‧
重策略能力的大策略模型（Super Strategy），開始接收由市場狀態室利用 市場最新即時報價計算出的技術指標以及市場買賣規則等等之市場狀態，
‧
TM：Tuning Mechanism，校準機制 SC：Signal Calculation，信號計算 WT1：Waiting Time 1，出場時機優化 WT2：Waiting Time 2，訂單出場等待時間
系統的校準機制主要受到信號計算、訂單出場後等待時間、優化出 場時機的影響。信號計算亦擁有標的物、多空、演算法及策略四個考量因 素。
SC ＝ （T, LS, ALG, S）
SC：Signal Calculation，信號計算 T：Target，標的物
LS：Long Short，多空 ALG：Algorithm，演算法 S：Strategies，策略
投資人每次的預測會選定某一標的物，對其決定做多或做空。而針 對做多或做空，投資人可啟動一至多組相同或不相同的演算法來進行預測，
而每一組演算法都包含多個由相同演算法所組成的策略。演算法包含準確 度和權重，準確度會動態的影響演算法的權重值。
ALG ＝ （A, W）
ALG：Algorithm，演算法 A：Accurate，準確度 W：Weight，權重
在訂單進場後，系統會等待一段時間預測未來趨勢用以決定該 訂單之出場時機，稱為出場時機優化。未來趨勢的預測包含信號計 算本身的預測、總經指標預測和震盪型指標預測。
WT1 ＝ （SC, MEI, O）
WT1：Waiting Time 1，出場時機優化
‧
SC：Signal Calculation，信號計算
MEI：Macroeconomic Indicator，總經指標 O：Oscillator，震盪型指標
WT2：Waiting Time 2，訂單出場等待時間 S：Strategies，策略
U：User，使用者
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
圖 10 策略模型分層機制示意圖
使用之演算法模型，皆是由市場狀態的歷史資料所產生，每一種演算 法其中都包含了多個同種演算法所產生的策略。如圖所示，此圖呈現出兩 個演算法模型，一個 SVM 的演算法模型中可能包含了五個 SVM 策略，
本研究稱這五個為小策略，小策略皆是由相同的演算法、相同的歷史資料、
相同的時間粒度來產生，不過用到的市場狀態可能會有所不同。而本研究 稱這五個 SVM 小策略的集合為一個 SVM 的中策略。
圖 11 中策略內部結構示意圖
如圖 10，一個包含五個小策略的 SVM 中策略和包含四個小策略的羅 吉斯迴歸中策略。小策略會分別接收自己所需要的市場狀態去計算出信號。
因為接受的市場狀態不同，所產生出來的信號也可能不會一致，此時便利 用投票的機制來決定此階段的最終信號。以圖 6 的 SVM 策略為例，當 SVM1、SVM2、SVM3 皆產生信號而 SVM4、SVM5 沒有產生信號，此時 投票機制將以三比二來決定此 SVM 中策略模型有一個進場信號產生。
透過將一個模型看成多個相同演算法所產生的小策略模型集合，能夠 考量多個市場狀態參數並確保信號的強度，讓每一個中策略的信號可靠度 得以提升。
而本研究更進一步將每一個中策略賦予一個權重值，權重值可讓投資 人自行設定，但總合為一，如圖所示。
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
圖 12 中策略 Bundle 內部結構示意圖
以圖 11 為例，LR weight = 0.6，SVM weight = 0.3，ANN weight = 0.1，
總合為 1。若當 LR 與 SVM 內部的小策略皆過半數通過而產生信號，此時 LR 中策略依照其權重，所產生的 LR 中策略信號為 0.6，SVM 則為 0.3，
ANN 因小策略未過半數則沒有信號，信號總和為 0.9。若 0.9 超過投資人 設定的門檻值，此時便稱該 MidStrategy Bundle 產生了一個買進信號。
透過權重值的方式，便可考量出中策略模型的特性。當在進行短線交 易時，透過短天期為單位的歷史資料所做出來的模型，會比長天期為單位 的歷史資料所建出的模型，更為精準。不過長天期的模型通常反映出一段 時間的市場走勢，對信號的準度仍然有影響力，只是相較短天期的模型下 沒那麼強烈。有鑑於此，便可將短天期之模型的權重值調高、長天期的模 型權重值調低，彼此相互參考，不會太過偏頗每一種策略所產生的結果。
