第 19 天 10/03/2026
首次回測執行：進行初始 3 年歷史回測；分析 Alpha 衰減與訊號有效性。
在完成了交易模擬迴圈、消除資料偏誤與納入交易摩擦後，進入首次回測執行（Initial 3-Year Backtest）階段。透過連續 3 年的歷史數據檢驗，能進一步分析策略的 Alpha 衰減（Alpha Decay）與訊號有效性。
此階段常暴露出模型在適應性上的缺失，同時也能精確識別出那些「無法產生超額報酬」的無效標的。
一、 3 年初始回測中，模型暴露出的問題與修正方案

┌─────────────────────────────────────────────────────────────┐
│ 3 年初始回測常見的模型缺陷 │
├─────────────────────────────────────────────────────────────┤
│ 1. Alpha 快速衰減（市場適應與訊號過度擁擠） │
│ 2. 跨越不同市場週期（牛/熊/盤整）時的參數過擬合 │
│ 3. 風控模型（CRO）對突發性系統風險反應滯後 │
└──────────────┬──────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────┐
│ 模型的關鍵修正機制 │
└─────────────────────────────────────────────────────────────┘

1. 修正 Alpha 衰減問題：導入「動態因子權重與訊號半衰期」
   • 發現問題：許多訊號在回測前 12 個月表現卓越，但到了第 2、3 年勝率顯著下滑。這代表策略訊號已被市場套利消化，或是市場結構發生轉變（Alpha 衰減）。
   • 修改方案：
   o 動態因子衰減模型：在模型中建立 Alpha 半衰期（Half-life）評估機制，給予近期訊號較高權重，並對表現下滑的因子執行滾動式自動降權（Rolling Down-weighting）。
   o 增設 Walk-Forward 交叉驗證：避免使用固定參數，改採滾動視窗（如 1 年訓練 + 3 個月測試）進行線上自我校準。
2. 修正跨市場週期的適應力：建立「市場狀態分類器（Regime Switching）」
   • 發現問題：模型在單邊牛市中表現優異，但在第 2 年的熊市或盤整市中大量發送錯誤訊號，導致利潤回吐。
   • 修改方案：導入市場狀態識別模組（如基於隱馬爾可夫模型 HMM 或波動率指標），當系統判定為高波動盤整市時，自動縮減交易頻率與持倉部位，或切換為均值回歸（Mean Reversion）邏輯。
   二、 哪些狀況顯示標的 Alpha 過低或為負值？（應直接剔除）
   在分析 Alpha 有效性時，若標的出現以下特徵，說明該標的無法提供有效的超額報酬，應從投資組合中徹底剔除：
3. 資訊比率（Information Ratio, IR）小於 0.5 或為負值：
   標的相對基準（Benchmark）的超額報酬無法覆蓋其追蹤誤差（Tracking Error）。若扣除交易成本後的 $\alpha \le 0$，代表持有該標的純粹是在承受無效的個股風險。
4. 因子載荷（Factor Loading）顯著但殘差 Alpha 為 0：
   標的的報酬可完全被市場大盤（Beta）、規模（Size）、價值（Value）或動能（Momentum）等已知風格因子解釋。這意味著該標的並未帶來真正的 Alpha，只是在複製 Beta 暴露，付出的選股與交易成本並不划算。
5. 訊號勝率隨持有時間劇減（衰減速度極快）：
   當模型對該標的發出交易訊號後，持股 1–3 天內有微幅獲利，但超過 5 天後超額報酬快速歸零甚至轉負。這代表該標的流動性差或雜訊過高，微小的 Alpha 完全被交易摩擦吞噬。
6. 高夏普比率完全來自極端尾部事件（虛假 Alpha）：
   標的的超額報酬高度依賴極少數 1–2 次的暴漲，其餘 95% 的交易時間 Alpha 均為負值。這種標的具備極高的右尾風險與不確定性，不適合納入標準化的 AI 多代理交易引擎。
   三、 結論
   首次 3 年回測的目的，在於剔除不可靠的標的與過度擬合的因子。透過修正 Alpha 衰減機制、導入動態市場狀態切換，並果斷剔除 $\alpha \le 0$ 或僅提供 Beta 暴露的標的，才能確保 AI 策略引擎在未來的未知行情中，持續產出穩定且可重複的實盤超額收益。

第 20 天 10/04/2026
模型調整 1：找出表現較弱的參數；校準多代理模組的評分權重。