《台指期 AI 量化交易研究全書：從策略開發到智慧管線的完整實戰架構》

如果量化交易把策略比喻成引擎，那麼市場結構與資料規格就是底盤。研究台指期之前，第一件事不是急著找神奇指標，而是先搞清楚：你交易的是哪一種契約、它在什麼時間開市、每跳一點代表多少損益、資料到底記錄了哪些行為。這些看似基礎常識的問題，會直接決定回測是否可信，也會影響你對風險的理解。對台指期來說，市場的節奏、日夜盤的接續、開盤前半小時的資訊密度，以及長期資料中的制度變化，都是後續所有研究工作的共同前提。

1.1 台指期是什麼市場？

台灣期貨交易所（Taiwan Futures Exchange, TAIFEX）上市的臺灣證券交易所發行量加權股價指數期貨，通常被交易者簡稱為大台指（TX）。它是台灣最具代表性的股價指數期貨商品，價格連動於大盤整體風險偏好，因此不只吸引當沖客與波段交易者，也常被法人拿來避險或做跨商品配置。對研究者而言，台指期最大的價值在於：交易歷史長、流動性佳、日內行為有明顯節奏，而且價格對總體事件、權值股、選擇權部位與隔夜國際市場非常敏感，這使它成為建立量化研究框架的理想標的。

本書主要聚焦兩種契約：大台指（TX）與小台指（MTX）。TX 每一點代表新台幣 200 元，MTX 每一點代表新台幣 50 元，兩者最小跳動單位皆為 1 點。這個規格非常重要，因為研究上的 1 點優勢不只是數字漂亮與否，而是能不能跨過成本門檻。若你的策略平均每筆交易只多賺 2 到 3 點，在 TX 上看似還有空間，但若考慮手續費、滑價與停損跳空，實際可執行性可能立刻下降。也因此，本書所有報酬估計都會先轉換到點數思維，再視需要換算成金額，避免在不同契約之間混淆風險尺度。

很多新手第一次接觸期貨，容易把波動很大理解成很容易賺很多。但市場結構告訴我們，波動大代表的是路徑更不平滑，並不是勝率自動提高。台指期因為槓桿高、資訊反應快，研究者如果沒有先建立一致的報酬單位、成本假設與資料切分方式，很容易在不同實驗中把蘋果和橘子混在一起比較。嚴謹的研究流程，往往不是從複雜模型開始，而是從最普通的契約規格表開始。

1.2 交易時段與研究切分

目前台指期可分為日盤與夜盤兩個主要交易時段。日盤為 08:45 至 13:45，共 5 小時；夜盤為 15:00 至次日 05:00，共 14 小時。若只看單日報酬，很多人會忽略夜盤的存在，但對研究者來說，夜盤反而是理解隔夜資訊傳遞的關鍵場域。美股、國際期貨、地緣政治事件、央行談話，往往先在夜盤反映，再由隔日日盤開盤進一步定價。因此，把日夜盤混成一條連續時間線雖然方便，卻可能掩蓋兩個截然不同的流動性環境與行為模式。

本書特別強調初始平衡（Initial Balance, IB）的定義：日盤開盤後前 30 分鐘，也就是 08:45 至 09:15，等於 6 根 5 分鐘 K 線。這不是隨意挑選的數字，而是市場輪廓研究中最核心的早盤觀察窗。早盤這 30 分鐘常常集中了隔夜資訊消化、主力部位調整、短線停損觸發與流動性重估，因此它不只是今天第一段行情，更像是當天拍賣範圍的起點。後續章節談到 IB 突破、IB 回到區間內、IB 擴張失敗等現象時，都以這個定義為準。

在實務研究中，交易時段切分至少有三種常見做法。第一種是只研究日盤，優點是資料同質性高、成交行為穩定；第二種是把夜盤視為獨立市場，分別建模與評估；第三種則是建立跨日因子，例如比較夜盤波動對隔日日盤開盤型態的影響。本書採取的原則是：凡是會明顯受市場參與者組成與流動性影響的特徵，優先分盤研究；凡是屬於整體環境變數，例如前一交易日的總振幅、前夜盤趨勢狀態，才考慮跨時段連接。

量化研究最怕的不是沒有資料，而是把不同制度、不同流動性、不同交易節奏的資料誤當成同一件事。

1.3 研究資料的邊界條件

本書的資料範圍涵蓋 2001 至 2026 年，總計 4,004 個交易日、2,985,198 根分鐘 bar。這樣的跨度足以包含多頭、空頭、震盪、金融危機、疫情衝擊與制度變遷，因此很適合做長期穩健性檢驗。另一方面，時間跨度越長，資料越不可能完全同質。交易時段延長、夜盤制度上路、成交量結構轉變、法人參與提升，甚至指數組成的改變，都可能讓某些在前期有效的現象，在後期逐漸鈍化。換個角度看，樣本很長不代表答案更簡單，反而要求研究者更重視分期分析與穩健檢查。

欄位解讀與可推導訊號

每一根 bar 至少包含 open、high、low、close、volume 五個欄位。這五欄看起來樸素，卻足以構成大量研究變數。例如，從高低點可以推導出單根振幅與實體比例；從收盤與開盤差值可以觀察動能方向；從成交量可以衡量參與強度；把多根 bar 串在一起，又能得到趨勢斜率、回檔幅度、波動擴張、區間接受度等高階特徵。很多成功的量化研究，不是靠更多欄位，而是靠更一致的資料處理與更清楚的市場假說。

成本設定同樣不可省略。本書統一採用單筆來回 6 點作為交易成本估計，並以 10,000 點作為初始資金。選擇點數而不是直接以新台幣記帳，有兩個好處：第一，能跨商品比較策略在價格尺度上的優勢；第二，能避免因槓桿與部位換算不同而誤判風險。當研究結果顯示某因子平均只能帶來 4 點優勢時，這個訊號在回測圖上也許仍然好看，但在含成本條件下就不具可執行性。量化研究的第一道篩選，不是顯著性，而是先看它有沒有跨過現實世界的摩擦成本。

1.4 從原始 bar 到可研究問題

當你手上只有分鐘 K 線，不代表你只能做最基本的均線交叉。相反地，日內 bar 資料已足以回答許多高價值問題：日盤開盤後多久會確認方向？IB 被突破後延續的條件是什麼？夜盤的大幅單向波動，對隔日日盤的回補機率有何影響？某些價格區是否反覆吸引成交、形成接受；某些區域是否快速穿越、形成拒絕？這些問題的共同特色是，它們都把價格視為拍賣結果，而不是純粹的數學序列。

因此，本章的真正目的是替後續研究建立一套共同語言。當我們說今天先看 IB、某策略要先扣 6 點成本、某現象只在夜盤顯著、某段資料可能有制度斷點，這些不是附註，而是研究是否可靠的基礎條件。只要底層市場結構理解正確，後面不論你採用統計模型、機器學習，或純粹規則式交易框架，都比較不會在起跑點就走偏。

市場輪廓（Market Profile）之所以在台指期研究中歷久不衰，不是因為它畫起來好看，而是因為它提供了一種把價格行為翻譯成拍賣過程的語言。一般技術分析常把價格視為線條，著重趨勢、型態與指標；Market Profile 則追問更深一層的問題：市場今天在哪裡花了最多時間？哪些價位被接受，哪些價位被快速拒絕？開盤後的第一段拍賣，是在尋找公平價，還是在展開方向性驅動？當你從拍賣角度看台指期，日內漲跌就不再只是紅綠變化，而是參與者對價值認知不斷修正的結果。

2.1 拍賣市場理論的三根支柱

Market Profile 的理論基底，是拍賣市場理論（Auction Market Theory, AMT），其核心觀念可追溯到 J. Peter Steidlmayer 對期貨市場行為的整理。AMT 認為，市場每天都在進行一場持續拍賣，而拍賣的目的，不是讓價格永遠朝單一方向前進，而是在不同資訊、不同部位壓力與不同時間偏好下，尋找一個暫時被多數參與者接受的價格區間。這套框架有三個關鍵維度：價格（price）、時間（time）、成交量（volume）。價格告訴你市場走到哪裡，時間告訴你市場願意在某區停留多久，成交量則補充參與者在該區的投入程度。

很多人學 Market Profile 時，只記得字母圖形或 POC 線條，卻忽略背後真正重要的是市場在衡量價值。若某價位不斷被交易、反覆停留，那代表參與者對此區有高度接受；若某價位只被迅速穿越，則說明那裡缺乏雙方交易意願。對台指期這種高流動性商品來說，接受與拒絕的節奏尤其重要，因為它能幫助研究者區分：今天是持續尋找新價值，還是只是在既有價值區內短暫波動。這種理解方式，比單純看一條均線更能貼近市場本質。

2.2 TPO 如何構成市場輪廓

Market Profile 最經典的視覺化工具是時間價格機會（Time Price Opportunity, TPO）。做法很直觀：把一天切成固定時段，傳統上多用 30 分鐘為一個 period，然後用字母代表各 period 曾經交易到的價格。例如 A 代表 08:45–09:15，B 代表 09:15–09:45，C 代表 09:45–10:15，以此類推；若某價位在 A 與 B 兩個時段都曾被觸及，就在該價位旁標示 A、B 兩個字母。經過一整天累積後，你得到的不是一般 K 線，而是一張顯示市場在哪些價位停留最多時間的分布圖。

對 TX 而言，IB 的定義正是前兩個 TPO period，也就是 A+B 所涵蓋的價格範圍。這個設計非常合理，因為開盤前 30 分鐘通常包含夜盤資訊重新定價、現貨與期貨的聯動調整，以及短線交易者第一輪試探。當 A、B 兩個 period 的範圍很窄，代表市場先進入平衡；當 A、B 範圍很大且隨即延續，則可能是趨勢日的前兆。也就是說，IB 不是一條神祕的線，而是一天拍賣是否已經找到暫時公平價的第一個觀測窗。

當 TPO 分布完成後，兩個最重要的參考點便是價值區（Value Area, VA）與控制點（Point of Control, POC）。VA 通常定義為累積約 70% TPO 集中的價格範圍，代表市場大部分時間認可的價值區間；POC 則是 TPO 數量最多的價位，也就是當天最被市場接受的中心。若收盤遠離 POC，通常表示晚段拍賣已開始往新價值遷移；若整天繞著 POC 來回旋轉，則表示市場仍在既有公平價附近反覆測試。對量化研究來說，這些概念可以轉成非常具體的特徵：距離 POC 幾點、是否收在 VA 外、開盤位於昨日價值區的哪個位置、IB 是否完全包在前一日 VA 之內等等。

2.3 七種 Day Type：不要把每一天都當成趨勢日

Steidlmayer 系統中常見的日型（Day Type）分類，能幫助研究者理解不同拍賣結構的強弱差異。常見七種日型包括：Normal、Normal Variation of Normal、Trend、Double Distribution Trend Day（DDTD）、Non-Trend、Neutral Center 與 Neutral Extreme。它們不是為了貼標籤而存在，而是提醒我們：市場每天處理資訊的方式不同，策略也不應該用同一套假設硬做。若今天是 Non-Trend，你期待突破一路延續，多半會被來回洗刷；若今天是 Trend Day，你卻不斷逆勢猜頂摸底，也很容易被市場教育。

2.4 開盤型態：早盤不是雜訊，而是訊息濃縮

除了日型，開盤型態也是 Market Profile 研究的重要切面。常見四種開盤類型包括 Open-Drive（OD）、Open-Test-Drive（OTD）、Open-Rejection-Reverse（ORR）與 Open-Auction。Open-Drive 指開盤後幾乎不回頭，直接朝單一方向推進，通常代表有明確外部資訊或極強失衡；Open-Test-Drive 則是先朝一側測試前高或前低、確認無法延續後，再往反方向展開驅動；Open-Rejection-Reverse 常見於開盤先假突破，隨即被市場拒絕並反轉；Open-Auction 則是最平衡的類型，市場先在開盤附近反覆競價，等待更多參與者表態。

對量化研究來說，這四種開盤型態可以大幅改善策略篩選。因為很多日內策略不是勝率不夠，而是混入了不適合的開盤情境。例如，均值回歸策略若在 Open-Drive 日硬做逆勢，往往會快速累積虧損；相反地，順勢突破策略若遇到 Open-Auction 的低效率早盤，容易被假突破反覆洗掉。把開盤型態當成環境標籤，而不是事後解釋，可以讓策略更接近市場實際運作方式。

2.5 研究上的實際意義

學習 Market Profile，並不是要求你每天手動畫字母，而是建立一套能被特徵工程與回測流程吸收的結構語言。你可以把昨日 POC 到今日開盤的距離量化、把 IB 範圍標準化、把收盤是否離開 VA 轉成二元變數，甚至把日型分類當成標籤，用來檢驗不同策略在不同拍賣結構下的表現差異。當結構被清楚描述，交易決策才有可能脫離感覺，進入可重複驗證的研究層次。

因此，第二章的核心不是背名詞，而是理解一件事：價格行為不是隨機折線，而是市場參與者用時間、價格與成交互相協商出的結果。只要你能讀懂這場拍賣，就能在後續的策略章節中，知道自己究竟是在追逐失衡、利用回歸，還是在等待價值重新確立。

如果說 Market Profile 著重市場在哪些價格停留了多少時間，那麼成交量輪廓（Volume Profile）、委託流（Order Flow）與 Gamma Exposure（GEX）則進一步回答：市場在那些位置到底投下了多少成交、主動買賣力量如何變化、以及選擇權部位結構是否正在放大或吸收波動。這三者合起來，像是把原本只看價格路徑的地圖，升級成同時標示交通流量、車流方向與路面摩擦係數的導航系統。對台指期研究而言，這些資訊特別有價值，因為它們能幫助我們把「今天看起來很強」這種主觀印象，轉成更可驗證的結構描述。

3.1 成交量輪廓：把成交量放回價格座標

成交量輪廓（Volume Profile）最直觀的觀念，是把成交量不是放在時間軸下方，而是重新投影回價格軸上。一般 K 線圖底下的量柱告訴你某段時間成交很多，卻無法直接回答成交主要集中在哪些價格。Volume Profile 則補上這個缺口：它把某段期間內各價格帶的累積成交量統整起來，於是你可以看見哪些價位是市場真正有大量交換籌碼的區域，哪些價位則像真空帶一樣被快速穿越。這對台指期日內研究非常重要，因為很多看似同樣幅度的突破，其背後可能處於完全不同的成交結構。

Volume Profile 中最常用的指標包括控制點（Point of Control, POC）、價值區高點（Value Area High, VAH）、價值區低點（Value Area Low, VAL）、高成交量節點（High Volume Node, HVN）與低成交量節點（Low Volume Node, LVN）。POC 是成交量最集中的價格，通常可視為該期間最被市場接受的核心區；VAH 與 VAL 則界定出主要成交集中帶；HVN 往往代表市場停留、交換部位、建立共識的區域；LVN 則常出現在快速穿越地帶，表示那裡不容易長時間停留。對交易者來說，HVN 容易成為拉回時的支撐或壓力，LVN 則常是價格一旦進入就容易加速通過的通道。

把 Volume Profile 用在台指期，最關鍵的不是背定義，而是理解其結構特徵。第一是形狀（shape）：有些交易日 profile 呈現單峰，代表市場大部分時間圍繞單一價值區；有些是雙峰，代表市場從一個接受區轉移到另一個接受區，常與趨勢或再定價有關。第二是偏態（skewness）：若大量成交集中在上半部，可能代表市場往上接受新價值；若集中在下半部，則可能暗示上方價格較缺乏認同。第三是峰度（kurtosis）：尖而集中的 profile 通常意味價值明確、擴張未完成；扁平分散則可能顯示整日交戰激烈、共識較弱。第四是重疊（overlap）：今天的價值區與昨天高度重疊時，市場可能仍在消化舊資訊；若重疊很少，則表示新一輪價值遷移正在進行。

3.2 委託流：誰在主動出手？

委託流（Order Flow）關注的是主動成交方向。最基本的欄位包括主動買量（Bid/Ask Volume 通常以打到賣價與打到買價區分）、Delta，以及累積 Delta（Cumulative Delta）。當主動買量大於主動賣量，Delta 為正，表示買方積極追價；反之則代表賣方更主動。把這個資訊沿時間累積，就得到 Cumulative Delta，它常被用來觀察當日資金推進方向是否與價格同步。若價格創高但累積 Delta 未同步創高，可能代表突破缺乏真正追價力量；若價格暫時受壓但 Delta 持續走強，則可能顯示吸收賣壓後仍有向上企圖。

然而，Order Flow 不能只看單一數值。主動買超不一定等於價格必漲，因為市場還存在被動掛單吸收、跨商品避險與大戶分批執行等因素。更精確的做法，是把委託流與位置結合來看：主動買量若發生在 VAH 上方且價格能站穩，延續的意義較大；若發生在 LVN 附近卻立刻被打回價值區，則可能只是短暫失衡。簡單講，Order Flow 提供的是推進力資訊，而不是脫離結構就能獨立解讀的聖杯。

3.3 GEX：把選擇權結構當成環境因子

Gamma Exposure（GEX）近年受到許多量化研究關注，原因在於它把選擇權市場的部位結構，轉譯成現貨與期貨市場可能面臨的波動環境。直觀來說，若整體市場處於較高的正 Gamma 環境，做市者為了維持 Delta 中性，通常會在價格上漲時賣出、價格下跌時買回，因而形成近似減震器的效果；若 Gamma 支撐不足或偏低，避險行為對價格的穩定效果下降，市場更容易出現放大波動。這就是為什麼很多交易者會把 GEX 視為環境變數，而不是直接進出場訊號。

對台指期研究而言，GEX 最有價值的地方，在於它能協助策略做情境分流。當 GEX 分位數偏低，市場較容易出現單邊推進、突破延續與停損連鎖，因此趨勢型策略通常表現較好；當 GEX 偏高，價格更容易在關鍵區附近來回震盪、突破後又拉回，均值回歸型策略的相對優勢就會提高。這不代表 GEX 能預測每一根 K 線，而是它能描述當前路面是濕滑、乾燥，還是有避震裝置，讓你知道同一套交易邏輯在不同環境下應該調整什麼。

當價格、成交量、主動買賣力量與選擇權部位結構開始互相對話時，市場才真正從線圖變成立體地形。

3.4 研究框架上的整合意義

第三章的核心，不是要你在每一筆交易前同時盯著十張圖，而是建立一個由外到內的判讀順序：先用 GEX 判斷大環境偏向放大波動還是吸收波動，再用 Volume Profile 找出價值區、真空區與可能的轉折帶，最後用 Order Flow 檢查當下是否真的有主動資金在推動價格。這種由環境、結構到流的三層架構，非常適合轉成量化研究流程，因為每一層都能被設計成可驗證的特徵與條件。

把話說得更直白些，成交量輪廓（Volume Profile）告訴你市場曾經在哪裡認真交易，委託流（Order Flow）告訴你現在是誰在主動出手，GEX 則提醒你今天的波動土壤是鬆還是緊。當這三者被整合進同一個研究框架，你就不再只是看到價格移動，而是開始理解價格為何以這種方式移動。這正是從圖表觀察走向量化研究的關鍵一步。

IB Breakout 是本書七大認證策略中，最能代表「結構先行、模型後驗」精神的一個案例。它的表面形式很簡單：先觀察日盤開盤後前 30 分鐘形成的初始平衡（Initial Balance, IB）區間，等價格有效跌破早盤平衡後，再結合纏論中樞與機器學習品質分數決定是否放行空單。真正讓這個策略從普通的早盤突破，演化成可通過長期認證的研究項目，在於它並沒有把突破當成充分條件，而是把突破視為「市場開始表態」的第一道門，再用結構辨識與品質濾網判斷這次表態是趨勢啟動，還是只是一場容易回補的假動作。

4.1 從 V1 到 V5：一條規則式策略如何被磨成認證模型

R014 的演進史，幾乎是整個研究團隊方法論的縮影。V1 版本只做最直觀的事情：當日盤價格跌破 IB 下緣時進場放空，期待早盤失衡延續成全日趨勢。這個方式在某些年份有效，因為台指期確實常出現開盤消化夜盤資訊後，沿同方向持續擴張的結構；但它也很容易在震盪日被來回洗掉。研究者很快發現，真正造成虧損的並不是「跌破 IB」這件事本身，而是市場跌破後究竟有沒有形成新的接受區。若跌破後只是快速刺穿、隨即回到原區間，那麼突破根本不是方向確認，而只是流動性掃單。

