量化交易就字面上的意思，就是通過計算得到的數據可以幫住你做決策的交易方式。

你要交易裡要做的任何決定，都需要使用計算的方式，得到一個”最佳”的決定。

我做量化分為兩個步驟，評估(evaluation) 和 決策 (decision)。

具體我們要計算什麼東西呢? 這取決於你想做的策略，不同的策略想要計算的目標是不同的。

舉例來說， 如果你做的是優化你的投資組合，你要計算的就是每個標的預計的成長空間跟如何調整持倉比例，可以考慮多臂老虎機演算法 (名字很鳥我知道)。 如果你做的是尋找進出場點，你要計算的就是每次進出的點位，預計獲利跟風險的評估。

建構策略

第一步是要先建構你的策略，最基本會由何時買、何時賣 這兩個組成。

策略本身是非常自由的，可以是任何方法、或是任何你想驗證 可以獲利的猜想。

以多空訊號為例，設計找進場點跟出場點的方法 :

1. 第一個要找的就是進場點，這個部分很簡單，完全按照班森的數據流做法，根據多空比下降 持倉比上升 價格上升的方式做為進場點，8小時的變化超過閾值則條件成例，進行買入。
2. 出場點的計算我是以config optimization的方式進行，設定我策略裡面可以調整的參數，例如止盈止損比例，最久持倉時間，持倉比例等等，這裡沒有把出場點寫死，而是等待下一個回測步驟的時候去找出最好的出場點參數。

回測

建構好策略之後，接著要做的就是回測，也就是根據歷史資料去計算我們策略的表現。回測之後我們會取得一些評估指標(evaluation metric)來幫助我們判斷這個策略的優劣。

評估指標 是用來評斷一個策略優劣的指標，可以是獲利率，可以是夏普值 (每分風險獲利)，beta 係數等，不同指標提供的資訊都不盡相同，如果熟悉原裡也可以自己設計自己想看的評估指標。

回測是一種offline evaluation ， 這時候做的評估是在上帝視角，因為我們已經知道所有發生的交易了，因此我們可以嘗試調整不同的參數來讓獲利最大，但是這樣找出來的參數應用到未來的情況下不一定會有用，原因有兩個:

1. 資料過擬合 overfit : 找到的策略只適用於過去的資料，並不是一個通用的獲利模式，因此處理未來資料時會無法得到跟回測結果一樣的表現，通常會使用交叉驗證的方式確保沒有過度擬合的狀況發生。

1. 資料飄移 (data drift, concept drift) : 資料分佈確實變了，策略失效，但這種情況通常不是立馬失效，而是慢慢獲利減少，因為原先回測的結果如果是通過交叉驗證的，代表他是長期下來有穩定的獲利模式，你開始上線實測就馬上失效的機率很低。這種情況可以透過data drift detection 演算法跟指標來監控策略的有效性。