在做量化交易的時候，經常聽到使用指標或是建構模型來組成策略，這邊分享我的一些觀點。

指標

指標相信大家一定都不陌生，最常見的幾種看盤軟體都會內建直接顯示，例如rsi、macd、kdj等等。 也有一些KOL發明的指標，如情緒指標、超買超賣指標等等。 這些指標會給進出場位置的建議，幫助我們做交易，當然也會有對應的回測績效。

這樣的指標，有什麼限制跟弱點呢？指標告訴我們的資訊只有單純的 “何時買” “何時賣” 這兩點，同時也是構建成策略的基本兩個要素。然而這資訊太簡單了。

舉個例子，除了“何時買” “何時賣” 這要的資訊以外，交易決策也會需要知道買多少量？每次指標出出訊號，當下的勝率信心、風險、不確定性都盡不同，曝險部位大小自然也無法一概而論，風險愈小部位可以越大，相反風險愈大部位越小，每次都一樣反而不洽當。

數學上的意義來說，我們把決策 decision 對應的 action space 從 二元離散空間，轉到了一個連續實數空間。也就是說，我們把 “何時買” “何時賣” 的決策方式轉變成了 “買多少” “賣多少” 的問題，光是這樣簡單的調整，就可以保證修改過的指標績效一定超越 舊績效，因為舊的決策方式是被包含在內的，最差情況也只是績效一樣。

至此，我們不再需要知道何時買賣的資訊，而是在每個時間點都得到要買賣的量的資訊來做決策，用買賣的 “量” 來取代 “是否買or賣”，買的量0就是不買，買的量15％代表輕倉參與，100%就是歐印。具體決策指標會給出的量都會是用過去的交易資料做最佳化到的結果。

→→→→

當涵蓋的資訊量越來越多，一般不會繼續用指標的形式，開始建構一個模型來處理這些複雜的計算。量化研究員出身的，很少使用 “何時買” “何時賣” 的指標來構建量化策略，因為這是數學上保證比較差的一種方式，一般都是透過使用tradingview等工具做出來的才會是指標的型式。

模型

使用計量模型來做交易決策，可以做到非常複雜的計算，這帶來超越人類能力所能達到的決策方式，尤其是機器學習所帶來的超強模型。

當我們在做交易的時候，會參考很多因素，K線型態、期貨數據、選擇權數據、鏈上數據、訂單簿等等。當變量越多，我們很難精確找出他們彼此之間最適當的權重，當他們方向衝突時該怎麼抉擇，還有交互的關係怎麼做計算。

(這邊說的交互關係是指，舉個例子，雙底型態勝率0.6+期權max pain看多勝率0.6+訂單簿買盤強勝率0.6，假設這些變量同時出現的勝率0.7，那麼這個多變量模型顯然並非只是單純加權平均而已，變量之間的交互關係是一個的非線性複雜函式)

優勢

量化模型非常強大的優勢在此時體現，一個多變量非線性的模型，使用上萬個參數來擬合決策，可以找出所有變量最恰當的權重，找出所有變量交互的關係，找出最完美的決策，非常完美的處理人沒辦法計算的複雜問題。

簡單來說，你可以把你想到任何對交易決策有幫助的變量丟到模型裡，有用的變量 模型會幫你找到最適當的參考價值，沒有用的變量 模型也會適當地忽略，想知道某個變量能不能幫助交易決策也很簡單，丟進模型裡就會達到答案。