從分析到預測：AI 如何產生可用於交易的信號？

一、預測問題與交易問題並不等同

在機器學習領域，任務多以預測未來 n 個週期的價格走勢、效益或波動率為主。

然而，實際交易場景的問題結構更為複雜，至少包含四個決策層級：

• 是否進行交易；
• 交易方向及倉位大小；
• 持倉時長與登出條件；
• 何時降低頻率或暫停策略。

這代表即使預測準確率極高，也未必能帶來穩定效益。

常見情境是：模型能正確識別多數小幅波動，卻在罕見的大行情中連續失誤，導致尾部虧損抵銷累計效益。

因此，第 3 課的首要結論是：信號的真正價值在於「可執行性」，而不僅僅是單一預測指標。

二、三大主流信號生成路徑

規則驅動模型

規則驅動模型建立於明確邏輯基礎上，如「突破 + 成交量確認 + 風險過濾」。

此類模型具備高度可解釋性、部署快速、調試成本低等優勢。

但其侷限在於難以捕捉複雜的非線性關係，且市場結構變動時需手動調整規則。

ML 驅動模型

機器學習方法能通過多因子學習非線性關係，常見於樹模型、時序模型與機率評分模型。

優勢在於可處理高維輸入，發掘人工規則難以覆蓋的組合。

風險則包括過擬合、可解釋性降低，以及策略維護門檻上升。

混合框架

混合框架常見結構為「規則約束 + 模型排序」或「模型擇時 + 規則執行」。

此路徑於實務更為普遍，兼具彈性與穩健性：

• 規則負責邊界與基線；
• 模型負責機率判斷與優先排序。

於多數中級交易系統中，混合框架較純規則或純模型更具持續性。

三、信號目標設計：不僅是方向，還需納入風險與狀態

僅用「未來漲／跌」定義標籤過於粗糙，實務設計通常包含三層目標：

1. 方向：未來 n 週期內上漲或下跌的機率；
2. 幅度：預期效益區間或潛在回撤區間；
3. 狀態：市場處於趨勢、震盪、擠壓或流動性收縮狀態。

三層目標各有分工：

• 狀態層決定策略是否啟動；
• 方向層決定倉位傾向；
• 幅度與風險層決定倉位權重與止損強度。

如此一來，單一預測任務升級為分層決策系統，顯著降低「方向正確但交易虧損」的機率。

四、從模型分數到交易行動：閾值與信心管理

模型輸出多為機率或分數，而非直接買賣指令。

信號落地依賴閾值管理與分級執行：

• 低信心：不交易或僅觀察；
• 中信心：小倉試單；
• 高信心：加大權重，但仍受風險上限約束。

核心理念是「信號分層」，而非「等權執行」。

若所有信號等權執行，將導致交易雜訊、手續費侵蝕與換手率過高。

成熟系統關注淨信號品質——減少低質量交易，提高每筆交易的有效性。

五、信號評估維度遠超準確率

可交易信號評估應涵蓋五大面向：

1. 預測：準確率、召回率、誤差分布、機率校正；
2. 交易：勝率、盈虧比、換手率、持倉結構；
3. 效益：累計盈利、最大回撤、效益／回撤比；
4. 執行：手續費敏感度、滑點敏感度、容量上限；
5. 穩定性：不同市場狀態下的表現一致性。

若信號僅於預測指標表現優異，卻在交易或執行層面失效，則缺乏實盤價值。

許多「回測亮眼但實盤失效」的策略，根本原因並非模型本身，而是信號到交易的映射鏈缺失。

六、常見失效機制：模型失效多因市場結構變化

實盤失效常見於三類結構變動：

• 狀態切換：趨勢市轉震盪市，原有動量信號失效；
• 擁擠轉變：更多參與者採用類似策略，邊際效益被壓縮；
• 成本轉變：波動率下降後，原有交易頻率導致成本比大幅提升。

因此，信號系統需具備失效監控機制，例如：

• 命中率與盈虧比是否同步下滑？
• 信號分布是否異常集中？
• 交易品質與滑點是否持續惡化？

當閾值被觸發時，應降低頻率／槓桿或暫停，以避免於失效期內持續虧損。

七、加密市場獨特信號：價格、持倉、鏈上三維交互

相較傳統市場，加密市場可同時觀察價格行為、衍生品持倉與鏈上資金流。

例如，常見複合信號包括：

• 價格突破關鍵區間；
• 持倉量上升、資金費率升溫；
• 穩定幣淨流入增強。

此結構可能意味趨勢加強，也可能是高槓桿擁擠下的脆弱衝高。

因此，方向信號必須搭配風險過濾：

• 資金費率是否進入過熱區？
• 強平區是否距離現價過近？
• 盤口深度能否承接衝擊？

唯有通過風險過濾，信號方具備更高執行價值。

八、從單一模型到信號工廠：可執行的迭代路徑

本課建議採「先小系統，後複雜架構」的迭代策略，具體步驟如下：

1. 選定單一任務（如 4 小時方向機率）；
2. 建立可解釋基線（規則或輕量模型）；
3. 完成閾值分級與交易映射；
4. 進行樣本外與滾動驗證；
5. 觀察實盤小倉「信號－執行－結果」聯動；
6. 逐步擴展為多信號整合（方向 + 風險 + 狀態）。

核心優勢在於可診斷、可回溯、可迭代——持續降低黑箱決策的不確定性。

九、課程小結

本課聚焦「AI 如何生成可交易信號」，核心結論如下：

• 信號生成不僅是預測任務，更是決策系統工程挑戰；
• 規則、機器學習及混合框架各有邊界，混合路徑更適合實務落地；
• 可交易信號需同時滿足預測、交易、執行與穩定性要求；
• 加密市場信號應結合價格、持倉、鏈上三維交互，並搭配風險過濾。

要點總結：可預測性不等於可交易性，信號價值取決於執行品質與風險控制。

下堂課將進入完整閉環的下一步：策略自動化——從回測到實盤，聚焦如何工程化信號系統以實現持續運作。