Voltima Quant
全職自營量化團隊｜多年交易經驗
專注研究CTA擇時、多因子截面策略
標的涵蓋Crypto、港美股、期貨、期權
以科學系統化手段 於波動中尋找最優化交易機會
原始峰度不夠用？下行半峰度與跳躍次數的替代方案
日報酬原始峰度以四次方計算，少數極端報酬容易主導整個估計值，且對稱性使其無法區分暴漲與暴跌的厚尾。本文介紹下行半峰度與跳躍次數兩個替代方案，分別針對左尾對齊與幅度敏感度進行改進，並比較三者在極端值敏感度、估計穩定性、換手率與經濟解釋上的差異。
因子報酬估計的雜訊與貝氏收縮：數學原理與先驗選擇
本文說明以歷史平均估計因子預期報酬的雜訊問題，以及均值變異數最佳化為何對估計誤差極度敏感。接著介紹貝氏收縮的數學框架、後驗均值與收縮強度，並比較零先驗、共同均值先驗與經濟先驗的差異，最後說明實務上如何選擇先驗以穩定因子配置。
流動性調整 VaR 是什麼？揭開傳統風險值忽略的變現風險
傳統 VaR 假設投資組合可在短期內以市價變現，卻忽略流動性較差資產的變現期間與市場衝擊成本。本文說明流動性調整 VaR 如何將變現期間延長與流動性成本納入計算，並以簡化公式 LVaR = VaR × sqrt(T) + 0.5 × Spread × Position 呈現，協助投資人更真實衡量壓力時期的風險。
Sadka 流動性因子：價格衝擊四成分中，只有「永久—變動」被市場定價
Sadka 流動性因子把日內交易的價格衝擊拆解為永久、暫時與固定、變動四個成分，並發現 momentum 與財報後漂移異象中，只有永久—變動成分具有顯著風險溢酬。本文說明逐筆資料迴歸估計、AR(3) 殘差與負號處理的建構步驟，並比較其與 Pastor-Stambaugh、Amihud 因子的差異。
Pastor-Stambaugh 流動性因子：建構邏輯、風險負載與實務應用
本文完整說明 Pastor-Stambaugh 流動性因子的建構邏輯：先以個股報酬對前一日市場報酬的敏感度建立市場流動性指標，再估計個股流動性風險負載，進而組成多空因子；文中也比較 Amihud 流動性因子，並整理風險管理、策略開發、因子中性化與市場監控等實務應用。
回測夏普1.5策略為何慢慢失效？拆解策略衰減的早期訊號
即使回測 Sharpe 1.5，策略上線後仍可能慢慢失效，但多數人等到連續虧損幾個月才承認。本文談策略衰減的早期訊號：把報酬歷史分段，取最差環境的夏普比率下限來設警報；再觀察最近一段與下限的差距。文中也提醒這個下限有路徑依賴、偏負等缺陷，真正難點是在數字仍合理時，就承認策略已換了一個環境。
Kyle's Lambda：衡量市場深度與資訊不對稱的量化指標
Kyle's Lambda 衡量每單位訂單流對價格的影響，同時反映市場深度與資訊不對稱。本文從模型中的知情交易者、雜訊交易者與造市者談起，說明 λ 的經濟含義，並介紹以高頻成交與報價數據估計 Kyle's Lambda 的流程，最後解釋如何透過橫斷面與時間序列比較解讀數值，作為流動性與逆向選擇風險的觀察指標。
特質波動率異象：高風險為何換不到高報酬？
本文說明特質波動率異象：傳統理論認為高風險應有高報酬，但實證發現特質波動率高的股票長期報酬反而較低。文章將介紹如何用 Fama-French 模型把總波動率拆解為系統性與特質成分，並以低特質波動率做多、高特質波動率放空，建構特質波動率因子。
訂單簿斜率與深度指標：從委託簿結構提取短線價格壓力訊號
在量化交易的微結構分析中，委託簿形狀反映市場供需彈性。本文說明訂單簿斜率與深度指標的計算方式，並介紹訂單簿失衡指標，以及如何從流動性壓力、流動性枯竭、斜率變化與委託簿形狀不對稱等訊號，提取短線價格壓力與交易機會。
Kelly公式的隱藏陷阱：最優解為何站在破產懸崖邊
Kelly formula 的最優解其實站在破產邊界上：只要勝率高估一點，槓桿就會讓歸零機率不再是零。本文深入探討尾部風險如何讓最優解消失、共變異數矩陣反矩陣的不穩定，以及為何固定倍數 Kelly 不是好答案——真正的難題是在勝率與尾部形狀只能估的情況下，決定自己該離邊界多遠。
用成交特徵辨識機構與散戶：訂單流分析與預測訊號
本文探討如何從成交數據中提取特徵，區分機構與散戶的訂單流。機構交易規模大但拆單分散、具方向性與持續性；散戶交易規模小、易追價殺跌。透過大單佔比、Lee-Ready 演算法、訂單流不平衡、價格衝擊與時間聚集等特徵，可建構機構淨買入、散戶淨買入及加權 OFI 等可交易訊號，提升對價格壓力持續性的判斷。
樣本外驗證漏洞：先驗流程再驗策略，五種對照組抓出錯誤
樣本外驗證不是切一半就好：在驗證集上做決定會把它變成樣本內。本文說明先驗證流程再驗證策略，用五種無alpha對照組抓出篩選偏誤、波動洩漏、負自相關、beta誤判與標準誤低估，並以數字設過關門檻，最後提醒保留資料是一次性，每次動用都算用掉一次機會。