交易策略績效評估指標應用

在量化交易策略開發中，除了追求獲利外，更需重視風險控管與績效評估。透過利潤因子、風險報酬比率、盈虧平衡勝率等指標，可以更全面地評估交易策略的有效性。同時，結合技術分析方法，例如 K 線圖的型態判讀、支撐阻力位的觀察、趨勢通道的辨識，以及費波那契回撤的應用，可以更準確地掌握市場動態，提升交易決策的品質。Python 程式語言的簡潔性和豐富的函式庫，讓投資者能輕鬆地計算績效指標、繪製圖表，並進行回測分析，有效地驗證交易策略的穩健性。

績效評估指標的重要性

在投資交易中，績效評估指標是衡量交易策略成功與否的關鍵。一個好的交易策略不僅需要能夠獲利，還需要能夠控制風險。以下是幾個重要的績效評估指標。

利潤因子（Profit Factor）

利潤因子是一個快速衡量交易策略獲利能力的指標。它是總獲利除以總虧損的絕對值。公式如下：

利潤因子公式

利潤因子 = 總獲利 / |總虧損|

假設某投資組合在2020年獲利$127,398，虧損$88,318，則其利潤因子為1.44，代表每損失$1.00，就平均獲利$1.44。

風險報酬比率（Risk-Reward Ratio）

風險報酬比率衡量的是每單位風險所獲得的報酬。一個好的交易系統應該要有足夠高的風險報酬比率。

風險報酬比率公式

風險報酬比率 = |入場價格 - 目標價格| / |入場價格 - 停損價格|

舉例來說，假設以$1.00買入ADAUSDT，設定停損價$0.95，目標價$1.10，則風險報酬比率為2.00，代表風險$0.05可獲得$0.10的報酬。

盈虧平衡勝率（Break-even Hit Ratio）

盈虧平衡勝率是指在排除成本和手續費的情況下，為了達到零損益所需的最低勝率。它與風險報酬比率有負相關關係。

盈虧平衡勝率公式

盈虧平衡勝率 = 1 / (1 + 風險報酬比率)

例如，若風險報酬比率為2.00，則盈虧平衡勝率為33.33%。這意味著，只要勝率超過33.33%，就有可能獲利。

理論與實際風險報酬比率

理論風險報酬比率是在交易前設定的預期比率，而實際風險報酬比率則是根據實際交易結果計算的平均獲利除以平均虧損。

實際風險報酬比率計算

實際風險報酬比率 = 平均每筆交易獲利 / 平均每筆交易虧損

交易次數的重要性

足夠的交易次數對於績效評估至關重要。一般而言，至少需要30筆交易才能初步評估策略的可靠性。

Python績效評估函式實作

def calculate_performance_metrics(gross_profit, gross_loss, risk_reward_ratio, num_trades):
    # 計算利潤因子
    profit_factor = gross_profit / abs(gross_loss)
    
    # 計算盈虧平衡勝率
    break_even_hit_ratio = 1 / (1 + risk_reward_ratio)
    
    # 輸出結果
    print(f"利潤因子：{profit_factor:.2f}")
    print(f"盈虧平衡勝率：{break_even_hit_ratio*100:.2f}%")
    print(f"交易次數：{num_trades}")

#### 內容解密：
1. `gross_profit` 和 `gross_loss` 用於計算利潤因子，代表總獲利和總虧損。
2. `risk_reward_ratio` 用於計算盈虧平衡勝率，代表風險報酬比率。
3. `num_trades` 代表交易次數，用於評估策略的可靠性。
4. `profit_factor` 的計算結果顯示每單位虧損所對應的獲利。
5. `break_even_hit_ratio` 的計算結果顯示達到零損益所需的最低勝率。

# 使用範例
gross_profit = 127398
gross_loss = -88318
risk_reward_ratio = 2.00
num_trades = 100

calculate_performance_metrics(gross_profit, gross_loss, risk_reward_ratio, num_trades)

