量化交易其實可以很容易｜錢琛專欄

量化交易一定要放對重點。困難的概念其實沒有太多，很多都非常易於理解，只是坊間太多人堆砌專業術語，然後將本來簡單的概念複雜化，才會令之難以普及。

事實上，80/20法則在這裏很管用，80%的良好表現，其實源於在交易甚麼指標，只佔整個交易流程約20%。讀者的主要effort應該是找出有用的指標，其他數學/統計學工具當然需要，也可以很難，但要賺錢簡簡單單的已經可以。在幣圈內，筆者real trade price data已可以獲利。讀者在構思用甚麼模型到數據上時，其實已經開始增加data mining risk。

模型參數量不宜太多

Data mining risk很簡單，就是讀者看著歷史數據「砌數」，不斷用數學工具堆砌在歷史上work的模型，但一到real trade就會不work，或者只work一段時間（可能一個月左右）。

就算模型參數量不是太多、就算只有一個參數，讀者已經by definition在data mining。太多data mining的策略，失效風險高。永遠也要記住，交易的重點不是用很深的數學模型，也不是只要回測效果好，而是要在real trade賺錢。

這裏再強調一次——交易成功與否的重點在於指標。所以，在套用任何模型前，要盡可能以最低data mining risk的方式，試驗指標有否alpha。試驗方法是測試指標的預測能力，即指標與未來回報有否關係。

以數學符號表達的話，就是現時指標X（t）與未來回報return r（t+1）的關係。

用甚麼方法最好？最入門的答案是scatter diagram。然而用肉眼看圖點的話，很難系統性找到關係，很多時肉眼interpret不到稍微弱一點的關係。如果畫直線（用統計學詞語說就是fit linear model），可以研究的關係就只有線性關係，再找其他非線性關係的話，會愈來愈複雜。

化繁為簡看指標能力

化繁為簡，將指標X（t）與未來回報 r（t+1）時間序列拍埋一齊，在groupby指標X（t）的不同percentile/quantile，看看未來回報r（t+1）的mean/median，就可以馬上用一幅圖觀察指標的預測力。

以decile為例，指標有預測力的話，最起碼頭幾個decile的回報方向會一致，並且與最後幾個decile的回報方向相反。例如，某幣現時funding rate增長愈高，未來回報愈少於0；現時funding rate增長愈低，未來回報傾向愈高。以上就已經可以在不用回測的情況下，知道funding rate是一個均值回歸指標。讀者有興趣的話，筆者再寫多點量化分析技巧。