PPTS × GAPPTS 論文重建 · 遺傳演算法交易策略最佳化

研究方法

PPTS × GAPPTS 研究流程

論文把歷史價格資料拆成價格區間統計問題，再用遺傳演算法搜尋最佳區間數、持有天數、目標利潤與進場門檻，避免固定參數策略在不同個股與產業上失靈。

🗃

資料整理

48 檔個股 · 2019–2024

→

📏

PPTS 區間切分

將價格切成 m 個等距區間

→

📈

利潤機率分析

平均利潤 + 達標機率

→

🎯

輪盤選擇

保留高適應度參數組

→

🔀

交叉 / 突變

CR 0.8 · MR 0.1

→

✅

最佳策略

輸出逐檔最佳參數

染色體結構（29 bit）

適應度與評估指標

研究資料設計

母體：元大台灣 50 成分股中的 48 檔股票
訓練集：2019–2023 歷史資料
測試集：2024 外樣本回測
系統：Python、SQL Server、Gradio 介面
目標：比較 GAPPTS、固定參數 PPTS 與 Buy & Hold

論文核心

PPTS 價格區間利潤邏輯

PPTS 先依買入價把歷史交易切進不同價格區間，統計每個區間的平均利潤與達標機率，再用 α 門檻判斷該區間屬於買入訊號還是保守區間。

所選個股的價格區間平均利潤 / 達標機率

每個柱狀代表該價格區間的平均利潤，折線代表達成目標利潤的機率。綠色區間表示通過 α 門檻的買入候選。

48 檔樣本績效分級

論文把樣本分成「有效果」「一般」「無效果」三類。互動頁保留同一個分級框架，方便直接對照研究結果。

所選個股最佳化參數

所選個股測試績效

論文整體觀察

互動體驗

選股與 GAPPTS 參數產生 GAPPTS 策略

你可以切換不同 ETF50 個股，重新執行 GAPPTS，觀察相同方法在不同產業與價格結構上會如何收斂到不同的參數組合。

產業篩選

依論文的跨產業比較方式切換股票池

個股

逐檔查看 PPTS / GAPPTS 的參數與績效差異

族群規模 (POP)

論文建議值：50

最大世代數 (GENS)

論文系統預設：50

交配率 (CR)

輪盤選擇後的單點交叉機率

突變率 (MR)

論文系統預設：0.10

價格區間數 m

PPTS 將價格切成 m 個等距區間

持有天數

買入後持有天數

目標利潤 (%)

區間達標機率的門檻

import numpy as np

# 變數由上方 GUI 自動注入：
#   個股: stock_code, stock_name, prices (list[float])
#   GA 參數: pop, gens, cr, mr
#   策略參數: m, hold_days, target_profit

prices = np.asarray(prices, dtype=float)
p_min, p_max = float(prices.min()), float(prices.max())

print(f"個股: {stock_code} · {stock_name}")
print(f"價格序列: {len(prices)} 筆 · 範圍 {p_min:.1f}~{p_max:.1f}")
print(f"GA: POP={pop} GENS={gens} CR={cr:.2f} MR={mr:.2f}")
print(f"策略起點: m={m}  hold={hold_days}  target={target_profit:.1f}%\n")

def fitness(m_, hold_, target_):
    if hold_ >= len(prices) or m_ < 2:
        return -1e9
    width = (p_max - p_min) / m_
    sum_avg = sum_prob = bins = 0
    for i in range(m_):
        lo = p_min + width * i
        hi = lo + width
        profs = []
        for j in range(len(prices) - hold_):
            if lo <= prices[j] < hi or (i == m_-1 and prices[j] == hi):
                profs.append((prices[j+hold_] - prices[j]) / prices[j] * 100)
        if profs:
            sum_avg += float(np.mean(profs))
            sum_prob += float(np.mean([p >= target_ for p in profs]))
            bins += 1
    return (sum_avg / bins) * (sum_prob / bins) if bins else -1e9

# --- Mini GA: 以 GUI 參數為初始種子，用 POP/GENS/CR/MR 做隨機搜尋 ---
rng = np.random.default_rng(42)
best = (m, hold_days, target_profit, fitness(m, hold_days, target_profit))
print(f"初始 fitness = {best[3]:.3f}")
for g in range(int(gens)):
    if rng.random() < cr:  # crossover: 向 best 靠攏 + 混入新基因
        m_ = int((best[0] + rng.integers(2, 21)) // 2)
        hold_ = int((best[1] + rng.integers(1, 31)) // 2)
        target_ = float((best[2] + rng.uniform(0.5, 20.0)) / 2)
    else:  # mutation: 在 best 附近擾動
        m_ = int(best[0] + rng.integers(-2, 3))
        hold_ = int(best[1] + rng.integers(-2, 3))
        target_ = float(best[2] + rng.normal(0, 1.0))
    if rng.random() < mr:  # 額外突變
        target_ += float(rng.normal(0, 2.0))
    m_ = max(2, min(20, m_))
    hold_ = max(1, min(30, hold_))
    target_ = max(0.5, min(20.0, target_))
    f = fitness(m_, hold_, target_)
    if f > best[3]:
        best = (m_, hold_, target_, f)

print(f"\n最佳 ({gens} 代): m={best[0]}  hold={best[1]}  target={best[2]:.1f}%  fitness={best[3]:.3f}\n")