績效評估指標的實際應用

在實際交易中，投資者應該綜合運用上述指標，以全面評估交易策略的表現。同時，也應該考慮其他因素，如市場環境、交易成本等，以最佳化交易策略。

績效評估函式的建立與應用

在投資策略的開發過程中，評估其績效是至關重要的一環。透過一套完整的績效評估指標，可以幫助投資者瞭解策略的優缺點，並進一步最佳化策略以提升整體表現。本文將介紹如何建立一個績效評估函式，並解析其輸出結果。

績效評估函式的程式碼實作

def performance(data, open_price, buy_column, sell_column, long_result_col, short_result_col, total_result_col):
    # 計算持有期間的收益
    for i in range(len(data)):
        try:
            if data[i, buy_column] == 1:
                for a in range(i + 1, i + 1000):
                    if data[a, buy_column] == 1 or data[a, sell_column] == -1:
                        data[a, long_result_col] = data[a, open_price] - data[i, open_price]
                        break
                    else:
                        continue
            else:
                continue
        except IndexError:
            pass
    
    for i in range(len(data)):
        try:
            if data[i, sell_column] == -1:
                for a in range(i + 1, i + 1000):
                    if data[a, buy_column] == 1 or data[a, sell_column] == -1:
                        data[a, short_result_col] = data[i, open_price] - data[a, open_price]
                        break
                    else:
                        continue
            else:
                continue
        except IndexError:
            pass
    
    # 合併多空交易的結果
    data[:, total_result_col] = data[:, long_result_col] + data[:, short_result_col]
    
    # 計算獲利因子
    total_net_profits = data[data[:, total_result_col] > 0, total_result_col]
    total_net_losses = data[data[:, total_result_col] < 0, total_result_col]
    total_net_losses = abs(total_net_losses)
    profit_factor = round(np.sum(total_net_profits) / np.sum(total_net_losses), 2)
    
    # 計算勝率
    hit_ratio = len(total_net_profits) / (len(total_net_losses) + len(total_net_profits))
    hit_ratio = hit_ratio * 100
    
    # 計算實際風險報酬比
    average_gain = total_net_profits.mean()
    average_loss = total_net_losses.mean()
    realized_risk_reward = average_gain / average_loss
    
    # 計算交易次數
    trades = len(total_net_losses) + len(total_net_profits)
    
    print('勝率 = ', hit_ratio)
    print('獲利因子 = ', profit_factor)
    print('實際風險報酬比 = ', round(realized_risk_reward, 3))
    print('交易次數 = ', trades)

程式碼解析：

1. 持有期間收益的計算：函式首先遍歷資料，根據買入和賣出訊號計算每次交易的收益，並將結果儲存在指定的欄位中。
2. 獲利因子的計算：透過彙總所有盈利和虧損的交易，計算獲利因子，即總盈利除以總虧損。
3. 勝率的計算：勝率是指盈利交易次數佔總交易次數的比例。
4. 實際風險報酬比的計算：該指標反映了平均每筆盈利交易與平均每筆虧損交易的比率。
5. 交易次數的統計：簡單地將盈利和虧損交易次數加總，得到總交易次數。

績效評估函式的呼叫

呼叫該函式時，需要傳入必要的引數，例如資料陣列、開盤價欄位、買入和賣出訊號欄位等。例如：

my_data = performance(my_data, 0, 4, 5, 6, 7, 8)

縝效評估例項分析

假設有一投資組合在2017年至2021年間使用單一策略進行交易，以下是相關績效資料：

• 總交易次數：2,348
• 盈利交易次數：1,236
• 虧損交易次數：1,112
• 理論風險報酬比：2.00
• 總淨盈利：$457,995
• 總淨虧損：$321,589
• 平均每筆盈利交易的收益：$370.54
• 平均每筆虧損交易的損失：$289.19

績效指標解析：

1. 勝率：透過計算，勝率為52.64%，表示該策略在歷史資料中有較高的成功率。
2. 獲利因子：該投資組合的獲利因子為1.42，遠高於1.00，表明該策略整體上是盈利的。
3. 實際風險報酬比：實際風險報酬比為1.28，明顯低於理論風險報酬比2.00，顯示該投資組合可能存在風險管理不佳的問題，例如過早平倉等。
4. 交易頻率：平均每年約469筆交易，交易活動較為頻繁，需要關注交易成本對整體績效的影響。