因此 V2、V3 開始加入纏論結構過濾，要求價格在 IB 破位後，不只是創低，而是進一步形成可辨識的中樞下移與收盤脫離。V4 再把停損、時間條件與波動度條件系統化，最後到 V5 才導入 18 個特徵的多層感知器（Multi-Layer Perceptron, MLP）品質篩選器，讓策略不再只是問「有沒有破」，而是問「這次破位的品質高不高」。這個觀念轉變非常重要：規則式訊號負責提供可解釋的市場假說，模型則負責評估當下樣本更像成功案例，還是更像歷史上那些漂亮卻虧錢的突破。當兩者角色分工清楚後，R014 才真正走出只靠參數微調的瓶頸。

R014 最關鍵的突破，不是學會「看到跌破就放空」，而是學會分辨「哪些跌破值得做，哪些跌破只是市場在測你的耐心」。

4.2 策略核心：IB 破位只是開門，中樞脫離才是放行

IB Breakout 的交易邏輯可拆成三層。第一層是市場情境：日盤開盤後，市場先在前 30 分鐘完成一段快速拍賣，形成一個對多數參與者暫時可接受的範圍。第二層是事件觸發：價格向下突破 IB 下緣，代表原本的平衡開始失穩。第三層才是品質判斷：突破後，價格是否持續在中樞之外收盤，是否顯示結構接受新的更低價值，且模型分數是否高於門檻。只有三層同時成立，系統才真正放行 SHORT 訊號。這使得 R014 不會把每一次早盤破位都等價看待，而是把交易聚焦在「平衡被打破、且新的平衡往下移動」的樣本。

中樞條件之所以重要，是因為日內趨勢不只是單向價格變化，更是市場是否願意在新價位停留。假設價格跌破 IB 後立刻反彈，代表低價缺乏接受，市場只是在下方掃出停損與流動性；若價格跌破後形成重疊區，再次下破並收在中樞下方，則代表空方不只是打穿支撐，而是成功把市場的短期公平價往下搬。R014 做的，就是在這兩種外觀看似相似、但統計結果截然不同的情境之間，建立一個可執行的區分規則。

4.3 18 個特徵與 26 點停損：策略穩健性的關鍵

MLP 的 18 個特徵並不神祕，多半來自研究者對日內拍賣的常識整理，包括 IB 寬度、突破前後的斜率差、收盤相對於中樞的位置、前幾根 K 棒的上下影比、成交量擴張、是否貼近前一日價值區邊界、夜盤相對位置、開盤缺口方向等。真正重要的不是特徵名詞多炫，而是它們分別對應不同層次的市場問題：現在波動夠不夠大？這次跌破是順著更大的結構，還是逆著前一日價值遷移？空方是在一個已經失衡的環境中追擊，還是在一個仍然容易回補的區間裡賭運氣？特徵工程的價值，就是把這些原本只能用主觀盤感描述的問題，轉成可驗證、可複製的資料欄位。

停損部分看似單純，實際上卻花了大量研究時間。V1 時期常見的錯誤，是把停損設得很寬，結果少數大虧吞掉許多小賺；或把停損設得太緊，使得本來應該成功的趨勢樣本在初始回測中就被洗掉。最終固定 26 點的設定，並不是魔術數字，而是長期權衡後的執行解：足以容納台指期早盤正常回抽，又不至於讓單筆錯誤失控。當策略交易筆數高達 6,163 筆時，這種風險上限的一致性尤其重要，因為你不可能期待每次都人工判斷哪一次該忍、哪一次該退，系統必須先把最壞情況寫進規則裡。

4.4 認證結果：從 PF 2.86 到再認證 PF 3.076

R014 最初版本已能達到 PF 2.86（PF = Profit Factor，獲利因子，也就是「所有賺的加總 ÷ 所有賠的加總」；PF 大於 1 代表整體賺錢，越高越好），對單純規則式的日內策略而言已相當亮眼；但真正讓它站穩，是經過版本演化與再認證後，整體績效提升到 PF 3.076、勝率 46.9%、Sharpe 1.979（Sharpe Ratio，夏普比率，衡量每承擔一單位風險能換到多少報酬，越高代表策略穩定性越好），累積樣本達 6,163 筆。這組數字有兩個值得注意之處。第一，勝率不到五成卻能長期獲利，代表策略優勢主要來自賺賠比與錯誤交易控制，而不是靠大量小勝堆出漂亮表面。第二，這種結構讓它更像一個「趨勢事件擷取器」，因為真正的利潤通常來自少數空方擴張日，而不是天天微小套利。

更值得重視的是，R014 在 2025 年隔離驗證（holdout）樣本仍繳出 PF 3.80。對量化研究者而言，隔離驗證能維持甚至優於過去成績，比在既有樣本內多提高幾個百分點更有說服力，因為這表示策略捕捉到的不是一段歷史巧合，而是仍在發生的市場機制。當然，沒有任何策略會永遠有效；但 R014 的長期表現至少說明，只要台指期早盤仍存在資訊重新定價、拍賣中心位移與失衡延續，結合 IB、中樞與品質模型的邏輯就有持續被驗證的機會。

4.5 對讀者的啟示：AI 最有價值的地方，不是神預測，而是守住出手品質

許多初學者聽到 AI 交易，直覺會想像一個模型直接告訴你何時買、何時賣。但 R014 告訴我們，對實戰最有價值的做法，往往不是讓模型全面接管，而是先用市場理論建立規則，讓模型專心做自己最擅長的工作：在眾多看似相似的樣本中，找出更高品質的那一群。這種「規則負責可解釋，模型負責精修品質」的分工，很適合台指期這種節奏快、噪音多、但結構訊號又相對鮮明的商品。

如果你未來想自行改寫 R014，最值得優先保留的不是某個門檻值，而是它的研究流程：先界定一個有市場含義的事件，再用結構辨識判斷事件是否被市場接受，最後才讓模型根據歷史經驗決定放行程度。這三層順序一旦顛倒，你很容易做出樣本內分數很高、樣本外卻無法說明原因的系統。量化研究的成熟，不是把模型做得越深，而是知道哪些事情該交給理論，哪些事情才交給資料。

如果說 R014 代表的是「突破後順勢追擊」，那麼 Center Flip 策略族則代表另一條更細膩的研究道路：市場不是每次脫離中樞後都一路奔馳，很多時候，它會先突破、再形成新的反向中樞，最後把原本的主動方向整個翻轉。R069、R071、R072 三個研究項目，正是圍繞這個現象展開。它們共享同一個核心觀念——當市場的接受中心從一側翻到另一側時，交易者不能只看價格位置，更要看結構重心是否改變；但三者在技術上各自代表不同階段：R069 以多中樞與影子中樞定義翻轉，R071 導入 XGBoost 品質閘門提升樣本純度，R072 則把 IB Breakout 與 Center Flip 融合，形成能在同一框架中處理突破與反轉的複合策略。

5.1 為什麼「翻轉」比「突破」更難，卻也更有價值

突破策略要回答的問題相對單純：市場是否離開原本平衡區，並開始接受新價格？翻轉策略則要回答兩個層次的問題：第一，先前的突破是否已失效；第二，新形成的結構是否足以把方向倒過來。這代表研究者不能只看單一破位，而必須同時觀察多段結構之間的銜接關係。當價格先向上脫離一個中樞，卻在更高位置停留不久，旋即形成另一個反向重疊區並向下跌破，這種結構往往透露：先前那段突破沒有建立真正接受，反而留下追價籌碼；一旦新中樞成形並向相反方向脫離，原本追隨者的停損就會成為新趨勢的燃料。

Center Flip 策略族的珍貴之處，在於它把這種盤中常見卻難以系統化的「方向翻面」現象，整理成一套可回測、可驗證的結構語法。對人工交易者而言，看到價格折返並不稀奇；真正困難的是，什麼時候該把折返視為回檔，什麼時候該承認市場價值中心真的轉移了。Center Flip 的答案很直接：不要只看價格回頭，而要看新的中樞是否在相反方向建立、擴張，並把舊中樞的邊界轉化成新的支撐或壓力。

5.2 R069：Center Flip Multicenter 的原型——影子中樞如何預告反轉

R069 Center Flip Multicenter 是整個策略族的起點。它的關鍵發現，是盤中很多有利的反轉不是等到完整中樞都畫好才出現，而是在一段「看起來還像過渡帶」的重疊區就已經透露方向。研究因此引入影子中樞（Shadow Center）的概念：即使嚴格定義上的完整中樞尚未完全確認，只要多根 K 棒已出現明顯高低區間重疊，而且重疊中心開始偏向相反方向，這段結構就足以作為先行觀察的「影子」。R069 的進場邏輯，是把第一次中樞突破視為啟動訊號；而當價格後續形成反向影子中樞並完成有效脫離時，策略不只是平倉，而是直接翻向。

這套手法的魅力，在於它不把出場與反向進場視為兩件事，而是視為同一個市場命題的兩個面向。若先前多方突破失敗、反向中樞成形，那麼原本的多單停損區往往正是新空單最甜的位置；反之亦然。R069 因此不像典型停利停損系統只會「退出錯誤」，它更進一步問：「既然錯的不是價格有波動，而是我站錯邊，那麼反過來站會不會更合理？」這使得策略在完整樣本中繳出 PF 2.917、勝率 64.9%，而樣本外 PF 更達 3.876，說明結構翻轉本身就是一個足以獨立成立的優勢來源。

Center Flip 的精髓是：市場真正讓你賺錢的，往往不是第一次突破，而是第二次把前一次突破判死刑的那一下。

5.3 R071：XGBoost 品質閘門——不是所有翻轉都值得做

R069 已經證明翻轉有統計優勢，但下一個研究問題也跟著浮現：既然所有翻轉樣本長得不完全一樣，能不能在它們之間再切出更高品質的一群？這正是 R071 Center Flip XGBoost 的出發點。研究者將 16 個正規化特徵輸入 XGBoost 模型，透過滾動前行分析建立品質分數，並以 0.65 作為放行門檻。這 16 個特徵涵蓋中樞寬度、翻轉前後位移速度、影子中樞重疊程度、相對於前一日關鍵價位的位置、波動壓縮與擴張狀態等。模型要做的不是預測無限遠的未來，而是回答一個很實務的問題：這次翻轉比較像過去的成功樣本，還是比較像容易在原區間內來回震盪的失敗樣本？

加入 XGBoost 後，R071 的認證結果提升到 PF 3.093、勝率 63.6%、Sharpe 5.571，交易數雖下降到 519 筆，卻展現更高的風險效率。對很多讀者來說，最值得學的不是「0.65 這個門檻」，而是策略品質閘門的設計哲學：當一個規則式策略已經有正期望值時，機器學習最有價值的事情不是生造新訊號，而是幫你刪掉那些雖然符合理論、但在資料上屬於低品質的樣本。到了 2025 年隔離驗證，R071 仍有 PF 3.243、勝率 68.0%，正說明品質閘門不是在樣本內過度擬合，而是在新資料中延續了挑樣本的能力。

5.4 R072：Center IB Fusion V2——把突破與翻轉放回同一條時間軸

R072 Center IB Fusion V2 是策略族最成熟的版本。它的核心不是把 R014 與 R069 簡單相加，而是承認兩者本來就描述同一個日內拍賣過程的不同階段：IB Breakout 描述的是平衡首次被打破的時刻，Center Flip 描述的是破位失敗後，市場如何重新建立相反接受。把這兩種邏輯融合後，策略不必再侷限於只做第一段趨勢，或只做第二段翻轉，而是能根據市場當下處於哪個結構階段，自動決定要採取突破思維還是翻面思維。

這種融合框架讓 R072 繳出 PF 3.064、勝率 64.8%、Sharpe 5.872 的成績。最值得注意的是，它並非靠增加交易複雜度來換取績效，而是讓原本分散在不同策略中的市場知識彼此協調。實務上，很多研究案的失敗不是模型不夠強，而是每個子策略各做各的，沒有共享同一套市場語言。R072 的價值就在於，它用「IB → 中樞 → 翻轉」這條一致的敘事，把日內多空競逐的不同片段接起來，使得策略決策更像一部連續劇，而不是互不相干的片段剪接。

5.5 三個策略放在一起看：它們不是競爭者，而是同一研究脈絡的三個答案

若把 R069、R071、R072 放在同一張桌上，你會發現它們其實回答了三個連續問題。R069 先回答「結構翻轉能不能做」；R071 再回答「哪些翻轉最值得做」；R072 則進一步回答「突破與翻轉能不能放在同一套交易語言中」。這種演進方式比孤立地追求單一最佳績效更有研究價值，因為它保留下整條知識鏈。未來即使市場風格改變、某一版本績效下降，研究者仍能沿著這條脈絡回頭檢查：是翻轉假說失效？還是品質閘門需要重訓？還是突破與翻轉的切換邏輯要調整？

從實戰角度看，Center Flip 策略族也提醒我們一件事：高勝率策略不代表可以放棄風控。R069、R071、R072 的勝率都落在 63% 到 65% 左右，看起來很舒服，但翻轉策略最大的風險在於，一旦市場不是翻面而是直接轉成大趨勢延伸，錯誤站邊的回撤速度常比想像更快。因此，翻轉策略的優勢並不在「每次都猜對頂底」，而在於它能在特定結構成立時，以相對不差的賺賠比與高一致性擷取方向反轉的甜蜜區段。

5.6 對讀者的啟示：不要急著找最強單招，先建立可演進的研究家族

Center Flip 策略族最大的教育意義，在於它示範了「研究家族」的概念。真正成熟的量化研究，不該只是碰巧挖到一條漂亮曲線，而應該能把一個市場現象拆成多個層次，不斷提出下一個更好的版本。當你學會這種方式後，就不會只問「哪個策略 PF 最高」，而會進一步問：「如果今天市場不再偏好突破，它是否仍偏好翻轉？如果翻轉樣本過少，能否用更強的品質閘門維持純度？如果兩者都存在，能否整合成一套更一致的敘事？」

對想進入量化研究的讀者來說，這是一個非常重要的心態轉變。市場從來不是只出單一題型，能持續進步的研究者，也不會只拿一把鎚子看世界。R069、R071、R072 提醒我們：優秀策略往往不是橫空出世，而是同一個市場洞見經過多輪拆解、驗證與融合後，逐步長成的結果。

量化研究最迷人的時刻，往往不是找到一個本來就賺錢的規則，而是把一個原本會虧錢的訊號，拆解到足以反過來賺錢。R024 VP 反轉策略，就是這樣誕生的。研究起點其實來自 IB Breakout 類型策略的失敗樣本：有些日子表面上符合突破條件，實際上卻不是趨勢啟動，而是主力借突破把追價籌碼吸進來，隨後沿反方向快速移動。對多數交易者來說，這類樣本只會被歸類為「假突破」；但對研究者來說，它們等於在大聲告訴你：如果失敗的型態具有穩定結構，那它就不只是雜訊，而是另一套可以被獨立開發的策略來源。

6.1 從錯誤中開採 alpha：為什麼要研究失敗訊號

量化研究裡最常見的心理偏誤之一，是只想保存看起來成功的樣本，把失敗樣本當成該被刪掉的髒資料。然而在市場裡，很多所謂失敗訊號其實不是隨機錯誤，而是另一群參與者正在獲利的痕跡。當 IB 突破本應延續，卻迅速被拉回，表示市場對新價位沒有接受；如果此時又配合成交量分布輪廓（Volume Profile, VP）顯示上方堆積、下方稀薄，則原本的順勢邏輯很可能正好應該反過來解讀。R024 的研究精神，正是把「原策略失敗」改寫成「另一策略的入場訊號」。這種思路之所以重要，是因為它讓研究者不再只問如何避免虧損，而是進一步問：虧損本身是否隱含可收割的結構？

實際上，R024 的基準版本 PF 只有 0.84，明顯不具可交易性。若只從傳統角度出發，最合理的做法是放棄該策略，改研究別的方向；但研究團隊反而反過來檢查那些造成 PF 低落的樣本，發現其中有一群具備高度一致的 VP 結構特徵：價格先做出誘發追價的動作，隨後在成交量密集區附近失速，最後向相反方向加速移動。當這群樣本被重新標記並用 XGBoost 品質閘門篩選後，策略一路演進到 E55，最終把 VP-only 版本拉升到 PF 3.37。這不是單純參數調漂亮，而是整個問題定義被改寫了。

真正成熟的研究，不只是知道什麼該做，更是知道哪些「做錯的樣子」其實透露出另一種可重複的優勢。

6.2 策略骨架：看到失敗，不是認錯離場，而是辨認可反打的結構

R024 最終採用的是 SHORT-only 架構，核心條件非常有意思：當模型評估出的 P(long) ≤ 0.45 時，系統不是單純拒絕多方樣本，而是將其視為反向放空候選。換句話說，模型輸出的不是「看多機率低」這麼簡單，而是「這個原本看似可做多或可順勢的情境，更可能演變成空方機會」。這種設計反映了一個很重要的觀念：在交易研究中，低分不一定代表無意義；只要低分背後對應的是一群高度一致的失敗型態，它就可能構成另一個有價值的訊號來源。

VP 反轉之所以選擇只做 SHORT，並非研究者偏好多空其中一邊，而是資料告訴我們：在這套結構裡，向下反打的樣本更穩定。市場先給出似乎偏多的誘因，吸引參與者往上追價；但從 VP 結構來看，上方其實缺乏持續接受，成交分布出現偏斜，價格一旦跌回關鍵節點，下方釋放的停損與恐慌賣壓會使空方路徑更乾淨。這類樣本若硬要雙向都做，往往會讓優勢被稀釋；相反地，接受「這是一套偏向某方向的結構策略」，反而更符合研究誠實性。

6.3 28 個 VP 結構特徵：把盤感拆成可驗證欄位

R024 能成立的關鍵，不只是「反向」兩個字，而是把成交量分布輪廓的形狀資訊整理成 28 個結構特徵。很多人談 VP 時，習慣只看哪裡量大、哪裡量小；但研究者更進一步，把 VP 的統計特性、形狀特性與跨日位移全部欄位化。例如分布的偏度（skewness）與峰度（kurtosis）可以衡量成交是否集中在某側、是否呈現尖峰；控制點（Point of Control, POC）在整體輪廓中的位置，可以判斷市場的主成交重心偏高還是偏低；高成交節點（High Volume Node, HVN）與低成交節點（Low Volume Node, LVN）之間的距離，則能透露支撐壓力是否集中或稀疏。這些原本只存在於主觀盤感的內容，一旦轉成欄位，就能被模型一致地使用。

更高階的特徵則來自跨日比較。今天的 VP 與昨天有多少重疊？POC 是向上遷移、向下遷移，還是卡住不動？若價格看似突破，但 POC 沒有跟上，是否意味著市場並未真正接受更高價格？這類比較對反轉策略尤其重要，因為很多假突破的本質，就是表面價格先走、成交分布卻沒有同步轉移。R024 之所以能把失敗訊號提煉成可交易機會，很大一部分就是仰賴這些多日 VP 關係特徵，把「看起來有問題」精煉成「在哪些欄位上出現了可重複的問題」。

6.4 從 E1 到 E55：演化的重點不是模型更複雜，而是標的更準確

很多人看到 E55 XGBoost VP-only PF 3.37，容易以為成功原因只是模型愈來愈強。事實上，更關鍵的變化是標記邏輯逐漸明確：研究者不是盲目把所有失敗樣本丟給模型，而是先定義出哪些失敗樣本屬於「有 VP 支撐的可反打結構」，再讓模型在這個已縮小、已較純的母群裡做品質判別。真正的差別不只是演算法升級，而是問題定義越來越接近市場真相。這也是量化研究最常被忽略的一點：如果標記本身混亂，再強的模型也只是在學噪音。

最終版本的認證資料為 PF 3.37、勝率 62.5%、最大回撤 7.9%、交易 269 筆；到了 2025 年隔離驗證（holdout），仍有 PF 2.70、勝率 60.7%。這組數字透露兩層意義。第一，R024 並非靠極少數爆賺交易撐起績效，而是在筆數有限但品質高的樣本中穩定擷取反向機會。第二，隔離驗證成績雖比樣本內稍低，卻仍保有明顯正期望值，顯示策略不是只在研究期間成立。對讀者來說，這是一個很好的示範：當你看到某類錯誤反覆以相同方式發生時，與其只想把它修掉，不如退一步想想，這會不會其實已經是一種獨立的市場現象。

6.5 對讀者的啟示：失敗不是垃圾桶，而是研究資料庫

VP 反轉策略最值得記住的，不只是那個漂亮的 PF 3.37，而是它改變了研究者看待失敗的方式。很多人一做回測，只要發現某條規則虧錢，就急著把它丟掉；但真正成熟的研究流程，會先追問失敗是否集中、是否有結構、是否能被重新定義。若答案是肯定的，失敗就不再只是成本，而是下一個 alpha 的來源。這套想法對所有量化研究都適用，不只限於 VP。

