規律的生活應是正常交易者的追求, 因為要發落小孩上學, 我的作息通常是11點就寢而6點起床, 因此夜盤至晚也是做到11點附近. 其實現在介紹給大家的這個週選策略, 有著同時買方在避險, 夜盤不做也無所謂, 不是影響賺賠的關鍵因素
附件是昨天夜盤的調整, 仍是價內法 SP 10350 + BP 10150
2019/03/12
2019/03/11
長成什麼樣子, 才稱得上是一種好的調整?
留倉損益圖要長成什麼樣子, 才稱得上是一種好的調整? 仍然要回到篩人題目二(報酬與風險)的兩種因子來評量
以賣方為主策略的調整:
1) 最糟的狀況是報酬1而風險無限
2) 好的調整結果是求報酬大於風險(報酬除以風險大於1)
3) 如果能做到平常我們自己下注賭博時的報酬1比風險1, 就算不錯了
4) 由於賣方勝率高的關係, 下放到報酬1而風險3, 都還算可以
附件是今天的調整細目和最終留倉損益, 若以10200當是最可能的最高報酬來看, 左邊約5比3, 右邊約5比2, 雙邊比例皆大於1, 稱得上是一種好的調整了
我最討厭那種說操作必須修心的老師, 很想做的事情強迫自己忍住不做, 試問很痛苦的事如何能長期做到? 其實要你做的老師自己也做不到, 可是這種方法可以讓他在你虧損的時候, 很有理由地告訴你為啥你會虧損, 因為你沒做到老師說的bla bla bla...真是太方便了, 不僅可以推拖教人的方法可能有誤, 更可以暗示像老師可以做得到的樣子來造神. 其實, 在不違反大原則(ex: 逆勢. 平賭 martingale...)之下, 讓當下的自己先舒服了, 後續的決策才能更清明而正確
正確又明智的決定, 執行不力(違反人性致使)的話, 應該是無用的; 暫時偏離隨時都必須正確又明智的謬思, 讓心理願意去執行相對正確可行的策略, 是認識自己或體悟更多後的操作技巧之一. 當然啦! 這僅僅適用於修為不好的凡人我自己, 神人或開課大師笑話我當屬自然囉
光靠期許自己遵守紀律是很難的. 或許去思考出如何能讓最終策略設計成具有 [不得不] 執行的效果(ex: 設計一種心理上沒停損, 而實質上是真停損的機制), 可能會相對容易喔! 操作時的缺點很多時候是天性造成, 硬要去修正. 改正不容易, 違反天性的事情難持久做到; 換個角度看, 自身的優點也是天性使然, 加強優點的效果比較容易事半功倍, 如果可以用大禹治水的疏導法來面對操作時的弱點, 達到優點的好處蓋過缺點的危害, 不用違反人性, 反而是順著人性, 不是相對容易嗎?
很多原則. 教條. 紀律都是盡量去遵守即可, 做不到也沒關係, 我一直都是主張隨性調整的, 忍不住的時候很痛苦, 心理狀態會改變, 最後爆發了可能會去做更傻的事情. 想違反紀律去除痛苦也無妨, 只是要聰明地選擇您要做的契約. 像現在我看跌不下去了, 實在很想做多, 我會選擇平掉在手的SC 10300, 因為它的premium我已經賺超過80%了
===============================
這篇〈長成什麼樣子，才稱得上是一種好的調整？〉聚焦在期權賣方部位動態調整的實戰標準與心理層面的體會。文章從損益圖出發，明確以「報酬／風險比」作為核心衡量指標，主張調整後損益圖應追求報酬大於風險（至少>1），而賣方策略因勝率優勢，即便風險比高達2~3，實務上仍屬可接受範圍。文中也分享了自身調整實例，檢視左右損益比皆>1，明確展示調整合格的標準。
