strategy-optimization
交易策略優化方法論，從診斷到達標的迭代流程
When & Why to Use This Skill
This Claude skill provides a systematic methodology for trading strategy optimization, guiding users through a rigorous iterative process from performance diagnosis to goal achievement. It focuses on identifying root causes of underperformance, such as strategy-market mismatch, and offers data-driven frameworks to improve win rates, expectancy, and risk-adjusted returns through backtesting and regime detection.
Use Cases
- Diagnosing low win rates or high drawdowns by analyzing market regimes (ADX) and identifying if a trend-following strategy is being incorrectly applied to a ranging market.
- Systematically optimizing SL/TP (Stop Loss/Take Profit) ratios and leverage settings to transform a negative expectancy strategy into a profitable one.
- Implementing a structured 'Analyze-Diagnose-Research-Implement-Validate' loop to ensure trading strategy adjustments are based on statistical significance rather than intuition.
- Validating quantitative research findings against real-world market data to prevent over-fitting and ensure robustness across different timeframes and asset classes.
| schema | "1.0" |
|---|---|
| name | strategy-optimization |
| version | "1.0.0" |
| description | 交易策略優化方法論，從診斷到達標的迭代流程 |
| primary | [策略優化, 優化策略, 提高勝率, 改善報酬, strategy optimization, improve returns] |
| secondary | [win rate, 回測, backtest, 調參, parameter tuning, 績效改善] |
| context_boost | [trading, quant, 交易, 量化, return, profit] |
| context_penalty | [design, marketing, frontend] |
| priority | high |
| keywords | [finance, trading, optimization, strategy, backtest] |
| domain-skills | [quant-trading] |
| author | claude-domain-skills |
交易策略優化 Strategy Optimization
系統化的策略優化流程，從診斷問題到達成目標
適用場景
- 勝率過低（< 40%）
- 報酬未達目標
- 策略在特定市場狀態表現差
- 需要達成特定報酬目標（如 15%+）
核心流程
┌─────────────────────────────────────────────────────────────────┐
│ │
│ 策略優化迭代循環 │
│ │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │ ANALYZE │ → │ DIAGNOSE│ → │ RESEARCH│ → │IMPLEMENT│ │
│ │ 分析 │ │ 診斷 │ │ 研究 │ │ 實作 │ │
│ └────┬────┘ └────┬────┘ └────┬────┘ └────┬────┘ │
│ │ │ │ │ │
│ ▼ ▼ ▼ ▼ │
│ 收集指標 找根因 搜尋方案 實作變更 │
│ │
│ ┌─────────────────────────────────────────┐ │
│ │ │ │
│ ▼ │ │
│ ┌─────────┐ ┌─────────┐ │ │
│ │VALIDATE │ → │ ITERATE │ ────────────────────┘ │
│ │ 驗證 │ │ 迭代 │ 未達標 → 回到 ANALYZE │
│ └────┬────┘ └─────────┘ │
│ │ │
│ ▼ │
│ 達標 → 文檔化部署 │
│ │
└─────────────────────────────────────────────────────────────────┘
Phase 1: ANALYZE（分析）
收集當前績效指標：
| 指標 | 說明 | 健康標準 |
|---|---|---|
| 勝率 | 獲利交易比例 | > 40% |
| 報酬 | 總損益 | 正數 |
| 回撤 | 最大虧損幅度 | < 20% |
| 交易次數 | 統計顯著性 | > 100 筆 |
| 期望值 | 每筆預期獲利 | 正數 |
期望值公式
Expectancy = (WinRate × AvgWin) - ((1-WinRate) × AvgLoss)
範例：
勝率: 54.5%, 平均贏: $7.42, 平均輸: $8.26
期望值: (0.545 × 7.42) - (0.455 × 8.26) = +$0.29/筆
正期望值 × 大量交易 = 穩定獲利
Phase 2: DIAGNOSE（診斷）
關鍵：找根因，不是症狀
常見根因
| 症狀 | 可能根因 | 診斷方法 |
|---|---|---|
| 勝率低 | 策略不適合市場狀態 | 檢查 ADX/市場 regime |
