歡迎來到 Zsigma 金融模型實驗室。這份百科旨在打破量化交易的黑盒子，將複雜的微結構與統計模型，轉譯為具備實戰意義的博弈語言。
我們建議讀者依照以下四大模組與進階引擎的順序，逐步建立屬於你的「量化視覺」。🛡️ 模組一：市場機制與環境過濾（交易的天氣預報）
在進入任何交易前，我們先定義現在是否具備「可執行環境」。
- 盤勢門神機制 (Regime Gating)：系統如何過濾洗盤噪音，避免頻繁損耗。
- 多維共識分佈 (Consensus Distribution)：為什麼「共振」比單一指標更具勝率？
⚔️ 模組二：進攻型態與結構識別（捕捉阻力最小的路徑）
識別具備爆發基因的型態，並在最優位階介入。
- 波動率收縮型態 (VCP)：如何識別噴發前的籌碼乾枯臨界點？
- 威科夫位階分析 (Wyckoff)：判斷標的是處於吸籌末端還是派發起點。
- 多空強度 (Long/Short Intensity)：真實攻擊動能與結構健康度。
📊 模組三：陣營博弈與微結構透視（看見聰明錢的足跡）
拆解市場不同陣營的成本與動能，洞悉籌碼流向。
- 贏家底火支撐 (Winner Cost)：如何看見聰明錢的防禦底線？
- 受困解套牆 (Trapped Cost)：為什麼高位套牢盤會變成股價的阻力？
- BCD 動能 (Broker-Count Divergence)：從券商數量的增減，看出籌碼由散轉中的轉折。
- 吉尼係數 (Gini Coefficient)：量化籌碼的擁擠度與分佈純度。
🧠 模組四：系統決策與風險管理（科學化的執行協議）
將統計信心轉化為具體的執行計畫與撤退邊界。
- 動能信心得分 (Z-Score)：定義「非偶然」的噴發機會，與布林通道有何不同？
- 籌碼共振顯著性 (P-Value)：系統如何透過統計學過濾市場噪音。
- 系統預測通道 (AI Margin)：如何預判明日價格的物理防禦空間。
- 失效判定機制 (Invalidation)：系統如何定義一份計畫的撤退點。
- 夏普比率 (Sharpe Ratio)：在追求報酬的同時，管理系統性的回撤風險。
- 凱利公式 (Kelly Criterion)：科學化地優化倉位分配，實現資本增長最大化。
🚀 核心技術：進階引擎深論
透視 Zsigma 底層的黑盒子技術（Known HOW）。
- 量化雙引擎：機器學習與 Copula：系統如何預判市場極端行為。
🏛️ 如何開始你的 Zsigma 旅程？
- 掌握總綱：請先閱讀各模組的第一篇文章，建立完整的「量化博弈」邏輯。
- 對照報告：在閱讀我們的 [戰情室報告] 時，若遇到不熟悉的術語，請隨時回頭查詢本百科。
- 風險警示：量化模型為後驗研究，交易必有風險，請務必先理解「失效判定」與「凱利公式」。
