聽到「量化交易」「演算法交易」，多數人腦中浮現的是一個看不懂的黑盒子。但拆開來看，任何一套量化系統都由五個模組組成：訊號、風險、成本、組合建構、執行。
而且有個違反直覺的事實：多數人只顧著調第一塊（找訊號），但真正決定你活不活得下來的，是後面四塊。
這篇用這個框架把黑盒子拆開，並實測書上講的那五類訊號（動能、成長、價值、品質、高股息）在美股十三年的真實表現：它們都是真的，但沒有一個大幅勝過大盤，而且每年輪流當第一。
我們寫過量化交易是什麼談它的策略類型，也寫過回測的四個陷阱談怎麼驗證。這篇補上中間那塊：一套完整的量化系統，到底由哪些零件組成。
文章目錄
黑盒子拆開來：五個模組
量化交易之所以神秘，多半是因為外面的人只看得到兩端：資料進去、訂單出來。中間發生什麼事沒人講。
但實際上，不管是幾百億美元的對沖基金，還是你在自己電腦上跑的一支程式，結構是一樣的：
| 模組 | 它回答的問題 |
|---|---|
| ① 訊號模型 | 買什麼？什麼時候買？這是大家唯一在意的一塊 |
| ② 風險模型 | 別押太多。單一部位上限、產業上限、整體曝險上限 |
| ③ 成本模型 | 這筆交易划不划算？手續費、買賣價差、滑價 |
| ④ 組合建構 | 各買多少？把前三塊的意見合成一組實際權重 |
| ⑤ 執行模型 | 怎麼把決定變成真的成交？用什麼單、拆不拆單 |
訊號模型：大家唯一在意的那一塊
訊號模型負責回答「買什麼」。它又分成兩大類：
- 理論驅動：先有一個關於市場的說法，再把它寫成規則。例如「便宜的股票長期會贏」（價值）、「漲的會繼續漲」（動能）、「賺錢穩定的公司比較好」（品質）。因為背後有邏輯，你能判斷它什麼時候該失效。
- 資料驅動：直接讓演算法從資料裡找規律，不預設任何說法。找到的東西可能很有效，也可能只是雜訊，因為你講不出它為什麼有效，就無法判斷它什麼時候會失效。
理論驅動的訊號，主流大致就這五類：趨勢／動能、均值回歸、價值、成長、品質。這些名詞你在動能投資、價值投資這些文章裡都見過，量化只是把它們寫成可以執行的程式。
實測：五類訊號在美股的真實表現
光講分類太抽象。我們找對應的美股因子 ETF，實測 2013 到 2026 年這十三年：
兩個觀察：
- 這些訊號都是真的，但沒有一個大幅勝過大盤。贏最多的成長 15.95%、動能 15.59%，比大盤多兩個百分點左右，但波動也高了三個百分點（20% 對 17%）。換算成每承受一分風險換到的報酬，其實差不多。
- 價值與高股息在這段期間是輸的。11.83% 與 11.42%，都輸給躺著不動。這不代表價值投資無效，而是這十三年剛好是成長股的年代。
更值得看的是每年誰最強：
十一年裡第一名換了四種：動能五次、成長四次、價值一次、高股息一次。而且唯一那次高股息奪冠，是 2022 年的空頭年。
風險、成本、組合建構：真正決定生死的三塊
回到那個違反直覺的重點。訊號模型決定你「能不能賺」，但後面這三塊決定你「能不能留下來」。
風險模型
它的工作是設上限：單一標的最多買幾成、單一產業最多幾成、整體部位最多幾成。這些規則平常看起來很礙事，一直在阻止你多買一點。
但它們的價值不在平常，在於你判斷錯誤的那次。沒有風險模型的系統，會在訊號最強的時候押最大，而訊號最強的時候，往往就是泡沫最大的時候。
成本模型
我們在回測陷阱那篇實測過：一個交易 840 次的策略，零成本回測年化 2.48%，加上 10 基點就變成 −2.53%。成本模型的功能，是在下單之前就先問「這筆交易的預期獲利，蓋不蓋得過成本」，蓋不過就不要做。
組合建構
前三塊給的是意見，這一塊要做決定：實際上各買多少。做法分兩種：
- 規則型：等權重、依訊號強弱加權、或依波動反向加權。簡單、透明、不容易出意外。
- 最佳化型：用數學求解「風險最小、報酬最大」的權重。理論上更好，但它對輸入的估計值非常敏感，估計稍有偏差，解出來的權重可能非常極端。
對散戶來說，規則型幾乎永遠是比較好的選擇。這跟我們在回測陷阱得到的結論一致：規則越複雜，可信度越低。
執行模型：最後一哩路
最後一塊最容易被完全忽略，因為它在回測裡根本不存在。回測假設你想買就買得到，實務上不是。
- 用什麼單？市價單保證成交但價格不保證。限價單價格確定但可能不成交，而錯過的那次可能剛好是最重要的一次。
- 要不要拆單？單量大到會影響價格時，一次全下等於自己把價格推高。機構會把大單拆成小單分批送出。
- 什麼時候下？開盤與收盤前後價差通常較大，同一筆交易在不同時間下的成本差很多。
這個框架怎麼幫你判斷別人的策略
當有人向你推銷一套「年化 40%」的量化系統或訊號服務，用這五個模組逐一問，通常問到第二題就結束了：