R024 教會我們一件很實際的事：市場不會因為你標記它為「錯誤」就失去價值。很多時候，市場只是告訴你，你原本看的角度不對。當你願意重新定義問題、重新觀察接受與分布，原本的虧損訊號就可能轉身變成獲利策略。對研究者而言，這種能力比單次找到高 PF 更珍貴，因為它意味著你開始具備從資料殘骸裡開採新知識的能力。

在前面幾章裡，本書多數策略都偏向 SHORT 或雙向結構切換，因此 R077 Gap Fill Long 的出現格外有代表性：它是這套研究體系裡首個經認證的 LONG 策略，而且不是靠長線多頭信仰，而是建立在一個極度具體、極度短線的市場現象上——當台指期出現明顯向下跳空時，若恐慌反應過度、且市場環境允許，價格常在上午時段回補部分甚至全部缺口。R077 的關鍵不在於「逢低買進」這種空泛說法，而在於把大幅跳空、回補路徑、選擇權環境與模型共識整合成一套嚴格篩選的入場框架，讓第一個 LONG 策略不是基於樂觀，而是基於可驗證的結構優勢。

7.1 大跌開盤為什麼反而可能是做多機會

許多投資人看到大幅跳空下跌，第一反應是市場很弱、不應輕易接刀；這種直覺在很多情況下是正確的。但短線量化研究要問得更細：這個缺口是趨勢延續型，還是流動性過度反應型？當缺口已達 Gap ≤ -20pt，代表市場在開盤瞬間已反映一段相當明確的負面情緒。若接下來沒有更多賣壓跟進，而是逐步回到夜盤與前一日主要成交區之間，則原本的恐慌定價就可能只是開盤時段的風險溢價，而非全天有效的新平衡。Gap Fill Long 研究的正是這類「先過度、再修正」的情境。

R077 特別之處在於，它沒有把所有缺口都當作均值回歸機會。研究團隊非常清楚，真正危險的不是沒有缺口，而是以為所有缺口都會回補。因此策略只聚焦在大幅向下缺口，並用混合集成模型與環境過濾器確認：今天的缺口比較像歷史上那些快速回補的樣本，還是像那些一路崩跌、接刀就斷手的樣本。當這套過濾完成後，LONG 不再是逆勢逞強，而是有條件地承接過度悲觀。

Gap Fill Long 最重要的不是「猜反彈」，而是辨認哪些跳空其實是市場把恐慌一次灌太滿，留下了上午修正的空間。

7.2 從 E1 到 E6：首個 LONG 策略不是一次到位，而是逐步把雜訊剝掉

R077 的演化同樣經歷多個版本。E1 只能做到 PF 2.09，代表缺口回補這個想法本身有優勢，但還混入不少不該交易的日子。後續版本持續改善兩件事：第一，讓模型不只看缺口大小，而是加入更細緻的早盤狀態、前一日位置、夜盤延伸程度、開盤後最初幾分鐘的承接力道等資訊；第二，讓不同模型以集成方式形成共識，避免單一模型因初始化或特徵偏好不同而過度自信。到 E6 時，未加 GEX 的版本已提升到 PF 6.70、勝率 73.7%、137 筆交易、平均每月約 3.34 筆，顯示這不是每天都有的亂槍打鳥，而是頻率不高但品質很集中的事件策略。

這種演進歷程對讀者非常有啟發。很多人以為首個 LONG 策略一定要從宏觀多頭框架出發，或仰賴很長週期的因子；但 R077 證明，短線 LONG 也可以建立在非常紮實的微結構觀察上。真正困難的不是找一個看起來能做多的理由，而是學會用研究流程把所有看似能做多、其實只是弱勢反彈的情境一一剔除。當你看到 E1 到 E6 的差距時，就會理解：策略演化的本質不是讓模型更花俏，而是逐步把「不值得做的樣本」清理乾淨。

7.3 混合集成：五個 XGBoost 種子加上 FiLM-MLP，為什麼能比單模型穩

R077 的模型設計採用混合集成（Hybrid Ensemble）架構：一方面用五個不同隨機種子的 XGBoost 模型建立樹模型群組，另一方面加入 FiLM-MLP 神經網路分支，最後再整合輸出。這裡的關鍵不是模型越多越好，而是讓不同歸納偏好的模型互補。樹模型擅長處理表格欄位中的條件切分，例如缺口大小、前一日收盤位置、早盤波動斜率等；FiLM-MLP 則更能學習多個連續特徵之間的平滑交互作用。當兩者同時存在時，策略不需要迷信某一種演算法，而是透過共識降低單模型誤判。

為什麼連 XGBoost 都要用五個不同隨機種子？原因在於即使使用同一批資料，模型在訓練過程中仍可能因資料抽樣、特徵子集與樹成長順序不同，對邊界樣本形成略有差異的判斷。若只依賴單一種子，有時會剛好遇到「這次訓練把某一類樣本看得太樂觀」的問題；多種子平均後，則更容易保留穩定訊號、削弱偶然偏見。這也是 R077 能在回補這種樣本數不算龐大的事件上維持穩健的原因之一。

7.4 GEX 環境過濾：為什麼加了選擇權背景後，PF 可以衝到 13.29

R077 後續最驚豔的一步，是導入 Gamma Exposure（GEX）環境過濾器，只在 GEX rank 高於中位數時交易。簡單說，GEX 描述的是選擇權造市者整體 gamma 部位對市場價格波動的潛在影響。當某些 GEX 環境成立時，指數與期貨在大幅跳空後更容易出現穩定回補，而不是失控擴大跌勢。對 Gap Fill Long 來說，這等於多了一個「今天市場是否有利於均值回歸」的上層條件。

啟用 GEX 後，策略 PF 直接升至 13.29、勝率 84%，但交易數也縮到只有 50 筆。這是非常典型的量化取捨：你用更嚴格的環境過濾換到更高的樣本純度，同時也接受機會變少。對實戰者來說，這不是缺點，而是策略定位的問題。如果你的目標是做一個專打高品質事件的低頻武器，那麼 50 筆高純度樣本可能非常有價值；若你需要更平滑的資金利用率，則可能會保留未加 GEX 的版本作為主體，再把 GEX 版當成強化模式。重點不是哪一個數字更漂亮，而是你是否理解兩種版本分別在交易頻率與品質上的交換。

7.5 固定時間出場 11:45：不是偷懶，而是承認優勢有時段性

R077 的另一個好設計，是明確規定 11:45 固定時間出場。很多初學者會覺得，既然是回補策略，為何不等到完全補完才走？但研究結果顯示，缺口回補優勢主要集中在上午，尤其是開盤至中午前這段流動性仍相對充足、夜盤資訊正在被重新定價的區間。過了這段時間後，午盤流動性下降，市場更容易進入整理或等待歐洲、美股資訊的狀態，繼續持有反而會引入與原始假說無關的雜訊。

固定時間出場的價值，在於它把策略的獲利來源限制在最有根據的那段時窗裡。如此安排看似保守，實際上是研究成熟的表現：你知道自己賺的是哪一段行情，就不要貪心去賭後面那段是否也會順便送你。量化系統最怕的不是少賺，而是把原本清楚的優勢擴張到不再屬於自己理解範圍的時空。11:45 這條規則，正是對此的自律。

7.6 對讀者的啟示：首個 LONG 策略之所以站得住，是因為它先學會了節制

Gap Fill Long 看起來很像一個令人開心的反彈故事，但它真正成功的原因其實是節制：只做大幅向下缺口、使用模型共識過濾、必要時再加上 GEX 環境條件，並在 11:45 準時出場。這些節制讓 LONG 不是憑情緒接刀，而是建立在一套相對狹窄、卻相當清楚的結構優勢上。對多數想研究做多策略的讀者而言，這是一個很值得模仿的起點。

R077 的教育意義，不只是「原來本體系也能做多」，而是證明：做多策略完全可以像做空策略一樣嚴謹，只要你願意把市場情境、特徵工程、模型共識與時段邏輯全部寫清楚。真正讓策略可信的，從來不是方向本身，而是你對優勢來源有沒有足夠具體的定義。

如果前面幾章展示的是「先把市場結構講清楚，再用模型做過濾」，那麼 R066 多模型級聯策略就代表研究正式走進深度學習架構的成熟期。它不是把神經網路丟上去試手氣，而是把兩個分工明確的子模型串成二階段級聯：第一階段由 VP-CNN 從成交量分布與市場狀態中學出市場狀態嵌入向量（regime embedding），先回答「現在處在什麼市場環境」；第二階段再由特徵線性調制卷積網路（Feature-wise Linear Modulation Convolutional Neural Network, FiLM-CNN）根據這個環境向量，動態調整主預測網路對價格序列的解讀方式。這樣的安排很有意思：R066 不再假設所有價格型態都該用同一副眼鏡看待，而是承認同一段價格變化在不同市場狀態下，意義本來就可能完全不同。

8.1 為什麼深度學習終於在這裡贏了

交易領域裡，很多人對深度學習抱持兩種極端態度：一種覺得它萬能，任何資料都該丟進神經網路；另一種則認為表格模型已經夠強，深度學習只是華而不實。R066 的價值，正在於它避開了這兩種極端。研究者沒有讓單一大模型硬吃所有資訊，而是先問一個更精準的問題：若市場環境會改變，那麼模型是否應該先理解環境，再根據環境調整對訊號的詮釋？這正是級聯架構存在的理由。當市場從趨勢、震盪、事件驅動到回補環境切換時，同一個局部價格形狀未必有同樣後果；若模型不能感知這種上下文，預測自然容易混亂。

R066 因此採取兩階段設計。第一階段 VP-CNN 像一台環境辨識器，從成交量分布與相關序列學出 16 維市場狀態嵌入向量；第二階段 FiLM-CNN 則像一個會依脈絡調整解讀角度的主模型，根據前述嵌入向量去調制後續卷積特徵。這個方式比單純把所有欄位直接拼接進去更有效，因為它不是讓模型自己在雜訊裡瞎找關聯，而是明確告訴它：先理解環境，再做方向判斷。最終 R066 在認證中繳出 PF 5.23、勝率 63.44%、最大回撤 2.22、頻率 3.1 筆／月，而且六個認證窗全部過關，顯示這不是只靠某段特定年份撐出來的巧合。

R066 的核心洞見是：市場訊號沒有脫離情境而獨立存在，同一段價格軌跡在不同市場狀態下，可能代表趨勢延續，也可能只是雜訊回彈。

8.2 第一階段：VP-CNN 先學的是環境，不是答案

R066 第一階段的 VP-CNN 使用一維卷積（Conv1d）處理序列型輸入，核心結構為 Conv1d(6→24, k=3) 連續兩層，最終壓縮成 16 維嵌入向量（embedding）。這裡最重要的不是某個超參數，而是角色定位：VP-CNN 的任務不是直接告訴你該買還是該賣，而是把複雜的市場狀態濃縮成一個可被後續模型使用的脈絡向量。這個向量可能隱含了成交分布是否集中、近期位移是否順暢、價格與價值區是否脫鉤、當前環境較像趨勢日還是回補日等資訊。當這些狀態先被抽象化後，第二階段模型就不必重新從零理解環境。

這種把「環境辨識」與「方向判斷」分離的想法，在交易建模中特別重要。許多模型失敗，不是因為它完全看不懂局部訊號，而是因為它不知道自己現在所處的市場背景。例如同樣是一段快速拉回，若發生在趨勢擴張日，可能只是健康回檔；若發生在缺口回補日，則可能是主要機會本身。VP-CNN 先學市場狀態嵌入向量，等於先替後續模型回答「今天是哪一類題目」，再讓它判斷這題該如何作答。

8.3 第二階段：FiLM-CNN 不是多一層，而是讓模型懂得因地制宜

第二階段 FiLM-CNN 的價值，在於它不是單純把嵌入向量與原始特徵串接，而是利用 FiLM 機制動態調整主網路各層特徵的尺度與偏移。直白地說，第一階段給出的環境向量，會生成一組 γ 與 β，用來告訴第二階段：在目前這個市場背景下，哪些局部特徵該放大，哪些該收斂。這比單純拼接更高明，因為模型不是被動接收更多欄位，而是主動改變自己看資料的方式。

這種設計解決了一個交易模型裡非常常見的難題：相同模式在不同環境下意義不同。若只做串接，模型仍要自行從大量樣本裡慢慢學出「當市場狀態 A 出現時，這個型態重要；當市場狀態 B 出現時，這個型態不重要」；FiLM 則把這件事顯性化，直接用調制參數改寫特徵表示。對資料量遠不如影像那麼龐大的金融任務而言，這種明確的結構歸納偏好，往往比一味堆大模型更有效。

8.4 認證成績：不只高 PF，更重要的是六窗全過

R066 的認證數字非常亮眼：PF 5.23、勝率 63.44%、最大回撤 2.22、平均頻率 3.1 筆／月。若只看單一統計，它已足以成為本書最吸睛的策略之一；但真正讓它成為里程碑的，是完整認證 6/6 全數通過。這代表不論市場處於哪一段周期，策略都沒有出現明顯崩壞。書中列出的 2021-2026 分期 PF 亦分別達到 3.86、4.70、5.73，顯示它不只在整體樣本上好看，在更細切的時段裡也有一致性。

對量化研究者而言，這種「跨窗一致」比任何單一高 PF 都更珍貴。市場最喜歡懲罰的，就是只會在某一種年代有效的模型；而 R066 之所以能通過多窗檢驗，正是因為它從架構層面承認市場有情境差異，並把情境建模進系統裡。它不是賭市場永遠長同一個樣子，而是讓模型學會在不同樣子下採取不同解讀方式。這也是為什麼本章標題可以毫不誇張地說：這是深度學習的勝利——不是因為模型更深，而是因為架構更貼近市場本質。

8.5 第二部總結：七大認證策略的知識地圖

走到這裡，第二部其實已經把七個認證策略串成一條完整知識線。R014 告訴我們如何從 IB 與中樞抓趨勢破位；R069、R071、R072 說明結構翻轉如何被拆成家族化研究；R024 示範如何從失敗訊號反向開採 alpha；R077 建立首個高品質 LONG 事件策略；R066 則把深度學習真正嵌進市場情境理解。它們乍看分散，實際上共同回答同一個核心問題：在台指期這個高噪音、快節奏的市場裡，如何把結構、環境與模型分工安排得恰到好處。

對讀者而言，最值得帶走的不是哪個 PF 最高，而是每個策略都示範了一種研究態度：先有市場假說，再用資料確認；先理解訊號來源，再談模型強弱；先建立可驗證的結構，再追求更高表現。當你用這種方式回頭看整個第二部，就會發現這七個策略其實不是七個零散案例，而是一套逐步升級的研究哲學。

R098 最大的貢獻，不是再做出一個更會猜方向的模型，而是把整個研究問題重寫。環境偵測系統（Environment Detection System, EDS）指出：市場環境特徵對「方向」幾乎沒有穩定預測力，但對「當日波動範圍」與「是否適合某類策略」卻有明顯可用的資訊。這個結論看似簡單，卻改變了整條研究路線。過去我們問的是「明天漲還是跌？」；R098 改問「今天會是窄幅平衡日、正常延伸日，還是爆發日？」只要問題問對，資料才肯回答。E1 到 E7 的連續驗證證明，方向模型長期繞不開 AUC ≈ 0.50 的天花板，但全日範圍與市場狀態類訊號卻可穩定達到 Corr 0.60+，並進一步轉化為策略 PF 與 Sharpe 的顯著提升。第三部的所有模組、閘門與融合架構，都是從這個範式轉移開始。

9.1 為什麼「猜方向」幾乎注定失敗？

台指期是高流動性、快速資訊反映的市場。若只用歷史價量、委託流、IB 早盤微結構去預測「收紅還是收黑」，訊號很容易在雜訊裡被淹沒。R098 的第一個重要結論來自 E1 委託簿流（Order Flow, OF）實驗：即使把 IB 內 delta family、bid/ask volume、cumulative delta 等微觀特徵系統化整理，方向 AUC 仍只有 0.507，幾乎與丟硬幣無異。這不是模型不夠深的問題，而是研究對象本身信噪比太低。日內方向的形成，混合了外資避險、現貨權值股拉抬、選擇權 gamma 部位、即時消息與被動成交等多重力量；你在 09:15 看見的那點偏向，往往只是眾多力量暫時疊加的結果，不足以轉化為穩定的方向分類器。

然而，當目標從方向改成範圍時，情況立刻不同。E3 靜態環境層把前日波動、跳空、IB 寬度、VP 結構、GEX 分位等因子整理成環境特徵後，方向 AUC 仍只有 0.5001，但全日範圍預測相關卻達到 0.6041。講白一點，市場不願意提前告訴你「收哪裡」，卻常會先漏口風說「今天大概會走多遠」。這非常符合拍賣市場理論（Auction Market Theory, AMT）的直覺：價格終點是一連串競價後的結果，受路徑與尾盤再定價影響很大；但環境是否平衡、是否脫離舒適區、是否存在波動擴張條件，通常在早盤就已有徵兆。

在台指期裡，最難預測的是「最後收哪裡」；相對容易預測的是「今天像不像會鬧大事」。

9.2 十大環境模組與七層驗證路徑

R098 不是單一模型，而是一條從失敗到收斂的驗證鏈。M1 到 M10 十個模組各自描述市場不同面向：早盤範圍、IB K 線解剖、方向信心、VP 結構、多日脈絡（context）、盤中動態、前日 K 線、VP overlap、延伸行為與 SOM 軌跡。它們有強有弱，但共同指向同一個設計原則：用模組化方式把「環境」拆成可計算的子問題。這樣做的好處，是每個模組都能獨立驗證、獨立淘汰，也能在後續 FiLM 與 Cross-Attention 中保留可解釋性，而不是把所有欄位丟進黑盒後期待奇蹟。

七層驗證路徑（E1-E7）則像一條研究篩網。E1 委託流先證明「微觀方向預測幾乎無效」；E2、E3 靜態環境層顯示只要改看全日範圍，相關性就浮現；E4 開始做模組化拆解，並發現 VP 結構類訊號遠強於委託流；E5 將波動與 GEX 交互後，全日範圍 Corr 從 0.5466 推升到 0.6301；E6 再把環境預測轉成市場狀態閘門，基線 PF 1.48 可在 gex_low 情境提升到 4.01；最後 E7 直接整合策略，從原始 PF 1.06 提升到閘門版 PF 3.07，Sharpe 由 0.28 躍升至 5.67。說到底，環境偵測真正的價值，不是讓模型更會猜，而是讓整體交易系統更懂得挑時間。

9.3 最佳市場狀態：normal_gex_low 與 explosive_gex_low

R098 最能落地的結論，是市場狀態不只存在，而且存在明確的優勢區。最佳情境並不是「任何低波動都好」，而是 normal_gex_low 與 explosive_gex_low 這兩種結構：前者代表市場大致仍在正常拍賣節奏中，但缺乏高 gamma 避震器，容易產生順勢延伸；後者則表示市場已進入高張力區，波動一旦擴張便更容易放大。這也是為什麼很多突破策略、延伸策略與移動停利（trailing stop）模型，在低 GEX 區間的表現遠優於全樣本平均。環境系統不是替策略下單，而是先回答：今天的舞台到底是不是屬於你。

在全部 range 模組中，ib_range_pct 是最強、也最樸素的特徵。它的重要，不只在於統計分數高，而在於它符合市場常識：早盤半小時如果已經用大幅度完成重新定價，代表今天的資訊處理速度、雙方接受程度與停損帶動能都明顯高於平常。當這個訊號再和 VP overlap、GEX 分位、多日 VA 遷移一起看時，市場的「日型機率分布」就能被描出大致輪廓。環境偵測的本質，正是把這些本來零散的直覺，變成可量化、可驗證、可整合的共通語言。

M1 到 M5 是環境偵測系統最像「體檢表」的一組模組。它們全部在日盤初始平衡（Initial Balance, IB）結束前後就能建立今日環境的第一版輪廓：M1 估計今日可走多遠，M2 描述今日 K 線可能長什麼樣，M3 提供有限但有用的方向信心，M4 看成交分布是否已經形成共識，M5 再把前幾天的脈絡接回來。這五個模組合在一起，像是交易員在 09:15 之後快速完成的一次總判讀：今天是安靜的、猶豫的，還是準備擴張的？這些模組的重點不只是分數，而是它們各自回答不同子問題，最後才能在融合架構裡形成真正可用的上下文。

10.1 M1：範圍預測（Range Prediction）— 最實用的底座模組

M1 的目標最清楚：用 IB 的早盤資訊預測全日範圍。它的主角不是花俏的神經網路，而是 200 棵樹的梯度提升迴歸器（GradientBoostingRegressor, GBR）。這個設計非常務實，因為全日範圍是連續量、非線性但結構化，而且受少數強特徵主導。九個核心特徵中，ib_range_pct 的重要度高達 0.56，幾乎一個欄位就定義了整個問題的一半。再配上前日範圍、跳空百分比、近五日波動與平靜連續日數（calm streak），M1 在 OOS 取得 Corr 0.610。而且它直接服務 R171 的出場尺度：你不必知道行情往哪邊走，只要知道今天大概能走多遠，停利與移動停損（trailing stop）就會更合理。

