實盤 2 年、掌管 30+ 策略！Brendan 的 SQX 零參數開發法與多市場健壯性測試
在量化交易的漫長旅途中，幾乎每個交易員都曾掉入「過度擬合（Overfitting）」的完美回測陷阱。在本次的 StrategyQuant 官方 YouTube 影音專訪 中，我們邀請到了來自加拿大溫哥華、擁有超過 2 年 StrategyQuant X (SQX) 真實實盤紀錄的量化交易員——Brendan，他也是量化社群 Trivium System Trading 的創辦人。
Brendan 目前管理著一個由 30 多支獨立策略組成的自動化投資組合，涵蓋了比特幣、美股指數（NASDAQ, S&P）、德國與日本指數、黃金、原油等多個 CFD 市場。今天，他將無私分享他的「SQX 自動化策略兵工廠」工作流，揭密為何他選擇關閉 RSI 與 MACD 等傳統指標，轉而投入「零參數模塊（Zero-parameter Blocks）」的懷抱，以及他是如何透過「多市場測試」與「Tick 數據」徹底終結回測失真的惡夢。
📌 本頁修煉路線圖
一、 覺醒之路：從 PineScript 的過度擬合到擁抱 SQX 兵工廠
Brendan 的交易之旅始於 2020 年的疫情期間。他一開始嘗試手動交易，並幸運地嚐到了甜頭，但很快就在一次交易中吹爆了模擬帳戶。這讓他意識到自己對市場一無所知，進而轉向使用 TradingView 與 PineScript 學習演算法交易。
「我當時寫出了帶有 5、6 個參數的策略，然後手動微調去尋找那條『完美的 45 度角資金曲線』。我以為我破解了市場密碼、以為我是下一個巴菲特。結果一上線實盤，曲線直接像跳崖一樣直線墜落。這就是經典的過度擬合（Overfitting）災難。」
經過無數次「手動寫碼 ➔ 發現回測完美 ➔ 實盤衰退 ➔ 重新寫碼」的痛苦輪迴後，他在 2021 年接觸了 StrategyQuant X (SQX)。如今，他將 SQX 的 Custom Projects (自訂專案) 視為一條**「策略生產流水線」**。他在睡前按下生成鍵，醒來後系統已經自動完成了生成、壓力測試、蒙地卡羅模擬等所有繁重工作，直接產出數百個具備潛力的候選策略。
二、 SQX Builder 秘辛：關閉傳統指標，擁抱「零參數模塊」
在 SQX 的 Builder (策略生成器) 設定上，Brendan 有著與大眾截然不同的見解。許多 Guru 會建議新手從歐美 (EURUSD) 等外匯市場開始，但他強烈建議**從美股指數（特別是 NASDAQ）開始，而且只做多（Long-only）**，因為美股流動性佳、點差極低，且具有長期的向上偏差（Upward drift）。
更具顛覆性的是，他主動關閉了 SQX 內建的許多傳統指標模塊（如 RSI、MACD）。
- 為何揚棄傳統指標，轉向「零參數 (Zero-parameter)」？
- 參數過多的原罪： RSI 或 MACD 擁有週期長度、超買超賣閾值等多個參數。參數空間越廣，遺傳演算法就越容易「硬湊」出一組只適合歷史數據的神奇數字，導致過度擬合。
- 零參數模塊的二元性： 他自己編寫了大量「只有 True / False」的自訂模塊（Custom Blocks）。例如：
昨日收盤價 > 昨日開盤價，或者是今日開盤價 > 200日均線 (200為固定常數不優化)。 - 結果驗證： 這種毫無參數微調空間的單純邏輯，在樣本外（Out-of-sample）數據的存活率出奇地高，真正捕捉到了市場的底層價格行為 (Price Action)。
三、 健壯性的最強防線：多市場交叉測試 (Multi-Market Testing)
要如何確認 SQX 找到的邏輯是真正的「優勢（Edge）」而只是「運氣好（Search artifact）」？Brendan 的終極殺手鐧是**「多市場測試（Multi-Market Testing）」**。
他在影片中分享了自己的研究數據：如果生成策略後不做任何健壯性測試，策略在樣本外（OOS）的夏普率會平均衰退 50%。但如果加入「多市場測試」（例如在 NASDAQ 開發的策略，必須在 S&P 500 與 Dow Jones 上也能獲利），樣本外的平均表現將獲得巨幅提升。每一個能在不同市場中存活的交易，都是對該策略邏輯投下的一張信任票。
四、 破解實盤與回測落差：為何「1分鐘 K 棒」會騙了你？
許多量化交易員最痛苦的事，莫過於「回測賺錢，實盤虧錢」。Brendan 曾經也面臨這個問題，直到他改變了回測的數據精準度。
- 從 1 Minute OHLC 到 Tick Data 的震撼教育：
- 隱藏的運算誤差： 即使你的策略持倉長達數小時，使用「1分鐘高低收開 (1-Min OHLC)」數據進行回測，系統仍會對 K 線內部的價格軌跡進行「猜測」。這會導致移動停損 (Trailing Stop) 的觸發點產生致命的誤差。
- Tick 數據的無情照妖鏡： 當 Brendan 將那些表現完美的策略，切換到最精準的「Tick Data（逐筆報價數據）」進行覆測時，許多策略的績效瞬間崩塌。他這才恍然大悟，為何實盤與回測對不上。
- 實盤環境對齊： 他強烈建議，回測必須匯入你所使用的 CFD 券商的「真實合約規格（Contract specifications）」與時區，並刻意在回測中將點差（Spread）調高 5% 到 10% 進行悲觀測試。
五、 投資組合與風險控管：相關性過濾與 20% 最大回撤防線
目前，Brendan 的實盤主帳戶中運行著大約 30 到 35 支策略。在建構投資組合時，他有一套極其簡潔有力的標準：
首先，他透過 SQX 的 Portfolio Master 檢查策略間的每月利潤相關性，將**相關係數閾值嚴格設定在 0.2 到 0.25 以下**。
其次，他不迷信「根據策略好壞來分配不同權重」的作法。他讓組合內的每一支策略都承擔完全相同的風險（Same risk per strategy）。如此一來，這 30 支策略就會融合為一個單一的有機體。當某幾支策略遭遇回撤時，另外幾支不相關的策略就會挺身而出創造獲利，完美實現了內部對沖（Hedging）。
他的實盤主帳戶將最大容忍回撤設定為 20%，而在過去兩年多的實盤運行中，憑藉著嚴格的蒙地卡羅壓測與極低相關性，他的帳戶從未觸及這條紅線。
六、 AI 在量化交易的真實應用與新手建議
對於當今火熱的 AI（如 ChatGPT、Claude），Brendan 認為它們是極佳的「程式碼助理」。如果你不懂 Java 語法，你可以請 AI 幫你寫出上述提到的「自訂零參數模塊」並放入 SQX 中。
但他警告，直接把歷史價格餵給機器學習模型（Machine Learning）去「預測未來買賣點」，在實盤中幾乎沒有成功的案例。AI 應該被用來提升開發效率（例如 SQX 的遺傳演算法本身就是一種機器學習），而不是被當成預測未來的水晶球。
「給新手的忠告：追求零參數或低參數的策略、確保你的數據品質精準無誤、盡可能提高樣本外測試的交易筆數。用力去蹂躪你的策略，盡可能地打破它！只有在最嚴苛的壓力測試下存活下來的策略，才配得上你辛苦賺來的真金白銀。」