稿由 Codex 協助整理老墨既有公開教學;Claude 負責內容流程查核與網站接入。