M1 的一個重要啟示是：模型未必要超越單一最強特徵，才算有價值。雖然單看 ib_range_pct 甚至能有更高的 raw corr，但模型能提供較穩的區間估計與跨年份耐用性，這對實務更重要。交易員要的是可重複的尺度，不是偶爾命中的神蹟。

10.2 M2：K 線描述器（K-Line Descriptor）— 從 VP Shape 失敗中重寫問題

M2 的故事很有代表性。原先研究直覺認為，全日 K 線或 VP shape 應該可被分類，因此曾嘗試 P / b / D / B / N 等 VP 形態分類；結果 AUC 只有 0.51 左右，顯示離散分類在這裡幾乎沒有可學習空間。R138 的改寫方法是：不再硬分形態，而是預測一組連續描述子，例如上影／下影比例、實體比例、紅綠 K。這種「連續值替代類別」的思路，使得 shadow_ratio 可達 Corr 0.519，body_color 可達 AUC 0.694。更關鍵的是，12 個 IB K 線特徵幾乎主宰全部預測，表示市場在早盤已經透露了今日 K 線的語法，但這種語法不是『今天一定收紅』，而是『今天比較像帶長上影、還是實體較紮實』。

M2 最後透過 ModuleEncoder 壓成 16 維嵌入向量（embedding），不是為了追求神祕表示，而是把 K 線形態語意交給後續模型使用。它本身不是最強模組，但它告訴我們一件事：很多看似「應該分類」的金融現象，其實更適合先用連續描述子來表達，再交由系統整合。

10.3 M3：Direction — 簡單規則為何會贏？

M3 是第三部最值得反覆閱讀的例子之一，因為它直接反駁了「一定要上更複雜分類器」的衝動。R136、R137 的比較顯示，IB 紅 K 對日紅 K 的條件機率高達 67.9%，若 |ib_momentum| ≥ 0.50，方向正確率可上看 81.1%，只是覆蓋率只剩 12.6%。這代表方向訊號是存在的，但只存在於高信心、低覆蓋的小區塊內。與其讓 ML 嘗試在整個樣本上逼出一個不穩定分類邊界，不如保留 ib_momentum、ib_abs_momentum、上漲 bar 比例與 close bias 這些微結構訊號，再用 Linear(5→16) 投射成連續嵌入向量（embedding）。這套作法雖然樸素，卻成功避免了過擬合。

這裡的設計哲學非常重要：M3 不負責下方向單，它只負責說明「今天如果要做方向判斷，這份信心大概有多強」。因此它天然適合當閘門特徵（gating feature），而不是終局裁判。真正成熟的環境系統，不會要求弱訊號做超出能力範圍的工作。

10.4 M4、M5：價值接受度與多日遷移

M4 與 M5 共同補上「市場記憶」這件事。M4 將前日與 IB 的成交量輪廓（Volume Profile, VP）壓成一組結構特徵，例如 HHI concentration、POC position、VA width 與成交量偏度，回答的是：市場目前對價值的共識強不強？若量能高度集中，表示市場在某價格區有高度接受；若成交分布分散，則表示共識鬆動、較可能出現擴張。M4 取得 Corr 0.599，說明市場接受度本身就具有相當的範圍解釋力。

M5 則把視野拉到多日脈絡（context）。它除了報酬、範圍壓縮（range compression）與 ATR ranking 外，特別值得一提的是 VA migration、POC migration 與 VA overlap 這些「價值區搬家」特徵。當 POC 連續大幅上移或下移，代表市場正在重新定義公平價；這種時候，今日延伸範圍往往比靜態平衡日更大。M5 的 Corr 0.601 與 M4 相近，證明單日結構與多日遷移各自獨立、有互補性。

早盤的市場不是一張白紙；它總帶著昨天的成交記憶、近五日的波動記憶，以及剛開盤就暴露的重新定價強度。

如果說 M1 到 M5 是環境偵測的早盤問診，那麼 M6 到 M10 就是把市場的「背景記憶、空間關係與狀態轉場」補齊。這五個模組裡，既有不直接做預測、但對執行期（runtime）非常關鍵的 M6，也有整個系統最強的 M8 VP overlap，還有看似冷門卻提供市場狀態轉場（regime transition）視角的 M10 SOM trajectory。它們共同證明一件事：真正有用的環境訊號，不一定來自更細的方向微分，而常常來自更好的結構表述。市場是拍賣系統，也是記憶系統；跨日模組的價值，就是把這種記憶轉成可運算的特徵。

11.1 M6 與 M7：弱訊號也要有正確定位

M6 盤中動態模組（Intraday Dynamics）的特殊之處，在於它不是預測模組，而是執行期描述模組。它持續追蹤盤中價格與 VA／VP 的關係、是否由平衡轉失衡、是否出現雙分布結構，最後輸出 16 維嵌入向量，供出場與盤中調整使用。許多研究者只重視「能不能在 09:15 預測」，卻忽略市場在 10:30、11:15、12:40 仍會改變日型。M6 提醒我們：環境不是靜態標籤，而是會演化的狀態。

M7 Prev-Day K-Line 則是典型的弱訊號模組。它從前一日與前二、前三日的 extension ratio、前日延伸方向與 IB 正規化 range 出發，試圖回答「昨天長怎樣，會不會改變今天？」結果顯示它的確不強，但也不是沒用。最有價值的發現不是高分數，而是 K 線反持續性：P(紅K | 前日紅K)=49.4%、P(紅K | 前日綠K)=53.3%，而 3 連綠之後次日轉紅可達 56.0%。這說明前一日方向並不會簡單延續，市場反而帶有輕微均值回復傾向。M7 因此只保留 8 維 embedding，扮演微弱但可補充的背景記憶。

11.2 M8：VP Overlap 為何能成為系統最強模組？

M8 是第三部的皇冠。它原本不是這個樣子：R098 早期版本把 M8 想成 order flow 模組，結果方向 AUC 僅 0.507，毫無實用價值。R136 重新定義後，焦點轉為「前三日堆疊 VP 與今日 IB 空間重疊度」，結果 Corr 一舉躍升至 0.863，成為所有模組中最強訊號。這個數字之所以重要，不只是它高，而是它高得合理。拍賣市場理論早就指出，成交量集中的價格區代表市場曾達成共識；若今日 IB 仍停留在前三日高量舒適區內，通常代表今日較可能是平衡日、range 較小。相反地，若今日價格脫離既有價值區，市場等於被迫重新發現公平價，range 自然擴張。

這也是本系統最重要的理論對接：市場接受區不是抽象概念，而是可量化空間。M8 等於把「今天價格還在不在市場舒適區」這句交易員直覺，變成具體可驗證的數字。即使移除潛在代理特徵（proxy）後，Pre-IB corr 仍有 0.773，說明它並非僅僅因為偷看答案，而是本身就承載高信噪比。這種強度，也說明為何後續所有閘門與融合模型都高度依賴 M8 的嵌入向量。

11.3 M9 與 M10：延伸行為與狀態地圖

M9 Extension + K-Line 是另一個從錯誤定義中重生的模組。最早的 Opening Type 分類因為使用了本來就定義於 IB 的欄位，形成明顯循環偏差（circular bias），95.6% 的高準確率其實只是查表。重新設計後，M9 改問：extension_ratio = day_range / ib_range 是否大於 1.5？這個問題合理得多，也直接對應交易最在乎的「今天會不會走出大延伸」。有趣的是，K 線形態在這裡真的有幫助：Doji 型 IB 的大延伸機率高達 86.9%，而大實體 Marubozu 反而只有 73.9%。直觀上也說得通：十字線意味早盤未解決、不確定性高，因此後續更可能繼續找方向。

M10 SOM Trajectory 則把高維市場狀態壓平到 8×8 的自組織映射（Self-Organizing Map, SOM）地圖中，再觀察 BMU 座標、quantization error、density、transition speed、dwell time 與 trajectory angle。它的價值不在單一特徵，而在提供一種「看市場怎麼移動」的拓撲視角。Corr 0.620 不只不弱，還顯示 12 年中有 9 年維持正向增量（lift），說明市場狀態轉場樣式確實可被捕捉。當市場從熟悉區域快速跳到稀疏區、量化誤差升高時，往往就是日型切換或異常擴張的前兆。

真正強大的環境系統，不是把所有問題變成分類；而是知道哪些現象該做預測、哪些現象該做描述、哪些現象只適合當輔助語境。

建立模組只是開始，真正困難的是把模組打磨到可部署。R098 定義出 M1 到 M10 之後，研究並沒有停在「有分數就好」，而是進入更殘酷的品質工程期：哪些模組只是在幸運年份發光？哪些訊號能提高排序，卻會在安全性上出事？哪些升級看似進步，實際只是資訊冗餘？R097 與 R164-R168 的價值，就在於把這些問題逐一制度化。第三部之所以能成為全書核心，不是因為它找到一堆漂亮指標，而是因為它把「模組可信度」本身變成研究對象。

12.1 從 R098 到 R138：先把問題定義正確

R098 解決的是「環境可不可做」；R136 到 R138 解決的則是「哪些模組值得留下」。R136 進行 10 模組總體深潛後，最重要的三個動作分別是：把 M8 從 order flow 改寫成 VP overlap、把 M9 從 opening type 重新定義成 extension ratio、以及證明 M3 簡單規則優於 ML。這三件事共同說明，模組優化不一定是加料，很多時候反而是重新定義問題、移除誤導表述。到了 R137，研究更進一步承認弱模組也有存在價值，但前提是不要讓它做超過能力範圍的工作，因此提出「連續描述器優於離散分類」的整理思路。R138 再把 K 線解剖引入 M2 與 M9，讓形態訊號有更可用的表示方式。

這一段歷程最值得學習的地方，是研究團隊沒有因為早期直覺失敗就全盤否定原始概念。VP shape 分類失敗，不代表全日形態沒有資訊；它只代表『用五類標籤硬切』這個方法錯了。Opening type 被證明有循環偏差，也不代表延伸行為不可研究；而是 target 的設計必須重新與交易意義對齊。優化真正的核心，不是讓每個模組都變強，而是把每個模組放回它應該回答的問題上。

12.2 R097 雙閘門安全機制（Dual-Gate Safety）：把「預測」與「安全」拆開

R097 是品質工程的關鍵拐點。很多範圍模組即使 corr 不錯，實務上仍會出現最怕的情況：模型信心很高，但實際卻遇到大突破日，造成停利設太近、風險低估。R097 的雙閘門安全機制（Dual-Gate Safety）因此不再追求更準的平均預測，而是直接控制高風險誤判。第一道閘門使用分位數迴歸（Quantile Regression）版本的 GBR，預測 P75 上限；第二道閘門則用突破分類器（breakout classifier）估計今天是否容易出現突破。只有當兩者同時滿足安全條件，才允許系統把今天視為「相對安全的窄幅／中幅日」。

這個設計讓 M1 的 FC_P75 從 9.5% 壓到 4.5%，M10 則從 8.2% 壓到 6.4%。請注意，這裡犧牲的是覆蓋率（coverage），而不是精確度。品質工程最成熟的地方就在這裡：研究不再假裝什麼都能高覆蓋、高報酬、高安全，而是承認必須做取捨。R097 告訴我們，對風險管理而言，預測 P75 上限往往比預測平均值更有意義，因為交易系統真正害怕的是尾部超出，而不是均值偏個幾點。

12.3 R168 最終記分卡：哪些模組留、哪些模組退？

R168 的成熟之處，在於它敢做取捨。最終記分卡不只列分數，還同時看 Safety、WFA 與 KB-14 品質門檻。M1、M3、M4、M5、M7、M9 幾乎都進入可用名單，其中 M4 可說是最穩的老將：幾乎不需要大改，卻長期通過安全與穩定性要求。M1 與 M10 則透過雙閘門把虛假信心（false confidence）壓到實務可接受範圍。最具象徵性的是 M2：即使經過六個版本，最終仍只有 Sp 0.13、WFA 0/10，被正式棄用。這不是失敗，而是品質制度真正起作用的證據——系統願意承認某些概念雖然好懂、好講，卻不值得帶進實盤。

KB-14 品質閘門的四條線——Direction AUC ≥ 0.70、Magnitude Spearman ≥ 0.30、FC_P75 ≤ 5%、WFA ≥ 80%——很值得所有量化研究者借鏡。這四項同時存在，能避免研究只在「我覺得有道理」或「單次分數很高」之間搖擺。尤其 WFA 與 FC_P75，正好對應市場最常見的兩種幻覺：把偶發樣本當成穩定優勢，以及把危險尾端誤判成安全環境。

12.4 M2 棄用故事與理論極限：學會承認邊界

M2 的六段演進史幾乎是一堂完整的方法論課。從 v1 的 GEX 日級市場狀態，到 v2 VP shape 五分類、v3 VP 連續描述子、v4 K 線描述器（K-Line descriptor），再到 v5 的增量特徵強化與 v6 最終棄用，過程中沒有任何一步偷懶，但結果仍然證明：這個問題在目前資料條件下就是不夠好。這讓 R168 得以整理出一組極重要的理論極限：M3 的全覆蓋 AUC 大約就在 0.72 左右，若要上 0.84 必須大幅降低覆蓋率；M9 延伸 AUC 的可實用上限大約在 0.76；M1 與 M10 的 FC_P75 經過雙閘門後仍有可行極限；而 R138 的 K 線增量多半只是冗餘，無法無限加分。

這些極限並不悲觀，反而非常珍貴。因為一旦知道邊界在哪裡，你就不會再浪費時間逼模型去做本質上做不到的事。環境系統之所以成熟，正是因為它不再幻想用更多參數突破所有天花板，而是集中力量提升高 SNR 模組的可用性與安全性。

一個研究系統真正成熟的標誌，不是每個模組都高分，而是它知道哪裡該努力，哪裡該停手。

12.5 R161-R163：從「加更多特徵」走向「建立更好的基準」

R161 到 R163 的價值，在於它們把 M-Module 的品質工程從「再丟幾個新欄位試試看」提升成「先問這些欄位到底在回答什麼問題」。R161 研究 bracket 與 IB range 的斜率，R162 研究分布描述子與 Gaussian cross-metrics，R163 則把所有候選模組拉回同一套 benchmark 上比較。這三個研究合在一起，代表環境偵測已經不再只是找相關，而是在建立一套能持續擴充、又不會失控的特徵工學。

其中最直接的突破來自 R161。研究者原本以為真正有資訊的是價位高低本身，結果發現更有用的反而是「最近幾天 IB 是在收縮還是在擴張」。ib_range_slope_3 與 ext_ratio 的 Spearman = -0.324，表示近三日 IB 愈收縮，當日愈容易走出延伸；若把樣本分成五等分，最收縮的 Q1 平均 extension 達 1.89，最擴張的 Q5 只有 1.01，差距高達 87%。把 slope 特徵加入 M9 類 breakout 預測後，AUC 從 0.721 提升到 0.729；放進策略 gate 時，R014 PF 從 2.44 拉到 2.66（+9.0%），R037 也從 5.39 升到 5.71（+5.9%）。

R162 更進一步指出，市場不只可以用斜率描述，也可以用分布描述。研究把 IB、前一日 Day 與前一日 VA 都轉成 Gaussian 描述子後，發現 coverage_ratio 對 ext_ratio 的 Spearman = -0.356，比 R161 的 slope 更強；ib_sigma_norm 與 day range 的 Spearman = 0.561；而最重要的新發現，是 ib_mu_norm 能把 direction AUC 從 0.509 大幅拉到 0.701，平均讓四個預測目標提升約 +13.0%。但這個研究也提醒我們：預測更準，不一定代表策略更賺。當 distribution features 直接拿去做 gate 時，R014 與 R037 在 threshold=0.5 的平均 PF lift 只有 -0.4%，代表它比較適合回到 M1 / M3 這種模組層，而不是直接硬接成策略開關。

R163 看似沒有 flashy 的 headline，卻是這一串研究真正能站得住的前提。它建立了全模組共同 benchmark，讓 R161 的 slope、R162 的 distribution descriptors，以及既有 M1-M10 的各種輸出，都能在同一個報表系統裡比較。對品質工程而言，這種 benchmark 不會直接創造 edge，卻能防止團隊被偶然亮眼的單次 lift 帶偏方向——沒有共同基線，再漂亮的 feature 也只是孤立數字。

真正成熟的模組工程，不是看到一個新特徵就立刻上線，而是先確認它回答的是哪一個問題、增量來自哪裡、以及它是否能在共同 benchmark 上重現。

R098 的十個環境模組全部建立在日盤 IB 之上，這在早期研究階段完全合理，因為日盤流動性高、資料長、拍賣節奏穩定。但隨著夜盤成交量上升，尤其 2021 年後夜盤 VP 與成交結構開始具有可分析性，原本「只做日盤」的設計開始暴露邊界：夜盤策略缺乏環境閘門、日盤模組無法直接轉用、跨盤 context 似乎重要卻又不一定有效。R150 與 R151 因此共同處理一個關鍵架構問題：日夜盤應該分開建模，還是統一處理？答案不是二選一，而是『先分離、再在高層統一』。這一章的價值，不只是讓夜盤也有模組，而是替整條管線建立 SessionAware 的共同接口。

13.1 為什麼必須先把日盤與夜盤拆開？

表面上看，日夜盤交易的是同一個商品，但它們的市場生態其實差異很大。日盤有現貨連動、法人調節與本地消息密集釋放；夜盤則更受美股、國際期貨、匯率與突發事件影響，成交分布也更分散。若硬把兩者當成同一流程，不只 IB 定義會失真，連同一個特徵的市場意義都會改變。R150 的第一項關鍵發現，就是 Day→Night transfer 幾乎全軍覆沒，只有 M1 range Spearman 0.490 勉強有用。這代表日盤模組不是完全沒資訊，而是只有最一般化的波動尺度能轉移，其餘結構與方向語意幾乎都要重建。

另一個關鍵發現是，夜盤的最佳 IB 並不是 30 分鐘，而是 120 分鐘。這個結果非常有市場直覺：夜盤的資訊消化速度較慢、流動性分布不均，前 30 分鐘常不足以完成真正的價值探索。當 Night IB 拉長到 120 分鐘後，Night-M1 可達 0.68，Night-M3 也能有 0.66，說明夜盤不是不能建模，而是不能沿用日盤節奏。研究若忽略這點，就會錯把不適配的視窗當成訊號不存在。

13.2 Night-M1 到 Night-M10：同名，不同市場語意

建立夜盤模組時，一個最容易犯的錯，是以為只要把日盤欄位平移就完成了。實際上，Night-M1 到 Night-M10 雖沿用相同命名，但語意必須依盤別重新詮釋。Night-M1 的 IB 是 120 分鐘，不是 30 分鐘；Night-M4 只有 2021+ 在成交量足夠時才真正可用；Night-M5 的多時段 context 必須依 Day(D) → Night(D) → Day(D+1) 的順序重組；Night-M7 更直接顛倒了 reference：它不是看前一個夜盤，而是看「同日日盤 K 線」，因為對夜盤而言，白天才是最近的 pre-session 記憶。這些差異顯示，盤別切分不是資料工程細節，而是市場因果結構的一部分。

13.3 R151：先分流，再在高層統一

R151 的答案非常漂亮：不要把特徵混在一起，而是把流程統一起來。DataInterface → SessionAwareFeaturePipeline → SessionAwareRegimeGate → SessionAwareStrategyRunner → SessionAwareExitDetector → SignalEmitter 這條鏈，把日盤與夜盤都放進同一操作系統，但保留各自特徵工程、閘門與策略。這個架構有三個好處。第一，工程接口一致，後續擴充與監控成本低。第二，盤別差異被保留，不會因統一而污染訊號。第三，任何跨盤特徵都必須明確聲明因果位置，避免不小心把未來資訊偷渡回去。

此外，R151 也非常誠實地標出限制：夜盤資料只有 2017-05-17 後可用；VP 類分析大致要到 2021 年後才有足夠成交量；R147 已證實某些夜盤策略的市場狀態閘門（regime gate）甚至可能是負增量，因為策略本身已帶自我閘門。這些註記很重要，因為它們提醒我們統一架構不是一視同仁，而是允許不同盤別在不同成熟度下逐步接入。

