用遺傳演算法尋找股票最佳交易參數

研究動機

傳統技術分析指標（MA、RSI）的參數通常是「業界慣例」，缺乏對個別標的的適應性。 我的碩論想探討：能不能用演化式搜尋，替每檔股票找到統計上更優的進出場參數？

PPTS 策略架構

PPTS（Price Profit Trading Strategy）的核心假設是：

股價在特定價格區間內的分布有可預測的均值回歸傾向。

四個主要參數：

• n_bins：價格區間分割數
• hold_days：持有天數上限
• profit_target：目標利潤率（%）
• entry_threshold：進場門檻（區間內相對位置）

參數空間的搜尋維度是 4，但每個維度的有效範圍很大， 純粹 grid search 的計算量不可行 → 這就是為什麼用 GA。

遺傳演算法設計

染色體編碼

每個個體是一個 4-tuple：

individual = [n_bins, hold_days, profit_target, entry_threshold]
# 例如: [8, 15, 0.03, 0.25]

適應度函數

在訓練集（2010–2018）上回測，計算：

fitness = Sharpe_ratio × (1 + win_rate) - max_drawdown_penalty

Sharpe ratio 負數時直接回傳 0，避免負適應度污染選擇壓力。

演化操作

• 選擇：Tournament selection（k=5），比賽制比輪盤更穩定。
• 交叉：Two-point crossover，保留局部參數搭配。
• 突變：Gaussian mutation，每個參數有 10% 機率加上小擾動。
• 世代：100 世代，族群大小 50。

結果觀察

本站的論文互動展示 可以即時觀察族群演化：

• 前 20 世代：最佳個體的 Sharpe ratio 快速提升（探索期）
• 20–60 世代：族群多樣性下降，趨向收斂（開採期）
• 60+ 世代：局部最優，偶爾突變跳出

跨標的差異：台積電（2330）的最佳 hold_days 集中在 5–10 天， 而鴻海（2317）的最佳配置更傾向更長持有（20–30 天）。這說明個別股票的最佳策略 差異顯著，支持了逐檔最佳化的必要性。

限制與未來方向

1. 前視偏差：訓練集和測試集切分需要更嚴格的 walk-forward 驗證。
2. 交易成本：目前模型未考慮滑價和手續費。
3. 多因子整合：目前只用價格資訊，加入成交量或基本面可能改善。

完整程式碼和互動圖表在論文頁面。