AI 模型如何決定買賣訊號?信心度機制完整解析

從 K 線到買賣訊號:5 個步驟

AI 量化交易的完整流程,可以拆成 5 個明確步驟:

整個流程可以在毫秒級完成。下面逐步拆解。

步驟 ①+②:特徵工程是什麼?

原始的 K 線只有 4 個基本欄位:開、高、低、收 — 加上量,共 5 個。但 5 個數字資訊量太少,AI 模型直接吃這些原始資料學不到太多東西。

特徵工程(Feature Engineering)就是把這 5 個基本欄位衍生出幾十到上百個額外的「描述變量」,讓模型能從多個角度理解市場狀態。常見的衍生特徵包括:

• 動能類:5/10/20 分鐘的價格變化率、加速度、累積漲跌
• 均線類:多條 MA 的斜率、彼此距離、與當前價的乖離率
• 波動類:ATR、布林通道寬度、最近 N 分鐘的標準差
• 動能指標:RSI、MACD、KD 等傳統技術指標
• 量價關係:量價背離、單筆大單偵測、買賣盤不平衡
• 時間特徵:目前所處的盤中時段(開盤、午盤、收盤前)

實務上,AITrade 內建特徵工程模組會即時計算約 60-80 個特徵維度,在每一根 K 線完成後立即更新。這層工作通常是整個系統最關鍵的「資料品質」決定因素 — 即使後面用最強的模型,特徵不好等於餵廚餘給五星主廚。

步驟 ③:模型推論輸出「信心度」

特徵向量準備好之後,送進預先訓練好的模型推論 — AITrade 與業界進階方案採用的是強化學習(Reinforcement Learning)路線:

• PPO(Proximal Policy Optimization):on-policy 強化學習,訓練穩定、調參友善。直接學「進場/出場/持有」三類動作的策略分布,是業界量化團隊近年的主流選擇。
• SAC(Soft Actor-Critic):off-policy 強化學習,加入「最大熵」探索機制,連續動作空間下對「動態倉位調整」與「不確定性下的決策」表現特別好。
• LSTM / Transformer(用於特徵編碼):常作為 PPO/SAC 的「狀態編碼器」 — 把時序 K 線資訊壓縮成 RL 模型能理解的隱向量。

RL 模型推論的輸出不是「買」或「賣」的硬決策,而是各動作的「策略偏好分數」 — 例如「做多偏好 = 0.73」「做空偏好 = 0.12」「持有 = 0.15」。AITrade 把「做多偏好」這個 0-1 數字直接顯示為「做多信心度 73%」,讓使用者用直覺的百分比閾值來判斷。

信心度 vs 機率有什麼差?

傳統監督式模型(如預測「下一根 K 線是否上漲」的分類器)輸出「真實機率」;強化學習則輸出「策略偏好」,本質是「在學到的策略下,該動作的相對期望報酬」。兩者數值範圍都是 0-1,在 UI 上都包裝成「信心度」,但底層意義不同。實務上對使用者影響不大 — 重點都是「設定一個閾值,過了才執行」。

但要注意:模型輸出的機率不等於真實機率。一個模型輸出 0.8,可能在實際統計上只有 65% 的時候真的上漲(這稱為「未校準」,uncalibrated)。專業團隊會做「機率校準」(Probability Calibration)讓輸出更接近真實機率,但業餘使用者通常透過調整閾值(下一節)來處理這個問題。

步驟 ④:閾值機制 — 你的策略邏輯在這裡

有了信心度數字後,要不要下單由「閾值」(threshold)決定。這是使用者完全自主的設定,也是 AI 量化交易系統最重要的「策略參數」之一。

閾值高低的取捨

閾值設定	訊號頻率	單筆勝率	適合情境
低(50-55%)	很高	較低	大量小贏,需要極低手續費
中(60-65%)	中等	中等	主流設定,風險報酬平衡
高(70-80%)	較低	較高	選擇性下單、傾向波段
極高(80%+)	很低	很高	機會少但精準,適合資金小

