在第一篇 Python 新手教學文章中，我們介紹為什麼要用 python 來做量化投資，在這篇文章，我們將介紹「做量化投資所會遇到的挑戰 」。量化投資並非交易的聖杯，而是還有很多需要突破的困難，在這個單元中我們會一一的來介紹，並且跟大家分享，在實務上和學術上的解決方案！
首先我們要先學會怎麼樣評量一個策略，才能設計低風險高報酬的交易規則，就算我們有這些很好的策略，這些策略也會有失效的時候，甚至是歷史績效很好，但上線後不佳的過擬合策略，究竟要怎麼避免呢？我們也會在這篇文章中，簡單的跟大家介紹，並且提供我們的解決方案！
評估策略績效
首先我們要怎麼樣評估策略呢？通常我們可以用Sharpe ratio 夏普指標來同時考量風險和獲利！Sharpe ratio 的計算公式如下：
首先 us 是策略的報酬率，而 uf 是我們將資產放在銀行中換取利息的無風險報酬，在現在低利率的環境中，通常我們會簡化成零，這兩個數字相減，就是超額報酬。
而分母 sigma s 是我們在使用策略的波動程度，所以你可以想像分子是超額報酬，超額報酬越大，Sharpe ratio 就越高。而分母則是風險，假如風險越大，則 Sharpe ratio 數值越低。
我們可以將超額報酬跟波動的程度用視覺化的方式來表示，上圖的橫軸是報酬率，橫軸上有 us 和 uf ，代表我們的無風險報酬和超額報酬
可以注意到 us 就是策略的報酬率，其實是一個分佈圖，代表策略的報酬，並不是穩定的，策略歷史績效，也是會忽高忽低。而這個分佈圖的寬和窄，就是影響我們獲利的最大因素。
我們通常會用標準差來表示，也就是這邊的 sigma s ，我們通常會希望 sigma s 越小越好，代表我們越有可能獲得超額報酬。對映到這邊的公式，分母越小， Sharpe ratio 就越大！所以整體來說，假如我們希望 Sharpe ratio 越大，我們就要讓超額報酬 us 越大，且波動程度 sigma s 越小越好。
假設我們現在算的是每日的 Sharpe ratio ，我們想要讓它變成每一年的 Sharpe ratio，要怎麼來換算呢？
我們可以看到上圖中有兩個分佈，一個是每天的報酬率，另外一個是每一年的報酬率。而這兩個報酬率，我們用 SRd 代表每日的 Sharpe ratio，而 SRa 代表年化的 Sharpe ratio 。而這兩個數值，其實是有關聯的，我們可以再額外乘上一個數值來校正，還記得我們剛剛介紹 Sharpe ratio 的分子是超額報酬，分母是波動，我們先來看超額報酬的部分。
每天的超額報酬跟每年的超額報酬，其實就是乘以一年有幾個交易日來當做估計。例如我們每天賺 1 塊錢，那 365 天，就賺了365塊錢！同樣的對於分母，也就是波動程度，我們也要進行類似的估計，由於標準差的累積，跟天數並不是成正比，而是跟天數的開根號成正比，所以分母的部分，就以根號 d 來校正。
所以通常我們就會看到 在 Sharpe ratio 的計算中，要多乘一個開根號的常數的原因，通常這個常數 會是根號 252，因為一年的交易日只有252天。
但是對於加密貨幣來說，要乘以360，因為加密貨幣每分每秒都有可以交易。有了 Sharpe ratio 來當作策略衡量的標準，是不是只要做出高 Sharpe ratio 的策略，就能幫我們賺很多錢呢？
失效的策略
假如我們做出的策略沒有根據的話，就算做出高 Sharpe ratio 的策略，也有很高的機率是過擬合策略。在1880年代，科學家提倡使用占星術預測未來是很流行的，但到了現代科學，尤其是做交易，我們還是發明了很多，類似占星術的工具，像是震盪指標、Fibonacci序列、黃金比例、elliot wave 等等。雖然背後有明確數學定義，但其能獲利的根本的原因卻是不明的。占星術和技術指標，其實是非常相似的，不是說不能用技術指標，只是在用的時候，我們要確保從統計的角度，有真的達到優化的效果，不然技術指標不就跟占星術沒什麼差別了 ！