而 MidStrategy Bundle 又分成做多與作空兩種，兩種 bundle 同時存在 於一個 Super Strategy 中，稱為大策略。做多與做空的兩個 bundle 亦會相 互參考來修正自己的信號，並接受總經指標給予的市場趨勢做最後的判斷，
此階段的信號則為分層機制中的最終信號，準備進場下單。
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
圖 13 大策略內部結構示意圖
經過上述層層的考慮，更能夠確認每一次的進場信號都是經過千錘百 鍊而成，使得策略不再單打獨鬥，而是協同合作來達成綜效，將進場信號 優化。
四、策略的建模方式
本研究使用之策略模型，其主要理念為預測下一秒後的 k 秒之內價格 是否上漲或下跌，基於此建模理念所使用的歷史資料，有一套資料處理方 法，以下為資料處理步驟之定義，附圖 13 說明。
圖 14 資料處理步驟示意圖
LAM（Look Ahead Minus）：以時間點 0 為基準，將第一秒之後 k 秒（k 值可依模型需要調整，此處 k＝7）內的每 一秒之價格與第一秒相比，若小於則加總，
記在第 0 秒之位置。其意義為預測下一秒之
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
後的跌幅趨勢。以圖為例，第 0 秒之 LAM 為-3（第六秒之-1 加第七秒之-2）。
LAP（Look Ahead Plus）：以時間點 0 為基準，將第一秒之後 k 秒內的每 一秒之價格與第一秒相比，若大於則加總，記 在第 0 秒之位置。其意義為預測下一秒之後的 漲幅趨勢。以圖為例，第 0 秒之 LAP 為 5（第 三秒之 1 加第四秒之 2 佳弟五秒之 1）。
Ratio：將 LAM 與 LAP 相除取絕對值。以做多的策略建模為例，便以 LAP 除以 LAM 取絕對值，得出的 ratio 若大於一，表示該時間點下 一秒的後 k 秒內漲幅大於跌幅，若 ratio 介於零到一之間，表示跌幅 較漲幅明顯。因模型需求，此處將 ratio 大於一的時間點，其
pattern 設為 1，其餘設為 0。
運用 LAM、LAP 和 Ratio 製作出這一連串 0 和 1 的 pattern 並搭配市場 狀態來建模，建出的模型若產生信號，則代表在未來 k 秒之內市場走勢會 上漲（以做多為例）。由於模型的預測方式，本研究得以基於其上來發展 出場時機的優化方法。
五、訂單生命週期
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
圖 15 訂單生命週期流程圖
由大策略送出的訂單共有以下四種類型，以這四種類型組成一個訂單 生命週期，完成一次交易。
第一單：為市價單，以該標的物當時的市場價格直接進場。當大策略傳來 信號，便會立刻送出第一單至交易所等待搓和，並會由統一的一 個表記錄該筆訂單的狀態。
第二單：為限價單，以該進場之價格加（減）一固定金額後送出訂單。當 第一單以市價成交後，該訂單與成交價會以 Kafka 通知記錄表，
此時記錄表會將訂單狀態改為第二單，並將成交金額依照該訂單 之形態來加減一定金額後送出第二單，同時開始倒數計時，倒數 時不停地監看訂單狀態，其目的在於確保第二單是否能在一定的 時間範圍內成交，一旦第二單搓和成功便會再透過 Kafka 告知記
‧
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
圖 16 單筆訂單出場前尋找最佳時間點之機制流程圖
當送出第一單並成交之後，不再立刻反手送出第二單，而是等待下一秒鐘 是否有大策略進場信號傳來。以做多的策略模型為例，若仍然有信號， 代表策 略正預言著在未來的 k 秒內之股價仍會上漲，此時便不急著將上一秒的第一單 賣出，並將原本欲賣出的限價金額加一元（做空單則為減一元），之後繼續等 待下一秒是否仍有信號。當下一秒沒有信號產生時，表示該秒後的 k 秒內上漲 趨勢已走到盡頭，此時再將等待出場的第二單以修改過後的價格去下單。
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University