技術分析導論

技術分析依賴於對價格行為歷史的視覺解讀，以判斷市場的整體走向。它根據過去是未來最佳預測者的理念。在廣泛的技術分析領域中，有多種技術值得注意，包括以下幾點：

圖表分析

這是將主觀視覺解讀技術應用於圖表上的過程。通常使用繪製支撐和阻力線以及回撤線的方法來找出轉折點，以判斷下一步走勢。

指標分析

這是使用數學公式建立客觀指標的過程，這些指標可以是趨勢跟隨或逆勢的。常見的指標包括移動平均線和相對強弱指數（RSI），這些將在本章中更詳細地討論。

模式識別

這是監控某些重複出現的組態並對其採取行動的過程。模式通常是一種不時出現的事件，具有一定的理論或經驗結果。在金融領域，情況更加複雜，但某些模式已被證明能夠隨著時間的推移增加價值，這可能部分是由於一種稱為自證預言的現象（一個初始預期導致其自身的實作）。常見的模式包括蠟燭圖模式，這是本文的主角。

讓我們快速瀏覽一下技術分析的歷史，以便更好地瞭解該領域。技術分析根據三個原則：

1. 歷史重演：在趨勢和區間內，你可能會看到叢集。同時，某些組態和模式很可能在大多數時候具有相似的結果。
2. 市場折現一切：假設所有資訊（基本面、技術面和量化資訊）都已包含在當前價格中。
3. 市場以波動的形式移動：由於不同的時間框架和需求，交易者在不同的頻率下買賣，從而創造出趨勢和波動，而不是一條直線。

不幸的是，技術分析被零售交易社群過度炒作和濫用，這使得它在專業領域的聲譽不太好。每種分析都有其優缺點，並且有成功的基礎面、技術面和量化投資者，但也有失敗的投資者。

圖表分析

在瞭解圖表分析之前，你需要知道當你開啟一個圖表（尤其是蠟燭圖）時，你看到了什麼。假設市場以100美元開盤，一些交易活動發生。同時記錄了小時內的高價（102美元）和低價（98美元）。還記錄了小時收盤價（101美元）。回想一下，這四個資料被稱為開盤價、最高價、最低價和收盤價（OHLC）。它們代表了建立蠟燭圖所需的四個基本價格。

繪製線圖

繪製基本的線圖在Python中非常容易，只需要一行程式碼。你需要確保已經匯入了一個名為matplotlib的函式庫，它負責為你繪製圖表。以下程式碼片段展示瞭如何繪製EURUSD的收盤價線圖：

# 匯入必要的繪相簿
import matplotlib.pyplot as plt

# 繪製線圖的語法
plt.plot(my_data, color='black', label='EURUSD')
# 新增上面建立的標籤
plt.legend()
# 新增網格
plt.grid()

圖 3-2：EURUSD 線圖

線圖僅提供有關收盤價和整體方向的資訊。

繪製蠟燭圖

繪製蠟燭圖最簡單的方法是思考每個時間步的垂直線（就像第2章中所示的簡單柱狀圖）。步驟如下：

1. 為每個代表高低價的行繪製垂直線。例如，在OHLC資料上，你使用一個名為vlines()的matplotlib函式，它使用最小值（低價）和最大值（高價）在圖表上繪製垂直線。因此，這個函式繪製了跨越每個高低價之間的柱狀圖。
2. 重複第一步，只是這次將新的垂直線應用於開盤價和收盤價。這樣你就會得到一條在另一條垂直線內的垂直線，但這是不可見的。如何解決這個問題？施加顏色條件和更大的寬度來代表蠟燭的主體。

內容解密：

1. 使用matplotlib函式庫中的plt.plot()函式可以輕鬆繪製線圖，透過指定color和label引數可以自定義線條的外觀和標籤。
2. plt.legend()函式用於新增之前建立的標籤，而plt.grid()函式則用於新增網格，使圖表更易於閱讀。
3. 繪製蠟燭圖需要使用vlines()函式來繪製代表高低價範圍的垂直線，然後透過條件顏色和寬度來表示蠟燭的主體，從而區分開盤價和收盤價之間的關係。

