機器學習能把虧錢的交易策略改善多少？

機器學習在系統化交易裡有一種常見的賣點：策略本身不動，在上面疊一個模型。規則照常產生訊號，而一個用它們過去交易訓練出來的模型，決定要接哪些訊號、部位要多大，或先做哪一個。這對模型的要求比直接預測市場低，因為模型只需要判斷一條已知規則的下一筆交易會不會賺錢。

要公平地檢驗這個賣點，需要三個對照。一個交易得比較少的模型，不必挑出更好的交易就能贏過一個虧錢的基準，所以比較時需要一個虛無對照，隨機地交易同樣少。一套因為規則早就賺錢才被挑中的規則庫，會把這份選擇帶進結果裡；而預測準確度的提升，也完全說明不了損益能不能撐過價差、手續費與資金費率。

這項研究在一套固定的規則庫上疊一層模型。這套規則庫有 420 條技術規則，在測試的兩個市場、兩種 K 線頻率下扣掉成本後都虧錢。接著把它 walk-forward 推進 43 個月，量測模型能挽回多少虧損。每一種模型策略都拿來和「每個訊號都做」以及一個簡單的人工過濾條件比較，而這些比較在任何樣本外數字出現之前就已經登記好。

規則。420 條機械式策略，分屬 14 個家族，每個家族 30 組參數：趨勢追蹤、均值回歸、突破、動能、波動擴張與收縮、均線交叉、通道與 Donchian 突破、RSI 與 Bollinger 反轉、成交量確認的動能、開盤區間突破，以及固定時段進場。沒有任何一條是因為賺錢才被選進來的，所以虧錢的規則也留在庫裡；一條規則只會因為機械性的理由退出某個訓練視窗，例如交易次數太少，學不到東西。

市場。十檔大型美股與十個流動性好的幣安 USDT 保證金永續合約，各自跑 15 分鐘與一小時 K 線，因此共有四個「市場-時間框架」格子，樣本外交易期間從 2023 年 1 月到 2026 年 7 月。每筆交易在訊號出現後下一根 K 線的開盤價進場，持有固定根數的 K 線後出場，沒有停損也沒有目標價。

每一組「規則-標的」同一時間最多持有一個部位，每一組分到的資金都相同。

模型看得到什麼。在訊號 K 線上由價格與成交量建出的市場特徵、規則的家族與參數、訊號的方向與強度，加上這條規則在該標的上以及跨標的的近期紀錄。成本、價差、資金費率與下一根 K 線的開盤價永遠不會成為輸入，因為做決定的當下，這些都還不知道。

模型。一個正則化線性模型、一個梯度提升樹集成，以及一個小型神經網路，每一個都訓練兩次：一次預測該筆交易的淨報酬，一次預測它最後是否獲利。每個月，每個模型嘗試 30 組固定設定，在前 24 個月中保留出來的一段資料上選出一組，再用完整 24 個月重新擬合，然後對接下來的一個月預測一次，總計從 30,960 組嘗試過的設定中選出 1,032 個模型。

模型可以做什麼。三種用法，分別測試。當作過濾時，只有預測為正才做這筆交易；用來調整部位大小時，每筆交易都照做，依預測值的排名把部位縮放到正常大小的 0.25 到 1.75 倍之間。

用來排序時，在每個時間戳保留新訊號中排名前五分之一的那些，並把整批的全部進場預算交給它們。

比較對象。每一種模型策略都和兩個替代方案比較。一個是每個訊號都做，也就是基準；另一個是簡單過濾條件，只有在三個條件中至少兩個成立時才交易（高波動、強趨勢、高成交量），每個條件都以該標的自己的樣本內中位數為準。

成本。加密貨幣每次成交付 5 bp 的幣安 taker 手續費與 2 bp 滑價，進場與出場各再付實測價差的一半，並加上持倉期間實際收取的資金費率。股票每次成交付實測價差的一半，加上 0.5 bp 的費用。

怎樣才算改善。一個對照只有在七道登記的門檻全部成立時才獲得認定：淨報酬在總額上、以及每單位投入資本上都要贏過比較對象，且在全部 144 個對照上經 Benjamini-Hochberg 校正後的 q 低於 0.05，同時贏下超過一半的月份，且獲利大於虧損。這份增益還必須在刪掉最好的那個月之後依然存在，並贏過一個虛無對照的 95%；這個虛無對照以相同曝險、隨機挑出同樣數量的交易。

