尋找策略組合vs參數最佳化

使用套裝軟體建構策略的方法，大家可能都是找到一個基礎的策略，接著用參數最佳化去找到一個好的參數，如果有好的績效，代表這個策略參數某個層面上符合了某些市場特性，我們因此得到投資上的優勢，這也是量化分析最常見的做法。

接著一個好的邏輯，要如何與其他邏輯搭配呢，就是不斷的嘗試，try error try …。

不過這件事情對於一個懶人回測來說，真的太辛苦了(長嘆)，所以我一直在想，有沒有可能把不同的策略邏輯組合在一起回測，試圖找出不同策略邏輯之間的關聯、互補性，而不是一個交易邏輯用參數最佳化幹到底，再去與其他邏輯硬湊在一起，舉例來講：我如果想知道「價量」、「籌碼」之間有沒有特定關係，而不是單純拿價量或是籌碼去做交易策略。那如果照剛剛所說的，每個交易邏輯一個個嘗試，如果總共有3個交易邏輯，那會有7種組合，數量就依此類推，如果邏輯一多，這根本是測不完的坑阿。

因此，我才會介紹資料特徵，資料特徵在資料分析領域很常見，但在投資軟體上並不常見到這樣的概念，而資料特徵也可以應用於交易策略，有興趣的人可以翻翻前幾篇文章。

而當我們把交易特徵做了一些排列組合以後，就可以比較快的去找一些特徵關聯性，舉例來講，我把特定股票的月營收制定一些指標，大概如下。

每檔商品，都有不同的特徵反應！有些人可能覺得這檔股票主力色彩濃厚，或是因為疫情大漲等等，但這不是本文重點，因為不同股票會有不同反應，這邊就單純看資料做分析而以。

接著我用股價跟月營收去產生一些特徵，例如突破、月營收季平均＞年平均、年增率＞10%，這三個特徵有沒有什麼關聯性呢？那如果我們是100個特徵（交易邏輯）呢？所以我這邊希望用最快的方法把所有排列組合跑一次，操作上我們會透過群組化，去將不同的特徵排列組合全部測試一次，會得到這張表：

裡面將不同的特徵排列組合都測過一次了，然而最大的總報酬是最好嗎，沒有一定，要看你怎麼衡量風險以及報酬，不過本文的重點在於，如果可以跳出不同與以往的回測框架，或許會看到一些以前沒看過的風景吧（飄髮）～

我也不確定概念介紹這樣寫大家是不是可以理解，想知道如何撰寫這些Python code的人幫我留個言+1，有人想看我再試著寫看看Python code介紹的文章。