完美的歷史回測為何到了實盤總是不堪一擊？在分析了超過 1,000 篇量化交易學術論文並親自進行回測後，量化研究智庫 Quantpedia 的創辦人 Radovan 發現了多數零售交易員（散戶）嚴重低估的殘酷真相：真正的優勢不在於找到一個「完美策略」，而是在於流程、多樣化、切合實際的期望與極限風控。 本篇專訪我們將深入探討他從海量學術研究中萃取的量化智慧，解碼機構法人的運作邏輯，以及 AI 時代下量化交易的下一個黃金護城河。（您可在此觀看完整 YouTube 訪談影片）。
📌 本頁修煉路線圖
一、 從熱愛歷史到量化智庫：Quantpedia 的誕生
Radovan 對歷史與數學有著狂熱的喜愛，但他坦言：「身為一個歷史愛好者，能賺錢的途徑並不多。」直到他發現股票市場完美地結合了這兩者——從過去（歷史數據與統計）中學習，試圖預測未來，並從中獲利。
在加入斯洛伐克最大的資產管理公司擔任系統化交易投資組合經理後，他發現自己需要閱讀海量的學術論文來尋找策略靈感。
「當我讀到第 50 篇學術論文時，我已經忘記第 1 篇寫了什麼。所以我開始為自己寫筆記：這是個好策略、這是績效、這是回測期間。這正是 Quantpedia 誕生的契機。」
如今，Quantpedia 已是一支擁有專業量化開發與研究人員的團隊。他們不只閱讀論文，更實際尋找數據集，將論文中的想法轉化為可回測的程式碼。他們已在資料庫中積累了超過 1,000 個策略的回測結果，服務全球超過 400 家對沖基金、共同基金與家族辦公室。
二、 新手量化指南：別急著買 Nvidia，從「全球戰術資產配置 (GTAA)」開始
對於剛接觸量化交易的散戶，Radovan 強烈建議不要一開始就跳入高難度的個股挑選（Stock Picking），或是為了尋求刺激而去交易波動劇烈的 Nvidia 或選擇權。
Radovan 的新手起步建議：季節性交易與趨勢跟隨
- 核心策略：全球戰術資產配置 (Global Tactical Asset Allocation, GTAA)
- 建立多元 ETF 池： 建立一個包含 10 到 15 檔 ETF 的投資池，涵蓋黃金、原油、固定收益（債券）、全球股票、新興市場、美國科技股等。
- 套用趨勢跟隨邏輯： 透過量化模型（如動能指標或均線），定期（每月或每季）重新平衡投資組合。剔除表現不佳的 ETF，只持有正處於強勢趨勢的資產。
- 優勢： 這類策略在學術界有極其詳盡的研究，邏輯簡單易懂、極易進行回測，且透過 跨資產多樣化 (Multi-asset Diversification) 能有效抵禦單一市場崩盤的風險。
三、 殘酷真相：為何論文的完美回測，實盤績效總是腰斬？
在回測了上千篇論文後，Radovan 提出了一個讓許多量化新手心碎的黃金定律：實盤的樣本外表現 (Out-of-Sample Decay)，平均只有回測績效的 50%。
如果一個投資組合在回測中展現出 20% 的年化報酬與 20% 的最大回撤。你不能期待實盤也是如此。你必須捫心自問：「如果它未來的報酬降為 10%，回撤擴大為 40%，我還願意交易它嗎？我該如何控管這種風險？」
學術回測與實盤產生巨大落差的 4 大原因：
- 學術界的發布偏誤 (Publication Bias)
- 學者追求的是發表論文，而非實盤賺錢。他們經常忽略交易手續費、滑價 (Slippage)，這會人為地大幅膨脹帳面績效。尤其是在交易流動性差的小型微型股，或是需要每日重新平衡的策略中，滑價幾乎會吃掉所有利潤。
- 數據集差異 (Data Quality)
