PF 還是 1.5，但利潤結構已經在惡化。真正的預警信號是 PnL 偏度（skewness）——它比 PF 早一到兩個月就開始改變方向。本文教你用 skewness 和 flip rate 監控策略健康狀態，在問題爆發前有序退場。
PF 還是 1.5，但利潤結構已經在惡化。真正的預警信號是 PnL 偏度（skewness）——它比 PF 早一到兩個月就開始改變方向。本文教你用 skewness 和 flip rate 監控策略健康狀態，在問題爆發前有序退場。
驗證 filter 有沒有 edge，光看 PF 不夠。本文教你用 MR 策略當控制組，建立對照實驗：如果 filter 只是抓到市場通用特性，MR 一樣會提升；只有 BO 提升才算真正的策略 edge。含完整 Python 實作。
驗證 filter 有沒有 edge，光看 PF 不夠。本文教你用 MR 策略當控制組，建立對照實驗：如果 filter 只是抓到市場通用特性，MR 一樣會提升；只有 BO 提升才算真正的策略 edge。含完整 Python 實作。
固定分界點有兩個問題：look-ahead bias 和市場 drift。Rolling Quantile 每次分組只用截至當時的資料，讓分界點隨市場結構自動更新。附完整 Python 實作與比較框架。
固定分界點有兩個問題：look-ahead bias 和市場 drift。Rolling Quantile 每次分組只用截至當時的資料，讓分界點隨市場結構自動更新。附完整 Python 實作與比較框架。
你的風控系統在 live 到底值多少錢？你不知道——因為沒有對照組。A/B 端架構讓你同時跑「原始信號模擬」與「風控後實際交易」，精確計算每一層風控的真實成本與收益。本文含完整 Python 實作，包括逐層貢獻度分析與按市場環境拆分。
你的風控系統在 live 到底值多少錢？你不知道——因為沒有對照組。A/B 端架構讓你同時跑「原始信號模擬」與「風控後實際交易」，精確計算每一層風控的真實成本與收益。本文含完整 Python 實作，包括逐層貢獻度分析與按市場環境拆分。
你跑完回測，某個 filter 的 t-test p < 0.01，統計顯著。你很高興，花了兩週把它整合進系統，部署到 live。
三個月後，表現毫無改善。P&L 跟沒加 filter 之前一模一樣。
你不理解。統計檢定明明通過了啊？
p-value 最大的謊言
p-value 告訴$��
你跑完回測，某個 filter 的 t-test p < 0.01，統計顯著。你很高興，花了兩週把它整合進系統，部署到 live。
三個月後，表現毫無改善。P&L 跟沒加 filter 之前一模一樣。
你不理解。統計檢定明明通過了啊？
p-value 最大的謊言
p-value 告訴$��
一個策略的 Kelly 比例怎麼算？三個策略同時跑，每個分多少錢？這篇給你完整的計算框架和 Python 程式碼。
一個策略的 Kelly 比例怎麼算？三個策略同時跑，每個分多少錢？這篇給你完整的計算框架和 Python 程式碼。
單次回測只給你一條路徑。Monte Carlo 給你一千條。你需要的不是「最可能發生什麼」，而是「最壞的情況有多壞」。
單次回測只給你一條路徑。Monte Carlo 給你一千條。你需要的不是「最可能發生什麼」，而是「最壞的情況有多壞」。
回測過了、WFA 過了、你覺得準備好了。等一下。這份清單上還有幾個東西要確認。跳過任何一項，你可能在實盤付出代價。
回測過了、WFA 過了、你覺得準備好了。等一下。這份清單上還有幾個東西要確認。跳過任何一項，你可能在實盤付出代價。
同一個策略在牛市賺 30%、在盤整虧 15%。差別不是策略好不好，而是市場在不同的「狀態」之間切換，而你的策略不知道。
同一個策略在牛市賺 30%、在盤整虧 15%。差別不是策略好不好，而是市場在不同的「狀態」之間切換，而你的策略不知道。
上一篇你知道了 WFA 是什麼。這篇教你怎麼做。包含完整程式碼、窗口怎麼切、結果怎麼判讀、什麼結果代表過擬合。
上一篇你知道了 WFA 是什麼。這篇教你怎麼做。包含完整程式碼、窗口怎麼切、結果怎麼判讀、什麼結果代表過擬合。
用別人的回測框架，你永遠不知道引擎蓋下面裝了什麼。自己寫一次，你才會知道回測結果為什麼長那樣。
用別人的回測框架，你永遠不知道引擎蓋下面裝了什麼。自己寫一次，你才會知道回測結果為什麼長那樣。
大部分人把時間花在「哪個指標最有效」。但指標不是 edge，指標只是觀察市場的一面鏡子。真正的問題是：鏡子後面是什麼？
大部分人把時間花在「哪個指標最有效」。但指標不是 edge，指標只是觀察市場的一面鏡子。真正的問題是：鏡子後面是什麼？
