量化交易
量化交易技術分享
KPSS檢定在因子值平穩性檢驗中的原理與應用
KPSS檢定是驗證時間序列平穩性的重要工具，其虛無假設為序列平穩，與ADF檢定相互補充。本文詳細說明KPSS檢定的分解原理、兩種平穩模式，並以因子值檢驗為例，介紹如何應用於長期穩定性分析、子期間穩定性比較以及因子轉換前後的確認，有助於量化研究與策略開發。
從量化角度重新思考技術分析：條件分布、變數與訊號品質
從量化交易員的視角，探討技術分析的本質：價格是否存在可重複的條件分布？透過突破案例、可計算變數、因子假說、訊號品質與市場狀態的影響，說明如何將圖表語言轉化為嚴謹的交易決策。文中強調勝率、盈虧比、最大回撤、夏普比率等指標的局限，並提醒交易員真正承受的是報酬路徑，而非單一績效數字。
用訊號雜訊比拆解量化策略的隨機性與真實預測力
本文介紹訊號雜訊比在量化交易中的應用，說明如何將策略報酬分解為可預測的訊號成分與隨機的雜訊成分，並詳細解說移動平均、狀態空間模型等估計方法，以及如何運用訊號雜訊比來設定部位規模、動態監控策略健康度，並與夏普比率交叉驗證，幫助投資人更客觀地評估策略的真實預測力。
傅立葉變換頻譜分析：從價格混沌中找出隱藏的週期規律
本文介紹如何利用傅立葉變換對金融時間序列進行頻譜分析，分解價格波動中的不同頻率成分，識別潛在的週期規律。透過實例與注意事項，幫助讀者了解傅立葉變換在量化交易中的應用與限制，並強調顯著週期不等於可交易機會，需結合經濟邏輯與完整回測驗證。
當模型不再是鏡子：反身性如何讓量化訊號自我實現
量化模型不只是鏡子，更可能成為改變市場的力量。當價格持續上漲，參與者信念開始自我強化，形成反身性循環。本文探討反身性如何影響量化訊號，區分基本面擴散與集體信念加速，並提出策略應從預測價格延伸至預測信念遷移，以辨認訊號從發現變成信仰的關鍵時刻。
量化策略持股多少最佳？從夏普比率曲線找平衡點
量化策略中，持股數量是決定風險與報酬平衡的關鍵參數。持股太少會導致風險集中，持股太多則稀釋超額報酬。本文從風險分散與報酬集中兩個維度分析，並透過測試不同持股檔數的夏普比率曲線，找出最佳平衡點。同時，也探討因子強度、資金規模與風險管理等實務因素，協助你制定更穩健的投資組合。
條件測試的三種方法：揭露因子在不同市場狀態下的真實面貌
本文介紹條件測試的三種常見方法：按市場狀態分組、情境分析與滾動窗口分析。透過實際案例說明平均績效可能掩蓋因子在不同市場環境下的真實表現，並探討條件測試在識別市場依賴性、避免平均數誤導、風險管理上的價值，以及實務操作建議。
組合夏普比率拆解：用邊際貢獻找出真正的績效推手與拖累者
許多人直覺以個股夏普比率加總，但組合夏普比率因共變異數無法簡單拆解。本文提出邊際貢獻計算邏輯，說明如何透過剔除持股評估其對組合夏普比率的貢獻，並應用於辨識績效核心、找出拖累者與避險價值股，以及討論估計誤差、動態變化與權重關係等實務注意事項。
LLM隨機性：量化實盤的災難，投研的靈感源泉
大型語言模型（LLM）的隨機性在量化交易實盤中可能導致災難性後果，但在投資研究領域卻能成為無盡的靈感來源。透過不斷與AI互動（PUA AI），可以獲得大量創新想法，而關鍵在於建立對AI生成內容的審美能力，以篩選出真正有價值的洞見。
波動率預測在期權策略中的應用：從方向判斷到不確定性量化
本文探討波動率預測在期權策略中的應用，指出隱含波動率反映邊際定價者的風險偏好，賣出買入波動率存在路徑風險，曲面相對價值交易有相關性不穩定問題，因此主張重新定義目標，建立波動率不確定性的量化描述來指導倉位規模與退出條件。
遞迴特徵消除法：從雜訊中挑出最精簡量化因子組合
量化交易中候選因子眾多，全數納入模型恐導致過度擬合。本文介紹遞迴特徵消除法（RFE），透過反覆訓練模型並剔除最不重要特徵，以模型自身重要性評估為依據，留下最精簡有效組合。內容涵蓋運作步驟、在因子篩選中的價值，以及基礎模型選擇與計算成本等實務注意事項。
量化巨頭Jane Street七月虧15億 今年仍大賺400億
量化交易巨頭Jane Street在2026年7月因情境意識（situational awareness）問題虧損15億美元，但今年至今仍累計賺約400億美元，利潤回撤約28%。市場上許多主觀交易者見量化基金受挫而幸災樂禍，但其實量化交易整體表現依然強勁。