技術分析的核心概念

技術分析圍繞著對歷史價格行為的解讀，試圖預測未來的市場走勢。它根據歷史重演、市場折現一切以及市場以波動形式移動的三個核心原則。瞭解這些原則有助於深入掌握技術分析的方法論和應用。

市場效率假說

市場效率假說認為資訊已經嵌入當前價格中，價格等於價值。這對技術分析來說是一個挑戰，因為它暗示透過技術分析無法獲得超額回報。然而，實際市場情況往往因為政治、經濟事件等因素而變得複雜多變，難以完全符合效率假說的預期。

圖表分析與模式識別

圖表分析和模式識別是技術分析中的重要組成部分。透過視覺解讀價格圖表，可以識別出支撐、阻力、趨勢等重要資訊。同時，透過監控特定的價格模式，可以預測未來的價格走勢。這些技術的使用需要結合歷史資料和市場經驗。

圖表分析在金融市場中的應用

圖表分析是金融市場中一種重要的技術分析方法，主要用於預測市場走勢和找出交易機會。透過繪製不同型別的圖表，投資者可以更直觀地理解市場的供需關係和價格變動趨勢。

K線圖的繪製與解讀

K線圖是一種能夠完整呈現開盤價、最高價、最低價和收盤價（OHLC）的圖表型別。相較於簡單的線圖，K線圖能夠提供更多的市場資訊，如波動性和收盤價相對於開盤價的趨勢。

def ohlc_plot_candles(data, window):
    sample = data[-window:, ]
    for i in range(len(sample)):
        plt.vlines(x=i, ymin=sample[i, 2], ymax=sample[i, 1], color='black', linewidth=1)
        if sample[i, 3] > sample[i, 0]:
            plt.vlines(x=i, ymin=sample[i, 0], ymax=sample[i, 3], color='green', linewidth=3)
        if sample[i, 3] < sample[i, 0]:
            plt.vlines(x=i, ymin=sample[i, 3], ymax=sample[i, 0], color='red', linewidth=3)
        if sample[i, 3] == sample[i, 0]:
            plt.vlines(x=i, ymin=sample[i, 3], ymax=sample[i, 0] + 0.00003, color='black', linewidth=1.00)
    plt.grid()

內容解密：

1. sample = data[-window:, ]：擷取資料的最後 window 筆記錄，用於繪製 K 線圖。
2. plt.vlines：用於繪製垂直線，代表每個交易日的價格區間。
3. 根據收盤價與開盤價的比較，決定 K 線的顏色和粗細，以表示當日是上漲（綠色）、下跌（紅色）或平盤（黑色）。
4. plt.grid()：顯示網格線，使圖表更易閱讀。

支撐與阻力水平

在圖表分析中，支撐和阻力水平是兩個重要的概念。支撐水平是指市場價格下跌到某一水準後，可能會因買盤增加而反彈；阻力水平則是指價格上漲到某一水準後，可能會因賣壓增強而回落。

• 支撐水平通常被視為買入機會，因為市場預期在此水準需求將大於供給。
• 阻力水平則被視為賣出或做空的機會，因為市場預期在此水準供給將大於需求。

範圍波動市場與趨勢通道

在範圍波動（橫盤整理）的市場中，價格在兩個相對穩定的支撐和阻力水平之間波動。投資者可以利用這些水平進行高拋低吸的操作。

此外，圖表分析也適用於趨勢市場，透過識別上升或下降通道來預測市場走勢。在上升通道中，投資者傾向於在價格接近通道下沿時買入；而在下降通道中，則傾向於在價格接近通道上沿時賣出或做空。

費波那契回撤

除了視覺上判斷支撐和阻力水平外，還可以使用費波那契回撤來找出潛在的反轉水準。費波那契回撤是根據費波那契數列的比例，用於衡量價格回撥的幅度。