# --- 依最佳參數畫出區間分布 ---
bm, bh, bt = best[0], best[1], best[2]
width = (p_max - p_min) / bm
print(f"區間寬度: {width:.2f}，共 {bm} 個區間")
for i in range(bm):
    lo = p_min + width * i
    hi = lo + width
    profits = []
    for j in range(len(prices) - bh):
        if lo <= prices[j] < hi or (i == bm-1 and prices[j] == hi):
            profits.append((prices[j+bh] - prices[j]) / prices[j] * 100)
    if profits:
        avg = float(np.mean(profits))
        prob = float(np.mean([p >= bt for p in profits])) * 100
        bar = "█" * int(min(abs(avg) * 4, 40))
        sign = "+" if avg >= 0 else "-"
        print(f"  [{lo:5.1f}~{hi:5.1f}] avg={sign}{abs(avg):.2f}% prob={prob:.0f}% {bar}")
    else:
        print(f"  [{lo:5.1f}~{hi:5.1f}] (無交易)")

演算法模擬

GAPPTS 互動模擬器

逐代觀察族群適應度如何收斂，以及最優染色體如何在 4 維參數空間中逼近所選個股的最佳策略設定。

第 1 代 / 50

Fitness —

族群適應度收斂曲線

第 1 代族群 fitness 分布

當代最佳染色體 → PPTS 參數

回測結果

最佳策略的測試集表現與交易明細

依 GA 搜尋得到的最佳參數（m / hold / target）回到 2024+ 測試集重跑，疊上買賣訊號、淨值曲線、績效統計與最近 8 筆交易。

測試集價格 + 買賣訊號

策略淨值曲線

績效統計

近 8 筆交易

方法比較

GAPPTS vs 固定參數 PPTS vs Buy & Hold

論文指出 GAPPTS 相較固定參數策略與 Buy & Hold 能更有效提升報酬與風險控制。這裡用所選個股的互動重跑結果做同一視角比較。

所選個股報酬比較

同評估預算下的搜尋效率

實證發現

股票分類與最佳訓練期間

論文第四章實證結果顯示，不同產業與公司特性對應不同的最佳訓練期間與參數組合。統一的預測模型在台股不適用，差異化策略才能發揮 GAPPTS 的優勢。

長期穩定型 · 5–8 年

中華電 (2412) · 台塑 (1301) · 合庫金 (2330)
產業特性穩定、現金流可預期
建議：年度重新訓練

中期轉型型 · 4–6 年

聯電 (2303) · 富邦金 (2881) · 廣達 (2382)
產業週期明顯、有轉型需求
建議：半年重新訓練

短期動態型 · 3–5 年

聯發科 (2454) · 鴻海 (2317) · 日月光 (3711)
國際供應鏈高度敏感、波動大
建議：3–4 個月重新訓練

代表性個股 fitness 排名（論文第四章）

聯電在中期轉型型中取得最高 fitness 0.7058，聯發科次之。長期穩定型股票整體 fitness 相對較低。

各產業最佳訓練期間範圍

科技類（半導體、電子製造）偏短，金融適中，電信/石化等傳統產業偏長。

高適應度股票的共通參數特徵

目標獲利率

低水位

避免過度貪婪 · 做頻繁但小額獲利

持有天數

18–29 天

中短期策略在台股較為有效

α 進場係數

0.4–0.8

中等門檻平衡機會與品質

染色體結構

29 bit

區間 5 · 週期 6 · 目標 10 · α 8

文獻對照

GAPPTS 相對其他演算法的定位

論文第二章系統性比較了多種股價預測方法。GAPPTS 的優勢在於不需要問題的嚴格數學模型、能避開局部最優、同時保留可解釋的交易規則輸出。

主流預測演算法比較表（論文表 4.4）

演算法類別	預測精度	計算複雜度	適用資料規模	解釋性	非線性捕捉

GAPPTS 定位：結合基因演算法的全域搜索能力與 PPTS 的可解釋交易規則，在中型資料規模下取得高解釋性與高非線性捕捉的平衡 — 相較 LSTM/Transformer 不需海量資料，相較 ARIMA 能處理非線性區間結構。

Live Market Ops

市場資料同步、TAIFEX 合約月與日線快取檢視

這一區直接讀取後端 market layer。你可以手動同步 TWSE 現貨、TAIFEX 期貨與 Yahoo fallback 資料，並直接檢查 instrument cache、contract month 與最近日線 bars。

同步設定

預設會同步台股、ETF、台指期 / 台股期，以及海外期貨 fallback。TAIFEX 合約月會保留在 bar cache 內。

TWSE stock symbols

TWSE ETF symbols

Futures symbols

抓取月數

Yahoo range

正在讀取市場資料快取...

API base: detecting...

Market Cache

點選 instrument 後，右側 bars 會重新查詢對應 symbol；若是 TAIFEX 來源，contract month 會一起顯示。

TWSE + TAIFEX + Yahoo

Recent Daily Bars

尚未選取 instrument。