更值得一提的是，作者直言反感「操作需修心」這類違反人性的教條，認為強迫自己壓抑衝動只會造成長期痛苦與失敗，主張應順性而為——讓當下自己舒服，決策才會清明。強調設計讓人「不得不執行」的策略機制（如機械式停損），而非依賴意志力長期硬撐，提出「大禹治水」疏導天性的思維，將缺點管理、優點強化，作為期權賣方管理操作心理的進階見解。
此外，文中對於「紀律」、「教條」等原則，持彈性而非僵化態度，強調可隨市場與自身心理狀態動態調整，甚至以實例說明平掉獲利已高的部位（SC 10300）作為順應人性的實際行動。
整體來說，這篇文章兼具技術深度與實戰反思，心理層面與策略設計兼顧，對期權賣方尤其有啟發意義。
評分：91分
📊 評分細表
| 評分項目 | 滿分 | 得分 | 說明 |
|---|---|---|---|
| 策略洞察與觀點深度 | 20 | 18 | 以損益比檢視調整標準，並結合勝率優勢，論述完整。 |
| 邏輯嚴謹與數據佐證 | 20 | 18 | 以實際損益圖範例佐證說法，但量化細節（如模擬或統計）可更細緻。 |
| 實務關聯與行動可行性 | 20 | 19 | 給予操作參考明確、行動化的心理對策，具體可行。 |
| 內容原創性與思維啟發性 | 20 | 18 | 心理疏導、反對修心違性的新視角，結合機械性紀律設計，具啟發性。 |
| 整體可讀性與文筆 | 10 | 9 | 行文自然流暢，兼顧邏輯與經驗分享，唯細節展開稍嫌簡略。 |
✅ 優點總評
-
調整標準明確可落地：報酬／風險比大於1，並以實例圖解實務標準。
-
勝率與風險現實權衡：理解賣方優勢下，能容忍較高風險比，適合台灣期權市場環境。
-
心理管理創新思維：不強調壓抑本能，鼓勵順性操作與機械紀律，反思傳統修心論點。
-
彈性紀律觀念：強調紀律是工具而非束縛，心理舒服才能長期堅持操作。
🔧 可補強之處
-
量化風險數據可再細緻：若能更多結合回測或模擬數據驗證損益比，會更具說服力。
-
心理順性與風控如何平衡：可加入極端狀況下，如何避免順性「反過頭」導致失控的討論。
-
策略機制設計範例再多元：舉更多停損機制設計、心理疏導的實作案例，對不同性格操作者更有幫助。
🧠 結語
這篇文章是期權賣方策略調整與操作心理結合的優質參考，實務與自省兼具，對於追求穩定且長久交易績效的賣方操作者，無論技術層面還是心理層面都值得細讀。特別提醒，順性調整雖有助長期執行，但必須搭配量化風控與機械紀律機制，才能真正做到「讓自己舒服且活得久」。
2019/03/09
策略與員工
資金若小, 單一策略衝獲利是OK的. 如果資金夠大, 最好開發出一些beta係數低的不同策略(ex: 10個?), 把每個不同邏輯的策略(用不同帳戶隔開, 免得搞得自己亂亂的), 看成是不同個性的員工, 管理好這些員工去幫您做事, 看什麼樣的盤而派出幾種員工的不同組合, 賺管理財而非機會財比較容易. 分散策略的風險會使總獲利縮小, 但會變得較穩定. 只用一種策略邏輯的話, 大陸劇常用語叫做 [一條道走到黑].
