演算法交易精讀

精讀全文

第 1 章 · 策略設計:從想法到程式碼

你有沒有想過，一個讓你賺錢的交易想法，從腦子裡蹦出來，到真正在市場上自動執行——中間到底要經歷什麼？今天我們就從最開始的地方說起：一個策略，是怎麼從一個念頭，變成一行行程式碼的。

想象一個場景。

二零零八年，金融危機最慘烈的那幾個月。全球股市一片哀嚎，無數投資者在恐慌中割肉。但在某些交易室裡，有一群人坐在螢幕前，面色平靜。他們的程式在自動執行，每隔幾秒鐘就發出一筆交易指令。漲也好，跌也好，程式不恐慌，不貪婪，只是冷靜地執行它被設計好的邏輯。

這就是演算法交易。

不是魔法。不是天才專屬。是一套可以學習、可以搭建、可以最佳化的系統。

---

**先說這本書要講什麼。**

陳耀榮寫的這本《演算法交易》，是一本非常務實的書。它不講玄學，不講「感覺」，講的是：你怎麼把一個交易想法，變成一套真正能跑起來的系統。

我們會分四章來讀。

第一章，也就是今天，我們從最源頭開始——策略是怎麼來的，資料要怎麼準備，用 Python 搭建框架是什麼意思。這是地基。

第二章，我們聊回測的陷阱。很多人做了回測，覺得策略很美，結果一上實盤就崩了。為什麼？問題出在哪裡？

第三章，我們進入執行系統。有了訊號，怎麼變成真實的訂單？市價單、限價單、拆單策略，這些細節決定你最終到手的收益。

第四章，我們落腳到風控和上線。一套策略，怎麼安全地推進實盤？怎麼防止一筆意外交易毀掉整個賬戶？

四章讀完，你會對演算法交易有一個完整的輪廓。

好，現在進入今天的主題。

---

**策略從哪裡來？**

很多人以為，演算法交易的策略是數學家在黑板上推匯出來的。

錯了。

陳耀榮在書中有一個核心觀點：大多數有效的策略靈感，來自於對市場現象的直覺觀察，而不是純粹的數學推導。

停一下，想想這句話。

你有沒有注意到，某隻股票在每個季度財報釋出前，價格會有規律地波動？你有沒有發現，某類資產在特定時間段，成交量會突然放大？這些「注意到」，就是策略靈感的起點。

量化交易的本質，不是用數學替代思考。而是用數學，把你的思考變得可以驗證、可以重複、可以擴充套件。

策略靈感的來源，大概有這幾類。

**第一類：學術研究。**

比如「動量效應」——過去一段時間漲得好的股票，未來短期內往往還會繼續漲。這個現象在學術文獻裡被反覆驗證過。你可以把它拿來，變成自己的策略框架。

**第二類：市場微觀結構。**

訂單怎麼撮合？大單拆分會怎麼影響價格？做市商是怎麼行動的？這些細節，藏著很多可以被利用的規律。

**第三類：跨市場關聯。**

A 市場漲，B 市場有沒有可能滯後跟漲？期貨和現貨之間，有沒有價差可以捕捉？

**第四類：宏觀與季節性規律。**

「一月效應」你聽說過嗎？很多市場在每年一月份，有統計上顯著的異常收益。背後是機構年底調倉、稅收結算等因素共同驅動的。

但是——

有想法，只是第一步。

---

**資料，才是真正的戰場。**

你想驗證一個想法，你需要資料。

但資料這件事，遠比大多數人想象的複雜。

陳耀榮在書中寫道：髒資料是量化策略失敗的最常見原因之一，很多人在回測裡看到的「盈利」，其實是在對錯誤資料的過度擬合。

這句話，值得反覆聽。

什麼是髒資料？

舉個例子。你下載了一份歷史股價資料，裡面有一天的價格是零。或者，有一天的收盤價比開盤價高了百分之五十，但實際上那天沒有任何重大事件。這種資料，就是髒的。

如果你拿這份資料做回測，你的策略會「學到」一個從來不存在的規律。然後你信心滿滿地上實盤，然後虧錢。

**歷史資料採集，要注意什麼？**

第一，來源要可靠。

不同資料提供商，對同一段歷史的記錄可能不一樣。價格復權的方式不同，結果會差很多。你要知道你用的是前復權還是後復權，這兩種處理方式對策略的影響是不同的。

第二，要處理「倖存者偏差」。

這是一個特別容易被忽視的陷阱。你現在能查到的股票列表，都是「活下來的」公司。那些已經退市的、破產的公司，資料裡沒有。如果你只用現存股票的歷史資料做回測，你的策略會系統性地高估收益。

