將預測與訂單分開
訊號表達方向與信念強度。部位規模、再平衡與執行決定該預測如何轉化為交易策略。
Alpha 與訊號
AI 代理人開發交易假設與策略程式碼。Stratmill 也包含訊號研究元件,可評估預測、納入換手率與成本考量,並在共用風險模型下組合訊號。
每次評估都會列在工作區的 Alpha Signals 頁面。合併訊號簿仍是引擎功能。
signal_evaluation.pyresult = evaluate_signal(
forecast, next_return,
round_trip_cost=cost,
)
net_edge = result.net_edge
示意範例,非實際即時結果
互動示意圖
AI 生成的想法需要可衡量的證據。逐步呈現後續觀測值,比較預測分數與其後實現的報酬。
這個小型範例中的正相關並不足以證明可交易優勢。在結合訊號之前,請檢查預測期間、獨立樣本、換手率與成本。
下一根 K 線報酬率(%)
預測分數
最初的觀察結果僅能提供尚不穩固的估計。
新的觀察結果可能削弱原先看似存在的關聯。
在下結論之前,請檢視完整樣本及其不確定性。
探索此階段如何為 AI 交易策略工廠做出貢獻。
訊號表達方向與信念強度。部位規模、再平衡與執行決定該預測如何轉化為交易策略。
訊號評估會考量資訊係數、統計證據、換手率、淨優勢,以及與既有預測的相關性。
訊號資料庫會記錄每次評估的判定,包括遭拒的評估,而 Alpha Signals 頁面會顯示這些紀錄。若預測扣除成本後不再有效,也是有用的研究結果。
某項預測本身可能有用,卻可能對已經承擔相同曝險的訊號庫增加不了多少價值。請同時評估其資訊含量與貢獻。
定義提議的效應與預測期間。
衡量資訊、換手率與淨優勢。
為預測加權,並調整組合曝險規模。
檢視貢獻,並與移除該訊號後的結果比較。
沒有任何單一統計量能將預測轉化為核准策略。訊號評估位於策略驗證、回測與發布審查之前。
水平捲動以查看所有欄位。
| 衡量項目 | 它回答的問題 | 需要留意的事項 |
|---|---|---|
| 資訊係數 | 預測是否與後續報酬一致? | 樣本數、不確定性與預測期間。 |
| 換手率與淨優勢 | 估計的效應扣除追蹤成本後是否仍然成立? | 交易成本與預測變動可能侵蝕未扣除成本前的獲利優勢。 |
| 相關性 | 這項預測是否與訊號庫中已有的預測相似? | 名稱不同,仍可能描述相同的底層押注。 |
| 貢獻 | 組合訊號庫的結果如何分配至各個訊號? | 已記錄的歸因是一種分配;請將有訊號與無訊號的執行結果比較,以研究其邊際效應。 |
Alpha 研究尋找可能在既有曝險或基準之外帶來報酬的預測效應。Alpha 假設是待測試的主張,而非超額報酬的承諾。
工作區的 Alpha Signals 頁面就是訊號資料庫。頁面會列出管線為您的策略登記的每次預測評估,無論接受或拒絕,並顯示資訊係數、每期毛優勢與淨優勢、成本、時間範圍及判定。您可以依階段或判定篩選、依策略或交易商品搜尋,也可以切換至平台策略;所有已登入使用者都能閱讀這些策略的評估。
三個。基準是首次完整回測,尚未經過任何審查或調整。最佳化後重播會在調整參數所用的資料上重播最佳化後的參數,因此屬於樣本內資料,絕不是樣本外證據。最終檢驗是在保留的最終視窗中進行的一次讀取,不論策略是否通過都會保留結果。
不是。即時市場指標描述當前市場狀況。研究訊號則是相對於後續結果進行評估的預測;單獨一項指標並不能證明存在可交易的優勢。
訊號組合元件會將加權預測整合為單一部位,並管理其風險與進行再平衡。
不會。訊號通過評估只是研究階段的判定。由此產生的策略仍須經過驗證、測試、審查,並獲准進入模擬交易;實盤執行還需要針對特定帳戶取得授權,並完成作業檢查。
不會。訊號庫記錄的是基於份額的損益分配。比較有訊號與無訊號的結果,可以提供另一種觀察其貢獻的方式,但兩者都無法消除對未來行為的不確定性。
了解 AI 代理人、測試引擎與執行控制如何在策略工廠中協同運作。
Stratmill 是 AI 交易策略平台,不提供財務建議,也不是經紀商。回測與模擬交易結果均屬假設性結果。交易涉及虧損風險。