交易策略最佳化
這幾天稍微熟悉了Wealth-Lab，趕緊就拿來嘗試建構一些交易策略，和進行系統的績效回測。身為一個順勢交易的追隨者，移動平均線是其中最重要的元件，因此就決定先從均線來開始進行。
在進入完整的分析前，先直接看個結論吧:
這是黃金ETF最佳化的結果，從2005年投資至今，報酬率超過120%，最高者甚至超過170%。
這次選定的投資市場，包括了台股，美股，以及商品投資，相關的投資標的如下:
三支ETF在市場上都是極具代表性的指數基金，成交量夠大，因此在實際交易當中，應該可以相當程度減少滑價風險所造成的績效誤差。
在進行均線最佳化之前，我先直覺的使用市場上慣用的月線/季線進行測試，初步的發現同樣的交易策略，在不同走勢的交易市場，產生完全不一樣的績效結果。在大多頭的黃金市場，買進持有策略之報酬遠超過月線/季線之策略。而在台股市場，績效表現差強人意，正報酬並無明顯高於買進持有策略，但損失亦能控制在一個安全的範圍之內。最後是在美股S&P500市場，能有效控制損失，並在2007年之後，創造45％的報酬率。
相關績效圖表如下:
首先是黃金市場（GLD）
接下來是台股（TTT）
最後是美股（SPY）
接下來，就要進入這次研究的核心了，均線最佳化。我的測試設定如下:
最佳化的過程，除了追尋報酬最高之外，亦將風險以及交易成本納入考量範圍，因此我利用了三項指標來達到這些目的，分別為Sharpe Ratio, APR（年化報酬），以及WLScore。
WLScore的公式說明如下:
當APR為正報酬 :
WLScore = (APR / Exposure)*( 1 + MaxDrawDownPct)
當APR為負報酬 :
WLScore = (APR / Exposure)*( 1 + Abs(MaxDrawDownPct))
其中Exposure : %市場曝險時間
最後，為了避免參數孤島，以及視覺化整體均線參數的所有表現績效，我運用了ISO-Surface來展現結果。
最佳化的結果分析如下 :
在大多頭的黃金市場，儘速買進並且不要賣出，似乎才是一個最佳的策略。
在台股市場，110移動平均線是一個不錯的買進位置，賣出的位置建議是在40以上的移動平均線 。
在美股S&P500市場，200以上(甚至到240)移動平均線是良好的買進位置，賣出的位置對於報酬率的影響倒是不顯著。
相關績效圖表如下:首先一樣是黃金市場（GLD）
接下來是台股（TTT）
最後是美股（SPY）
by J.D.
在進入完整的分析前，先直接看個結論吧:
這是黃金ETF最佳化的結果，從2005年投資至今，報酬率超過120%，最高者甚至超過170%。這次選定的投資市場，包括了台股，美股，以及商品投資，相關的投資標的如下:
三支ETF在市場上都是極具代表性的指數基金，成交量夠大，因此在實際交易當中，應該可以相當程度減少滑價風險所造成的績效誤差。
在進行均線最佳化之前，我先直覺的使用市場上慣用的月線/季線進行測試，初步的發現同樣的交易策略，在不同走勢的交易市場，產生完全不一樣的績效結果。在大多頭的黃金市場，買進持有策略之報酬遠超過月線/季線之策略。而在台股市場，績效表現差強人意，正報酬並無明顯高於買進持有策略，但損失亦能控制在一個安全的範圍之內。最後是在美股S&P500市場，能有效控制損失，並在2007年之後，創造45％的報酬率。相關績效圖表如下:
首先是黃金市場（GLD）
接下來是台股（TTT）
最後是美股（SPY） 
接下來，就要進入這次研究的核心了，均線最佳化。我的測試設定如下:
最佳化的過程，除了追尋報酬最高之外，亦將風險以及交易成本納入考量範圍，因此我利用了三項指標來達到這些目的，分別為Sharpe Ratio, APR（年化報酬），以及WLScore。
WLScore的公式說明如下:
當APR為正報酬 :
WLScore = (APR / Exposure)*( 1 + MaxDrawDownPct)
當APR為負報酬 :
WLScore = (APR / Exposure)*( 1 + Abs(MaxDrawDownPct))
其中Exposure : %市場曝險時間
最後，為了避免參數孤島，以及視覺化整體均線參數的所有表現績效，我運用了ISO-Surface來展現結果。
最佳化的結果分析如下 :
在大多頭的黃金市場，儘速買進並且不要賣出，似乎才是一個最佳的策略。
在台股市場，110移動平均線是一個不錯的買進位置，賣出的位置建議是在40以上的移動平均線 。
在美股S&P500市場，200以上(甚至到240)移動平均線是良好的買進位置，賣出的位置對於報酬率的影響倒是不顯著。
相關績效圖表如下:首先一樣是黃金市場（GLD）
接下來是台股（TTT）
最後是美股（SPY）
by J.D.