要宣稱「機器學習能改善這些策略」這個一般性結論，必須在兩個市場、兩種時間框架，以及三個模型家族中至少兩個，都有獲認定的結果。

合併 43 個月來看，分類模型區分賺錢與虧錢交易的 ROC AUC，在股票上介於 0.512 到 0.523，在加密貨幣上介於 0.566 到 0.618。預測淨報酬與實現淨報酬之間的 rank IC，股票是 -0.0006 到 0.0135，加密貨幣則是 0.0165 到 0.0376。

加密貨幣的差距大多根本不需要模型。用標的近期波動乘上持有期的平方根來為每筆交易打分，這個數字對方向沒有任何看法，但在一小時 K 線上就已經達到 0.554 的 AUC，在 15 分鐘 K 線上達到 0.603，因為一筆預期波動較大的交易，不論往哪個方向走，都比較有機會越過固定 14.8 bp 的來回成本。

相對於這個分數，模型在加密貨幣上只多出 0.003 到 0.020 的 AUC，在股票上多出 0.004 到 0.009，所以兩個市場之間的差距，遠比原始數字看起來的小。

每個訊號都做，在四個格子裡都虧錢。這裡的報酬是以帳戶資本計的每日報酬加總，而不是複利，因為加密貨幣的帳戶虧掉的錢超過本金，用複利會讓每一種加密貨幣策略都卡在 -100% 附近。

股票規則在毛利上賺一點點，再輸給 3.3 bp 的來回成本。加密貨幣規則毛利是零，然後每一次來回還要付 10 bp 的 taker 手續費與 4 bp 的滑價，所以任何加密貨幣模型一開始就落後大約 15 bp。

十九個對照通過所有門檻：股票一小時十個、股票 15 分鐘七個、加密貨幣 15 分鐘兩個、加密貨幣一小時零個。沒有任何加密貨幣對照在與簡單過濾條件比較時獲得認定，而登記的一般性結論需要兩個市場都成立，所以它不成立：模型在某些地方改善了其中某些策略，而不是整體改善了這些策略。

三個模型家族都出現在十七個獲認定的股票結果中，而這些結果除了一個之外全都是過濾。調整部位大小在 48 次嘗試中一次都沒有獲得認定；排序對基準獲得認定三次，對簡單過濾條件則從未獲得認定。

其中兩個獲認定的排序結果在加密貨幣 15 分鐘 K 線上，那裡排序後的帳戶以加總報酬計虧掉 910.91% 與 927.76% 的資本，基準則是 993.24%。以複利計算，三個帳戶最後都是 -99.99%，而登記的總淨報酬門檻把這讀成以 0.00006 的差距勝出。

簡單過濾條件本身也是一個弱基準。面對同一個隨機挑選的虛無對照，它挑出的交易在每個格子都比隨機還差，經驗 p 值介於 0.896 到 0.998，這讓每一個拿它來比的對照都顯得比較好看。

另外還有十二個對照通過其他所有門檻卻仍然不獲得認定，因為它們在全部 43 個月都贏過比較對象：六個股票 15 分鐘的過濾，以及六個加密貨幣一小時的過濾，後者中有五個是對簡單過濾條件。沒有任何虧損月份，報酬風險比就沒有分母，而凍結的評分程式把未定義的值算作不通過。

如果把這十二個也算進去，會有 31 個獲得認定結果，加密貨幣一小時也會成為對簡單過濾條件獲認定的格子之一。但一般性結論仍會在加密貨幣 15 分鐘 K 線上不成立，因為那裡每一個過濾持有的資本都太少，每單位投入的虧損比簡單過濾條件還大。

每個過濾相對於基準的領先，大部分來自交易得比較少。在股票 15 分鐘 K 線上，這些過濾只接下規則庫產生的訊號的 4.8% 到 13.0%，簡單過濾條件則是 57.7%；而一個只交易虧錢規則庫 5% 訊號的帳戶，光是這個理由就會虧得比較少。

