實盤交易 AI 的核心原則

 

一、實盤交易 AI 的核心原則（先講結論）

AI 不負責下單價格，只負責「要不要做」

實盤中，AI 最適合扮演三個角色之一：

1. 趨勢濾網（Trend Filter） ← 最穩定

2. 方向機率評分器（Score）

3. 風險警示器（避免逆勢）

📌 強烈不建議

• AI 直接給「買價 / 賣價」

• AI 預測明天收盤價

---

二、實盤專用的「推薦模型定位」

🎯 最佳實戰目標（你可以直接用）

預測：

「未來 10 個交易日，上漲機率是否 ≥ 60%？」

這樣做的好處：

• 容錯率高

• 能配合技術面進出場

• 能做倉位控管（機率越高，倉位越大）

---

三、實盤可行的模型整體架構

【盤後】資料更新
   ↓
特徵工程（只用已知資料）
   ↓
趨勢 AI 模型（機率輸出）
   ↓
趨勢濾網（門檻值）
   ↓
技術進場模組
   ↓
風控與倉位管理
   ↓
隔日或盤中執行

📌 重點：

• 模型只在「盤後」跑 → 避免未來資料洩漏

• 盤中只做「執行」，不重訓模型

---

四、實盤「特徵工程」精華（少但穩）

1️⃣ 價量特徵（核心）

• 5 / 10 / 20 日報酬

• MA 斜率（不是 MA 本身）

• ATR / Price（相對波動）

• Volume Z-score

2️⃣ 相對強弱（實盤很有用）

• 個股報酬 − 大盤報酬

• 個股報酬 − 產業 ETF

• RS Rank（百分位）

3️⃣ 市場狀態

• 大盤趨勢（多 / 空）

• VIX 區間（低 / 高波動）

📌 原則

實盤寧可少特徵，也不要不穩定特徵

---

五、模型選擇（實盤首選）

🥇 第一名（實務最常用）

XGBoost / LightGBM

• 抗雜訊

• 不易過擬合

• 可輸出機率

🥈 備用

• Random Forest（簡單穩定）

• Logistic Regression（當 baseline）

❌ 不建議一開始用

• LSTM / Transformer（維護成本高）

---

六、訓練與驗證（實盤成敗關鍵）

正確方式：Walk-Forward

訓練：2016–2019 → 測試：2020
訓練：2017–2020 → 測試：2021
訓練：2018–2021 → 測試：2022

模型淘汰標準（務實）

• 策略回測 CAGR > 大盤

• Max Drawdown 可接受

• 不連續爆炸（避免 regime death）

---

七、進出場規則（AI + 技術面）

範例（穩定型）

進場條件

• AI 上漲機率 ≥ 60%

• 價格站上 20MA

• 成交量不萎縮

出場條件

• AI 機率跌破 50%

• 跌破 20MA

• 固定風控（-5% / -2ATR）

📌 AI 是「開關」，不是方向盤

---

八、倉位與風控（實盤一定要）

倉位範例

AI 機率	倉位
60–65%	25%
65–70%	50%
>70%	75%

單筆風險

• 單筆虧損 ≤ 總資金 1%

• 同產業曝險上限

---

九、實盤常見死亡原因（請避開）

❌ 太頻繁重訓（追噪音）
❌ 模型一變就全盤調倉
❌ 忽略交易成本與滑價
❌ 過度複雜模型
❌ 沒有「停用模型」機制

---

十、你可以照做的「90 天實盤導入計畫」

第 1–30 天

• 建資料管線

• 做趨勢分類模型

• 完成 Walk-forward 回測

第 31–60 天

• 紙上交易 / 模擬倉

• 固定模型，不調參

• 記錄預測 vs 實際

第 61–90 天

• 小資金實盤

• 嚴格風控

• 每月評估一次

---

最後一句實話（很重要）

能長期賺錢的實盤 AI，80% 靠的是「紀律與風控」，不是模型準確率。

---

如果你願意，我可以下一步直接幫你：

• 📊 設計一套 「股票實盤 AI 架構圖」

• 🧠 給你一份 「實盤專用特徵清單（可直接用）」

• 🧪 提供 Python 實盤骨架（資料 → 預測 → 下單邏輯）