量化交易
量化交易技術分享
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。
老派因子挖掘的必要：用真實邏輯對抗因子衰減
量化投資中，樣本內漂亮而樣本外衰減的因子屢見不鮮。本文探討老派因子挖掘的必要：先從人類行為或制度摩擦的假設出發，再尋找數據證據。以處置效應、基金窗飾等為例，說明有經濟邏輯支撐的因子不僅更容易理解，也便於預測失效條件與估算容量，從而在擁擠的量化市場中存活。
用Chow檢定提前發現策略參數失效的警訊
市場運作邏輯會隨著時間改變，策略參數未來可能失效。本文聚焦於如何使用計量經濟學中的Chow檢定，檢測策略參數是否發生結構性斷裂，作為績效衰退前的預警指標。透過此方法，交易者能及早辨識參數失效的訊號，避免損失。
Longbridge AI Agent 接入 ChatGPT 與 Claude，重塑量化研究效率
Longbridge AI Agent 正式接入 ChatGPT 與 Claude 生態，解決量化研究中最難的想法生成與快速驗證瓶頸，七大流程加速 Alpha 發現。
資金來源決定風險容忍度：三種資金類型的差異與應對策略
不同的資金來源對波動與回撤的容忍度截然不同。本文探討自有資金、客戶資金與機構資金的本質差異，以及如何設定對應的風險參數，包括最大回撤、目標波動率與持股集中度。
CTA策略中趨勢環境識別的關鍵：聚類分析應用思考
本文探討CTA策略中趨勢環境識別的重要性，提出使用聚類分析從多維度描述市場狀態。通過特徵選擇（如跨市場動量一致性、訊號持續時間等）和適當的聚類算法，可以識別何時該全力運行趨勢策略、何時該減少交易，從而優化策略表現。
深度學習防止過擬合：早期停止技巧與停止條件設定策略
本文深入探討深度學習中的早期停止技術，說明其原理、驗證集誤差轉折點判斷，以及耐心參數、改善門檻等停止條件設定策略，幫助模型避免過擬合並提升泛化能力。
因子換手率怎麼算？一文搞懂策略成本與績效的關鍵
換手率是衡量因子策略真實可行性的關鍵指標，直接決定交易成本對淨報酬的侵蝕。本文介紹換手率的定義、整體加權計算公式、數字範例，以及影響換手率的因子（穩定性、分組數量、調倉頻率），幫助你在實戰中取得平衡。
協方差矩陣的三層實戰應用：從風險分配到策略健康監控
協方差矩陣不只是風險計算的輸入，更是市場結構的動態快照。本文深入探討其三個層次用途：風險分配、結構偵測與策略有效性監控，並說明如何利用主成分分析、EWMA及多頻率視角來區分結構性漂移與暫時性擾動，提升量化策略的穩健性。