想想看——

你在過去二十年裡，只研究那些「活到今天」的公司，你當然會發現它們大多數都在上漲。但那些中途消失的公司呢？它們的虧損，不在你的資料裡。

這就是倖存者偏差。

第三，時間戳要對齊。

不同市場、不同資產，資料的時間戳可能有偏差。如果你在做跨資產策略，時間對齊是基礎中的基礎。一秒鐘的偏差，在高頻策略裡可能就是生死之別。

**什麼叫「乾淨資料集」？**

陳耀榮給出的標準很清晰：

一，沒有缺失值，或者缺失值已經被合理處理。

二，沒有異常值，或者異常值已經被識別和標記。

三，價格已經正確復權，反映真實的歷史收益。

四，資料的時間範圍和頻率，和你的策略邏輯是匹配的。

這四條，缺一不可。

---

**Python，為什麼是首選？**

現在聊聊工具。

為什麼量化交易圈子裡，Python 幾乎成了標準語言？

不是因為它最快。C++ 比 Python 快得多。

是因為它最「省力氣」。

Python 有大量現成的庫。處理資料，有 Pandas；做數學計算，有 NumPy；畫圖分析，有 Matplotlib；做機器學習，有 Scikit-learn。你不需要從零開始寫每一個功能，你只需要把這些積木拼起來。