PF 還是 1.5，但利潤結構已經在惡化。真正的預警信號是 PnL 偏度（skewness）——它比 PF 早一到兩個月就開始改變方向。本文教你用 skewness 和 flip rate 監控策略健康狀態，在問題爆發前有序退場。
PF 還是 1.5，但利潤結構已經在惡化。真正的預警信號是 PnL 偏度（skewness）——它比 PF 早一到兩個月就開始改變方向。本文教你用 skewness 和 flip rate 監控策略健康狀態，在問題爆發前有序退場。
驗證 filter 有沒有 edge，光看 PF 不夠。本文教你用 MR 策略當控制組，建立對照實驗：如果 filter 只是抓到市場通用特性，MR 一樣會提升；只有 BO 提升才算真正的策略 edge。含完整 Python 實作。
驗證 filter 有沒有 edge，光看 PF 不夠。本文教你用 MR 策略當控制組，建立對照實驗：如果 filter 只是抓到市場通用特性，MR 一樣會提升；只有 BO 提升才算真正的策略 edge。含完整 Python 實作。
固定分界點有兩個問題：look-ahead bias 和市場 drift。Rolling Quantile 每次分組只用截至當時的資料，讓分界點隨市場結構自動更新。附完整 Python 實作與比較框架。
固定分界點有兩個問題：look-ahead bias 和市場 drift。Rolling Quantile 每次分組只用截至當時的資料，讓分界點隨市場結構自動更新。附完整 Python 實作與比較框架。
你的風控系統在 live 到底值多少錢？你不知道——因為沒有對照組。A/B 端架構讓你同時跑「原始信號模擬」與「風控後實際交易」，精確計算每一層風控的真實成本與收益。本文含完整 Python 實作，包括逐層貢獻度分析與按市場環境拆分。
你的風控系統在 live 到底值多少錢？你不知道——因為沒有對照組。A/B 端架構讓你同時跑「原始信號模擬」與「風控後實際交易」，精確計算每一層風控的真實成本與收益。本文含完整 Python 實作，包括逐層貢獻度分析與按市場環境拆分。
你跑完回測，某個 filter 的 t-test p < 0.01，統計顯著。你很高興，花了兩週把它整合進系統，部署到 live。
三個月後，表現毫無改善。P&L 跟沒加 filter 之前一模一樣。
你不理解。統計檢定明明通過了啊？
p-value 最大的謊言
p-value 告訴$��
你跑完回測，某個 filter 的 t-test p < 0.01，統計顯著。你很高興，花了兩週把它整合進系統，部署到 live。
三個月後，表現毫無改善。P&L 跟沒加 filter 之前一模一樣。
你不理解。統計檢定明明通過了啊？
p-value 最大的謊言
p-value 告訴$��
一個策略的 Kelly 比例怎麼算？三個策略同時跑，每個分多少錢？這篇給你完整的計算框架和 Python 程式碼。
一個策略的 Kelly 比例怎麼算？三個策略同時跑，每個分多少錢？這篇給你完整的計算框架和 Python 程式碼。
單次回測只給你一條路徑。Monte Carlo 給你一千條。你需要的不是「最可能發生什麼」，而是「最壞的情況有多壞」。
單次回測只給你一條路徑。Monte Carlo 給你一千條。你需要的不是「最可能發生什麼」，而是「最壞的情況有多壞」。
回測過了、WFA 過了、你覺得準備好了。等一下。這份清單上還有幾個東西要確認。跳過任何一項，你可能在實盤付出代價。
回測過了、WFA 過了、你覺得準備好了。等一下。這份清單上還有幾個東西要確認。跳過任何一項，你可能在實盤付出代價。
同一個策略在牛市賺 30%、在盤整虧 15%。差別不是策略好不好，而是市場在不同的「狀態」之間切換，而你的策略不知道。
同一個策略在牛市賺 30%、在盤整虧 15%。差別不是策略好不好，而是市場在不同的「狀態」之間切換，而你的策略不知道。
上一篇你知道了 WFA 是什麼。這篇教你怎麼做。包含完整程式碼、窗口怎麼切、結果怎麼判讀、什麼結果代表過擬合。
上一篇你知道了 WFA 是什麼。這篇教你怎麼做。包含完整程式碼、窗口怎麼切、結果怎麼判讀、什麼結果代表過擬合。
用別人的回測框架，你永遠不知道引擎蓋下面裝了什麼。自己寫一次，你才會知道回測結果為什麼長那樣。
用別人的回測框架，你永遠不知道引擎蓋下面裝了什麼。自己寫一次，你才會知道回測結果為什麼長那樣。
大部分人把時間花在「哪個指標最有效」。但指標不是 edge，指標只是觀察市場的一面鏡子。真正的問題是：鏡子後面是什麼？
大部分人把時間花在「哪個指標最有效」。但指標不是 edge，指標只是觀察市場的一面鏡子。真正的問題是：鏡子後面是什麼？