另外，還有一門學派，會使用人眼來交易，在台灣稱為「裸K」，也就是不用任何技術指標！但這樣的交易手法，其實也非常困難。例如下面兩個時間序列，你可以用人眼看出哪個是價格？而哪個又是亂數產生的序列嗎？
電腦是可以輕易分辨的，但用人眼卻是非常的困難，這也是為什麼做交易，最好是用量化交易的原因！
另外你可能會想，量化交易好難學，為什麼我不直接複製別人的績效？其實現在也有很多類似的平台，例如 etoro 可以簡單的複製績效！然而你在複製績效時，可能會發現，為何績效看起來都很好，但是等到我開始跟單時，績效就變爛了呢？
這個原因是因為，通常跟單平台的排行榜，都有生存者偏差。某交易者可能在這禮拜因為表現很好，進了排行榜，但是下禮拜就被踢出！
另外，也有可能是某詐騙集團，開了很多個帳號，讓這些帳號用相反的手法交易，反覆留下勝利的帳號，就可以得到下圖中，這種高報酬的歷史報酬！
然而當募資結束後，可想而知，這樣的策略績效一定會一落千丈，反正他們已經抽到佣金，可能拔腿就跑了。這也是為什麼我們還是必須自己來研究量化交易的原因！
其實要做一個超強的歷史績效非常簡單，我們只要妥善的設定停損停利，就可以製造出勝率很高的假象！因為價格近似於隨機漫步，所以只要停利設定的很近，就更容易達成，只要停損設定很遠，就不容易達成。利用這個原理，大家都可以製作出高勝率策略！
但是一次的虧損，可能就會吃掉所有的獲利！所以網路上有些連勝的策略，看看就好，不需要太過相信。
撇除了以上用技術手段來獲得好的成果，我們在做量化投資時，要如何來預防過擬合 ？最原始的方式，就是將歷史資料，分成 In-sample 和 Out-of-sample。
In-sample 簡稱 IS ，而 Out-of-sample 簡稱 OOS 。我們會用 In-sample 來進行策略研發，而 Out-of-sample 來做最後的驗證。假如我們反覆的使用 In-sample Out-of-sample 的方式來驗證，就會發現策略當我們使用 IS 研發策略時，調整策略回測越多次，就會造成 OOS 中失敗的比例，也逐漸升高，是成正比的關係！
也就是真正有效的策略，不能夠調整太多次，否則就會造成過擬合，使策略失效的機率就會大增！
那還有沒有什麼方法，可以避免過擬合策略呢？
避免研發失效策略
我們在這邊列舉出幾個簡單的方式，而在我們的線上課程中，我們也會提供大家更深入的學術工具，來預防過擬合喔！
首先，假如我們有長時間的資料量做回測，代表策略經的起更多的考驗，做出來的策略，經過更多驗證，會更有效，比較不容易做出過擬合的策略！
但假如我們沒有更多的歷史資料怎麼辦呢？
我們可以將相似的資產歷史資料疊加在一起，讓策略在這樣的資料中進行回測，讓同一個策略用於多種不同的金融商品，可以預防過擬合。
另外，我們也可以使用 bootstrap 的方式來驗證績效，是不是運氣好而產生的，我們會在線上課程中有更進一步的講解！
第三種，就是將回測的次數做紀錄，盡量不要進行太多次回測！
第四種，策略沒效果就是沒效果，不需要硬要調整！
假如策略的進出場訊號沒有效果，則不需要再增加濾網，添加過多的濾網，也是過擬合的原因之一。
第五種，就是我們線上課程中會教的統計方法，在之後的文章中，再慢慢跟各位分享囉！
總結一下，這篇文章中，我們介紹了策略為什麼會失效，以及如何預防的辦法！看完這篇文章，希望能讓正在研究量化投資的大家，有初步的瞭解。之後的文章中，也會給大家一些量化投資應用在不只是股票市場，甚至是加密貨幣市場的範例，讓大家可以跟著我們一起研究 Python 量化投資！