對於個人投資者和中小型量化團隊來說，開發速度比執行速度更重要。策略想法變成可測試的程式碼，Python 是最快的路徑。

**一個 Python 策略框架，基本長什麼樣？**

陳耀榮在書中描述了一個基礎框架，大概分這幾個模組。

**第一個模組：資料獲取層。**

負責從外部拉取歷史資料，儲存到本地。這一層要做好容錯處理——網路斷了怎麼辦？資料來源返回錯誤怎麼辦？

**第二個模組：訊號生成層。**

這是策略的「大腦」。你在這裡寫你的邏輯：什麼條件下買，什麼條件下賣。比如，五日均線上穿二十日均線，發出買入訊號。

**第三個模組：回測引擎。**

把訊號放到歷史資料上跑，模擬交易，計算收益、最大回撤、夏普比率等指標。這是驗證策略的核心工具。

**第四個模組：執行介面。**

連線經紀商或交易所的 API，把訊號變成真實訂單。這一層在實盤階段才會用到。

**第五個模組：風控模組。**

設定倉位上限、止損條件、異常檢測。這是保護你賬戶的最後一道防線。

這五個模組，構成了一個完整演算法交易系統的骨架。

---

**一個當下的對映案例。**

說到這裡，我想聊一個很多人現在都在做的事情——用 A 股的量價資料，搭建簡單的趨勢跟蹤策略。

邏輯很樸素：價格突破近期高點，成交量同步放大，買入；價格跌破近期低點，賣出。

聽起來簡單。

但實際操作裡，資料準備這一關就能卡死很多人。

A 股有漲跌停板制度。某一天，一隻股票漲停，次日開盤直接跌停。這種極端情況，在資料裡怎麼處理？直接用原始價格，還是做平滑處理？

還有，A 股有大量的停牌記錄。停牌期間沒有成交，復牌後價格可能跳空。這段資料，要不要納入回測？

這些問題，不是演算法問題，是資料問題。

處理不好資料，你的策略在回測裡可能表現得很好，但它實際上是在對歷史的「噪音」過擬合，而不是在捕捉真實的市場規律。

這就是為什麼，陳耀榮把資料準備放在策略設計的最前面。

地基不穩，樓蓋得越高，倒得越慘。

---

**今天的內容，做一個小結。**

策略從觀察和直覺出發，但要用數學和程式碼來驗證。

資料是一切的基礎，髒資料會讓你在虛假的「盈利」裡沾沾自喜。

Python 給了我們一個高效的框架，讓想法可以快速變成可測試的系統。

但是——

有了策略，有了資料，有了程式碼，你是不是就可以放心地去回測了？

等等。

回測，真的是你以為的那麼簡單嗎？

為什麼那麼多人，回測結果漂亮得像夢，一上實盤就全崩了？

問題出在哪裡？是資料出了問題，還是測試方法本身就有根本性的缺陷？

下一章，我們專門來拆解這個問題——回測的陷阱，到底藏在哪裡？

第 2 章 · 回測的陷阱:為什麼很多人被騙

你花了三個月，寫出一套回測收益率高達兩百percent的策略。興奮、激動、準備梭哈。

但等等。

這個數字，是真實的財富，還是你親手給自己設的一個局？

上一章我們講了演算法策略從零到一的搭建過程——怎麼找靈感、怎麼清洗資料、怎麼用 Python 把一個交易想法變成可以執行的程式碼。核心是：乾淨的資料加上清晰的邏輯，才是策略的地基。今天我們來看第二章，也是很多人踩坑最深的地方：**回測的陷阱。**

---

先說一個真實的歷史場景。

時間回到二零零五年前後。

美國量化對沖基金行業正在爆發式增長。大量頂尖數學家、物理學家湧入華爾街，帶著他們的模型和回測報告。那時候有一種說法，叫「因子淘金熱」。

誰挖到了新因子，誰就能跑贏市場。

於是，各家基金開始瘋狂地在歷史資料裡「挖礦」——測這個變數，測那個變數，測完一批再測一批。有人發現，某個星期三的月亮相位和次日股價漲跌有統計相關性。有人發現，某類公司名字裡字母數量少的，歷史回測收益更高。

聽起來荒唐嗎？

但他們的回測報告，數字漂亮得讓人心跳加速。

然後，這些策略上線了。

結果呢？

**虧了。**

不是小虧。是系統性地、大規模地虧。

為什麼？

因為他們掉進了回測最深的那個坑——

**資料窺探。**

---

陳耀榮在書中寫道，資料窺探（Data Snooping）是量化策略中最隱蔽的致命錯誤。它的本質是：你用同一批歷史資料，反覆測試了幾十個、幾百個策略，然後挑出那個「表現最好」的，宣佈它有效。

停。

想一想這個邏輯。

你拿一枚硬幣，拋了一百次，記錄結果。然後你「發現」：每次拋硬幣前喝了咖啡的那幾次，正面朝上的機率更高。

這是規律嗎？

不是。

這是**噪音被當成訊號。**

歷史資料是有限的。你測試的策略越多，你從這批資料裡「挖」出來的所謂規律，就越有可能是純粹的隨機巧合。這就是資料窺探的本質——你不是在發現市場的邏輯，你是在給自己的資料集量身定製了一套衣服。