從部署角度看，SessionAware 設計還帶來另一個好處：同一套監控、記錄與回測框架，可以同時追蹤日盤與夜盤的 gating hit rate、session-specific PF、錯誤訊號來源與資料缺口。這讓研究流程不再只是「哪個模型比較高分」，而是能進一步回答「哪個盤別在哪種市場狀態（regime）下值得分配更多風險」。對台指期這種跨時段商品而言，真正成熟的統一架構不是把訊號揉平，而是保留差異、再把差異交給上層風控與資金配置使用。

統一架構真正要統一的是語法，不是把不同市場環境說成同一種語言。

當 M1 到 M10 都完成之後，下一個問題自然出現：這些模組要怎麼合在一起？若只是把所有欄位串起來，系統雖然「有用到很多資訊」，卻未必真的理解不同層級訊號的關係。R139 的任務，就是把日度環境嵌入向量（embedding）與 bar 層級微觀特徵融合成一個能服務策略閘門的共同語言。研究比較了三條路：只用 FiLM 條件化（conditioning）、只做嵌入融合（embedding fusion），以及混合式 FiLM + 嵌入。結果顯示，FiLM only 僅有 PF 1.12，單純嵌入融合可到 PF 1.30，而混合式雖然 PF 同樣 1.30，卻取得最佳 PnL +5,201，成為最終採用方案。這說明關鍵不是二選一，而是讓上下文調制與特徵表徵各自做擅長的事。

14.1 三種融合方式比較：為何 Hybrid 勝出？

FiLM（Feature-wise Linear Modulation）最大的優勢，是能根據日度環境嵌入向量生成 γ 與 β，動態調整主網路如何閱讀 bar 層級特徵。這非常適合「同一個微觀形態在不同環境下意義不同」的問題。但若只靠 FiLM，模型會過度倚賴調制，反而不足以保留日度模組自身的顯性資訊，因此 PF 只達 1.12。反過來，若只做嵌入融合，系統能保留更多模組資訊，PF 可上升到 1.30，但少了顯式脈絡調制（context modulation），某些 bar 層級型態仍無法被最好地重解讀。Hybrid 的價值就在於把兩者分工：嵌入向量負責攜帶環境內容，FiLM 負責改變閱讀方式，最後再用交叉注意力（Cross-Attention）完成跨層對齊。

這個比較也給量化建模一個很實用的提醒：若問題本質同時需要「知道內容是什麼」與「知道該怎麼讀內容」，那麼單純串接特徵往往不夠。Hybrid 架構之所以適合第三部，是因為環境模組本來就分屬不同語言：M1、M4、M8 更像日度狀態，IB bar 特徵則更像即時語流。兩者不只是資料來源不同，連語義粒度都不同，因此需要專門的對接層。

14.2 缺口特徵：為什麼在樹模型有用，到了神經融合卻可能有害？

R139 另一個很關鍵的研究，是缺口特徵分析（gap feature analysis）。結果發現，ib_drive_strength、ib_half_reversal、open_vs_prev_va、ib_cum_move 這類與早盤推進、價值區位置關係明確的特徵，對融合模型仍有幫助；但 is_settlement、ib_extreme_touch 等欄位在神經架構中不是沒用，就是有害。這背後的原因很值得深思：樹模型善於處理稀疏、條件式、甚至帶一點查表邏輯的欄位；神經融合則更擅長連續、可組合、能在向量空間中自然交互的特徵。當缺口特徵過度依賴硬門檻或制度日曆語義時，樹模型能把它當局部規則使用，但放進神經網路，反而會污染表示空間。

這一點非常關鍵，因為它說明「有用特徵」不是絕對概念，而是與模型家族有關。研究若忽略模型偏好，只會不斷把樹模型時代的欄位往神經網路裡塞，最後得到又大又亂、卻不更好的系統。R139 之所以成熟，正在於它不把所有舊特徵視為理所當然，而是重新檢查哪些特徵真的適合被神經融合。

14.3 交叉注意力（Cross-Attention）：讓不同層級的市場語言彼此對話

交叉注意力（Cross-Attention）的核心，不是把資料「混在一起」，而是讓一種表示去詢問另一種表示。R139 中，Q 來自 bar 層級特徵，也就是每根 K 線的局部語境；K 與 V 來自日級環境嵌入向量，也就是 M1 到 M10 所總結出的當日背景。當某根 bar 發出查詢時，它其實是在問：「在今天這種環境下，我這個形態應該怎麼被理解？」這個設計比單純拼接高明得多，因為它允許每根 bar 從不同模組提取不同上下文，而非被迫接受同一份靜態說明書。

這種設計也非常符合交易的真實認知流程。交易員看 5 分 K，不會脫離「今天是低 GEX、是高 overlap，還是正在轉換市場狀態」的背景來閱讀。同一根拉回棒，在高 VP overlap 的平衡日可能只是雜訊，在低 overlap、低 GEX 的爆發日卻可能是絕佳追價訊號。交叉注意力做的，就是把這種跨語境閱讀顯性化。

模型融合最難的，不是讓大家都進同一個房間，而是讓每個人說的話能被正確翻譯。

當環境偵測（Environment Detection）從單點實驗走向模組化之後，真正的難題才開始浮現：同一天的市場結構，對不同策略的意義並不相同。對突破策略而言，擴張日可能是獎勵；對均值回歸策略而言，卻可能是災難。R140 的核心貢獻，就是把「今日市場是什麼樣子」進一步轉成「今天這一套策略該不該出手」。因此，策略閘門（Strategy Gate, Gate）的定義不是再做一次總體市場狀態分類，而是為每一個策略各自訓練一個專屬閘門，讓系統在日級別先預估該策略的當日損益，只有當 pred_pnl > 5 時才放行。這個設計把『環境研究』轉化成『策略治理』，也把原本抽象的市場描述，落成可以直接影響部位開關的工程接口。

15.1 從環境偵測走向每策略專屬閘門

R140 的出發點非常務實：若一個環境模組只能告訴你「今天可能是趨勢日」或「今天波動可能較大」，那仍然需要策略端自己再解讀一次。這樣的系統容易在策略數量增加後失控，因為每個策略都會對同一組環境訊號做不同翻譯，最終導致研究不可追溯。R140 直接改變問題定義，將目標值（target）設為各策略當日損益，讓模型學習「在今天這組市場狀態下，R071 大概會賺還是會賠」、「R014 是否值得承擔風險」。這種一個閘門服務一個策略的做法，表面上增加了模型數量，實際上卻大幅降低使用端的歧義，因為每個閘門只需回答一個問題：今天要不要讓這個策略進場。

模型架構採用混合式特徵線性調制（Feature-wise Linear Modulation, FiLM） + 嵌入（Embedding） + 交叉注意力（Cross-Attention）的設計，延續 R139 的融合精神，但把輸出明確綁到策略層。輸入分成兩層：第一層是 25 個日級特徵，用來描述當天整體環境；第二層是 6×12 的 IB bar 特徵，用來保留開盤初始平衡（Initial Balance, IB）過程中的細節節奏。前者提供市場狀態輪廓，後者提供微觀脈絡。這個組合的好處，是閘門既不會只看全日摘要而忽略早盤展開，也不會只看 bar 序列而失去跨模組的結構語意。

這裡有個關鍵細節：R140 並不是把所有模組都視為同等強度的超額報酬來源（alpha source）。這裡的閘門更像一個策略專屬的風險估價器：它並不直接替代進場邏輯，而是在策略已經產生候選訊號後，先判斷今日環境是否值得下注。也因此，門檻值設為 pred_pnl > 5 並不是追求極高精準度，而是要求模型至少能辨認「今天大致有沒有邊際優勢」。當策略數量增加時，這種每策略專屬閘門的價值會遠高於單一全域篩選器（filter），因為它保留了策略差異，而不是硬把所有策略壓進同一條規則。

15.2 5 折前行驗證與注意力權重：強化的是穩定性，不是戲劇性

R140 的驗證不是只看單一長樣本，而是採用五折走勢前行驗證（Walk-Forward Analysis, WFA）：(2004-08)、(2009-12)、(2013-16)、(2017-20)、(2021-24)。這樣的切法有兩個優點。第一，它跨過了金融海嘯、歐債危機、疫情與高波動轉折，能檢查 gate 是否只是吃到某一個景氣段的紅利。第二，它讓研究者更清楚看見不同策略對 gate 的敏感度：有些策略會在大多數折數穩定改善，有些策略只在局部階段看起來很漂亮。R140 的價值，正是在這種跨時段檢驗下仍能留下實際增量。

從注意力權重來看，交叉注意力（Cross-Attention）的結果沒有出現「某一組模組獨吞權重」的情況，反而相當平均，約落在 0.16 至 0.18 之間，其中 M2_KLine 稍微偏高。這個觀察很有意思，因為它說明閘門並不是只靠某一個超強模組在決定開關，而是透過多組訊號共同確認市場狀態。M2 本身未必是最能單獨創造超額報酬（alpha）的模組，但在閘門裡，它扮演的是節奏描述子的角色：當 M1 範圍、M4/M5 VP、M9 延伸已經提供結構輪廓時，M2 能補上「這個開盤推進長得像不像容易失控的樣子」。說穿了，略高的注意力不代表 M2 單獨最強，而是代表它在多模組協同裡具有補語意的功能。

15.3 多策略閘門設計哲學：會停手，比會出手更重要

若把 R140 濃縮成一句話，那就是：知道何時不要交易，比知道何時交易更有價值。 這不是保守，而是實戰。多數策略本來就不是天天都有優勢，問題在於交易系統若缺乏節制，就會在邊際優勢不明的日子硬做，最後把原本少數高品質樣本的優勢稀釋掉。閘門與篩選器的差別，也因此很關鍵：篩選器通常是連續式評分或簡單門檻，像是在訊號後面加一層打折；閘門則是二元決策，明確回答今天是否開門。對執行系統而言，這種二元控制（binary control）的治理效果更清楚，也更容易在回測與實盤中追蹤責任歸屬。

日常生活中，這很像每天出門前先看天氣。你不是看到有 30% 下雨機率就把行程打八折，而是直接決定：今天是帶輕裝、帶傘，還是乾脆不要安排戶外活動。市場環境亦然。當 gate 認為今天不適合某個策略，不代表市場完全不可交易，而是表示這一套特定玩法今天不該上場。這正是 R140 最成熟的地方：它尊重策略差異，而不是追求一個萬用的神奇市場分數。

組合層級的結果也證明了這種設計哲學。閘門加入後，組合 PF 從 5.121 提升到 6.209，最大回撤（Maximum Drawdown, MDD）由 -740 收斂到 -550，而每日平均啟用策略數從 1.75 降到 1.04。這三個數字合在一起的意義非常深：系統不是靠加槓桿、加交易次數來換績效，而是透過更嚴格的放行制度，把劣質樣本排除在外。當 active strategies/day 顯著下降，卻同時換到更高 PF 與更淺 MDD，代表 gate 的真正貢獻不是『多賺』，而是『少犯錯』。

真正成熟的多策略系統，不是每個策略每天都想上場，而是每個策略都知道自己什麼天氣該坐板凳。

如果說 R140 解決的是「某策略今天要不要進場」，那麼 R170 解決的就是「這個答案要如何穩定地被整條系統使用」。管線閘門（Pipeline Gate）位在 R098 環境模組與 R171 出場優化之間，專職把各模組的原始輸出轉成標準化預測欄位，並同步生成各策略的 gate-pass 結果。它的最大設計原則，是把『預測』與『使用』分開：R098 只負責產生可解釋的市場描述，R170 只負責整理成一致的接口，R171 或策略執行器再決定怎麼把這些結果轉成出場、停損、停利或部位控制。這種分工看似保守，卻是整套研究能持續迭代而不互相拖累的關鍵。

16.1 為什麼要把模組輸出標準化？

環境模組成熟後，最容易出現的新混亂不是模型失靈，而是介面失控。M1 預測的是 range，M3 給的是 direction 分數，M9 描述 extension，M10 又是另一種 range 定義；若每個策略都各自直接讀取原始模型輸出，很快就會形成一張難以維護的蜘蛛網：欄位命名不一致、信心分數尺度不同、版本升級時策略端全面爆炸。R170 的第一項工作，就是把這些差異收斂成一組每日固定欄位，讓下游只需要依賴契約，不需要依賴模型內部細節。

標準化之後，日輸出會包含像 m1_pred_range、m1_confidence、m3_pred_dir、m9_pred_ext、m10_pred_range 這些欄位，同時也會根據各策略的門檻規則，額外計算對應的 gate-pass 旗標。如此一來，R014 可以只讀自己的 gate-pass 與必要預測欄位，R071 可以讀同一批標準欄位但使用不同邏輯，R171 則能進一步把 m1_pred_range 轉成 trailing stop 的動態距離。這種設計的真正價值，不在於欄位漂亮，而在於研究和執行邏輯終於被拆開。

16.2 基線（Baseline）與消融分析（Ablation）比較：R170 為何是比較對的橋梁

從架構角度看，R170 的意義不只是整理資料，而是替研究流程建立一個可以長期維護的中繼層。若沒有這一層，最直覺的基線（baseline）做法，就是讓策略或出場模型直接讀取所有 R098 模組的輸出。這種直接耦合（direct coupling）一開始開發很快，後期卻極難治理：只要 M1 改一個欄位尺度、M3 換一個信心校準方式，下游所有策略都必須跟著改。另一種消融分析（ablation）則是把所有模組輸出丟進單一共享隱狀態，再由各策略各自讀取；這聽起來更「深度學習」，但它會讓原本可解釋的模組語意被隱藏在混合向量裡，日後很難審計到底是哪個模組在造成某次錯誤放行。

R170 採用的路線，介於這兩者之間：先保留模組層的語意，再把它們轉成標準欄位，最後才交給下游使用。這使它成為一種「可獨立升級、可回溯責任、可跨策略共用」的架構。當 M1 換版本時，只要 R170 仍維持 m1_pred_range 這個契約，下游邏輯幾乎不用動；若某次風險事件發生，也能回頭檢查是 M1 高估 range、R170 門檻設定不當，還是 R171 將 range 用錯地方。這就是現代研究管線中最重要卻最常被忽略的能力：不是把模型做得更炫，而是讓系統出錯時能知道誰該負責。

16.3 從環境到出場的橋梁：預測與使用分離的實戰意義

R170 最值得強調的一點，是它明確拒絕把「知道市場狀態」和「知道該怎麼處理部位」混為一談。環境偵測模組擅長的是抽取市場結構，例如今天可能會走多遠、方向偏多或偏空、是否容易延伸；但出場決策還必須考慮目前持倉方向、浮動損益、策略屬性與交易成本。若把這兩種任務硬塞進同一個模型，往往只會得到漂亮但不可維護的黑盒。R170 的橋梁角色，正是在這裡發揮作用：它把環境知識變成可重複消費的公共資產，讓不同使用端在不重訓環境模型的前提下各自演化。

因此，R170 其實是從環境偵測走向執行優化的真正分水嶺。R098 負責說明「今天像什麼」，R170 負責把這些答案翻譯成機器能穩定讀取的欄位，R171 則進一步測試「這些欄位能否改善出場」。這三層的先後順序，代表研究流程從描述世界、到治理接口、再到優化決策的成熟過程。少了 R170，R171 的實驗很難做乾淨；有了 R170，才能真正檢驗某個環境模組到底對出場有沒有價值，而不是把一堆功能混在一起後再宣稱有效。

好的研究管線，不是每一層都很聰明，而是每一層都清楚自己該負責什麼。

R171 要回答的問題非常直接：環境模組辛苦產生的那些預測，能不能真的幫助出場決策？這是一個很多研究團隊都會直覺回答「當然可以」的問題，但 R171 的價值恰恰在於它沒有想當然耳，而是把答案拆成多個實驗層次逐一驗證。結果相當精彩：M-module 單獨幾乎無法直接預測「現在該不該出場」；把這些靜態環境特徵硬塞進深度學習出場模型，效果甚至還變差；真正有效的做法，反而是利用 M1 的 range 預測去調整規則式追蹤停損（Trailing Stop）距離。這一章最重要的洞見是：知道今天能走多遠，往往比知道哪一根 K 棒要不要平倉更有價值。

17.1 E0：環境模組能直接預測出場嗎？答案幾乎是否定的

E0 是最基礎也最重要的驗證：如果只把 M-module 的輸出拿來預測「某個持倉時點是否應該出場」，其辨識力有多高？結果 AUC 只有 0.4978，幾乎等同隨機。這個結果一開始看起來很失望，實際上卻非常合理。因為出場本質上是一個條件決策問題，它依賴的不只是今日環境，還包括你是怎麼進場的、目前持有多久、浮盈浮虧多少、策略原本追求的是趨勢延伸還是均值回歸。環境模組描述的是『世界長什麼樣子』，而出場決策問的是『在我已經身處其中的情況下，現在該不該離開』。這兩者不是同一層次的問題。

因此，E0 的負結果並不是說環境模組沒用，而是提醒研究者：不要期待錯層級的訊號解決錯層級的問題。若硬要讓 M-module 直接回答 exit label，就像要求天氣預報直接告訴你某段高速公路第幾公里要不要踩煞車。天氣當然重要，但它不是煞車訊號本身。R171 的後續設計，正是建立在這個清楚的否定之上。

17.2 E1：把環境靜態特徵硬加進 DL Exit，結果反而更差

既然 M-module 不能單獨預測 exit，下一個自然想法就是：那把它當成輔助特徵，加入深度學習出場模型總可以吧？E1 便測試了這條路。結果對 R014 的 TCN 模型來說，AUC 從 0.6466 微降至 0.6461，幾乎沒有改善；對 R071 的 CNN1D 模型更明顯，AUC 從 0.6493 掉到 0.6250，反而變差。這個現象揭示了一個常見陷阱：當環境特徵是低頻、日級、靜態，而出場模型處理的是高頻、持倉內部的路徑序列時，兩者直接拼接不但不一定互補，還可能讓模型在不相干的尺度上分心。

關鍵不在於環境模組有沒有價值，而在於它的價值不在「當成另一個靜態欄位餵給神經網路」。神經網路擅長從路徑裡辨識即時狀態，環境模組擅長描述今日上限與節奏條件。如果把前者該做的事與後者該做的事混在一起，模型反而可能把關鍵的持倉內訊號稀釋掉。R171 的負面實驗因此極其珍貴：它告訴我們，特徵多不等於更好，尺度一致與任務對齊才重要。

17.3 E2：真正有效的是用 M1 預測距離，去調整追蹤停損

R171 最漂亮的結果來自 E2：不再要求模型直接回答 exit label，也不再把靜態環境特徵塞進深度學習網路，而是把 M1 的 pred_range 用來調整規則式追蹤停損的距離。這時，環境模組終於用在它真正擅長的位置——提供今天合理的移動空間估計。對 R071 而言，act30_trail30 的設定在結合 M1 預測後，PF 從 3.14 躍升到 7.89，增幅高達 +151%，同時 MDD 從 -527 大幅收斂到 -195，堪稱本章最具代表性的冠軍結果。這個結果不是小優化，而是直接改變策略出場品質的等級。

為什麼這招對 R071 特別有效？因為 R071 的風格更接近會先有推進、再進入拉鋸的型態，若能在一開始就知道今天整體大概能走多遠，就能把停利啟動點與 trailing 距離設在更貼近市場節奏的位置。當市場容易擴張時，不要太早被雜訊洗掉；當市場天生不會走太遠時，也不要幻想大波段還會再來。M1 不是在告訴策略「現在立刻出場」，而是在告訴它「今天適合用多寬鬆或多緊的安全帶」。這正是環境資訊最合理的使用方式。

反過來看，R014 在所有這類配置上都呈現負增量，原因也很有邏輯。R014 屬於突破型策略，真正的優勢來自趨勢延伸與持有到收盤的能力；對這類策略而言，過早啟用動態追蹤停損，反而可能把原本應該持有的趨勢單提早洗掉。這正好證明：出場最佳化不會有萬用答案，策略風格決定了哪一種 exit 才是「合理」的 exit。趨勢型策略更常需要 hold，均值回歸或短波段策略則更能從動態 take-profit 中受益。

出場優化最常見的誤區，是執著於「哪一刻該走」；R171 告訴我們，更高價值的問題其實是「今天最多值得抱到什麼程度」。

17.5 R172：把出場模型再做一遍，答案仍然是「規則勝過加料」

R171 已經給了一次重要提醒：環境模組不適合直接拿去做 exit label 預測。R172 的價值，在於它沒有停在概念層，而是把這件事重新做得更徹底——加入 R138 的 K 線解剖特徵、重新測試 M-Module conditioning、甚至檢查 GBM 出場與 trailing stop 是否存在協同效應。結果比 R171 更直接：E0 的 K-line ablation 只有 8/20 組贏過基線，平均 ΔPF = -0.144；E1 的 M-Module conditioning 只有 2/5 組為正，平均 ΔPF = -0.145；E3 更顯示 0/5 策略出現 GBM+trail 協同效應，trail alone 全部獲勝。