| 報酬低 | SL/TP 比例不佳 | 分析盈虧分布 |
| 回撤大 | 槓桿過高 | 計算風險暴露 |
| 交易少 | 條件太嚴格 | 放寬進場條件 |
市場狀態分析
┌─────────────────────────────────────────────────────────────────┐
│ 市場狀態 vs 策略匹配 │
│ │
│ ADX < 25 (盤整) → Grid Trading, Mean Reversion │
│ ADX > 25 (趨勢) → Trend Following, Momentum │
│ 高波動 → Scalping, 減少部位 │
│ 低波動 → Grid Trading, Breakout 準備 │
│ │
│ ⚠️ 90% 時間市場在盤整，趨勢策略會持續虧損！ │
└─────────────────────────────────────────────────────────────────┘
診斷範例
症狀: 勝率只有 25%
↓
分析: 使用 RSI+MACD 趨勢策略
↓
檢查: ADX 平均 < 25（90% 時間在盤整）
↓
根因: 趨勢策略用在盤整市場
↓
方向: 需要盤整市場策略（Grid Trading）
Phase 3: RESEARCH（研究）
策略-市場狀態對應表
| 市場狀態 | 推薦策略 | 原因 |
|---|---|---|
| 盤整 (ADX < 25) | Grid Trading | 利用價格震盪 |
| Mean Reversion | 回歸均值 | |
| Scalping | 快進快出 | |
| 趨勢 (ADX > 25) | Trend Following | 順勢而為 |
| Momentum | 動量延續 | |
| Breakout | 突破跟進 | |
| 高波動 | Scalping | 快速獲利 |
| 減少部位 | 控制風險 |
Sharp Edge: 研究數據驗證
┌─────────────────────────────────────────────────────────────────┐
│ ⚠️ SE-1: 研究數據必須實測驗證 │
│ │
│ 嚴重度: critical │
│ │
│ 案例： │
│ - 研究聲稱圖表模式有 80-84% 成功率 │
│ - 實際回測：讓策略表現更差 │
│ - 原因：股市數據不適用於加密貨幣 │
│ │
│ 教訓： │
│ ❌ 看到研究數據就實作 │
│ ✅ 先用真實數據回測驗證 │
└─────────────────────────────────────────────────────────────────┘
Phase 4: IMPLEMENT（實作）
參數調整策略
| 參數 | 調整方向 | 影響 |
|---|---|---|
| SL/TP 比例 | 對稱 (1:1) vs 非對稱 | 勝率 vs 盈虧比 |
| 槓桿 | 1x → 10x | 報酬 vs 風險 |
| 進場閾值 | 寬鬆 vs 嚴格 | 交易次數 vs 品質 |
關鍵發現
┌─────────────────────────────────────────────────────────────────┐
│ 優化發現 │
│ │
│ 1. 對稱 SL/TP 更好 │
│ - 1.8%/1.8% 產生 ~55% 勝率 │
│ - 比 1%/3% 的表現更好 │
│ │
│ 2. Grid Trading 在盤整市場 │
│ - 勝率從 25% 提升到 55% │
│ - 關鍵：ADX < 25 時啟用 │
│ │
│ 3. 更多交易 + 正期望值 │
│ - 小獲利累積成大報酬 │
│ - 191 筆交易 × $0.29/筆 = +$55 │
└─────────────────────────────────────────────────────────────────┘
Phase 5: VALIDATE（驗證）
回測要求
| 項目 | 最低要求 | 建議 |
|---|---|---|
| 回測期間 | 60 天 | 180 天 |
| 交易次數 | 50 筆 | 100+ 筆 |
| 樣本外測試 | 有 | 必須 |
| 交易成本 | 包含 | 包含滑價 |
驗證清單
□ 勝率是否改善？
□ 報酬是否達標？
□ 回撤是否可接受？
□ 期望值是否為正？
□ 樣本外表現如何？
Phase 6: ITERATE（迭代）
未達標 → 回到 ANALYZE
│
├── 分析新結果
├── 調整參數或策略
├── 重新驗證
└── 重複直到達標
最佳實踐
- 先診斷再動手 - 不要盲目調參數
- 一次改一個變量 - 才能知道什麼有效
- 驗證研究結論 - 理論數據不可信
- 足夠的交易次數 - 統計顯著性
- 文檔化成功經驗 - 寫成 ADR
常見錯誤
| 錯誤 | 後果 | 修正 |
|---|---|---|
| ❌ 只調參數不換策略 | 無法解決根本問題 | 先診斷根因 |
| ❌ 回測期間太短 | 過度擬合 | 180+ 天 |
| ❌ 忽略市場狀態 | 策略-市場不匹配 | 使用 Regime Detection |
| ❌ 追求高勝率 | 犧牲盈虧比 | 關注期望值 |
成功案例
優化前：
- 報酬: 0.46%
- 勝率: 23.5%
- 策略: RSI+MACD（趨勢策略用在盤整市場）
診斷：
- 90% 時間 ADX < 25（盤整）
- 趨勢策略不適合
優化後：
- 報酬: +19.93%
- 勝率: 54.5%
- 策略: Grid Trading + Regime Detection
關鍵改變：
1. 新增 Grid Trading 策略
2. 使用 Regime Detection 動態切換
3. 對稱 SL/TP (1.8%/1.8%)
4. 10x 槓桿 + 191 筆交易
風險警示
⚠️ 高報酬伴隨高風險
- 上述案例最大回撤 48.84%
- 考慮降低槓桿 (5x) 換取更低風險
- 持續監控市場狀態變化
- 設定停損機制
參考配置
# 經過驗證的配置
config = {
"leverage": 10.0, # 或 5.0 降低風險
"stop_loss_pct": 0.018, # 1.8%
"take_profit_pct": 0.018, # 1.8%
"top_n_signals": 3,
"min_confidence": 0.5,
"use_regime_selector": True,
}
相關 Skills
finance/quant-trading- 量化交易基礎finance/investment-analysis- 投資分析methodology/knowledge-acquisition-4c- 學習新領域