這套衣服，只適合這批資料。

放到真實市場裡？

**撐不過三個月。**

---

與資料窺探緊密相連的，是另一個詞：

**過擬合。**

Overfitting。

陳耀榮的核心觀點是：一個在歷史資料上表現完美的模型，往往是過擬合的受害者。引數越多、規則越複雜，模型就越能「記住」歷史，但也越沒有能力「預測」未來。

打個比方。

你在準備一場考試。你把去年的真題做了一百遍，每道題的答案都背得滾瓜爛熟。

結果今年出了新題型。

你懵了。

過擬合的策略就是這樣。它在歷史資料上的「考試」成績滿分。但市場每天都在出新題。

那些引數調得過於精細的策略——比如「當五日均線上穿二十一日均線，且 RSI 介於四十三到五十七之間，且當天成交量比昨天多百分之十二點七……」

這種策略，可能在歷史資料裡表現絕佳。

但你要問：為什麼是二十一日，不是二十日？為什麼是百分之十二點七，不是百分之十二？

**答不上來。**

答不上來的引數，就是過擬合的證據。

---

說到這裡，我們要引入一個極其重要的概念區分：

**樣本內（In-Sample）**

**樣本外（Out-of-Sample）**

這是回測裡最核心的邊界線。

樣本內，就是你用來「訓練」策略、調整引數的那段歷史資料。樣本外，是你用來「檢驗」策略真實表現的另一段資料。

很多人的回測流程是這樣的：

拿到十年曆史資料。在這十年資料上調參、最佳化、再調參。最終找到一套「完美」引數。宣佈策略有效。

問題在哪？

他們用來「檢驗」的資料，和用來「訓練」的資料，是**同一批**。

這就好比你出了一道數學題，自己做完，然後自己改卷，給自己打了滿分。

**這不叫驗證。這叫自欺欺人。**

正確的做法是：把資料嚴格切分。前七成用來訓練，後三成封存起來，等策略定型之後，才拿出來做一次性檢驗。

而且，這個樣本外檢驗，只能用**一次**。

用了第二次，它就又變成了樣本內資料。

---

但即使你做到了樣本內外分離，還有一個更深的陷阱在等著你。

**滑點假設。**

陳耀榮在書中專門強調這個問題，因為它是最容易被新手忽略、也是最能直接毀掉一個策略的細節。

什麼是滑點？

你在回測裡下了一筆買單，價格是一百元。但在真實市場裡，你的訂單發出去的時候，市場已經動了，成交價可能是一百零一元，或者一百零二元。這個差價，就是滑點。

聽起來很小？

一筆交易差兩元，好像無所謂。

但演算法交易的本質是**高頻次**。

一天下單五十次。每次滑點兩元。一天就是一百元的額外成本。一年交易兩百五十天，就是兩萬五千元。

這個數字，足以把很多策略的利潤**徹底吃掉**。

更危險的是那些依賴「精確到分鐘」的高頻策略。在回測裡，你假設每筆交易都以當前報價成交。但現實中，你的訂單本身就會影響價格，尤其是在流動性差的市場裡。

**你以為你在測試一個策略，實際上你在測試一個不存在的市場。**

---

那麼，有沒有一種回測方法，能夠更接近真實？

有。

它叫做：

**Walk-Forward 測試。**

滾動前推測試。

這是陳耀榮在書中重點介紹的方法，也是專業量化機構的標準流程。

它的邏輯是這樣的：

把整段歷史資料切成很多小段。第一段用來訓練，緊接著的一小段用來檢驗。然後向前滾動一格，第二段用來訓練，再接著的一小段用來檢驗。如此迴圈，直到資料用完。

這樣，每一次檢驗用的都是「未見過」的資料。你得到的不是一個單一的回測結果，而是一系列在不同時間段、不同市場環境下的真實表現。

如果策略在大部分時間段都表現穩健，說明它可能捕捉到了真實的市場規律。如果只在某幾段特別好，其他時段一塌糊塗，那很可能——