為什麼會這樣？因為出場問題本質上仍然主要由持倉內部狀態決定，而不是由更多外部特徵決定。R172 再次驗證，bars_held、current_pnl、mfe 這些 trade-level 狀態，幾乎永遠排在特徵重要度最前面；反而 K 線 anatomy 與 M-Module 這種 day-level 上下文，對 exit timing 沒有穩定增量。這也解釋了為什麼 M1 校準的 trailing stop 會長期勝出：它問的不是『下一根 K 棒是否應該平倉』，而是『在目前已經賺到多少、今天大概能走多遠的前提下，安全帶該拉多緊』。

不過 R172 也沒有把 trail 神化。它清楚指出 trail 存在 PF 與 Total PnL 的 trade-off：像 R071 的 trail PF 可以衝到 125，但總 PnL 只有 5,021，明顯低於 baseline 的 12,456。也就是說，規則式 trailing stop 更像是一種把交易品質做乾淨的工具，而不是保證把總利潤做到最大化的魔法按鈕。這個認知很重要，因為它告訴研究者：exit 最後不是比誰更聰明，而是比誰更清楚自己在優化『品質』還是『數量』。

當單一策略的研究走到一定成熟度後，真正決定資金曲線穩定度的，往往不再是某一個策略能不能再多賺幾個百分點，而是整體組合如何彼此搭配。R122 的重點，不是選出唯一最強策略，而是把八套特性不同的系統——R014、R024、R026、R066、R069、R071、R072、R077——放進同一個投資組合最佳化（Portfolio Optimization）框架裡，檢查它們在長樣本中如何共同分擔風險、共享報酬。結果非常亮眼：組合 PF 3.13、勝率 53.9%、累積 PnL +377,434 pt、年化 Sharpe 5.38，最大回撤僅 -754 pt，而且 26/26 年皆為正報酬。若進一步採用最大夏普（Maximum Sharpe）配置，Sharpe 還能提升到 6.08；若再加上選擇性環境閘門，最佳配置甚至能把 PF 推到 10.05，並把 MDD 壓到 -254。

18.1 八策略組合：分散化不是把更多策略塞進去，而是讓來源彼此不同

R122 最值得學習的第一件事，是它沒有把「策略很多」誤當成「分散化很好」。真正有價值的組合，來自於不同風格、不同節奏、不同市場結構敏感度的互補。R014 與 R071 雖然都是全書中的重要主力，但一個更偏突破持有，一個在出場設計上更能受惠於動態保護；R024 與 R072 提供另一組不同邏輯的參與方式；R066 與 R077 則被證實是整個組合中最重要的分散化因子。這裡的重點不是誰績效最高，而是誰能在別人失靈時仍提供不同來源的報酬流。

這也是為什麼組合研究一定要跳脫單一策略視角。當你只看單一系統，很容易陷入「這策略 PF 高不高」的思維；但在多策略資金配置中，更重要的其實是相關性、回撤重疊、風險貢獻與市場階段覆蓋度。R066 和 R077 被點名為最強分散化因子，並不只因為它們自己表現不錯，而是因為它們能有效降低整體組合在相同壓力事件下同步失血的機率。這種效果在長期資金曲線上，往往比多 0.2 的單策略 PF 更重要。

18.2 三種配置方法：Equal Weight、Risk Parity、Max Sharpe

R122 比較了三種典型配置方法。第一種是等權重（Equal Weight），也就是每個策略分配同樣資本。它的優點是最簡單、最不容易因估計誤差而過度最佳化，非常適合作為基線。第二種是風險平價（Risk Parity），核心思想是讓每個策略對組合波動的貢獻更接近，而不是讓名目資金一樣多。若某策略波動大，就配少一點；波動小，就可多配一些。第三種則是最大夏普配置，根據預期報酬與共變異數矩陣，尋找風險調整後報酬最佳的權重組合。

在實務上，這三種方法不是誰絕對最好，而是代表不同治理哲學。等權重重視穩健與簡單；風險平價重視每個策略的風險貢獻公平；最大夏普則追求更高效率，但也最依賴估計品質。R122 的結果顯示，整體組合已經有非常優秀的基礎：PF 3.13、年化 Sharpe 5.38、26/26 年獲利，表示即便不追求花俏的權重調參，策略池本身就具備很高品質。而最大夏普配置能把 Sharpe 再推到 6.08，則說明這些策略之間確實存在可被最佳化吸收的互補空間。

同時必須理解的是，配置方法不是一次算完就永久有效，而必須搭配穩定的再平衡節奏與保守的估計程序。若每次只因最近幾個月表現好壞就大幅改權重，很容易把短期噪音誤認為結構訊號。R122 蘊含的真正方法論，是先建立足夠多元且可信的策略池，再用配置器做「溫和但持續」的優化，讓組合效率提升，而不是讓權重本身變成另一個過度擬合來源。

18.3 選擇性環境閘門：不是所有策略都要一起加門

R122 的另一個關鍵發現，是環境閘門若與資產配置結合，效果可以大幅放大，但前提是要「選擇性」使用。最佳設定並不是替所有策略一視同仁地加 gate，而是只對 R014 與 R071 這類已知對環境敏感、且 gate 已被驗證有效的策略，採用門檻值 5 的 selective env gate。這樣做的結果，是整體組合 PF 進一步來到 10.05，MDD 壓到 -254，形成整套系統中極具代表性的最佳配置。

這個結果背後有兩層意義。第一，環境治理的價值會被組合放大。單一策略的 gate 改善，可能只看見少數指標提升；但當它被放進多策略組合中，因為能同時減少不必要部位與降低回撤共振，總體效果會更顯著。第二，gate 也必須遵守分散化原理。若某些策略原本就是分散化因子，例如 R066、R077，貿然用 gate 把它們過度裁切，反而可能破壞組合的互補性。因此，最好的組合最佳化不是「所有好東西都全部打開」，而是知道哪些工具該加在哪些策略身上。

投資組合最佳化的本質，不是挑一個最會賺的策略，而是讓整體資本在更多市場狀態下都能活得久、活得穩。

18.4 R173 與 R180：從投資組合最佳化走向 MET Pipeline 組合

R122 告訴我們，多策略可以靠配置器變得更穩；R173 與 R180 則把問題再往前推一步：如果把同一套 M-Module gate 與 trail exit 套到多個策略上，整個組合會不會更像一台可複用的生產機器？R173 的第一版答案是肯定的。它把 R014、R071、R066、R024 與 R077 串進同一條 MET Pipeline 後，發現真正最有普遍性的增強不是 gate，而是 trail：四個主策略 PF 全部提升 +144% ~ +464%，5 策略組合 Sharpe 來到 7.41，95% 月份獲利，且日損益 Spearman 全部低於 0.27。不過這個版本同時也暴露一個根本問題：R077 雖然是絕佳 LONG 分散器，但自身仍帶有 look-ahead bias，因此 R173 更像證明『方法有效』，而不是最終乾淨的 production roster。

R180 的工作，就是把這個組合從「有效」推進到「乾淨可用」。它用 R069 取代帶偏差的 R077，並把 R174 的 opening type 與 R175 的 day type 併入 gate 特徵。策略層級來看，強化後的 gate 幾乎全面變好：R014 的 gate 效果在單策略實驗中從 PF 6.47 提升到 12.84，R071 甚至從原本 gate 無效變成可用；但組合層級的答案卻更微妙。最佳 production recommendation 反而不是強化版，而是 E1 的 Base MET Portfolio：Sharpe 5.43、PnL/MDD 629.0、月勝率 96.4%、2015-2024 零虧損年。當 gate 變得太 aggressive、交易數被大幅裁切後，單策略 PF 雖然更漂亮，整體分散化效果卻反而下降，Sharpe 也從 5.43 降到 5.07。

這個結果非常值得記住。量化團隊很容易在單策略優化時不斷追求更高 PF，但對組合而言，真正重要的不只是每條曲線夠不夠漂亮，而是它們能不能在不同日子輪流工作。R180 最終讓我們看到一個更成熟的結論：Gate with ML, Exit with rules 仍然成立，但 gate 的好壞必須以組合結果來裁決，而不是只看單策略的局部提升。

組合研究真正難的地方，不是把每個策略都調到最漂亮，而是知道什麼時候該保留一些「不那麼完美但更能分散」的交易。

再好的策略、再漂亮的模型，如果沒有一個能跨策略、跨時段、跨風險來源運作的風險管理框架，最終仍可能在少數幾次失控中把長期優勢吐回去。本章整理的，不是單一停損規則，而是一套從部位縮放、特殊日期過濾、日夜盤風險隔離，到月份／年度品質審查的完整風控結構。這個框架的核心思想非常清楚：風險管理不是交易之後的補救，而是整個研究系統的第一層約束。當回撤（Drawdown, DD）擴大、結算日風險升高、連敗月份堆疊或持有品質下降時，系統應該主動縮手，而不是等到最壞結果發生再來檢討。

19.1 DD 自適應部位控制：先活下來，才有資格談複利

本框架最直觀也最重要的一條規則，是 DD 自適應觸發條件（DD-adaptive trigger）：當累積 DD < -100 pt 時，立即降低部位。這條規則的精神，不是因為策略突然失效就永遠停用，而是承認市場與策略之間可能暫時進入不合拍的階段，此時最好的決定往往不是繼續硬扛，而是先把風險暴露降下來。許多交易系統之所以在紙上績效漂亮、實盤卻撐不住，不是因為平均期望值錯了，而是因為部位沒有隨著壓力狀態一起調整。

DD 自適應的價值，在於它把『策略是否仍有優勢（edge）』與『現在能不能承受相同風險』分開處理。就算一套系統的長期統計仍然有效，當你剛經歷一段連續失利，帳戶承受能力與心理承受能力都會下降。此時若還用全尺寸部位交易，等於是在最脆弱的時候承擔最大波動，這與風控的本意完全相反。因此，DD 觸發條件應被視為組合層級的保命閥，而不是對策略的懲罰。

19.2 特殊日期與盤別隔離：結算日、日夜盤不能混成一鍋

風控框架的第二個支柱，是承認「不是所有交易日都一樣」。結算日就是最典型的例子。研究顯示，R016 在結算日的 PF 會從 2.17 劇烈下滑到 0.37，而多數策略在結算日也普遍表現較差。這意味著結算日不只是普通的高波動日，而是市場微結構與流動性行為明顯改變的特殊狀態。對這類日期，最合理的處置通常不是強行用平日規則硬做，而是直接排除，或至少顯著降低部位。

同樣的道理也適用於日盤與夜盤風險隔離。日夜盤雖屬同一商品，但資訊來源、參與者結構與流動性節奏不同，若把兩者的風險暴露與停損狀態全部混在一起管理，可能會產生錯誤的連動。例如，日盤遭遇短暫震盪並不代表夜盤同樣失效；夜盤受國際事件干擾的大波動，也不應直接迫使日盤策略停擺。實務上，更好的方式是先在 session 層級隔離風險，再由組合層統一分配總曝險。這樣既能保留盤別差異，又能避免單一時段事故擴散成全系統去風險。

19.3 M11、M12、M13：把長期品質審查納入風控

風險管理若只看單筆停損或單日波動，很容易忽略更高層次的結構性衰退。本框架因此加入 M11 到 M13 三組長期治理條件。M11 要求連續虧損月份不超過 3 個月，避免策略長時間進入不自覺的失效狀態；M12 強調年度不虧損要求，意即策略不只要在整體樣本中賺錢，還必須具有跨年度存活能力；M13 則針對持有時間與盈虧比做分級，檢查策略是否逐漸演變成『抱太久卻只賺一點、虧損卻拖很久』的低效率型態。

這三條規則讓風控從「不讓單筆爆掉」提升到「不讓系統慢性惡化」。尤其在多策略組合裡，慢性惡化比瞬間爆炸更危險，因為它常常不會立刻觸發劇烈警報，卻會一點一滴侵蝕整體效率。當某策略連續三個月都無法恢復、某年度開始明顯失去穩定性、或持有品質分數持續下降時，就應該重新評估是否降低權重、進入觀察名單，甚至暫停交易。這種制度，能有效避免研究團隊陷入「它以前很強，所以再等等看」的沉沒成本陷阱。

19.4 部位 sizing 框架：從 Kelly 到 half-Kelly 的現實落地

部位 sizing 是風控中最容易被過度數學化、卻也最容易在實戰中走樣的區域。凱利準則（Kelly Criterion）提供了一個經典起點：若勝率為 p、賠率為 b、失敗機率為 q = 1 - p，理論最佳投注比例為 f* = (p·b - q) / b。這個公式的數學魅力在於，它追求長期資本成長率最大化。然而，真實交易裡的 p 與 b 都不是固定常數，且估計誤差會被槓桿放大，因此全 Kelly 在實務上往往太激進。

這也是為什麼 half-Kelly 常被視為更可行的折衷。它承認模型參數有不確定性，也承認市場不是賭桌。對多策略系統而言，更合理的 sizing 流程，通常是先以策略品質分數、gate 結果、DD 狀態、結算日標記、日夜盤 session 狀態等因素共同決定風險倍率，再把 Kelly 型思維當成「上限感」而非絕對命令。簡單說，Kelly 幫你知道理論上不能太小，但 half-Kelly 與多層風控則幫你避免在現實中押得太大。

不要把整副籌碼壓在一手牌上。真正能活到最後的，不是每次都敢重押的人，而是知道什麼時候該縮手的人。

研究做到最後，真正決定一套策略能不能上桌的，不是單次回測有多漂亮，而是它能不能穿過一條足夠殘酷、又足夠可重複的認證管線。本書把正式認證拆成五個階段：先做程式碼稽核，再做統計驗證，接著檢查強制標準 M1-M13、可選標準 O1-O13，最後再以 2025 年後完全隔離資料進行最終隔離驗證（Final Holdout）。這樣的設計不是官僚流程，而是為了回答一個最實際的問題：這個優勢（edge）到底來自市場，還是來自研究者自己不小心塞進去的錯覺？

對台指期這種高噪音市場而言，若沒有分層認證，策略很容易只是在某段年份、某種滑價設定、某個剛好沒被看穿的偏差下暫時好看。一旦進入實盤，這些沒被揭露的脆弱點都會一起爆出來。因此，本章的重點不只是列門檻，而是說明：為什麼要先擋作弊、再看顯著性、最後才看績效；為什麼 Mandatory 必須全過，而 Optional 只作為穩健性加分；以及為什麼所有績效都必須回到同一個共同語言——以初始本金 10,000 點為基準來衡量風險與回撤。

20.1 五階段認證管線：先證明乾淨，再證明夠強

本書的認證流程看似比一般回測報告繁瑣，實際上每一層都在處理不同風險。第一層是程式碼稽核（Code Audit），回答「你有沒有作弊」；第二層是統計驗證（Statistical Validation），回答「就算沒作弊，這個結果是不是仍可能只是運氣」；第三層是必要標準（Mandatory Criteria），確認是否達到最低可交易門檻；第四層是加分標準（Optional Criteria），檢查策略在更嚴格、更貼近實務的壓力下是否仍維持韌性；第五層則是最終隔離驗證（Final Holdout），像畢業考一樣，要求策略在完全隔離的 2025 年後資料上接受最後裁決。這種由內而外、由邏輯正確到統計可信、再到商業可用的順序，能最大幅度降低『漂亮但不可部署』的研究殘骸。

20.2 第一階段與第二階段：稽核比分數更早，顯著性比勝率更重要

程式碼稽核（Code Audit）的核心是 R1-R14 程式碼與資料規約。任何會偷看到未來的欄位、把日夜盤交叉污染、在觸發 K 棒當根成交卻用收盤價回測、把最終日型定義倒灌回開盤特徵的寫法，都直接判定不合格。這個階段沒有灰色地帶：只要存在可證明的前視偏誤（look-ahead bias）或資料洩漏，策略不論 PF 多高都不得進入下一關。第二階段的統計驗證（Statistical Validation）則要求結果不只是『看起來漂亮』，而是要能在置換檢定（Permutation Test）與 Bootstrap 信賴區間下成立。前者確認績效不是亂數就能做出來，後者確認績效不是只靠少數幸運樣本撐起來。對本書的認證邏輯來說，p < 0.05 不是加分項，而是最低可信門檻。

以 10,000 點作為共同本金假設，有兩個好處。第一，所有回撤與修復能力都能落在同一尺度，不會因策略每筆點數大小不同而互相失真。第二，MDD 與 Recovery Factor 能直接轉成是否可承受的資金路徑，而不是只停留在統計上的漂亮。這也是本書堅持 MDD 與 Recovery Factor 同時存在的理由：只看賺多少，容易忽略中間必須吞下多深的洞；只看回撤，又可能錯殺高修復能力的系統。兩者必須一起看。

20.3 必要標準（Mandatory Criteria）：M1-M13 是最低可部署語言

必要標準（Mandatory Criteria）的本質，不是選出最夢幻的策略，而是排除不值得部署的策略。說得更白一點，M1-M13 不追求完美，而是確保一套系統至少具備足夠頻率、正向期望值、合理回撤、跨年穩定性與時間結構一致性。其中 M6 與 M13 是本版新增的兩條：M6 把報酬賠率（Payoff）與勝率（Win Rate）的乘積納入，避免高勝率小賺大賠或低勝率偶爾暴賺的假象；M13 則要求持倉時間分桶後的損益輪廓合理，避免某策略表面獲利，實際上只靠極少數超長單撐住整體績效。

M3 看似沒有硬門檻，卻仍被列為 Mandatory，原因就在於它是解讀績效結構不可缺少的一環。高勝率低 payoff 與低勝率高 payoff，雖然都可能得到相同 PF，但實際風險體驗截然不同。強制揭露 M3，能避免團隊只挑對自己有利的績效面向報告。M13 也有相同精神：它不是單純多一條統計，而是要求研究者把績效拆開來看，確認 edge 不是集中在少數持有極久、極難執行、或只有在特殊日型才出現的交易上。

20.4 Optional Criteria：O1-O13 是穩健性加分，不是幻想清單

Optional Criteria 的定位，是把已經過底線的策略，再往『更能承受現實世界』推進一步。由於不同策略類型不一定適用所有項目，因此本書規定：O1-O13 中至少需有 10 項可評估，且其中至少通過 6 項，才能視為通過 Optional Stage。這裡的重點不是追求 13/13 完美，而是確認策略在滑價、參數擾動、分年分市場狀態（regime）、組合相關性與獲利集中度等維度上，沒有明顯脆弱點。

Optional 不應被誤解為『通過越多越神』。它真正的價值，是幫研究者看出一套策略未來最可能死在哪裡：有些系統不怕滑價、卻怕參數擾動；有些系統自己賺錢，但跟核心組合高度同向，實際配置價值有限；有些系統全樣本很漂亮，但 35% 的獲利其實來自 10 筆神單，一旦實盤錯過就會面目全非。O1-O13 就是在提前把這些脆弱點攤開來看。

20.5 Final Holdout：真正的畢業考只看 2025 年後

前四階段全部通過，仍不代表可以直接實盤。最後一關 Final Holdout 的精神，是使用在研究、調參、模組挑選、門檻設定中完全未被碰觸的 2025 年後資料，確認這套策略面對真正未來仍能保留基本結構。這一關不追求複製歷史神績效，而是要求『不崩壞』：PF 不得跌破 1.3、Expectancy 需維持正值、主要風險輪廓不可明顯劣化、且交易樣態必須與認證期間一致。若一套策略在 Holdout 才首次出現長期連敗、持倉時間分布扭曲或滑價敏感度暴衝，那就代表前面的認證仍有盲點。

也因此，本書的最終判定並不是單一分數，而是三段式結論：Not Certified、Certified、Certified for Deployment。前者表示在硬門檻前就失敗；中者表示通過 M 與 O，但仍需紙上交易驗證；後者才是通過 Holdout 並可進入實戰流程的名單。這種分級可以避免團隊把『研究成功』與『可上線』混為一談，也能讓策略在不同成熟度下被正確安排用途。

認證制度不是用來製造漂亮徽章，而是用來阻止錯的策略被帶進實盤。真正成熟的研究團隊，最重視的不是通過多少，而是淘汰是否足夠誠實。

量化研究最可怕的失敗，不是模型分數低，而是模型其實偷看了未來卻沒被發現。Look-ahead bias（前視偏差）之所以是本書反覆強調的鐵律，不只因為它常見，更因為它會把本來沒有的 edge 偽裝成高品質策略。你以為自己發現市場規律，實際上只是不小心把答案塞回題目裡。更危險的是，這種偏差通常不會讓結果『看起來有點怪』，反而會讓結果漂亮得令人心動。R003、R072 與 R171 的案例都清楚說明：只要標記時序、進出場點、Volume/Value Area 欄位、或夜盤跨日切分少驗一步，高 PF、高 AUC 都可能瞬間蒸發。因此，反偏差鐵律與資料治理不只是研究衛生習慣，而是整套系統能否被信任的前提。