我看了一下我的策略(員工)們, 月選來說, 每個盈虧占總資金約為2.5%而已! 單一策略做到月報酬20%? 我自己早就嚇爛了
beta係數低的多策略, 像是有多種不同個性的員工, 當老闆的不會希望只有跑得慢的月選策略員工, 當然是跑慢. 跑快. 跑長. 跑短...各種個性的員工都要創建出來為我所用! 老闆所做的管理 --- 多數時間是在看各員工的表現, 做不同的資金加權(獎勵或懲罰員工)而已, 而且這資金加權的動態最佳分配, 也可以寫程式讓自動化工具幫您完成; 最後老闆要管理的只剩下這自動化工具 哈哈
我看了一下我的策略(員工)們, 月選來說, 每個盈虧占總資金約為2.5%而已! 單一策略做到月報酬20%? 我自己早就嚇爛了
beta係數低的多策略, 像是有多種不同個性的員工, 當老闆的不會希望只有跑得慢的月選策略員工, 當然是跑慢. 跑快. 跑長. 跑短...各種個性的員工都要創建出來為我所用! 老闆所做的管理 --- 多數時間是在看各員工的表現, 做不同的資金加權(獎勵或懲罰員工)而已, 而且這資金加權的動態最佳分配, 也可以寫程式讓自動化工具幫您完成; 最後老闆要管理的只剩下這自動化工具 哈哈
==============================================
這篇《策略與員工》是一篇極具比喻力與實務觀念結合的中高階交易觀念文章，適合資金規模成長後、邁向多策略控管的交易者閱讀。我給這篇文章的評分是 90 分。
📊 評分細表：
| 評分項目 | 滿分 | 實得 | 說明 |
|---|---|---|---|
| 觀念完整性與邏輯性 | 20 | 19 | 闡述「多策略視角」與資金規模對應，具邏輯與結構性。 |
| 類比說明與親和力 | 20 | 20 | 「策略 = 員工」的比喻具體且生活化，讓抽象概念易懂。 |
| 實務適用性與可操作性 | 20 | 18 | 觀念強，但具體策略類型範例不足，如風格、週期、回撤範圍等。 |
| 程式化與工具延展可能性 | 20 | 17 | 提到可程式化管理，但未細述績效指標或權重調整邏輯。 |
| 創意與啟發性 | 10 | 9 | 與傳統單策略思維明顯區隔，啟發「資金變大＝管理需求上升」。 |
✅ 總評：
這篇文章極適合用來對已達一定資金規模、開始出現績效波動與策略瓶頸的交易者，提示他們從「操盤手 → 策略經理人」的心態轉換。也呼應了現代資產管理中的 multi-strategy portfolio allocation 精神。
🧠 值得學習的亮點：
-
「員工比喻」巧妙將抽象策略模組人格化，利於進行「資源再配置」與「績效管理」；
-
強調 beta低、邏輯獨立 策略組合的穩定性優勢，有別於過度相關的戰術重疊。
2019/03/07
掃盲系列3: AI或理財機器人以行銷為多
近幾年理財機器人或是人工智慧(AI), 因為AlphaGo戰勝棋王的宣傳變得很夯, 不少人以為面對類似的市場戰局(抉擇), 人工智慧必定很有發揮的空間; 現實卻殘忍地告訴您, AI團隊努力了幾年卻宣告失敗了, 改轉進醫療相關領域, 可參考連結報導 https://zhuanlan.zhihu.com/p/31913355 (有人說是假新聞)
簡化地告訴您, 人工展現智慧前, 必須有一段機器學習的過程; 而這機器學習(ML)通常可以這樣定義：「透過從過往的資料和經驗中學習並找到其運行規則。」然而正是這 [資料] 和[經驗] 侷限了一切!
簡化地告訴您, 人工展現智慧前, 必須有一段機器學習的過程; 而這機器學習(ML)通常可以這樣定義：「透過從過往的資料和經驗中學習並找到其運行規則。」然而正是這 [資料] 和[經驗] 侷限了一切!