- 訊號是什麼邏輯？如果答案是「這是我們的商業機密」或「AI 自己找出來的」，那你買到的是一個你無法判斷何時失效的東西。
- 風險上限怎麼設？單一部位最多幾成、最大可承受跌幅是多少。答不出具體數字的，代表沒有風險模型。
- 成本怎麼算的？問清楚回測有沒有計滑價、抓多少。答「沒有計」的話，換手率越高的策略，那份績效越沒有意義。
- 權重怎麼決定？等權還是最佳化？如果是最佳化，用什麼估計、多久重算一次。
- 實際成交跟回測差多少？這是最實際的一題。有真實下單紀錄的人答得出來，只有回測的人答不出來。
延伸閱讀的一本書
這個五模組框架不是我們發明的，它出自 Rishi Narang 的《Inside the Black Box》。這本書的定位很特別：它用幾乎沒有數學的寫法，把量化交易的內部結構講清楚，適合想理解量化在做什麼、但不打算自己寫程式的人。
先講清楚取得方式：這本書目前沒有繁體中文版，台灣的網路書店與技術書店買得到英文原版。如果你英文閱讀沒問題，原版其實不難讀，它刻意避開了公式。
書裡最值得帶走的三個觀念：① 量化不是魔法，是一條把研究、風控、成本、執行串起來的生產線。② 理論驅動的訊號比資料驅動的可靠，因為你能判斷它何時失效。③ 2007 年 8 月的量化危機說明了一件事：當很多人用相似的模型、又都有槓桿時，大家會同時被迫平倉，模型之間的相關性會突然衝到 1。
最後這一點值得多說一句。那次事件裡，各家基金的模型明明不一樣，卻在同一週一起崩，因為真正相關的不是模型，是持有這些模型的人。這跟我們在你的分散是真的嗎看到的「危機時相關性飆到 0.95」是同一個現象。
常見問題
量化交易系統有哪些組成部分？
五個模組：訊號模型（買什麼）、風險模型（別押太多）、成本模型（划不划算）、組合建構（各買多少）、執行模型（怎麼成交）。不管是大型對沖基金還是個人在電腦上跑的程式，結構都一樣。多數人只做了第一塊，而爆倉與實盤對不上回測的問題，幾乎都出在後面四塊。
理論驅動與資料驅動的訊號差在哪？
理論驅動是先有一個關於市場的說法再寫成規則，例如便宜的股票長期會贏、漲的會繼續漲。資料驅動是直接讓演算法從資料裡找規律，不預設說法。關鍵在於，理論驅動的訊號失靈時你判斷得出是暫時不吃香還是邏輯壞了，資料驅動的訊號失靈時你連判斷依據都沒有。對散戶來說，優先做理論驅動的。
動能、價值、品質這些因子真的有用嗎？
都是真的，但沒有一個大幅勝過大盤。實測 2013 至 2026 年的因子 ETF：成長 15.95%、動能 15.59%、大盤 13.92%、品質 13.52%、價值 11.83%、高股息 11.42%。贏的那兩個波動也高了約三個百分點，風險調整後其實差不多。而且十一年裡第一名換了四種因子，沒有一個永遠有效。
為什麼說風險模型比訊號模型重要？
因為訊號模型決定你能不能賺，風險模型決定你能不能留下來。風險模型的價值不在平常，在於你判斷錯誤的那次。沒有風險模型的系統會在訊號最強時押最大，而訊號最強的時候往往就是泡沫最大的時候。
組合建構要用最佳化還是規則？
對散戶來說規則型幾乎永遠比較好。最佳化理論上更優，但它對輸入的估計值非常敏感，估計稍有偏差解出來的權重就可能極端。規則型如等權重、依波動反向加權，簡單透明不容易出意外。這跟回測方法論的結論一致：規則越複雜，可信度越低。
《Inside the Black Box》有中文版嗎？
目前沒有繁體中文版，台灣的網路書店與技術書店買得到英文原版。這本書刻意避開數學公式，英文閱讀沒問題的話原版並不難讀。它的定位是讓不寫程式的人也能理解量化交易的內部結構，適合想搞懂量化在做什麼、但不打算自己寫程式的人。
投資與教學資歷都超過二十年。教學橫跨三個階段：從兒童理財教育起步，到成人的價值投資，再到近年的量化交易。曾創立三間公司，並以價值投資建立起財務上的獨立與自信，也擔任過台積電的理財培訓師，是價值投資的國際級講師。他始終相信，理財是為了把生活過得更好，而看懂財報、獨立思考，遠比追逐明牌或現成的答案更重要。
延伸閱讀
量化交易是什麼？
回測賺翻了實盤卻不行？
股六債四真的分散嗎？計算設定：因子表現採 2013 年 7 月至 2026 年 7 月的日收盤含息調整價，起始日以六檔中最晚成立者為準。代表性 ETF 為 SPY（大盤）、MTUM（動能）、VUG（成長）、VTV（價值）、QUAL（品質）、VYM（高股息）；ETF 的因子定義與學術因子並不完全相同，僅作為可投資的近似代表。年度最強因子以各年度報酬比較，不含大盤。波動為日報酬標準差年化。未計交易成本、買賣價差與稅。五模組框架引自 Rishi Narang《Inside the Black Box》。歷史數據不代表未來，本文為教學內容，非投資建議，文中 ETF 僅為統計說明，不構成任何買賣推薦。