21.1 Look-ahead bias：最常見，也最致命

前視偏差最陰險的地方，在於它常以「只是方便一些」的形式出現。最經典的案例是 R003：原始回測 PF 2.03，看起來像一套值得深入的結構策略，但後來發現進場寫在觸發 bar，等於假設訊號成立後可以回到同一根 K 棒內成交；修正成下一根才能進場後，PF 直接掉到 0.9。R072 的 VA Streak 也是相同教訓：若出場條件使用了完整 Value Area（價值區，Value Area, VA）資料，就等於在交易當下讀到收盤後才知道的結果，PF 便從 3.29 掉到 0.97。R171 更是研究誠信教材：Combined Exit AUC 一度高達 0.8838，但因標記流程混入未來資訊，被明確註記為 look-ahead biased，不得列為有效結果。

這三個案例共同說明一件事：偏差不一定藏在模型裡，更多時候藏在資料管線、欄位對齊與事件定義。研究者最容易犯的錯，就是把『計算方便』當成『時序正確』。例如完整日型、完整 VP、完整 VA、完整當日高低點，這些欄位在收盤後回顧時都很自然，但只要被誤拿去驅動開盤或盤中決策，就立刻從特徵變成答案。也因此，本書把所有與前視相關的問題都歸入 HARD FAIL：不是扣分，而是直接作廢。

21.2 PB-13 Iron Rule：深度學習更強，所以更要被約束

在傳統表格模型時代，前視偏差常來自人工欄位；進入深度學習（Deep Learning, DL）、強化學習（Reinforcement Learning, RL）與專家混合（Mixture of Experts, MoE）架構後，偏差則更常藏在資料窗口、掩碼（mask）、標記回寫與共享狀態裡。PB-13 Iron Rule 的核心，就是任何會影響交易決策的模型，都必須遵守嚴格因果約束：序列模型必須使用 causal mask；訓練樣本只能看到決策當下以前的資料；共享 encoder 不得混入未來 bar 的統計；專家路由器不能先看完整日型再決定由哪個專家處理；RL 的 reward shaping 也不得從回合末結果逆流污染當下狀態。模型越強，越容易把這些微小洩漏放大成驚人的高分，因此 PB-13 不是架構建議，而是研究倫理。

夜盤資料更需要額外戒心。因為台指期夜盤跨越日曆日，若以「日期」而不是「交易 session」切分，很容易把 Day(D+1) 的資訊誤當 Night(D) 的未來延續。像是把同一曆日凌晨 01:30 的資料跟早上 09:00 的現貨欄位直接合併，就可能在邏輯上把未來事件偷塞回去。KB-09 因而明訂兩條規則：第一，2025 年資料禁止參與任何訓練、選模與調參；第二，夜盤所有特徵必須以 session 為主鍵切分，嚴禁用跨日曆日聚合欄位偷渡未來訊息。

21.3 KB-09 資料治理：2025 禁用規則與夜盤特殊警告

KB-09 的精神，是讓資料生命週期本身也被治理。第一，2025 年之後資料屬於最終隔離驗證（Final Holdout），禁止參與任何訓練、特徵選擇、模型挑選、門檻調整與消融分析決策。第二，日盤與夜盤必須以交易時段（session）為最小治理單位，不得用日曆日聚合欄位替代。第三，任何完整日型欄位，例如全日 VAH/VAL、全日高低點、收盤後計算的 VP 結構，都只能在收盤後分析與報告階段使用，絕不能反向供給盤中決策。第四，若資料欄位來源橫跨不同市場，例如夜盤搭配美股、選擇權或現貨資料，必須額外記錄發佈時間戳記，確保該資訊在交易當下真的可得。

21.4 研究誠信的真正意義：不是避免犯錯，而是讓錯誤可被查出

沒有任何大型研究流程能保證永不犯錯，但一套成熟的治理系統，必須保證錯誤會留下痕跡，而且能被迅速追溯。這也是為什麼本書不只列規則，還反覆保留失敗案例：R003、R072、R171 的價值，不是讓人難堪，而是替整個研究體系建立共同免疫系統。只要團隊願意把偏差案例制度化，未來每次新增模組、改寫標記器、導入更複雜的 DL 或 MoE 架構時，就能有更清楚的紅線。研究誠信不是道德口號，而是一套降低自我欺騙機率的工程方法。

高分不可怕，可怕的是高分來自未來資料；真正值得信任的研究，不是從不犯錯，而是每次犯錯都能留下可複用的防呆規則。

21.5 R158-R160：治理不是口號，而是能被重跑、被修正、也被量化

R158 到 R160 把本章的治理原則從理念拉回可操作層級。R158 先驗證整條 regime pipeline 是否真的能重現舊研究的結果：R014 的 pipeline PF 3.14 與 R110 的 3.14 幾乎完全一致，R037 也在同一 baseline 上維持相同方向的 gate lift，只因 DL gate 本身存在隨機波動而有些微差距。這代表研究體系已經不是一次性的 notebook 成功，而是能以同一條管線重新產出相近結論，這對長期維護與後續審計都極其重要。

R159 處理的，是另一種比較隱性的偏差來源：K 棒慣例。台灣 1 分 K 的原始資料本來就採本地慣例（first bar = 08:46），但程式碼中多數 resample 卻沿用 left/left 預設，導致第一根 5 分 K 只含 4 根 1 分 K，IB 結束時點也被錯畫成 09:10。修正成台灣慣例後，20.2% 的交易日 IB range 會改變，但對 certified 策略的績效衝擊其實都很小：R014 PF 只差 +0.0643（+3.1%）、R037 +0.0407（+1.9%）、R071 +0.0247（+1.9%）。這個研究的意義不在於『數字變超多』，而在於證明規格正確性本身就值得被治理，即使它對最終績效只造成小幅修正。

R160 則是最能體現反偏差精神的一個案例。原本的 ib_vol_ratio = ib_vol / total_day_vol 在 09:15 根本不可能知道分母，等於把整日成交量偷塞回 IB 特徵。修正成 ib_vol / rolling_avg_past_vol 之後，R014 的 gate lift 從帶偏差版本的 +50.9% 回落到 +21.5%，R037 也從 +77.5% 回落到 +57.5%。這看起來像成績退步，實際上卻是最好的消息：edge 還在，只是不再吃未來資料的紅利。研究最怕的從來不是分數下降，而是下降後才發現原來之前的高分不是自己的。

真正成熟的治理，不是讓結果永遠漂亮，而是讓每一次修正都能說清楚：哪裡有問題、修完後還剩多少 edge、以及這份 edge 是否仍然值得部署。

如果只把研究史寫成成功案例集，讀者最後學到的通常只是錯覺：好像真正有價值的研究，是從一開始就方向正確、一路優化到漂亮結果。實際情況恰好相反。台指期量化研究真正珍貴的資產，不是某一版策略回測很好，而是每一次失敗都把錯誤邊界畫得更清楚，讓下一版知道什麼不能再做。從 RS Breakout 的 V1 到 V8，再從早期的 R003 到後期的 R171，整體脈絡並不是單一策略越調越漂亮，而是一整套知識體系逐漸成形：哪些價量結構真的有資訊含量、哪些深度學習架構只是在堆複雜度、哪些濾網看似聰明其實只是在資料中過度擬合、以及哪些設計一旦加上嚴格時間治理後便立刻坍塌。對研究者而言，失敗不是要藏起來的污點，而是整個框架變得成熟的主要燃料。

22.1 RS Breakout 的七次重生：V1 到 V8 不是優化，是世界觀更新

RS Breakout 演進史最能代表本書的研究精神。V1 是最樸素的區間突破：只要價格穿越參考區，就順勢進場。這一版最大問題是把所有突破都視為同質事件，忽略了開盤型態、初始平衡區（Initial Balance, IB）、波動壓縮與量能背景。V2 加入 IB 結構後，開始能分辨哪些突破是有盤中結構支撐的，哪些只是隨機擺動。V3 再把 Volume Profile（成交量剖面，Volume Profile, VP）與 Value Area（價值區，VA）資訊納入，研究者第一次清楚看到：同樣都是突破，從高量節點（HVN）往外走與在低量節點（LVN）邊緣突破，後續延伸品質截然不同。V4 導入方向濾網與波動條件後，開始擺脫『看到突破就追』的反射行為；V5 則把 VP-CNN 與 FiLM-CNN 類訊號疊進來，讓結構訊號從單一條件進化成上下文感知。

真正的關鍵躍遷發生在 V6 之後。V6 開始接受一個重要現實：不是所有結構訊號都該由單一固定規則執行，策略需要先判斷市場環境，再選擇是否出手；這便導向 R140 一類 gate architecture 的成熟。V7 將出場問題獨立成研究主題，理解到入場如果是『抓方向』，那出場就是『把方向轉成 PnL 的轉換器』，於是 R171 類 exit architecture 才會成為後續主軸。V8 則不再把 RS Breakout 視為單一策略，而是視為可被模組化的母策略：結構特徵、環境過濾、出場決策、風險管理與投組配置彼此分層，各自可以更新。這個轉變代表研究團隊已經從「調參」思維，跨到「系統工程」思維。

22.2 從 R003 到 R171：真正累積的不是策略，而是知識模組

若把 R-series 只看成一串研究編號，很容易忽略它真正的價值。R003 教我們進出場時序一定要被嚴格定義；R014 與 R024 讓市場結構策略從直覺走向可量測；R066、R071、R077 表示某些結構假說在經過機器學習與資料治理後，確實能留下正向優勢（edge）；R097、R098 則標誌出研究團隊不再只研究單一策略，而開始研究「何時該啟用、何時該關閉」的環境辨識問題；R136-R140 則把模組層次拉高，從單點預測跨向架構設計；R150、R151 處理的是時段感知（session-aware）與跨盤別一致性；到了 R164-R168，研究重心更轉向審核、穩定度與整合評分；R170、R171 則代表整套管線開始能把出場、認證與最終裁決接在一起。白話來說，R-series 累積的不是一堆彼此孤立的策略，而是一個逐步工程化的研究作業系統。

22.3 那些失敗得非常有價值的研究

真正讓研究團隊變強的，往往不是最終通過認證的案子，而是那些明確證明某條路不值得繼續投入的失敗。R029 Order Flow Absorption PF 只有 1.13，說明流動性吸收特徵在台指期上雜訊過高，若沒有更好的交易簿品質資料，很難穩定轉成優勢。R030 MHA Specialist Ensemble PF 0.91，證明架構越複雜不等於越強；當專家分工沒有對應到可辨認的市場機制時，多頭注意力（MHA）只是在堆參數。R057 Technical Indicator FiLM PF 0.72，則把一件很多研究者不願接受的事講清楚：傳統技術指標若沒有被重新放進結構脈絡裡，通常無法帶來顯著增益。R059 HMM Regime Gate 無法收斂，提醒我們 regime 並不是只要取個隱藏狀態模型就能自動長出來。R060 Path Signature 則因特徵空間過大、樣本效率過低，成為『理論上高級、工程上不划算』的經典案例。

這些失敗的共同點，是它們都迫使團隊重新思考「什麼才叫增量資訊」。不是所有更細的資料、更深的模型、更聰明的數學都會帶來真實 edge。若某個新模組無法在既有策略上提供可解釋、可重複、且經得起治理的增量，它就不值得留下。這個原則看似保守，實際上反而使研發速度更快，因為團隊不會把數月時間耗在錯誤方向的局部微調上。

22.4 下一步：從策略家族走向研究平台

未來方向大致可分三條。第一是 KB-13 所指的新型深度學習提案：不再單純追求更深的網路，而是追求更符合交易因果結構的架構，例如明確分離 context encoder 與 execution decoder、把 session-aware mask 內建為不可繞過的層。第二是 KB-10 的多時間框架（multi-timeframe）架構：把開盤前、開盤後 15 分、IB 完成後、午盤前後視為不同資訊階段，各自有不同模型責任。第三是 KB-11 的分布理論：與其只預測單一方向，不如直接建模報酬分布、尾部風險與持倉時間輪廓，讓策略評估更貼近實際資金曲線管理。

總結來說，策略演進史的重點從來不是證明某個版本最厲害，而是證明研究團隊是否有能力把失敗變成制度化知識。當失敗可以被編碼、被索引、被重用，研究才真正從個人靈感升級成可傳承的能力。

成功的策略會賺錢；被正確記錄的失敗，則會讓整個研究體系長出免疫系統。長期來看，後者更值錢。

研究真正困難的地方，從來不只是在回測中找到優勢（edge），而是把這個優勢轉成一套能在真實市場持續運作的生產系統。從認證到隔離驗證（Holdout）、從紙上交易（Paper Trading）到實盤（Live Trading），中間每一步都可能讓原本看起來漂亮的策略露出新弱點：成交品質不如預期、滑價比回測高、策略在監控延遲下失去優勢、同時開啟多模組時出現風險堆疊，甚至市場微結構本身已悄悄改變。

也因此，研究到實戰的落地路徑，不能只是把 notebook 裡的訊號搬上線，而必須是一套完整的運營架構：資料流、特徵計算、認證登錄、部署閘門、風控限制、即時監控、告警回饋與再認證機制全部接起來。對台指期而言，真正能長期活下來的不是單一聰明模型，而是能在環境變化時自己暴露問題、觸發停用、並回到研究端重新驗證的閉環系統。

23.1 現行生產系統架構：研究、部署、監控三層分離

目前最穩健的架構，不是把所有邏輯塞進一支交易程式，而是把整個流程切成三層。第一層是 Research Layer，負責資料整理、標記、回測、認證與版本管理；第二層是 Execution Layer，負責訊號生成、下單、風控與策略切換；第三層是 Monitoring Layer，負責追蹤即時 PF、回撤、成交偏差、滑價與異常告警。這樣分層的好處，在於研究端可以快速迭代而不直接污染實盤，執行端則只吃經過認證的版本與唯讀參數，監控端則像獨立審計者，專門檢查實際世界是否開始偏離回測假設。

其中最重要的原則是 offline / online parity，也就是離線研究與線上執行必須使用相同的欄位定義、相同的 session 切分、相同的交易成本模型與相同的出場優先序。任何「回測裡這樣算比較方便，上線後再改」的做法，最後通常都會變成實盤偏差。研究端若用的是完整 VA，線上卻只能用盤中估計；回測若用固定一點滑價，上線卻遇到事件日擴大兩倍；這些都不是小差異，而是足以讓原本邊際優勢轉為負值的結構性落差。

23.2 部署流程：認證 → 隔離驗證 → 模擬交易 → 實盤

部署路徑必須由窄到寬。通過第二十章認證後，策略只能取得「可進一步觀察」資格，尚不能直接實盤。第一步是最終隔離驗證（Final Holdout），確認 2025+ 隔離資料沒有崩壞；第二步是模擬交易（Paper Trading），在真實市場節奏下跑模擬成交，蒐集實際訊號頻率、委託可達性與滑價統計；第三步才是小額實盤（Live Trading），以嚴格風險上限驗證實際資金曲線是否與模擬交易一致。每一步都必須設定升級條件與降級條件，而不是靠研究者主觀感覺決定『差不多可以』。

23.3 盤中監控：即時 PF、回撤與滑價三條主線

真正需要盯的不只是損益，而是損益背後的結構。第一條主線是即時 PF 與期望值（Expectancy），用來檢查策略最近一段時間的交易品質是否快速劣化；第二條主線是回撤（Drawdown）與連敗，用來保護資金曲線與交易心理；第三條主線是滑價與成交偏差，用來確認優勢（edge）是否被執行成本吃掉。若只看總 PnL，很容易在問題累積很久後才發現；但若追蹤這三條主線，往往能在系統真正重傷前就提早停用。

其中滑價監控特別容易被低估。很多研究團隊會把滑價當成固定成本，但在台指期上，滑價其實是會隨事件日、波動、盤別與策略擁擠程度改變的動態量。若某策略本來每筆期望值（Expectancy）只有 6 點，而實際滑價從 1.5 點升到 3.5 點，整體優勢（edge）就可能被吃掉大半。因此，滑價不是部署後才補充看的營運指標，而應該與 PF、MDD 一樣，視為核心健康訊號。

23.4 市場結構改變時：重新認證，不要硬撐

所有實戰系統終究都會遇到市場結構改變：波動壓縮、政策事件頻率變化、夜盤參與者結構改變、交易成本上升、某類開盤型態不再延續等。成熟的團隊不會用更多主觀判斷去硬撐原策略，而是啟動再認證流程：先判斷問題來自訊號、出場、風控還是執行；再把異常期間單獨切出，重做程式稽核（Code Audit）與統計驗證（Statistical Validation）；必要時回到模組層，更新閘門、停損或時段感知（session-aware）邏輯。說白了，研究與實戰不是兩條線，而是一個永遠會反覆穿越認證管線的循環。

23.5 尚未解答的問題與未來路線圖

即使走到這裡，仍有幾個問題沒有完全解決。第一，如何在不違反因果約束的前提下，讓多時間框架模型真正理解開盤後資訊逐段揭露的特性。第二，如何把分布預測直接連到部位規模（sizing），而不只是把它當作事後風險報表。第三，如何在多策略組合中同時考慮訊號相關性與執行資源競爭，避免每一支單看都好、合起來卻互相擠壓。第四，如何把漂移（drift）偵測做得足夠早、又不至於過度敏感而頻繁停用。未來研究路線也因此清楚：持續深化時段感知（session-aware）架構、建立更強的出場分布模型、讓監控指標與認證標準更直接銜接，並把紙上交易與實盤資料反饋為下一輪研究的正式教材。

從研究到實戰，最終比拚的不是誰能做出最炫的模型，而是誰能建立一套在現實世界中不斷自我糾偏的系統。當策略表現變差時，團隊不是靠信念撐住，而是靠制度知道該減碼、停用、重驗證還是升級。這才是量化研究真正落地的樣子。

實戰不是研究的終點，而是研究假設第一次真正接受市場審判的開始。能活下來的系統，都同時具備策略邏輯與治理邏輯。

做完開盤後十五到三十分鐘的研究之後，下一個自然問題總是：那麼 10:00 之後、結算日、或盤中已經走了一段之後，還有沒有新的 edge 可以接手？R141、R143、R144 與 R166 的價值，正在於它們把這些「看起來很合理」的延伸問題一個個拆開驗證。答案並不單純：有些方向被明確否定，有些訊號證明只能當特徵不能當策略，也有些模型在學術指標上很強，卻還沒轉成實戰優勢。這一章的重點不是再多找一套日內策略，而是更精確地畫出：盤中哪些資訊真的值得相信，哪些其實只是敘事幻覺。

24.1 R141：盤中順勢延續——相關性很高，不代表能賺錢

R141 的出發點極具誘惑力。R120 指出 S3（10:00~11:30）雖然表面波動不算高，卻擁有全日最高的日報酬相關性 r = 0.554，看起來像是一個「方向確認後接續發力」的完美時窗。研究設計也很合理：不是像 R049 那樣盲目做多做空，而是要求 IB 與 S2 方向一致，再疊加 R098 特徵與 R140 gate，試圖把午盤策略做成條件式順勢。

但真正跑完之後，答案卻非常明確：這個時窗沒有獨立 edge。E0 的三種基線變體全部虧損，單純 follow IB 的 PF 只有 0.658，IB+S2 共振的 variant B 也只有 0.688，甚至就連常見的「只做空」土法煉鋼版本也只有 0.617。更關鍵的是，IB → S3 的方向一致率只有 53.3%，而 S3 PnL 與全日 return 的相關只剩 0.037。換句話說，R120 的高相關講的是 range / direction confirmation 的描述性現象，不是拿來 10:00 進場就能賺錢的交易性現象。

這個研究最值得記住的，不是某個門檻值失敗，而是它清楚區分了「觀察上的高相關」與「可交易的高期望值」。午盤確實常常承接早盤已經揭露的方向，但那個方向資訊在 10:00 時通常已被價格消化得差不多了，真正留給交易者的剩餘空間，不足以支撐新的獨立進場策略。

24.2 R143：結算日不是反著做就會賺，而是該少做

R143 接續 R016 的觀察：結算日並不一定更大波動，也沒有穩定的多空偏向，但會非常明顯地壓制原本有效的動量信號。像是 VA ≤ -3 + GapDn + SHORT 這種在平日可以做到 PF 2.17 的條件，到結算日只剩 0.37。於是研究者很自然地提出一個對稱假說：既然結算日會抑制動量，那是不是乾脆把正常 SHORT 訊號反著做 LONG，反而有機會吃到 gamma hedging 的反向回拉？