關於人工智慧, 您可以把機器想像成很小的小孩, 看您要怎樣教育他, 每個人教育小孩的方法都不同. 這就是我說準備訓練資料時的domain expert最重要, 不是只有我們這種data scientist是關鍵. 根據完全同樣一份市場的報價歷史資料, 您可以將訓練資料準備成好幾種, 一種是讓機器去學遇到哪幾種狀況同時存在時去做交易的; 另一種是讓機器去學後面的人心計算是怎麼運作, 然後據此再去交易的, 而其他種則看domain expert的創意. 像小孩學課程一樣, 教材不同, 學出來的孩子技能也都不同. 當然教材笨笨的, 學出來的小孩也是笨笨的, 教材裡面沒涵蓋的(ex: 黑天鵝), 被教育出來的小孩要知道也難. 所以才強調AI的重點不在後面的技術, 反在於訓練資料的準備
黑天鵝的由來大家都知道吧? 話說古時候北半球的人, 一輩子根本沒機會看過南半球的天鵝有些是黑色的, 因此他的 [資料] 和[經驗] 就侷限在天鵝只會有白色的, 所以我們拿來訓練機器的資料也只能會有白色的(沒發生過的資料, 人類也無能更不可能預見出來), 當這種訓練下來的人工智慧機器, 後來遇到它沒見過的狀況(黑天鵝)時, 您還會認為它會做出有智慧的反應嗎? 哪怕它學習時用的演算法是什麼manifold regularization或是TSVM都沒三小路用
市場因為參與者眾多, 組成分子又會汰舊換新(不管是被抬出場或真正死亡), 市場老師的行為是一直在改變的, 對人工智慧機器來說, 就是不斷地用新出的黑天鵝(它的學習資料庫不存在這些資料), 去挑戰它好不容易用演算法搞出來的規則, 這只會讓它不斷地傻眼而已. 圍棋變數多但仍是有限解(雖窮舉後的資料龐大), 人類可以用有限解的部分集合(ex: 棋譜資料)去訓練電腦, 讓它能在限定時間內算出最佳可行解; 但交易市場屬於無限解... 很難辦!
結論回到好的操作方法絕對不是單從市場實戰經驗導出來的, 也可以看做在歷史資料(實戰經驗)中找賺錢的行為或方法, 是有問題的. 繼續重申 --- 正確的作法應是先有理論或model, 理論的涵蓋度夠廣後(把看不見黑天鵝的機率降低), 再用歷史資料去印證理論(model)在已發生資料中的實務可行性, 並且達到在 [不修正] 任何參數的前提下, 且在 [不同時間架構]中, 和 [不同商品] 間, 都有同樣水準以上的穿透性(以上 [三不] 最重要)
相關連結: http://individual-trader.blogspot.com/2013/09/blog-post.html
Isaacwu994 發表於 2019-3-8 14:10
若給AI夠多的資料，涵蓋的範圍夠廣，譬如幾十年的資料，幾百個市場，正常人類考慮不了這麼大量的資訊，但對 ...
現階段做不到, 未來我不敢說!
如果您對AI技術有一點了解的話, 搞AI很耗各種資源的. 舉自己例子來說(用R語言寫的, 不知用Python會不會比較快, 我是覺得不會), 曾經花過30天才準備完約3000筆訓練資料, 用等級最高的CPU i7來跑(沒有另加AGP), 跑個沒很難的演算法(SVM)讓機器去找rules, 不誇張需要跑3天, 您都會以為機器是不是當掉了! 所以您可以看到為啥前幾年AI流行的時候, 賣AGP可加速運算的nVidia股價大飆高. AGP能加速多少? 算很厲害讓機器三天改跑半天就好, 您還是很可能誤認是當機的(還只有三千筆而已) 哈哈
所以太小看現階段AI所需要的資源(軟. 硬體. 各種專家. 訓練資料), 幾十年的資料? 幾百個市場? 單一公司很難做到, 即便是google也難! 況且最大的問題在於各式訓練資料的準備(clean, ETL, label), 這需要很專精的domain expert和data scientist, 並且要花去最多的時間(可能要比訓練機器更久), 加上適格人才難尋啊! 如果在哪一個市場成功了, 保證google會出來大吹大擂, 就像當初打敗棋王一樣, 沒有這種行銷, 後面的投資者會繼續出錢? 股價怎辦? 怎麼吸引更多人才? ....???
