精華筆記 AI 量化交易
分類「AI 量化交易」的全部文章(8)
-
· @aihub.tw
量化交易真相:先潑冷水再上路
84% 的加密幣散戶在第一年虧損,自製量化策略也逃不過這個魔咒。這堂課先算清楚真實交易成本、分析散戶對機構的結構性劣勢,再用 Python 計算「你的策略到底要贏幾成才打平」。期待校正好了,後面七堂課才能用對的姿勢學下去。全程模擬盤教學,不提供投資建議。
-
· @aihub.tw
數據層:行情資料的取得與清洗
量化策略的命根子是資料,壞資料讓回測美如畫、實盤現原形。這堂帶你用 Python 從 Binance 和 Yahoo Finance 抓 BTC 與台股一年行情,系統清洗缺值、重複與時區問題,用 Parquet/SQLite 建本機資料庫,並拆解回測最隱蔽的殺手:前視偏差。
-
· @aihub.tw
策略基礎:均線、動量與過擬合陷阱
三類策略白話搞懂:均線交叉趨勢跟隨、動量突破、均值回歸；用 pandas 與 ta 套件從零實作指標計算；正面迎擊過擬合——為什麼參數越調回測越漂亮、上線越慘；建立樣本內外拆分習慣，誠實審視策略真實能力。高風險領域，全程強調風控。
-
· @aihub.tw
回測實戰:freqtrade 上手
策略寫完不等於能賺錢,回測才是第一道誠實的驗收。這堂課帶你走完 freqtrade 完整回測流程:策略檔三個核心函式、下載歷史資料、加入手續費與滑點、解讀夏普值/最大回撤/勝率五大指標,並把第 3 課的雙均線策略搬進 freqtrade 實際驗收。看懂數字,才能識破「回測漂亮、實盤虧錢」的陷阱。
-
· @aihub.tw
AI 的正確位置:訊號層,不是執行層
LLM 能幫你分析新聞情緒、標注市場 Regime、加速策略研發——但讓它直接下單是業界公認的危險做法。這堂課劃清一條架構線:LLM 輸出情緒評分,freqtrade 負責決策與執行;帶你動手寫情緒評分 script、接進 freqtrade 策略、跑完整對比回測,親眼看 AI 訊號到底有沒有幫助。
-
· @aihub.tw
風控:活下來比賺錢重要
量化交易能讓你輸得比人工更快、更徹底——程式不會在帳戶歸零前自動喊停。這堂課教你倉位管理(固定比例/保守 Kelly)、停損設計、最大回撤熔斷、為何槓桿是散戶墳場,以及用 freqtrade 把完整風控接進策略,對比有無風控的回測差距。活下來,才有機會繼續改進策略。
-
· @aihub.tw
模擬盤到實盤:最小可行上線
回測亮眼不代表能活過第一個月。這堂課帶你搞懂為什麼回測、dry-run、實盤的數字注定不同,手把手設定 freqtrade dry-run 並跑一週的觀察清單,再用「小到不心疼」的金額、最小化 API 權限(禁提幣)、Telegram 即時監控建立最小可行的實盤。學會何時該停機、如何寫停機條件、以及讓帳戶活更久的心理紀律。
-
· @aihub.tw
綜合實戰:從想法到模擬盤完整覆盤
這堂課是整門課的壓軸:把前七堂學過的每一塊——資料清洗、策略開發、回測驗證、AI 訊號層、風控參數——全部串接成一條真實可跑的流程,從「我有個交易想法」走到「模擬盤穩定運行」。含完整全流程檢查清單、台灣加密貨幣與海外券商法規稅務提醒、8+ 個最常犯的坑(含心理坑),以及持續精進的學習資源。