- 加密貨幣市場尤為嚴重。同一個策略邏輯在 A 交易所的回測結果，換到 B 交易所的歷史數據上，可能呈現完全相反的虧損。
- 無意識的過度擬合 (Unintentional Overfitting)
- 即使研究者極力避免偏誤（不挑選特定宇宙、不挑選特定指標），人在研究過程中仍會無意識地融入生存者偏差與後見之明。這種偏誤必定會在實盤的「樣本外」現形。
「機構與散戶的最大區別不在於機構有什麼神奇的內線消息。在於機構有『流程 (Process)』與『切合實際的期望 (Realistic Assumptions)』。機構知道策略會變糟，並且已經準備好了一套嚴格的流程來新增、監控與汰除策略。」
四、 散戶的生存之道：降維打擊，別去跟對沖基金搶大盤生意
面對擁有強大算力與資金的華爾街機構，散戶量化交易員真的有生存空間嗎？Radovan 給出了肯定的答案。他借用足球聯賽的生動比喻：你不需要在世界盃（S&P 500）跟頂級球星爭奪冠軍；你只需要在第五級別的地區聯賽中成為最強球員，一樣能賺大錢。
- 散戶的終極優勢：流動性與規模小 (Agility)
- 數百家對沖基金都在盯著 Nvidia、蘋果或是 S&P 500 期貨，那裡的市場效率極高，散戶極難榨出 Alpha（超額報酬）。
- 散戶應該去尋找雷達螢幕以下的市場 (Under the radar)。例如只專注於 20 家流動性較低、小型甚至微型的冷門股票。因為對沖基金資金過於龐大，無法在不撼動市場價格的情況下進入這些市場，這就成了散戶能夠無滑價進出的無人區。
五、 策略之死：為何高夏普率死得快，低夏普率反而活得久？
每個量化交易員都經歷過策略「失效（Die out）」的痛苦。Radovan 將策略的失效機制分為兩種極端，並得出了一個違反直覺的結論：
| 策略類型 | 失效原因與生命週期特徵 |
|---|---|
| 高夏普率策略 (High Sharpe Ratio) (如：微觀結構套利、高頻訂單流) |
死得快，且永不超生。 這類策略依賴市場的微小定價錯誤（Inefficiency）。一旦其他聰明的對沖基金發現並投入資金，這個套利空間就會瞬間被填平。一旦失效，通常永遠不會再回來。 |
| 低夏普率策略 (Low Sharpe Ratio) (如：價值投資、動能、趨勢跟隨) |
壽命極長，會陷入沉睡但會甦醒。 這些策略建立在「人類行為學 (Behavioral effects)」的缺陷上。只要人性不變，這些策略就不會死。它們可能會經歷長達數年的低迷（如過去十年價值投資被宣告死亡），但當市場週期轉換，它們一定會強勢回歸。 |
六、 AI 時代的護城河：分析不再值錢，「獨家數據」才是王道
現在每個人都可以使用 ChatGPT 編寫策略，這會讓量化交易變得更容易，還是更困難（因為套利空間被迅速抹平）？
Radovan 將量化交易比喻為「節食減肥」。市面上有數百種有效的減肥菜單（就像現在 AI 能輕易生成幾百種交易策略）。問題從來不在於缺乏「方法」，而在於你是否具備執行的「紀律與流程」。 如果你無法建立嚴謹的測試、汰除與停損流程，有再強大的 AI 工具也幫不了你。
「在未來，當數據分析變得極度廉價與免費時，Alpha（超額利潤）將隱藏在『數據集 (Datasets)』本身。如果你能獲取獨特的替代數據（衛星數據、專利數據、獨家情感數據），而非每個人都能輕易取得的標準價格數據，那才是你真正的黃金護城河。」
對於想要在未來市場存活的散戶，Radovan 在訪談最後給出了一個震撼而務實的忠告：「重新思考你的風險（Rethink your risk）。人們總是對未來抱持不切實際的樂觀。準備好迎接比回測更糟的現實，你才能活到看見利潤的那一天。」
