從研究到 300% 報酬：Hani 如何用 SQX 打造 DarwinIA Top 10 投資組合
這支 QuantBot 與 StrategyQuant 合作的訪談主角，是來自黎巴嫩的演算法交易員 Hani Hamdan。他在 DarwinX Gold 指數中，以實盤帳戶在不到一年達成超過 280～300% 報酬，名列 DarwinIA Top 10。 核心關鍵不是單一「神策略」，而是一套從學術研究、策略挖掘、穩健性測試到自動化風控與投組管理的完整流程。
Hani 的背景與交易轉折
Hani 本身具資訊科技背景，思維天生偏向系統化與自動化。他早期曾研究 Harmonic Patterns、Elliott Wave 等技術型態，並手動交易約一年半。由於手寫 EA 效率過低，他最終選擇了 StrategyQuant X (SQX)，認為其在「大量產生策略並快速回測」這件事上影響最大。
真正的「轉折點」，出現在他和團隊完成了自己的「多層自動化篩選系統」之後。這套系統讓策略從產生到汰弱留強，大部分流程都由程式自動決策。從開始認真投入（2015）到這套系統成熟，大約花了 7 年時間。
兩條主線的策略研發流程：學術驅動＋資料挖礦
Hani 的策略開發同時走兩條主線，並在兩者上都套用嚴格的穩健性測試：
- **學術驅動（Academic-driven）**：閱讀學術論文與經典書籍，萃取「有邏輯的策略結構」，再用 SQX 重現並檢驗。
- **資料挖礦（Data-driven Mining）**：使用 StrategyQuant 進行大規模「純資料挖掘」，尋找肉眼不易發現的非顯性模式。
不論哪條主線，策略都會經過類似的穩健性檢查組合，包括：
- **多重壓力測試**：嚴格的樣本外測試（Out-of-sample）、多時間週期交叉驗證。
- **蒙地卡羅**：至少四種類型的 Monte Carlo 測試（滑價、點差、歷史序列打亂、參數隨機化）。
20 年歷史數據測試範例：
若一商品有 20 年歷史，Hani 的測試流程是：
- 用前 5 年做策略生成。
- 用中間 10 年做樣本外測試。
- 用最後 5 年作為**最終樣本外資料**，配合 Walk-forward 檢查。
通過這一關的策略，才進入至少 3 個月的 Demo 帳戶實測。
從單策略到整體投組：多層風控與自動化汰換
Hani 在投資組合層級設計了多層風控，以應對策略一同失效的極端市況：
1. 單策略層級
- **異常汰除**：若實盤回撤超過歷史最大回撤的 1.5 倍，即視為「異常行為」，自動從實盤組合中剔除，移回 Demo「冷凍觀察」。
2. 組合層級
- **整體停損**：若整體組合在一週、一個月內達到預設回撤門檻（比方說單月跌破 7%），就整體停止策略一段時間。
3. 策略池與自動選股
- **低相關性**：在策略生成階段，排除彼此相關係數高於 0.3 的策略。
- **動態選股**：透過自家 Python 系統，從策略池中動態選出 4～5 套「近期表現與風險指標符合條件」的策略執行。
不優化參數、保留「失效策略」：為何反直覺，卻更穩健？
Hani 對於傳統「最佳化參數」相當保留，他認為這會大幅放大過度擬合風險。
- **不追求優化**：一旦策略通過所有測試並投入實盤，就不再追求後續再優化；若策略失效，就由系統自動汰換。
- **保留失效策略**：他不會「刪掉」失效策略，而是讓它們在 Demo 上繼續跑。因為市場存在長期循環，這些策略在未來的新一輪循環到來時，又會像新策略一樣重新活躍，並被系統自動重新納入實盤組合。
面對回撤與心理壓力：準備最壞情境、接受虧損是代價
Hani 投組在第一年曾遭遇約 35% 的實盤回撤，但仍能保持信心，基礎在於：
- **實際經歷**：早期用自己的資金，已經實際經歷過多次完整回撤循環。
- **邏輯檢查**：回頭檢查交易紀錄，確認每筆交易都與回測邏輯一致，便接受回撤是統計必然。
他用一句話總結哲學：「管理風險，比預測方向重要得多。」
給量化交易員的建議：先問自己，能不能承受這條路
Hani 給準備投入量化交易的新手幾點建議：
- **心理問答**：先問自己有沒有足夠的時間、心態是否準備好把這當成一份長期事業，以及遇到連續虧損時有沒有足夠的情緒韌性。
- **小額實盤**：主張「從小額實盤開始，而不是純 Demo」，將前期投入的錢視為在「學習與建系統」上的學費。
- **技術四階段**：循序漸進地完成：學習（理解邏輯）→ 建構（搭起開發流程）→ 測試（嚴格驗證）→ 實盤（跑出穩定紀錄）。
- **維持態度**：保持**彈性、好奇、批判**的三種態度，不把任何策略或工具視為絕對聖杯。
延伸閱讀與工具
| 項目名稱／說明 | 網址 |
|---|---|
| 訪談影片 | From Research to Results: How Hani Developed a Portfolio with Over 300% Return |
| StrategyQuantX 免費方案 | AlgoLab：SQX 免費授權與課程 |
| 分析工具 | Quant Analyzer 免費版 |
| 數據工具 | Quant Data Manager |
| AlgoCloud 課程 | StockLab 課程註冊 |
| 免費策略示例 | Nasdaq 期貨策略 / GOLD 策略 |