真正的能力要看輪轉虛無對照，它讓一個隨機挑選者以相同曝險做同樣數量的交易。每一個獲認定的過濾都贏過 95% 的隨機挑選，經驗 p 值為 0.001，意思是模型留下的交易，比擲硬幣留下的交易更好。

在最好的幾個過濾下，每筆交易的毛利大約提高十二倍，從 0.34 bp 升到大約 4 bp，比 3.3 bp 的來回成本高出不到一個基點。

有三個股票 15 分鐘過濾在扣掉成本後、43 個月加總下是獲利的：線性淨報酬過濾 +0.55%、提升樹淨報酬過濾 +0.55%，以及提升樹獲利過濾 +0.75%。它們平均只持有 1.4% 到 2.3% 的資本，日 Sharpe 介於 0.20 到 0.33；三者的獲利單獨來看都無法與零區分，因為以週為單位重新抽樣週損益的 bootstrap，給每個帳戶的 95% 區間都跨過零。

只有線性那一個獲得認定，因為兩個提升樹過濾都屬於每個月都贏的那些對照；而另外三個獲認定的股票 15 分鐘過濾，則虧損 0.98% 到 3.78%。

在一小時股票上，每一個獲認定的過濾以絕對值計仍然虧錢，介於 -0.23% 到 -1.77%；唯一獲認定的排序，也就是 15 分鐘 K 線上的提升樹，最後是 -8.53%。整份研究中唯一另一個獲利的帳戶，是一小時股票上的線性獲利排序，+0.84%，它不獲得認定，因為 q 值為 0.35，而且它自己的週區間同樣跨過零。

改善就是這麼大。這層模型把一套大幅虧損的規則庫，變成一套幾乎打平、而且大部分時間幾乎不持有資本的規則庫，依過濾不同，把股票 15 分鐘 K 線從 -39.35% 拉到 -3.78% 到 +0.75% 之間。

在加密貨幣上，樹模型與神經網路過濾把每筆交易的毛利從大約零，拉到 15 分鐘 K 線上的 +3.6 bp 到 +8.5 bp，以及一小時 K 線上的 +4.5 bp 到 +5.8 bp；線性淨報酬過濾在一小時 K 線上則達到 +10.0 bp。這是比股票上任何結果都更強的挑選能力，但面對 14.8 bp 的來回成本，每筆交易最好的淨額仍然是 -4.7 bp。

一小時加密貨幣最接近。它有五個過濾在對簡單過濾條件時，除了那道未定義的報酬風險比之外通過所有門檻，六個全都贏過同樣大小的隨機挑選，但每一個仍然虧錢，從 -0.20% 到 -11.58%。

加密貨幣一小時的線性淨報酬過濾，以加總報酬計只虧 0.20%，而它的做法是從 6,888,035 個訊號中只接 16,755 個，平均只持有 0.09% 的資本。綜觀所有加密貨幣過濾，模型找到的毛利優勢，只能抵銷實際去做這些交易所需成本的四分之一到三分之二。

• 二十個標的、四個格子、43 個月。這個結果描述的是這套規則庫在這些市場上的表現，而不是一般的機器學習，也不是任一資產類別的全貌。
• 交易按計時出場，沒有停損也沒有目標價；出場方式不同的規則庫，會給模型一個不同的學習目標。
• 成本假設幣安基本費率等級，且沒有 maker 成交，所以掛單等待或手續費較低的交易台，面對的加密貨幣門檻會比較小，而這項研究沒有量測這一點。
• 十二個每個月都贏的對照，六個在股票 15 分鐘 K 線、六個在加密貨幣一小時 K 線，被報告為不通過，因為當沒有任何月份虧損時，登記的報酬風險比門檻沒有定義。這條規則在執行之前就已固定，並照原樣保留。
• 每個格子把全部 420 條規則與十個標的合併成每月一個模型，因此逐家族或逐標的的模型會是另一個測試。
• 內層訓練與驗證之間的清除間隔是 16 根 K 線的時鐘時間，一筆隔夜持有的股票交易可能撐得比這更久。它會改變一個視窗內哪組設定勝出，但從不影響樣本外評分，在檢查過的視窗中，受影響的股票訓練列不到 0.1%。
• 排序把整批的進場預算交給被選中的五分之一，所以獲利模型的排序平均承載的資本比基準多，30% 到 38%，對上 18% 到 22%。