**你的策略只是碰巧適配了那幾段特殊的歷史。**

Walk-Forward 測試不能完全消除回測的陷阱，但它讓你看到的圖景，比單次回測真實得多。

---

說到這裡，我想講一個當下的案例。

近幾年，隨著人工智慧的普及，有一類「AI 選股策略」在各種社群和平臺上廣泛流傳。它們的共同特點是：回測收益驚人，夏普比率漂亮，最大回撤極小。

釋出者往往會附上一張圖，顯示從某年到某年，淨值曲線幾乎是一條完美的斜線向上。

但如果你仔細問他們：

這個策略是在什麼時間段訓練的？

樣本外驗證做了嗎？

滑點和交易成本是怎麼假設的？

Walk-Forward 測試透過了嗎？

絕大多數情況下，你會得到沉默，或者一句「這個不重要，你看收益就好了」。

**這就是資料窺探和過擬合的現代版本。**

工具換了，陷阱沒變。

---

最後，我想說一件更根本的事。

回測的陷阱，不只是技術問題。它是一個**心理問題**。

人類天生討厭不確定性。我們喜歡看到漂亮的數字，喜歡相信自己找到了規律，喜歡把過去的成功當成未來的保證。

回測給了我們一種「掌控感」的幻覺。

數字越好看，幻覺越深。

但市場不是歷史資料的重播。它每天都在變化，每天都有新的參與者、新的資訊、新的規則。

一個誠實的量化交易者，應該把回測看作什麼？

**不是答案。是起點。**

是用來篩掉明顯錯誤想法的工具，而不是用來「證明」自己聰明的證書。

---

好，我們停一下，整理一下今天的核心內容。

資料窺探——用同一批資料反覆挖規律，噪音被當成訊號。

過擬合——引數越精細，策略越「記住」歷史，越無法適應未來。

樣本內外分離——訓練用的資料和檢驗用的資料必須嚴格隔離。

滑點假設——忽視交易成本，回測收益是假的。

Walk-Forward 測試——滾動驗證，讓策略在不同時間段接受考驗。

這五個概念，是每一個量化交易者必須刻進腦子裡的東西。

---

但是，等等。

就算你的策略透過了所有這些檢驗，回測結果真的可信了——

然後呢？

你怎麼把這個策略，真正地執行到市場裡？

一個訊號發出來，你是用市價單還是限價單？

你的大額訂單，怎麼拆分才不會把自己的成本推高？

經紀商的介面，又藏著哪些你不知道的坑？

**下一章，我們來聊聊演算法交易裡最容易被忽視的戰場：執行系統。**

第 3 章 · 執行系統:從訊號到訂單

你有沒有想過——策略再完美，如果下單的那一刻出了問題，一切都白費？回測賺錢，實盤虧錢，很多時候不是策略錯了，是執行系統出了問題。今天我們來拆開這個黑盒子。

上一章我們講了回測的陷阱。

核心是什麼？

過擬合、資料窺探、樣本外測試——這些坑，讓無數人在歷史資料上賺得盆滿缽滿，真金白銀下場卻輸得一塌糊塗。我們說，回測只是入場券，不是通關證。

今天，我們來看第三章。

假設你已經躲過了那些陷阱。你的策略透過了嚴格的樣本外測試，邏輯清晰，資料乾淨。

然後呢？

然後你要把訊號，變成真實的訂單。

這一步，聽起來簡單。

錯了。

---

先說一個場景。

時間回到二零一零年五月六日。

美國股市開盤後一切正常。下午兩點四十五分左右，道瓊斯工業指數開始異常波動。

然後——

崩了。

短短幾分鐘之內，道指暴跌將近一千點。

一千點。

這不是幾天的跌幅，這是幾分鐘之內發生的事。

後來這個事件被稱為「閃崩」，英文叫 Flash Crash。

調查結果顯示，觸發因素之一，是一個大型機構的演算法執行系統，在市場流動性已經開始枯竭的情況下，仍然按照預設邏輯持續大量賣出。

它不是在做壞事。它只是在執行命令。

但執行方式，錯了。

