第十八天 10/02/2026
納入交易摩擦：從每筆模擬交易的買進／賣出中扣除券商手續費、稅費與市場滑價。
在 AI 量化交易系統的建構中，將交易摩擦（Transaction Costs & Friction）——包含券商手續費、證券交易稅與市場滑價（Slippage）——正式納入模擬交易迴圈，是檢驗策略究竟是「真聖杯」還是「紙上談兵」的試金石。
當我們將真實的交易成本扣除後，往往會暴露模型在理論設計上的重大瑕疵。以下針對納入交易摩擦後模型的修正方向，以及模型可能失效的特定情境進行解析。
一、 納入交易摩擦後，模型暴露出的問題與修改方案

┌─────────────────────────────────────────────────────────────┐
│ 納入交易摩擦後的常見模型病徵 │
├─────────────────────────────────────────────────────────────┤
│ 1. 高頻過度交易（Over-Trading）導致成本侵蝕毛利 │
│ 2. 微幅價差策略獲利無法覆蓋滑價成本 │
│ 3. 忽略流動性限制與衝擊成本（Impact Cost） │
└──────────────────────────────┬──────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────┐
│ 模型的關鍵修正機制 │
└─────────────────────────────────────────────────────────────┘

1. 換手率過高導致獲利被侵蝕：引入「淨期望值閥值」
   • 發現問題：許多技術指標或 AI 代理在無摩擦回測中表現亮眼，但扣除買賣雙邊手續費與證交稅後，權益曲線（Equity Curve）瞬間由右上陡峭轉為向下崩跌。這代表模型過度頻繁交易，賺取微薄價差，利潤全數貢獻給交易所與政府。
   • 修改方案：
   o 增設交易門檻（Hysteresis / Trade Filter）：模型產出的訊號必須滿足「預期報酬率 > 2 × 估計交易成本」才允許下單。
   o 優化訊號頻率：將高頻/短週期訊號（如 1 分鐘 K 線）平滑化，改採多時間框架（Multi-Timeframe）確認，降低不必要的換手率。
2. 固定滑價假設失真：導入「動態流動性與滑價模型」
   • 發現問題：傳統回測使用固定比例（如 0.1%）作為滑價，但在市場劇烈波動或中小型股成交量不足時，真實滑價遠高於預期，導致模擬交易的成交價過於理想。
   • 修改方案：
   o 動態滑價公式：將滑價模型改寫為與下單金額佔當前 K 線成交量比例（Order-to-Volume Ratio）以及歷史波動率（Volatility）掛鈎的動態函數：
   $$\text{Slippage} = \text{Base Slippage} + \gamma \times \left( \frac{\text{Order Size}}{\text{Candle Volume}} \right)^2 \times \sigma_{\text{asset}}$$
   o 流動性限制：單筆下單量強制設定上限，不得超過當前 K 線總成交量的 2%~5%，避免在無流動性時強制撮合成功。
3. 風控與停損保護機制失效：改採「扣除摩擦後的淨權益（Net Equity）」
   • 發現問題：原本設定的停損點（例如 2%）若未包含滑價與稅費，在真實遭遇跳空或流動性枯竭時，實際虧損常達 4%~5%，導致風控模型（CRO Agent）計算出的槓桿與部位控制全面失算。
   • 修改方案：風控代理演算法必須統一採用「考量極端滑價後的淨部位價值」來更新動態止損與 Kelly 資本配置公式。
   二、 有哪些情況，這個模型會徹底無法使用？
   即使模型成功納入交易摩擦，在以下特殊市場情境下，模擬迴圈仍會失真，不宜直接使用該模型：
4. 極端流動性枯竭（無量漲跌停或市場恐慌）：
   當標的出現無量跌停鎖死或市場流動性完全凍結時，真實情況是「想賣賣不掉」。此時無論如何調整滑價公式，模擬迴圈只要假設能成交，模型就會嚴重失真。
5. 高頻毫秒級交易（Market Making / Latency Arbitrage）：
   此類模型依賴 Order Book Depth（買賣委託單簿）與微秒級的優先撮合權，BigQuery 與傳統 K 線模擬迴圈無法模擬佇列優先權（Queue Position），會導致模型評估完全失效。
6. 小型股或冷門衍生性商品：
   當交易者的單筆下單能夠直接改變市場價格（Market Impact 巨大），或買賣價差（Bid-Ask Spread）佔比極大時，歷史數據無法還原「因為你的下單而導致市場走勢改變」的反射性（Reflexivity），模型預測力會大幅下降。
   三、 結論
   將交易摩擦納入回測，是將量化模型從「理論」推向「實戰」的核心轉折點。模型必須藉由降低換手率、導入動態滑價與淨權益風控來強化生存能力；同時，必須清楚劃定模型的適用邊界，避開流動性枯竭與微秒級高頻的失真陷阱，才能打造出真正具備實盤獲利能力的 AI 交易系統。