確實跑多一點訓練資料, 有機會讓機器聰明一點, 但還是不脫主文所提過的 --- 沒發生過的資料, 人類不知道也無能力, 更不可能預見出來, 只能繼續發生遇見黑天鵝而傻眼的狀況
其實, 如果有真正強的domain expert和data scientist, 可以避免機器重複學類似的東西, 資料多若沒篩過, 不會比較好, 所以上面也說 data clean更費工
p.s. AGP是GPU古時候的說法, 用A (Accelerated)比較有加速感
有人問說: 新聞中的沃牛一號是如何辦到絕對獲利的？是短期現象（AI根據短時間（3年）的資料在短時間內沒遇到黑天鵝）還是自吹自擂的可能性比較大？
我的回答是: 請注意它的用詞是: [回測]的數據令人震驚; 我也常開發出回測令人震驚的策略, 實際上線使用後也真的令我震驚, 賠錢到趕忙讓程式下架. 絕對獲利就只是不賠另種說法而已, 要做到沒很難, 我每週公開的實單測試便屬於這種, 但要承受獲利低的缺點, 大多數情況都是trade-off, 很難兩者兼得的, 如果可以, 這種大發現會得諾貝爾獎 --- Harry Markowitz的論文得獎(同時獲利最大化+風險最小化)
黑天鵝的由來大家都知道吧? 話說古時候北半球的人, 一輩子根本沒機會看過南半球的天鵝有些是黑色的, 因此他的 [資料] 和[經驗] 就侷限在天鵝只會有白色的, 所以我們拿來訓練機器的資料也只能會有白色的(沒發生過的資料, 人類也無能更不可能預見出來), 當這種訓練下來的人工智慧機器, 後來遇到它沒見過的狀況(黑天鵝)時, 您還會認為它會做出有智慧的反應嗎? 哪怕它學習時用的演算法是什麼manifold regularization或是TSVM都沒三小路用
市場因為參與者眾多, 組成分子又會汰舊換新(不管是被抬出場或真正死亡), 市場老師的行為是一直在改變的, 對人工智慧機器來說, 就是不斷地用新出的黑天鵝(它的學習資料庫不存在這些資料), 去挑戰它好不容易用演算法搞出來的規則, 這只會讓它不斷地傻眼而已. 圍棋變數多但仍是有限解(雖窮舉後的資料龐大), 人類可以用有限解的部分集合(ex: 棋譜資料)去訓練電腦, 讓它能在限定時間內算出最佳可行解; 但交易市場屬於無限解... 很難辦!
結論回到好的操作方法絕對不是單從市場實戰經驗導出來的, 也可以看做在歷史資料(實戰經驗)中找賺錢的行為或方法, 是有問題的. 繼續重申 --- 正確的作法應是先有理論或model, 理論的涵蓋度夠廣後(把看不見黑天鵝的機率降低), 再用歷史資料去印證理論(model)在已發生資料中的實務可行性, 並且達到在 [不修正] 任何參數的前提下, 且在 [不同時間架構]中, 和 [不同商品] 間, 都有同樣水準以上的穿透性(以上 [三不] 最重要)
相關連結: http://individual-trader.blogspot.com/2013/09/blog-post.html
Isaacwu994 發表於 2019-3-8 14:10
若給AI夠多的資料，涵蓋的範圍夠廣，譬如幾十年的資料，幾百個市場，正常人類考慮不了這麼大量的資訊，但對 ...
現階段做不到, 未來我不敢說!
如果您對AI技術有一點了解的話, 搞AI很耗各種資源的. 舉自己例子來說(用R語言寫的, 不知用Python會不會比較快, 我是覺得不會), 曾經花過30天才準備完約3000筆訓練資料, 用等級最高的CPU i7來跑(沒有另加AGP), 跑個沒很難的演算法(SVM)讓機器去找rules, 不誇張需要跑3天, 您都會以為機器是不是當掉了! 所以您可以看到為啥前幾年AI流行的時候, 賣AGP可加速運算的nVidia股價大飆高. AGP能加速多少? 算很厲害讓機器三天改跑半天就好, 您還是很可能誤認是當機的(還只有三千筆而已) 哈哈
所以太小看現階段AI所需要的資源(軟. 硬體. 各種專家. 訓練資料), 幾十年的資料? 幾百個市場? 單一公司很難做到, 即便是google也難! 況且最大的問題在於各式訓練資料的準備(clean, ETL, label), 這需要很專精的domain expert和data scientist, 並且要花去最多的時間(可能要比訓練機器更久), 加上適格人才難尋啊! 如果在哪一個市場成功了, 保證google會出來大吹大擂, 就像當初打敗棋王一樣, 沒有這種行銷, 後面的投資者會繼續出錢? 股價怎辦? 怎麼吸引更多人才? ....???
