策略設計目標

機械化交易是一個常被混淆的名詞，它與程式交易並不相同。機械化交易乃指進出場時機都依循既定的下單規則，停利、停損、加減碼或其他部位調整也根據事先設計的原則而動作，其中亦包含價值投資中的部分量化條件。簡易的機械化交易能夠以人為方式進行 ( 例如均線系統 ) 或用 EXCEL 等工具輔助處理深入的演算分析，程式交易則是機械化的衍生，將所有邏輯生成量化條件後轉為程式碼，用以解決更多問題：例如高頻交易的時間差必須仰賴電腦自行演算後自動執行，或是達到以較少人力同時監督、交易多市場或多商品之目的。

然而在機械化或程式交易的過程中，策略回測是格外受到矚目的一個環節，因為此時乃「驗證」交易邏輯是否可行的成敗關鍵。多數交易者在這個時候會以 trial and error 的方式使報表績效數值提升，因為要從根本性的邏輯創新難度極高，因此常見的著手方式為更換判斷依據 ( 例如所採用的多空指標 ) 或週期參數值，這個做法無疑為策略系統掛上了 overfitting ( 過度最佳化 ) 的招牌。受到關注的數值一般是獲利因子、勝率、賺賠比、風險報酬比、夏普值、絕對損益金額等。

然而在追求數值的同時，交易者卻忽略他們到底在致力於達成甚麼目標，僅無窮的追逐數值上限：高獲利因子、高勝率、高賺賠比、高風險報酬比、高夏普值，以及大量的絕對損益正值，又是否應該試想達成的可能性？其中部分數值更是相互衝突的，例如獲利因子與勝率便不應該共同增長或衰減。假設一套策略原本之獲利因子為 1.5、勝率 30%，在未本質改變策略的前提下僅些微調整，或是更換了時間參數後造成上述兩個數值共同顯著上升 ( 例如獲利因子2.0、勝率 45% )，那麼這個改變則有相當高的機率是僅能浮現於報表之上的幸運，實際投入市場後應無法帶入實際獲利，應為它衝突到了合理性。

在策略設計前，交易者心中應該早已存在對於績效表現以及各評估數值的合理範圍，並依據這些目標而設計。以私募基金來說，有的基金合約清盤條件為初始淨值的 90%、有的是 70%，若採風控 : 年均報酬 1 : 2.5 觀之，表象上這兩檔基金可以追求的年化報酬各為 25% 與 75%，差別僅在於槓桿縮放，但實際上容許的風控 10% 與 30% 再配上許多進階應用後的結論並不僅為數值倍數縮放 ( 例如 Reinvestment 的啟動與關閉條件門檻 )，那麼可以追求而得的年化報酬率也並非 1 : 3。以此條件為例，一個風控 10% 且能平穩達成 25% 年均報酬的基金已相當具有市場吸引力，若接著將 25% 總獲利除以每年約 250 個交易日，得到一個值得讓多數人停下腳步思考的數值：0.1%。換言之每單一交易日內只要能夠平均累積 0.1% 本金的策略便可以達到能在華爾街立足的標準，又為何如此多人去追求那些不可能存在於世界上的數值表現？

一個好的策略在於滿足財富增長需求，絕非追求各項評估數值無止盡的提升。每一位交易者在不同的人生階段與其所管理財富份額不同，都會有他所能與不能承擔的風險。縱使市場上交易模式眾多，包含方向性波段、價差、高頻等，由於市場參與者眾，各類交易類型獲利空間一旦過大則遭壓縮、反之則放大，所以不同交易方式所衍生的金融產品都在為其各別的交易邏輯維持固定風險報酬比，也唯有這一種數值的合理範圍在各種交易邏輯上是具有恆定的合理範圍：Sharpe Ratio 或類似的風險報酬評估值。其他任何數值都是環繞著它所擺盪，當 A 升高則 B 下降，交易策略的設計常是取捨之間。

交易策略的設計並不是追求所有數值最大化，在事情開始之前，交易者應先理解所能達到或不能達到的各類限制，再依照對財富增長的目標與風險承受度下手。