這就是執行系統的力量——它可以讓一個好策略落地，也可以讓整個市場在幾分鐘內失控。

---

好，我們從頭說起。

訊號產生之後，第一個問題是：

用什麼型別的訂單？

陳耀榮在書中寫道，最基礎的選擇，是市價單和限價單的取捨。

市價單，就是「我要現在買，不管價格」。

限價單，就是「我要以這個價格買，不成交就算了」。

聽起來很簡單對不對？

但背後的邏輯，完全不同。

市價單的優點是確定性——你一定能成交。缺點是，你不知道會以什麼價格成交。市場波動劇烈的時候，你以為你在買十塊錢，實際成交可能是十塊二，甚至十塊五。

這個差距，叫做滑點。

滑點。

在回測裡，很多人預設滑點為零。

在真實市場裡，滑點是實實在在的成本。

限價單反過來。你鎖定了價格，但你不能保證成交。市場如果根本沒有到你的價格，你的單子就掛在那裡，什麼都沒發生。

對於演算法交易來說，這個選擇不是非此即彼的。

陳耀榮的核心觀點是：執行策略的選擇，必須和你的交易頻率、持倉時間、以及市場的流動性狀況匹配。

高頻策略，對速度要求極高，往往傾向於市價單，因為錯過機會的成本比滑點更大。

低頻策略，對價格更敏感，更多使用限價單，寧願等，不願意被市場拖著走。

---

但是，真正的難題，不是選哪一種訂單。

真正的難題，是：

你怎麼下？

想象一下，你的策略給出了一個訊號：買入某隻股票，倉位是兩百萬元。

你直接一筆下進去？

停。

想清楚這件事。

兩百萬元的買單，打進市場，會發生什麼？

如果這隻股票每天的成交量是一千萬元，你一筆兩百萬，直接佔了市場當天成交量的百分之二十。

百分之二十。

你猜市場會怎麼反應？

價格會被你自己推上去。

你買的越多，價格越高。等你買完，你的平均成交價，已經遠高於你訊號觸發時的價格。

這叫做市場衝擊成本。

這個成本，在回測裡幾乎不存在。

在實盤裡，它可以把你的策略收益吃掉一大半。

---

所以，拆單策略出現了。

核心思路很樸素：不要一次性把訂單全部打進市場，把它拆開，分批執行。

但怎麼拆？

這裡就要說到兩個最經典的演算法：

TWAP，和 VWAP。

TWAP，全稱是時間加權平均價格演算法。

邏輯是：把你的總訂單，按照時間均勻切分。比如你要在一個小時內買完，就每隔五分鐘買十分之一。

簡單，粗暴，有效。

但它有個問題。

市場不是均勻的。

上午九點半開盤，成交量可能很大。下午兩點，成交量可能很小。你如果每五分鐘都買一樣多，在成交量小的時候，你的衝擊成本反而更高。

於是，VWAP 出現了。

VWAP，全稱是成交量加權平均價格演算法。

它的邏輯是：市場成交量大的時候，我多買一點；成交量小的時候，我少買一點。跟著市場的節奏走，儘量讓自己的成交價接近市場的平均價格。

陳耀榮在書中寫道，VWAP 是機構交易員最常用的基準之一。評估一個執行演算法好不好，很多時候就是看你的成交價，有沒有跑贏 VWAP。

跑贏了，說明你的執行演算法減少了衝擊成本。

跑輸了，說明你的執行方式，讓你多付了錢。

---

現在我們來看一個當下的對映案例。

二零二三年，A 股市場上有一類被稱為「量化砸盤」的現象引發熱議。

部分量化機構在市場流動性不足的時段，集中執行大額賣出訂單，導致個股短時間內出現異常下跌。

普通投資者看到的，是莫名其妙的暴跌。

但背後，是執行系統沒有充分考慮市場衝擊成本的結果。

這不是策略本身的問題。

這是執行層面的問題。

一個好的拆單演算法，應該感知到流動性在變差，然後自動放慢執行節奏，甚至暫停，等待市場恢復。

一個粗糙的執行系統，只管把訂單打完，不管市場死活。

兩者的區別，有時候不只是成本的差異，而是會不會引發連鎖反應的差異。

