Quantitative
量化交易｜風險評估指標——利撤比（NP/MDD）淨利和最大回撤的比值，我稱之為 利撤比 。
在固定的時間區間中，使用利撤比來檢測量化交易策略，儘管無法得知更微觀的盈虧情形，但在該固定時間區間中，可以更好的辨識策略的獲利能力。
白話而言，即是直觀的呈現在承受一定的風險時，哪個交易對、什麼參數的獲利表現最優秀。
為何要看相同區間？
以下將分組說明
（一）取用時間長短不同
策略Ａ ，取用2022年1月~2023年1月，共12個月。
根據假設，12個月總獲利為500元*12個月=6000元，帶入「淨利(NP)/最大交易回撤(MDD)=6000/2000=3」，得出利撤比為3。
策略Ｂ ，取用2022年4月~2022年7月，共3個月。
根據假設，3個月總獲利為400元*3個月=1200元，帶入「淨利(NP)/最大交易回撤(MDD)=1200/1200=1」，得出利撤比為1。
此時，只看比值應是A策略表現較佳，但如果將回測時間皆設定為2022年1月~2023年1月，共12個月，便會發現策略A的利撤比為6000/2000=3，策略B的利撤比為4800/1200=4，策略B較佳。
（二）取用時間區間不同
策略Ａ ，取用2023年1月~2024年1月，共12個月。
根據假設，12個月總獲利為500元*12個月=6000元，帶入「淨利(NP)/最大交易回撤(MDD)=6000/1000=6」，得出利撤比為6。
策略Ｂ ，取用2022年1月~2023年1月，共12個月。
根據假設，12個月總獲利為400元*12個月=4800元，帶入「淨利(NP)/最大交易回撤(MDD)=4800/1200」，得出利撤比為4。
此時，只看比值應是A策略表現較佳，但如果將回測時間皆設定為2023年1月~2024年1月，共12個月，便會發現策略A的利撤比為6000/1000=6，策略B的利撤比為4800/480=10，策略B較佳。
以上可見，倘若 以不同區間作為參考依據，便無法得知策略真正的優劣 ，進而對策略的使用和選擇做出錯誤判斷，使資產暴露於隱患之中。
利撤比的應用：
假設願意承擔的最大風險為80
原始每筆下單金額＊願受風險金額/原始最大交易回撤金額＝「調整後」每筆下單金額
「調整後」每筆下單金額／交易資金 ，即可能得出比值，便於日後改變資金量體時計算。
此處牽涉到 「績效數據檢視誤區——MDD%」 的問題，之後再和大家分享。
量化交易的基本原理和優缺點量化交易的基本原理是利用程序和數學模型進行交易的一種方式。
其基礎是藉由對歷史數據進行統計和分析市場趨勢，來建立具有一定獲利能力的交易模型，並使用程式來實現自動化交易決策和操作。
量化交易的優點主要有以下優點：
第一，突破人性：
我想人性的弱點正是決定交易成敗的關鍵。
相信很多人都經歷過市場的動盪，而市場的無序的漲跌往往會讓交易者變得貪婪和恐懼，使得交易者的判斷力受到影響，進而出現極端行為，而 量化交易使用程式進行交易決策和操作，能減少人性的貪婪和恐懼對交易的影響，避免錯過應賺而未賺的交易機會。
第二，提高效率：
有交易經驗且非全職交易的夥伴應該都心知肚明，我們時常需要花用上班上課時間來做技術分析，並在其中必須快速做出交易決策，也有可能在下單時發生金額評估錯誤、忘了設定止損等粗心意外，而 利用自動化交易系統執行交易決策和操作，就如同有一位全神貫注的助理為你執行你的交易邏輯，他能對市場變化快速反應，來實現全天候、無間斷的交易。
第三，提高投資回報：
量化交易利用大量歷史數據和分析工具，制定出具有預測能力的交易策略，從而增強投資回報。
然而，量化交易也存在一些缺點：
第一，過度擬合風險：
量化交易模型建立時，可能使用歷史數據來擬合模型，使模型能夠較好地對過去的市場行為進行解釋和預測， 通常是因為策略內有過多參數造成。
第二，數據不足風險：
量化交易需要大量的市場數據作為基礎，而某些市場的 數據可能存在不足的情況，這種情況下建立的交易模型對於現今市場可能不夠準確。
例如在加密貨幣市場上，許多大時區策略（如日線級別、4小時級別）在最早的數據日期2017/08/17至今的回測中，總交易數可能只有不到30筆，可能大多獲利交易皆在績效圖前面15筆，後面15筆由於下跌幅度不及於前面獲利， 讓使用者誤信其策略於現今仍有獲利能力。
第三，交易執行風險：
即使交易策略完善，也可能因為交易執行的問題導致交易風險。例如：系統故障、訊號傳送交易所失敗，導致數據延遲、未觸發等、交易過程中出現的技術問題或操作失誤等。
第四，市場變化風險：
市場環境和條件可能發生變化，使得交易策略失去有效性，在數據充足的交易策略下可以大幅度避免此情形發生。
以上這些風險大多可以藉由觀察策略回測數據來做判斷，將會在下一篇貼文和大家分享。