實驗結果完全否定這個想法。Monthly settlement 的 counter version PF 只有 0.654，而 follow 版至少還有 0.947；最糟的是 counter LONG monthly PF 只有 0.372，幾乎是災難級結果。Weekly settlement 也沒有比較好，counter LONG PF 只有 0.862。換句話說，結算日不是「動量失效，所以改做反動量」；它更像是「所有方向性訊號一起被打鈍」，無論順做還是反做都不理想。

因此，R143 最後留下的不是一個新策略，而是一條更清楚的交易治理規則：結算日應繼續被視為過濾器，而不是等待反向套利的特殊機會。這其實比找到一套 marginal strategy 更有價值，因為它能避免研究團隊在最容易被「特殊日想像力」誘惑的地方反覆踩坑。

24.3 R144：IB K 棒形態是好特徵，卻不是好進場

R144 很容易讓人誤會，因為它背後站著一個看似非常亮眼的前置研究：R138 顯示 shadow_ratio 是最強的 K 線解剖目標，Corr 可達 0.554；upper_shadow_pct 與 lower_shadow_pct 也都不弱。於是直覺上會想：既然 IB 的影線結構這麼能表達買賣壓力，那直接拿來決定 LONG / SHORT，應該也會很有 edge 吧？

R144 的答案剛好把這個常見誤讀糾正過來。研究發現，shadow_ratio → day_direction 的 corr 其實只有 0.1334，最佳規則 PF 也只有 0.792。真正強的地方，是「用 K-line features 去預測 K-line descriptors 本身」，也就是幫 M2 模組把日內形態描述得更完整，而不是直接把這些描述子硬變成獨立入場信號。這種差別很細，但極重要：好的描述器不一定是好的決策器。

R144 因而替整個模組工程補上一句很重要的判準：若某個特徵擅長描述市場，但不擅長直接指揮進出場，那就應該回到模組層扮演 embedding / descriptor，而不是被誤包裝成新 alpha。這其實是 R138、R144 與 R172 共同指向的同一個工程哲學。

24.4 R166：逐 bar 更新的突破機率，比單次預測更接近真實交易節奏

R166 是本章唯一明顯保留下來的「工具型」成果。它不再把問題設定成 09:15 做一次性判斷，而是每完成一根 5 分 K 就更新一次 breakout probability，區分 pre-breakout 與 post-breakout 兩個 phase：前者預測是否會突破、以及首次突破方向；後者預測 extension 是否會繼續放大、或回縮回 IB 內。這個設計本身就更貼近真實盤中決策，因為市場的資訊不是在 09:15 一次全部揭露，而是會隨 bar 持續累積。

從學術指標看，R166 相當漂亮。GBM per-bar snapshot 在 pre-breakout 方向預測做到 AUC 0.762，若把觀察窗拉到 bars 13-18，可到 0.792；post-breakout 的 extension 與 reversal 甚至做到 AUC 0.926 / 0.922。更有趣的是，它再次證明 tabular GBM 比序列模型更實用：LSTM 方向 AUC 只有 0.694，明顯落後 GBM；新增 11 個 fancy features 也沒有幫助，反而把 AUC 從 0.766 拉低到 0.751。真正有用的槓桿不是加更多欄位，而是延長觀察窗，讓模型有更多已發生的 bar 可讀。

但 R166 也非常誠實地告訴我們，學術上的好分數不等於策略上就會變強。對現有策略來說，direction gate 雖然能明顯改善 counter-trend 系統的 MDD，卻還不足以把 R014 這類問題策略從 PF<1 救回來；對 trend-following 策略如 R037，任何延後觀察、延後出手的設計反而會傷害 edge。也就是說，R166 最適合被定位成盤中決策輔助器，而不是取代既有策略母體的新主角。

盤中資訊確實會越走越清楚，但交易 edge 並不一定等得起。R166 最重要的提醒，不是「預測會更準」，而是「更準的預測有時剛好來得太晚」。

如果日盤研究回答的是「台指期白天怎麼走」，那夜盤研究真正要處理的，則是「波動變大之後，哪些東西會跟著變得更可交易，哪些反而只是更容易賠錢」。R142 到 R149 與 R152 到 R157 的結果非常有教育意義：夜盤確實有更高波動、更多國際盤影響、更多跨時段故事，也因此更容易讓人誤以為 edge 會變得比較明顯；但真正留下來的夜盤優勢，反而集中在少數幾條非常具體的路徑——像是 R146 的夜盤獨立 center breakout 與經過停損治理的延伸版本。其餘大多數看起來很合理的夜盤故事，最後都敗在成本、頻率、樣本稀疏或訊號根本不足。

25.1 R146：夜盤真正成立的核心，不是放到更晚出場，而是把風險治理做好

夜盤研究裡最重要的正面結果來自 R146。它不是單純把日盤策略拖到晚上，而是系統性問了三個問題：日盤訊號延伸到夜盤會發生什麼事？停損應該怎麼改？夜盤本身能不能獨立長出自己的 breakout？答案很清楚。第一，若只是把 R014 從日盤延伸到夜盤而不加治理，PF 會從 2.405 掉到 1.387，代表「持有更久」本身不是優勢。第二，只要停損治理做對，夜盤就能被救回來：day_close + Trail20pt 的風險調整報酬做到 PnL/MDD = 2,351、MDD 只有 37；若真的要延伸到 night_N2，也必須用 Hybrid 20+20，把 PnL/MDD 做到 1,194、MDD 壓在 74，而不能用純 trailing stop 放任 MDD 飆到 393。

第三，也是最驚喜的一點：夜盤根本不只適合當日盤的延伸，它自己就能成為獨立策略。R146 的 E6 用夜盤自身的 IB30 / IB60 / IB90 / IB120 去做 center breakout，結果全部可用，其中 IB30 + Trail15 是最亮眼的版本：PF 45.6、勝率 86.9%、MDD 只有 28、PnL/MDD 達 2,659。這個結果的重要性在於，它把夜盤從「日盤尾巴」真正升級成「可獨立治理的 session」。

R146 之所以重要，不只是因為數字漂亮，而是它替夜盤建立了幾條能直接落地的規則：夜盤延伸不能迷信「抱久一點也許會更賺」，而必須先把 stop architecture 做對；夜盤獨立策略也不需要照搬日盤，因為它自己就有不同的 IB 節奏與風險結構。

25.2 R142：N4 高波動突破——最容易讓人心動，也最容易讓人誤判

R142 的假說幾乎人人都會認同：N4（22:00~01:00）既然是夜盤最高波動時段，range 高達 146.7 點，又與美盤主時段重疊，那把 IB breakout 框架搬過去，應該很容易抓到大波段吧？這個想法聽起來甚至比白天更合理，因為夜盤波動大、行情長、故事也多。

可惜真正的答案很冷酷。R142 的 baseline 整體 PF 只有 0.758；就算只做最好的 LONG + exit05:00 版本，也只有 PF 1.049；再加 range ≥ 80 的條件，PF 也不過 1.033，而且樣本只剩 340 筆。換句話說，N4 的確波動很大，但這個波動比較像混合了高噪音與高事件風險，而不是乾淨的方向延伸。R142 的失敗提醒我們：夜盤的高 vol 很真，卻不能被自動翻譯成 breakout edge。

25.3 R145 與 R149：跨時段方向傳導與國際盤跟隨，故事很強，交易性卻很弱

R145 與 R149 都在測試夜盤最迷人的敘事：國際盤走向會不會穩定傳到台指期，讓我們能用 N4 或夜盤前 30~90 分鐘的動量去預測日盤、或直接跟隨夜盤主方向？R145 的答案是否定的。N4 → 日盤報酬相關只有 -0.0206，方向一致率 47.0%，甚至還比隨機差；就算篩選 N4 大漲 50 點以上去做 LONG，PF 也只有 0.898。R149 稍微好一點的地方在於「描述性相關」確實存在：前 30 分鐘與 full-night return 的 Pearson 約 0.22，拉長到 90 分鐘可到 0.34；但只要把它真正翻成策略，216 組 momentum follow 配置全部 PF<1，最佳也只有 0.64。

這兩個研究合起來說明一件很重要的事：外盤連動與國際盤敘事本身不是假的，但它們大多只夠當 macro context，不夠當交易 edge。你可以用它理解夜盤為什麼今天比較活躍、為什麼偏多或偏空，但若直接把它變成固定規則的跟隨進場，成本與反轉噪音很快就會把這些微弱相關吃掉。

25.4 R147 與 R148：夜盤可以被預測，但未必能被「再優化」

R147 與 R148 是夜盤研究中最有意思的兩個 mixed case。R147 顯示，夜盤品質其實很可預測：用日盤 context 做 XGBoost gate，AUC 可以到 0.733；prev_night_range_pct → night_range 的 Spearman 甚至高達 0.620。R148 也類似：夜盤 range 的 Lag-1 autocorrelation = 0.647，Ridge 對 night range 的 Spearman 可到 0.586，顯示夜盤波動 regime 不是完全隨機。問題在於，這些預測力放到既有策略上不一定能再轉成收益。

R147 的核心發現是：R146 本身已經天然過濾掉 69.7% 的夜盤，交易夜裡有 88.8% 本來就是好夜；額外 ML gate 雖能擋掉 14.6% 的虧損夜，卻因 precision 只有 16.9%，最終把 R146 的 PF 從 166 拉低到 135。R148 也遇到類似情況：adaptive trail 聽起來很合理，但對 R146 來說，總 PnL 對 trail size 幾乎不敏感，真正敏感的是 MDD，所以固定緊止損永遠勝過自適應規則。最佳 baseline Fixed_15pt 的 PnL/MDD = 1,463.46，而最好的 adaptive 版本 Regime_10_15_25 反而只剩 733.80，大幅倒退。

25.5 夜盤策略試誤記錄

真正讓夜盤研究成熟起來的，往往不是 R146 這種正面結果，而是 R152 到 R157 這一串密集失敗。它們把「夜盤 edge 不在什麼地方」畫得非常清楚：opening reversal 不行、calm-to-storm 太稀、N4 momentum 不行、夜盤 VP 結構太稀疏、多 session 趨勢不會自然延續、DL 環境偵測雖有訊號卻不足以長成策略。這些失敗紀錄不是附註，而是夜盤體系真正的護城河，因為它替後來的研究省下大量重複試錯成本。

夜盤研究最有價值的地方，不是它證明「晚上也能做很多事」，而是它證明了：真正有 edge 的夜盤路徑其實非常少，所以更要把失敗樣本制度化保存。

Market Profile 的魅力在於，它用很少的語彙就能對市場狀態說出很多故事：Open Drive、Open Auction、Double Distribution、Trend Day、Neutral Day……問題在於，這些分類在真實的台指期資料裡到底有多大差異？R174、R175 與 R176 的價值，正是把書本語言轉成量化矩陣。它們並不是要推翻 MP 理論，而是幫我們回答一個更實際的問題：哪些經典名詞在台指期上真的帶有足夠大的績效差距，哪些又必須經過本地化修正才能使用。

26.1 R174：開盤類型分類器——OD 確實是最強方向信號

R174 最先回答的，是 Market Profile 最經典的一個問題：Open Drive、Open Test Drive、Open Rejection Reverse、Open Auction 這四種開盤型態，在台指期到底能不能被穩定分類？結果是肯定的，而且有明顯差異。以 2010-2026 的 4,004 個交易日來看，OA 佔 75.1%，OD 佔 12.3%，ORR 8.9%，OTD 3.7%；其中最有價值的是 OD，方向準確率達 70.9%，顯著高於整體 60.2% 的平均水準。

更重要的是，R174 不只停在分類，而是直接檢查它對策略的作用。對 R071 來說，OD 日的 PF 可以從 baseline 3.18 跳到 6.57，增幅高達 +107%；ORR 日卻只剩 1.39，幾乎該被過濾掉。反過來看，R014 對 opening type 幾乎不敏感，代表開盤型態的資訊更像是 center family 的專屬語境，而不是所有策略都該共用的萬能濾網。研究還指出 net_displacement 與 M-Module 幾乎正交（Corr ≈ 0.02），說明這不是舊模組換名字，而是真正獨立的新信號源。

26.2 R175：日型 × 開盤型矩陣——日型是最強單一 regime 變數

如果說 R174 驗證了 opening type，R175 做的則是更完整的 Market Profile 量化矩陣：把 Dalton 六種日型與四種 opening type 疊成 24 格，直接看每一格對策略績效的影響。結果非常驚人。對 R014 來說，Double-Dist 日的 PF 可以落在 6.42 到 8.96 之間，Trend × OD 也有 6.35；但 Neutral-Center × OD 只剩 0.51，Neutral-Center × OA 也只有 0.71。單是日型不同，就能拉出 12 倍以上的差距。

R071 的結果更極端：Normal-Var × OD 這一格 PF 高達 16.09，雖然樣本只有 38 筆，但勝率達 84.2%，堪稱三重篩選（day type + opening type + strategy logic）疊出來的代表案例。相對地，Neutral-Center 日幾乎是兩套方向性策略的共同毒藥。這讓 R175 留下一個很清楚的結論：若只能選一個單一 regime 變數，對台指期而言，day type 的分類力比 opening type 更大。

26.3 R176：跳空分類——教科書沒錯，但台指期必須本地化

R176 把技術分析與 Market Profile 世界裡另一個經典題目——Gap Type——拿來做台指期本地驗證。結果是「部分驗證、但必須大幅本地化」。Common Gap 的 10 日填補率 83.6%，與教科書常說的 90% 相去不遠；Exhaustion Gap 的 5~10 日填補率也大致對得上。但 Breakaway 與 Runaway 就完全不同：教科書典型數字大約是 33% 與 48%，R176 在台指期上卻量到 76.2% 與 84.5%。也就是說，在台指期這個市場裡，很多看似該「不回頭」的 gap，其實最後大多會回頭。

最有意思的是 Exhaustion Gap。雖然它只佔 0.8%、樣本只有 28 筆，但當日反轉率高達 60.7%，平均 fade 幅度 289 點，成為所有 gap type 裡最強的反轉信號。這個結果並沒有推翻經典分類，而是更像提醒讀者：缺口理論不是不能用，而是必須放回台指期本地的微結構條件下重估。也正因如此，R176 反而強化了 R077 Gap Fill Long 這類策略的理論基礎。

經典理論真正有價值的地方，不是把市場硬塞進名詞，而是先用名詞提出假說，再用本地資料把它重新定價。

技術分析世界裡有很多極具吸引力的語彙：Wyckoff spring、HVN/LVN setup、頭肩頂、雙底、三角形……它們在書上都很有畫面，也往往能在盤後截圖中看起來十分合理。R177 到 R179 的貢獻，就是把這些經典框架放進台指期的日內資料裡，用最不留情的方式重新問一次：如果真的量化、真的大樣本、真的做統計檢定，這些型態還剩下多少獨立 edge？答案大致是：比盤後看圖想像得少得多，但並非完全沒有價值——只是多半要被重新定位成負面濾網、背景語境，或提醒研究者不要把高準確率誤當成高顯著性。

27.1 R177：Wyckoff Spring／Upthrust——獨立信號太頻繁，但很適合當負面濾網

R177 檢驗的是一個典型的 Wyckoff 直覺：價格短暫跌破支撐後快速收回（spring），或短暫突破壓力後回落（upthrust），是否能形成可交易的反轉訊號？若只看盤後圖，這種型態幾乎總讓人覺得「很有道理」。但真正量化之後，第一個問題就立刻浮現：事件太多了。以目前的寬鬆定義，spring / upthrust 竟然出現在 85% 的交易日，總事件數超過 16,000 筆，等於它幾乎不是特殊情境，而是市場日常噪音的一部分。

也因此，它的獨立預測力非常有限。Spring 反轉率約 50.9%，Upthrust 52.1%，幾乎就是硬幣翻面；穿透越深，反轉率還越低，100+ 點的深穿透只有 29.4% 會回頭，說明真正深度突破往往根本不是 spring，而是方向延續。不過 R177 並沒有因此變成完全無用的研究。當它與 R071 交叉時，反而呈現很強的負面濾網效果：R071 在 spring 日 PF 只有 2.43，非 spring 日卻有 6.20，差了 2.6 倍。這代表 spring 不適合作為獨立進場，卻很適合提醒我們「今天別對 center flip 太有信心」。

27.2 R178：VP 三大設定框架——理論沒錯，錯在資料尺度

R178 測試的是 Volume Cluster Bounce、Trend Pullback、LVN Rejection 三個經典 VP setup。若用書本語言來看，這三種都是非常合理的市場行為：價格回到高量區被吸收、趨勢中拉回再延伸、或在 LVN 被拒絕後加速離開。問題在於，這些設定大多是在較高時間框架、較完整 VP 結構上被討論；一旦把它硬壓到 IB 級別的 VP 上，資料密度就完全不對了。

R178 量到的結果非常一致：Volume Cluster Bounce 成功率 55.0%，Trend Pullback 56.0%，LVN Rejection 43.9%，全部都在隨機附近徘徊。真正的根本原因，是 IB VP 太稀疏——平均 29 根 K 棒卻切成 50 個 bins，等於只有 0.58 bars / bin。HVN 變得「到處都是」、LVN 幾乎不存在，最後任何依賴 VP 微結構細節的 setup 都會被量化噪音吞掉。也因此，R178 最終保留下來的不是策略，而是一條很重要的使用邊界：書上的 VP setup 更適合多日 VP 或更高時間框架，而不是拿來對 IB VP 逐日硬套。

27.3 R179：Andrew Lo 型態辨識——高準確率不是免死金牌，顯著性才是

R179 是本章裡最具教育意義的一個案例。它把 Andrew Lo 的 kernel regression pattern recognition 搬到台指期 5 分 K 上，表面結果其實相當漂亮：Double-Bottom 的方向準確率 71.5%，Double-Top 67.6%，反向頭肩 70.8%，看起來好像真的找到了一套能量化辨識圖形的框架。但只要把 bootstrap 統計檢定一跑，整個故事立刻翻面——所有型態的 p-value 都大於 0.46，完全不顯著。

問題不在於型態完全沒有規律，而在於這些高準確率多半只是 extremum 確認機制造成的趨勢延續偏差。當你需要未來幾根 bar 來確認頂底，實際上就已經把一部分延續資訊偷放進去了；再加上 Double-Top / Bottom 在 85% 的交易日都會出現，頻率高得幾乎沒有篩選力，最後得到的只是一組「看起來很準、其實沒有超過隨機世界太多」的結果。R179 因而成為本書在技術分析章節裡最重要的統計教材：準確率本身，不是免於顯著性審查的理由。

技術分析理論不是不能研究，但一定要接受同一套量化審判：樣本夠不夠？事件稀不稀？準確率是不是只是偏差的副產品？如果這三關過不了，再漂亮的圖形也只能當故事。

本附錄將全書常用術語依主題整理為速查表。欄位設計採「英文｜中文｜定義」，便於研究、實作與跨團隊溝通時快速對照。中文譯名一律使用台灣常用金融與工程術語。

A.1 Market Profile（市場剖面）

A.2 Volume Profile（成交量剖面）

A.3 Order Flow（訂單流）

A.4 Machine Learning / Deep Learning（機器學習 / 深度學習）

A.5 Statistics / Evaluation（統計 / 評估）

A.6 Strategy / Execution（策略 / 執行）

下表整理本書關鍵研究編號、狀態與核心貢獻。狀態定義：✅ certified＝已納入正式認證或生產流程；⚠️ partial＝保留部分成果、但需限制使用或仍待補驗證；❌ failed/deprecated＝證明不適合延續或已被淘汰。

本附錄把策略、模型與環境模組的常用參數整理成快速查詢格式。目的不是取代完整研究報告，而是讓讀者在實作、重現或審核時能迅速找到核心設定。

C.1 策略參數速查

C.2 深度學習 / 融合模型超參數

C.3 M1-M10 模組速查

本附錄把第二十章的認證邏輯整理為查核表格式。M1-M13 為強制標準，必須全數通過；O1-O13 為可選穩健性標準，至少需有 10 項可評估，並通過其中 6 項。M3 屬資訊揭露項，必須揭露但不設淘汰門檻。

D.1 Mandatory Criteria（M1-M13）

D.2 Optional Criteria（O1-O13）

D.3 已通過認證策略速查

以下資源依主題整理，目的是提供更完整的市場結構、機器學習、風險管理與台灣市場資料入口。書單選擇原則不是「最有名」，而是「最能幫助讀者把本書方法往前延伸」。

E.1 Market Profile / Auction Market Theory

E.2 Volume Profile / Order Flow

E.3 Machine Learning / Deep Learning / Tooling

E.4 風險管理 / 投資組合理論 / 行為財務

E.5 台灣市場與資料資源