---

好，訂單下出去了。

然後呢？

然後你要知道：成交了沒有？

這就是成交回報的問題。

聽起來像廢話——下單之後當然要知道成不成交。

但在演算法交易系統裡，這件事的複雜程度，遠超你的想象。

你的一筆訂單，可能被拆成幾十筆甚至幾百筆小單，分散在不同的時間點成交。

每一筆成交，都會有一個回報：成交價格、成交數量、成交時間。

你的系統需要把這些回報，一筆一筆地收集、彙總，然後更新你的持倉狀態。

如果回報處理慢了，或者漏掉了某一筆，你的系統就會對自己的真實持倉產生誤判。

誤判持倉，然後發出新的訊號，然後下新的單。

你猜會發生什麼？

對，可能會重複買入，或者在已經賣完的情況下繼續發出賣出訊號。

這種錯誤，在測試環境裡幾乎不會出現。

在實盤裡，它可以在幾分鐘內造成嚴重損失。

---

最後，我們來說經紀商對接。

這是執行系統裡最「工程」的一個環節，但也是最容易被忽視的一個環節。

你的演算法，需要透過某種介面，把訂單傳送給經紀商，經紀商再把訂單送到交易所。

這個介面，叫做 API。

不同的經紀商，API 的規範不一樣。有些用的是 FIX 協議，有些有自己的私有介面。

陳耀榮在書中強調，經紀商對接不只是技術問題，還是風險問題。

你需要測試：

網路延遲有多高？

斷線重連之後，訂單狀態會不會丟失？

經紀商的系統崩潰了，你的演算法會怎麼反應？

這些問題，在你真正上線之前，必須一一驗證。

因為市場不會等你。

網路斷了，市場還在跑。

經紀商宕機了，你的持倉還在那裡。

一個健壯的執行系統，必須能夠處理這些異常情況，而不是在異常發生的時候，直接失控。

---

我們來做一個小結。

從訊號到訂單，這條路上有三道關：

第一道，選對訂單型別。市價單還是限價單，取決於你的策略特性和市場流動性。

第二道，用對執行演算法。TWAP 和 VWAP，不是裝飾品，是減少衝擊成本的真實工具。

第三道，做好系統健壯性。成交回報要準確，經紀商對接要穩定，異常情況要有預案。

策略是大腦。

執行系統是手腳。

大腦再聰明，手腳不聽使喚，也是白搭。

---

但是，執行系統做好了，就萬事大吉了嗎？

還差一步。

最後一步，也是最關鍵的一步——

如果市場突然極端波動，你的倉位會不會失控？如果系統出了故障，你有沒有應急預案？實盤上線，你敢一上來就全倉壓注嗎？

下一章，我們來看這本書最後也是最重要的部分：

風控與上線。

一筆錯誤的交易，到底能有多大的破壞力？

第 4 章 · 風控與上線:不要讓一筆交易毀掉一切

你的策略設計好了，回測透過了，訂單也能發出去了。

萬事俱備。

然後——系統崩了。或者一筆單子方向搞反了。或者行情突然暴動，倉位直接爆掉。

你有沒有想過：真正毀掉一個演算法交易者的，往往不是策略，而是那個他以為「不會發生」的意外？

上一章我們講了執行系統。

核心是什麼？訊號不等於訂單。從策略發出訊號，到真實成交，中間隔著滑點、流動性、演算法拆單、經紀商介面——每一環都可能吃掉你的利潤。我們說，執行是策略的最後一公里，走不好，前面全白費。

今天，我們來收尾。

第四章，也是這本書最後一章——

風控與上線。

---

先說一個真實的災難。

二零一零年五月六日，美國股市。

下午兩點四十五分，道瓊斯指數在幾分鐘內暴跌將近一千點。

一千點。

然後又在幾分鐘內反彈回來。

這就是歷史上著名的「閃崩」事件。

後來調查發現，導火索是一個自動化交易程式，在極短時間內瘋狂賣出大量期貨合約，觸發了連鎖反應。其他演算法程式感應到異常流動性，紛紛撤單、跟隨賣出——整個市場陷入了一場演算法之間的踩踏。

