綜合實戰:從想法到模擬盤完整覆盤

Step 1:把想法寫成可測試的假設

先開一個文字檔,用一段話寫清楚你的假設:

假設:當 BTC 處於多頭 Regime(EMA20 在 EMA50 上方)時,若近期加密貨幣新聞情緒偏正面
(LLM 情緒評分 > 0.3),則在每根 1h K 線收盤後進場做多,持倉直到均線死叉或情緒轉負。

假設的市場邏輯:趨勢行情中,正面消息驅動的買入往往有延續性;逆向情緒則代表短期超賣。
此假設成立的前提:市場 Regime 辨識準確、新聞情緒有足夠的前置訊號性(lead time)。
可以被推翻的條件:如果加入情緒訊號後的 Sharpe Ratio 比不加更低,或正面情緒期間的 Win Rate
低於 50%,假設即被推翻。

這一步很多人跳過,但它是整個系統的靈魂。假設寫不清楚的策略,出了問題沒辦法判斷「是想法錯了還是實作錯了」。

Step 2:下載並驗證資料品質

取得資料,並在進策略之前先做品質檢查:

# 下載 BTC/USDT 兩年資料(確保有足夠的 in-sample + out-of-sample 區間)
freqtrade download-data \
  --exchange binance \
  --pairs BTC/USDT \
  --timeframe 1h \
  --days 730

下載完之後,用 Python 做一個快速的品質檢查:

import pandas as pd
import json
from pathlib import Path

def check_data_quality(pair: str = "BTC_USDT", timeframe: str = "1h",
                        data_dir: str = "user_data/data/binance") -> None:
    """
    載入 freqtrade 格式的歷史資料並做品質檢查。
    資料格式:JSON 陣列,每筆 [timestamp_ms, open, high, low, close, volume]
    """
    filepath = Path(data_dir) / f"{pair}-{timeframe}.feather"
    if not filepath.exists():
        # 嘗試 JSON 格式
        filepath = Path(data_dir) / f"{pair}-{timeframe}.json"

    df = pd.read_feather(filepath) if str(filepath).endswith('.feather') else \
         pd.DataFrame(
             pd.read_json(filepath).values,
             columns=["date", "open", "high", "low", "close", "volume"]
         )

    df["date"] = pd.to_datetime(df["date"], unit="ms", utc=True)
    df = df.set_index("date").sort_index()

    print(f"資料期間:{df.index[0]} 到 {df.index[-1]}")
    print(f"總 K 線數:{len(df)}")

    # 檢查 1:缺失時間段
    expected_freq = pd.tseries.frequencies.to_offset("1h")
    full_range = pd.date_range(df.index[0], df.index[-1], freq=expected_freq, tz="UTC")
    missing = full_range.difference(df.index)
    print(f"缺失 K 線數:{len(missing)}"
          + (f"(最大連缺:{missing.to_series().diff().max()})" if len(missing) > 0 else " ✓"))

    # 檢查 2:異常價格(high < low 或 close <= 0)
    bad_rows = df[(df["high"] < df["low"]) | (df["close"] <= 0)]
    print(f"異常 K 線:{len(bad_rows)} 筆" + (" ✓" if len(bad_rows) == 0 else " ← 需要處理"))

    # 檢查 3:成交量為零(可能是交易所維護期)
    zero_vol = df[df["volume"] == 0]
    print(f"成交量為 0:{len(zero_vol)} 筆" + (" ✓" if len(zero_vol) == 0 else " ← 注意"))

check_data_quality()

如果缺失 K 線超過 1%,考慮換一個資料來源(例如改用 Bybit 的歷史資料,或用 ccxt 補洞)。少量缺失 freqtrade 在回測時會自動跳過,影響不大。

Step 3:用 AI 輔助寫策略程式碼

這是「策略開發輔助」的正確 LLM 使用方式:你描述邏輯,AI 幫你翻成程式碼,你審查每一行。

把以下 prompt 直接貼給 Claude:

我在用 freqtrade 開發量化策略,請幫我寫一個 Python 策略類別。

條件:
- 繼承 IStrategy
- timeframe = '1h'
- 進場:EMA20 > EMA50(多頭 Regime)且有一個外部整數訊號 sentiment_score > 30
  sentiment_score 會從 dataframe 的一個欄位讀取(預設值 0)
- 出場:EMA20 < EMA50(死叉)或 sentiment_score < -30
- 停損:stoploss = -0.05,啟用 trailing_stop
- minimal_roi:{"0": 0.10, "60": 0.05, "240": 0.02}
- can_short = False
- 加上完整的 populate_indicators、populate_entry_trend、populate_exit_trend