很多人以為「閾值越高越好」 — 錯。閾值太高代表訊號太少,長期下來總獲利反而不如中等閾值的策略,因為錯過了大量小機會。最佳閾值需要透過回測找出,且會隨市場環境變化。

「為什麼有時 AI 不下單?」

這是 AITrade 用戶最常問的問題。答案幾乎都是:當下信心度沒超過你設定的閾值。例如你設 60%,系統那一根 K 線推論出來只有 56% — 規則是不下單,即使結果回頭看是漲的。

這正是「機械化執行」的核心 — 不依靠人的直覺,而是用統計上有期望值的閾值來決策。

步驟 ⑤:多模型融合(Ensemble)

實際上,專業量化團隊很少只用一個模型判斷。常見的做法是同時跑多個模型,再融合結果:

• 投票制:5 個模型,其中 3 個以上看多才下多單
• 平均制:5 個模型的信心度取平均,再跟閾值比對
• 加權制:依各模型近期績效動態分配權重,績效好的話語權更大

多模型融合的好處是降低單一模型失準的風險。任何模型都會有「時靈時不靈」的時期,當市場結構轉變(例如從趨勢盤切到盤整盤),特定類型的模型會大幅退化。融合多個方法論不同的模型,能讓整體系統更耐市場波動。

AITrade 平台預設就是多模型並行架構 — 使用者可以同時啟用 50 到 300 組不同訓練資料、不同超參數的模型,系統自動匯總結果。

三個你必須知道的風險點

① AI 不會「預測未來」 — 它做的是「模式比對」

常見誤解是「AI 看得到未來」。實際上,模型只是從歷史資料中找出與當下相似的情境,再統計那些情境後續走勢的機率分佈。如果未來市場結構與歷史顯著不同(例如 2020 年新冠急跌、2022 年連續升息),模型表現會大幅下降。

解法:定期重新訓練模型(re-training),並設定績效監控警示 — 當模型實盤勝率連續低於回測勝率超過 N 個標準差時,系統暫停該模型。

② 過度擬合(Overfitting)看回測一帆風順,實盤天差地別

這是 AI 量化最大的失敗模式。一個模型在歷史資料上表現完美(回測 Sharpe 4.0),實盤運行卻只剩 0.5。原因:模型「背下」歷史資料的雜訊,而非學到「會持續的市場規律」。

專業避免方法:

• 嚴格 walk-forward analysis(滾動視窗驗證)
• 把資料切成「訓練 / 驗證 / 測試」三段,測試集絕對不能參與調參
• 檢查模型在不同年份的表現是否一致(若 2020 年好、2021 年崩壞,就是過擬合)

③ 信心度高 ≠ 賺錢機率高

模型可能在某類市場狀態下「永遠輸出高信心度」 — 例如趨勢盤裡每筆訊號都 80%+。當市場切到震盪盤,同樣的高信心度可能對應大量虧損。

解法:把信心度與市場狀態(regime detection)結合。例如趨勢明確時用低閾值多參與,震盪時用高閾值嚴選 — 這就是 AITrade「多模型並行 + 動態權重」設計的目的之一。

結語:AI 是工具,規則由你訂

整個流程拆下來,「AI 做的事」其實非常具體:把市場狀態壓縮成一個 0-1 之間的數字。但是否要下單、停損停利怎麼設、口數多大 — 全部是使用者的策略決定。

這也是為什麼程式交易的進步,不在於買到「最強的 AI 模型」,而在於:

1. 建立穩健的特徵工程(資料品質是天花板)
2. 設計合理的閾值與風控規則
3. 持續監控、再訓練、淘汰失效模型

下一篇我們會深入講「程式交易 vs 量化交易 vs 自動交易」(若還沒讀過),或往實戰方向看「程式交易 5 大常見錯誤」(下一篇預定)。

免責聲明:本文僅供教育目的,不構成任何投資建議。AI 量化交易輔助系統不保證獲利。任何交易決策請依個人財務狀況審慎評估,並請諮詢合格的證券期貨業者。