你猜這場踩踏裡，損失最慘的是誰？

不是那些大機構。

是那些沒有風控的小賬戶。

那些程式一路跌停買入、或者一路漲停賣出，完全沒有任何保護機制的賬戶。

等人類反應過來手動幹預，錢已經沒了。

---

陳耀榮在書中寫道，風控不是策略的附屬品，而是策略的生命線。

這句話，我想讓你記住。

很多人做演算法交易，把百分之九十的精力放在策略研究上，把風控當成最後一個「有空再加」的模組。

停。

這個順序，是反的。

應該是：先有風控框架，再有策略上線。

---

**第一關：倉位上限**

什麼是倉位上限？

簡單說，就是你的系統在任何時候，單筆、單品種、單方向，最多能用多少資金。

聽起來很基礎。

但你知道多少人在這裡翻車嗎？

場景是這樣的：你的策略在某個品種上連續發出買入訊號。邏輯很清晰，訊號很強。系統一路加倉。

然後行情反轉。

沒有倉位上限的系統，會一直加、一直加，直到賬戶爆掉。

陳耀榮的核心觀點是：倉位上限不是保守，是生存。

他在書中給出了一個思路——把賬戶資金分成三層：

第一層，單筆交易上限。每一筆單子最多動用賬戶的百分之幾。

第二層，單品種總敞口上限。對同一個標的，不管開了多少筆，總倉位不能超過某個比例。

第三層，全賬戶風險敞口上限。所有持倉加起來，賬戶承受的最大潛在虧損，不能超過一個閾值。

三層保護，層層設防。

任何一層觸發，系統自動停止加倉，甚至開始減倉。

這不是在限制你賺錢。

這是在保證你明天還能繼續玩。

---

**第二關：止損止盈系統**

止損，很多人都知道要做。

但止盈呢？

這裡有一個認知誤區——很多人覺得止盈是「保守」，是「提前鎖定利潤，錯過更大的行情」。

錯了。

止盈的本質，是保護你的策略不被極端行情破壞。

想象一個場景：你的策略是做短線均值迴歸。某天市場出現單邊暴漲，你的策略判斷「漲太多了，要回撥」，於是做空。

結果沒有回撥，繼續漲。

沒有止損，你扛著。

繼續漲。

還在扛。

然後爆倉。

止損的存在，就是給每一筆交易一個「最大容忍邊界」。超過這條線，不管你的邏輯多完美，先出去，保住子彈，再說。

陳耀榮在書中特別強調：止損不是承認失敗，是承認不確定性。

這一句話，值得反覆聽。

市場永遠有你不知道的資訊。你的模型永遠是對現實的簡化。止損，是你對這個事實最誠實的回應。

---

**第三關：故障應急**

這一關，是業餘選手和機構選手差距最大的地方。

什麼叫故障應急？

就是：當你的系統出問題的時候，你有沒有一套預案？

系統崩潰了，怎麼辦？

網路斷了，怎麼辦？

經紀商介面超時，訂單不知道有沒有成交，怎麼辦？

行情資料出錯，策略基於錯誤資料發出了一堆亂單，怎麼辦？

這些場景，聽起來很極端。

但它們都發生過。

二零一二年，美國騎士資本集團。

一次軟體部署失誤，導致系統在四十五分鐘內自動發出了數百萬筆錯誤訂單。

四十五分鐘。

損失：四億四千萬美元。

四億四千萬。

公司直接瀕臨破產，最終被收購。

陳耀榮在書中寫道，每一個演算法交易系統上線之前，必須有一份「緊急預案清單」。

這份清單要包括：

第一，如何在三十秒內手動停止所有自動交易；

第二，如何快速檢視當前所有持倉狀態；

第三，如何在系統失聯的情況下，透過其他方式平倉；

第四，出現異常訂單時，第一時間聯絡經紀商的流程。

這不是杞人憂天。

這是職業素養。

---

**第四關：實盤漸進上線**

好，假設你的風控框架搭好了。

可以上線了嗎？

不。

還有一步：漸進上線。

什麼叫漸進上線？

就是不要第一天就把全部資金交給系統。

陳耀榮給出的建議是一個「階梯式」路徑：

第一階段，模擬盤跑滿三十天，觀察系統在實盤行情下的表現，和回測有沒有明顯偏差。

第二階段，用百分之十的資金上實盤，跑兩週。

第三階段，如果表現正常，擴大到百分之三十，再跑一個月。

第四階段，逐步提升到目標倉位。

為什麼要這麼慢？

因為回測和實盤之間，永遠有你沒預料到的差異。

滑點比你想的大。

某些品種流動性比你想的差。

你的系統在某些市場狀態下，行為和預期完全不同。

這些問題，你必須用小倉位去暴露，而不是用全倉去發現。

發現得越早，代價越小。

---

**業餘 vs 機構：差距在哪裡？**

說到這裡，我們來直接對比一下。

業餘演算法交易者，通常是這樣的：

花大量時間調參，追求最高的回測收益率。

風控是事後加的，或者根本沒有。

系統第一天就全倉上線。

出了問題，手忙腳亂。

機構是這樣的：

策略研究和風控框架同步開發。

上線之前，有專門的壓力測試，模擬極端行情下的系統表現。

實盤上線有嚴格的審批流程。

有專門的風控團隊，獨立於策略團隊，全天監控系統執行狀態。

差距在哪裡？

不是聰明程度。

不是策略水平。

是對「失控」的敬畏。

機構知道，市場隨時可能出現你沒見過的情況。他們的全部努力，就是在那個情況出現的時候，損失可控，系統可以繼續執行。

業餘選手覺得，只要策略夠好，就不會有那個情況。

然後那個情況出現了。

---

**當下的對映**

今天，個人量化交易的門檻越來越低。

Python 開源庫、免費的歷史資料、低佣金的券商介面——這些工具，讓普通人也能搭出一個像模像樣的演算法交易系統。

但工具的普及，不代表風險的降低。

恰恰相反。

越容易上手，越多人跳過了那些「麻煩」的步驟——風控框架、故障預案、漸進上線。

結果就是：更多的人，用更低的門檻，在更短的時間內，把錢虧光了。

陳耀榮在書中說的一句話，我覺得是整本書最重要的提醒：

演算法交易系統的目標，不是最大化收益，而是在可控風險下，持續穩定地執行。

持續。

穩定。

可控。

這三個詞，才是終點。

---

**整書收束**

回頭看這本書，我們走了一條完整的路。

第一章，我們從零開始——如何把一個模糊的交易想法，變成乾淨的資料和可執行的程式碼。

第二章，我們踩進了回測的陷阱——過擬合、資料窺探、樣本外測試，告訴我們歷史資料上的勝利，不等於真實市場的勝利。

第三章，我們打通了執行系統——訊號到訂單，不是一步，是一條充滿摩擦的鏈條。

第四章，我們在終點站停下來，談風控——因為所有的努力，都可能被一次沒有保護的失控清零。

陳耀榮真正想告訴我們的，其實是一件事：

演算法交易不是找到一個「必勝公式」，然後躺著數錢。

它是一套嚴肅的工程——設計、驗證、執行、保護，缺一不可。

市場不會因為你的程式碼寫得漂亮就手下留情。

但如果你把每一關都認真對待，它也不會輕易把你淘汰出局。

策略是入場券，風控才是留場證。—— 陳耀榮，演算法交易