請完整輸出策略檔案,包括所有必要的 import,並在每個重要邏輯段落加上繁體中文註解。

Claude 會輸出一個完整的策略檔案。把它存成 user_data/strategies/CapstoneStrategy.py,然後逐行讀一遍。重點確認:

1. populate_indicators 的指標計算只用了 shift(1) 之前的資料(無前視偏差)
2. 進出場訊號確實對應你的假設邏輯
3. sentiment_score 欄位有預設值(避免找不到欄位時策略崩潰)

如果有不確定的行,繼續問 Claude:「這行 dataframe['ema_cross'] = qtpylib.crossed_above(...) 的邏輯是什麼,會不會有前視偏差?」

Step 4:嚴格回測——扣費、Walk-Forward 驗證

嚴格回測分兩個步驟:先用 in-sample 資料調整策略參數,再用 out-of-sample 資料驗證。兩段資料不得重疊。

# 以兩年資料為例:前 18 個月 in-sample,後 6 個月 out-of-sample

# 步驟 A:in-sample 回測(調整參數用)
freqtrade backtesting \
  --config config.json \
  --strategy CapstoneStrategy \
  --timerange 20240101-20250630 \
  --fees 0.001 \
  --breakdown month

# 步驟 B:out-of-sample 驗證(這段資料在調參時絕對不能看)
freqtrade backtesting \
  --config config.json \
  --strategy CapstoneStrategy \
  --timerange 20250701-20251231 \
  --fees 0.001 \
  --breakdown month

評估標準(只有 out-of-sample 的結果才算數):

評估項目                  及格線        你的結果
─────────────────────────────────────────────
Sharpe Ratio             > 0.8         ____
Max Drawdown             < -15%        ____
Win Rate                 > 48%         ____
Profit Factor            > 1.2         ____
vs Buy & Hold            不遜於太多    ____
Out/In-sample 報酬差距   < 50%         ____

最後一行「out-of-sample 報酬差距 < 50%」是過擬合的關鍵指標。如果 in-sample 年化 30%、out-of-sample 年化 2%,代表嚴重過擬合,不能上。

Step 5:接入 AI 訊號層

第 5 課已經寫過情緒評分的 script。這裡重點是把它「接正確」——確保訊號格式和策略吃進來的格式一致。

首先確認情緒評分 script 輸出到正確位置:

# scripts/generate_sentiment.py — 每 1 小時跑一次(用 cron 或 systemd timer)
import anthropic
import json
import sqlite3
from datetime import datetime, timezone

NEWS_HEADLINES = [
    # 實際上這裡要從 CryptoPanic API 或 RSS 抓最近 2 小時的新聞標題
    # 示範用硬編碼
    "Bitcoin ETF sees record inflows as institutional demand surges",
    "Fed holds rates steady, risk assets rally",
]

def score_sentiment(headlines: list[str]) -> int:
    """
    呼叫 Claude 評分新聞情緒,回傳 -100 到 100 的整數。
    使用 claude-haiku-4-5(速度快、成本低,適合定期批次呼叫)。
    """
    client = anthropic.Anthropic()

    prompt = f"""以下是加密貨幣市場的近期新聞標題清單。
請評估這批標題對 BTC 短期(1-4 小時)價格的市場情緒影響。

新聞標題:
{chr(10).join(f"- {h}" for h in headlines)}

請只回傳一個整數,範圍 -100(極度負面)到 100(極度正面),0 代表中性。
只回傳數字,不要有任何其他文字。"""

    message = client.messages.create(
        model="claude-haiku-4-5",
        max_tokens=10,
        messages=[{"role": "user", "content": prompt}]
    )

    try:
        score = int(message.content[0].text.strip())
        return max(-100, min(100, score))  # 確保在範圍內
    except ValueError:
        return 0  # 解析失敗時回傳中性

def save_score(score: int, db_path: str = "user_data/sentiment.db") -> None:
    conn = sqlite3.connect(db_path)
    conn.execute("""
        CREATE TABLE IF NOT EXISTS sentiment
        (timestamp TEXT PRIMARY KEY, score INTEGER)
    """)
    ts = datetime.now(timezone.utc).strftime("%Y-%m-%d %H:%M:00")
    conn.execute("INSERT OR REPLACE INTO sentiment VALUES (?, ?)", (ts, score))
    conn.commit()
    conn.close()
    print(f"[{ts}] Sentiment score: {score}")

if __name__ == "__main__":
    score = score_sentiment(NEWS_HEADLINES)
    save_score(score)