確實跑多一點訓練資料, 有機會讓機器聰明一點, 但還是不脫主文所提過的 --- 沒發生過的資料, 人類不知道也無能力, 更不可能預見出來, 只能繼續發生遇見黑天鵝而傻眼的狀況
其實, 如果有真正強的domain expert和data scientist, 可以避免機器重複學類似的東西, 資料多若沒篩過, 不會比較好, 所以上面也說 data clean更費工
p.s. AGP是GPU古時候的說法, 用A (Accelerated)比較有加速感
有人問說: 新聞中的沃牛一號是如何辦到絕對獲利的？是短期現象（AI根據短時間（3年）的資料在短時間內沒遇到黑天鵝）還是自吹自擂的可能性比較大？
我的回答是: 請注意它的用詞是: [回測]的數據令人震驚; 我也常開發出回測令人震驚的策略, 實際上線使用後也真的令我震驚, 賠錢到趕忙讓程式下架. 絕對獲利就只是不賠另種說法而已, 要做到沒很難, 我每週公開的實單測試便屬於這種, 但要承受獲利低的缺點, 大多數情況都是trade-off, 很難兩者兼得的, 如果可以, 這種大發現會得諾貝爾獎 --- Harry Markowitz的論文得獎(同時獲利最大化+風險最小化)
=====================================================
這篇〈掃盲系列3: AI或理財機器人以行銷為多〉是一次深入淺出的技術與實務並重的批判性反思，主軸圍繞「AI在交易領域的適用性問題」。作者跳脫表層流行語彙與商業行銷炒作，直指 AI 在市場操作中因樣本侷限性、黑天鵝事件、與高維環境的不可控性，而面臨的結構性侷限。整體而言，文章兼具邏輯縝密、觀念深刻與實作經驗支持，值得 94 分。
📊 評分細表：
| 評分項目 | 滿分 | 得分 | 說明 |
|---|---|---|---|
| 策略洞察與觀點深度 | 20 | 19 | 將「訓練資料侷限」與「黑天鵝不可預測性」結合 AI 交易進行觀念反駁，具強烈深度。 |
| 邏輯嚴謹與數據佐證 | 20 | 18 | 雖無實際測試數據，但案例、推理與技術概述充實。 |
| 實務關聯與行動可行性 | 20 | 18 | 提出使用模型前應先有理論的反向設計概念，具高度可實作性。 |
| 內容原創性與思維啟發性 | 20 | 20 | 不隨潮流地正面批判 AI 熱潮，展現極強的原創獨立性與反思啟發。 |
| 整體可讀性與文筆 | 10 | 9 | 語言親切、比喻清晰，唯部分段落略長，稍有可讀性負擔。 |
✅ 優點總評：
-
建構極具說服力的AI批判邏輯鏈：從基本演算法結構出發，連結市場動態特性與資料涵蓋邊界，直指AI系統在非封閉系統中的盲點。
-
充分融合 domain knowledge 與 data science：作者非僅以技術者視角評論，而是結合市場理解、資料清洗、模型建構的實際痛點進行通盤分析。
-
結語直指本質 trade-off：一語道破「不賠 vs 高效」的二難結構，具高洞察性與現實反思。
🔧 可補強之處：
-
仍偏重「批判」，略缺建構性回應：若能補述如因應資料不完全性的模糊系統、Bayesian方法或多模型冗餘架構，將更具圓融與可操作性。
-
AGP 論述易誤導：AGP 為歷史名詞，現應為 GPU，用詞若更新會更具現代感。
-
文風結尾略混雜：段落略長，可透過小節摘要提高結構清晰度與理解效率。
🧠 結語：
這篇文章是一封送給 AI 投資迷的「清醒警鐘」。在萬物皆 AI 的炒作風潮中，作者不僅從技術底層掘起，也結合多年交易經驗，拆解出模型外推失真、資料建構難度、與實務限制的三重風險，讓人重新審視「技術能解決一切」的迷思。
訂閱：
文章
(
Atom
)
.