然後在策略的 populate_indicators 裡讀取這個分數:

def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
    # ── 技術指標 ──
    dataframe['ema20'] = ta.EMA(dataframe, timeperiod=20)
    dataframe['ema50'] = ta.EMA(dataframe, timeperiod=50)

    # ── 讀取情緒分數(從 SQLite) ──
    import sqlite3
    import pandas as _pd
    try:
        conn = sqlite3.connect("user_data/sentiment.db")
        sentiment_df = _pd.read_sql(
            "SELECT timestamp, score FROM sentiment ORDER BY timestamp",
            conn, parse_dates=["timestamp"]
        )
        conn.close()
        sentiment_df = sentiment_df.set_index("timestamp")
        # 對齊到策略 dataframe 的時間軸,用前一個已知分數填補
        dataframe = dataframe.join(
            sentiment_df.rename(columns={"score": "sentiment_score"}),
            how="left"
        )
        dataframe["sentiment_score"] = dataframe["sentiment_score"].ffill().fillna(0)
    except Exception:
        dataframe["sentiment_score"] = 0  # 資料庫不存在時用中性值

    return dataframe

重要:回測時 sentiment.db 不會有歷史資料,所以回測中情緒欄位會全部是 0——這意味著你的 in-sample/out-of-sample 回測是「無 AI 訊號版本」的基準線。加入情緒訊號的效果要等模擬盤階段才能觀察。這是正確的——你不應該用「事後重建的情緒分數」來美化回測。

Step 6:套入風控,確認參數一致

這一步最常犯的錯:回測的 config.json 和 dry-run 的 config.json 參數不一致,導致模擬盤行為和你預期的不同。

建立一份「生產用」的 config,確保以下參數全部對齊:

{
    "dry_run": true,
    "dry_run_wallet": 1000,

    "stake_currency": "USDT",
    "stake_amount": "unlimited",
    "tradable_balance_ratio": 0.3,
    "max_open_trades": 3,
    "amend_last_stake_amount": true,

    "stoploss": -0.05,
    "trailing_stop": true,
    "trailing_stop_positive": 0.02,
    "trailing_stop_positive_offset": 0.04,
    "trailing_only_offset_is_reached": true,

    "protections": [
        {
            "method": "MaxDrawdown",
            "lookback_period_candles": 48,
            "trade_limit": 2,
            "stop_duration_candles": 24,
            "max_allowed_drawdown": 0.10
        },
        {
            "method": "StoplossGuard",
            "lookback_period_candles": 24,
            "trade_limit": 3,
            "stop_duration_candles": 12,
            "only_per_pair": false
        }
    ],

    "exchange": {
        "name": "binance",
        "key": "",
        "secret": ""
    },

    "telegram": {
        "enabled": true,
        "token": "YOUR_TELEGRAM_BOT_TOKEN",
        "chat_id": "YOUR_CHAT_ID"
    },

    "api_server": {
        "enabled": true,
        "listen_ip_address": "127.0.0.1",
        "listen_port": 8080,
        "verbosity": "error",
        "enable_openapi": false,
        "jwt_secret_key": "YOUR_RANDOM_SECRET",
        "username": "your_username",
        "password": "your_password"
    }
}

注意:key 和 secret 欄位是空字串——dry-run 模式下不需要 API 金鑰。等第 7 課的內容確認完觀察期後,再決定要不要填入只讀金鑰測試 WebSocket 連線。

Step 7:啟動 dry-run,設定觀察框架

啟動前,先做一次「起跑前檢查」(下一節的完整清單):

# 確認策略語法沒問題
freqtrade check-exchange --config config.json --strategy CapstoneStrategy

# 跑一次最近 7 天的快速回測,確認策略在最新的市場環境還能運作
freqtrade backtesting \
  --config config.json \
  --strategy CapstoneStrategy \
  --timerange 20260621-20260704 \
  --fees 0.001

# 確認沒問題,啟動 dry-run
freqtrade trade \
  --config config.json \
  --strategy CapstoneStrategy \
  --logfile user_data/logs/capstone.log

模擬盤跑起來之後,建立你的觀察框架。推薦用一個簡單的 Notion 或 Google Sheets,每週紀錄:

週次    | 模擬盤報酬 | 進場次數 | 勝率 | 最大回撤 | 情緒訊號有效次數 | 備註
────────────────────────────────────────────────────────────────────────────
Week 1  |            |          |      |          |                  |
Week 2  |            |          |      |          |                  |
...

觀察期建議至少 4–8 週,涵蓋不同的市場狀態(最好能看到一次明顯的行情回調)。不要在第一週就下結論——無論是「模擬盤賺了就上實盤」,還是「模擬盤虧了就改策略」,都太倉促了。