第 23 天 10/07/2026
參數調整：使用訓練資料最佳化評分權重與風險門檻（例如停損水位）。
在 AI 多代理（Multi-Agent）量化交易系統的建構過程中，前向最佳化架構（WFO）的核心任務之一，就是使用滾動訓練集（In-Sample, IS）來最佳化評分權重與風險門檻（如停損水位）。
若僅憑直覺設定權重或盲目套用固定停損（例如一律設定 2%），往往會導致策略在不同市場環境下徹底失靈。以下深入解析在訓練資料中，如何科學化計算多代理評分權重，以及如何設定動態風險門檻。
一、 評分權重如何算出？（多代理評分的計量與最佳化）
在多代理架構中，最終決策是由基本面代理、技術面代理、情緒面代理與風控代理的評分綜合而成。要算出最佳化的權重，不能靠主觀臆測，而必須透過資訊係數（Information Coefficient, IC）分析與迴歸最佳化。

┌─────────────────────────────────────────────────────────────┐
│ 多代理評分權重計算流程 (IS 訓練集) │
├─────────────────────────────────────────────────────────────┤
│ 1. 收集各代理歷史評分 ($Score_i$) 與未來實際超額報酬 ($R_{t+n}$) │
│ 2. 計算滾動資訊係數 (IC) 與因子顯著性 │
│ 3. 透過多重線性迴歸或二次規劃 (QP) 求解最佳權重 ($w_i$) │
└─────────────────────────────────────────────────────────────┘

1. 資訊係數（IC）與權重分配原理
   • 核心概念：IC 代表「某個代理在特定時間點給出的評分」與「資產隨後實際產生的超額報酬」之間的相關係數。IC 越高，代表該代理的預測能力越強。
   • 計算步驟：
2. 在訓練集資料中，對每個代理 $i$ 計算其歷史評分與未來 $N$ 日報酬的序列相關性 $\text{IC}_i = \text{Corr}(\text{Score}i, R{t+n})$。
3. 為了平衡各代理的貢獻並避免單一代理獨大，採用IC 加權法（IC-Weighted Scoring）或均方誤差最小化迴歸（Ridge Regression），得出初始權重向量 $w_i$：
   $$w_i = \frac{\text{IC}i}{\sum{j} \vert{}\text{IC}_j\vert{}}$$
4. 將權重進行正規化（Normalization），確保 $\sum w_i = 1$，且限制任何單一代理的權重上限（例如不得超過 40%），以維持系統的多樣性。
   二、 風險門檻如何設定？（停損水位與回撤機制的最佳化）
   風險門檻（如停損水位、部位曝險上限）的設定，直接決定了策略在面臨黑天鵝或震盪市時的存活能力。在訓練集中，設定風險門檻不能只看「勝率」，而必須透過網格搜尋（Grid Search）最大化風險調整後報酬（如 Calmar 比率或夏普比率）。
5. 基於波動率的動態停損水位設定
   固定比例的停損（如 5%）在低波動時期容易被雜訊觸發，在高波動時期則形同虛設。因此，訓練集最佳化的目標是找出基於平均真實區間（ATR）或歷史波動率（$\sigma$）的最佳乘數：
   • 停損公式：$\text{Stop Loss}_t = \text{Entry Price} - k \times \text{ATR}_14$
   • 訓練優化過程：
6. 在訓練集內設定參數搜尋網格（例如將乘數 $k$ 從 $1.5$ 到 $4.0$ 以 $0.25$ 為單位進行疊代）。
7. 針對每一個 $k$ 值跑一次完整的歷史交易模擬，記錄其產生的最大回撤（MDD）與總報酬率。
8. 計算目標函數（Objective Function），例如尋找能使 Calmar 比率（年化報酬率 / 最大回撤）達到最大的最佳 $k$ 值：
   $$\text{Maximize } \text{Calmar Ratio} = \frac{\text{Annualized Return}}{\text{MDD}(k)}$$
9. 動態回撤控制閥值的校準
   除了單筆交易的停損外，組合層級的風控代理（CRO Agent）必須設定兩道硬性門檻：
   • 日累計虧損熔斷閥值（Daily Drawdown Circuit Breaker）：若當日組合淨值回撤超過訓練集歷史 95 分位數的極端波動，自動將整體倉位砍半或全數清倉。
   • 最大持倉槓桿限制：依據訓練集中的資產相關性矩陣，動態調整最高曝險槓桿，確保在極端行情下不發生保證金穿倉。
   三、 避免在訓練資料調參時陷入過擬合
   在訓練集（IS）中調校權重與停損門檻時，最容易犯的錯誤是追求 IS 績效的極致完美。為了確保參數在未來的樣本外（OOS）測試中依然有效，必須落實以下防護措施：
10. 參數高原檢驗（Robustness Plateau）：拒絕採用孤立的「尖峰最佳參數」。若 $k = 2.0$ 時績效極高，但 $k = 1.75$ 或 $k = 2.25$ 時績效暴跌，代表該參數對訓練集過度擬合，應選擇周邊績效平穩的「參數高原區」。
11. 交叉驗證與懲罰項：在最佳化模型的目標函數中加入懲罰項（Regularization），對過度複雜的權重組合進行懲罰，保持模型的簡潔與強韌性。
    四、 結論
    透過訓練資料計算多代理評分權重與設定風險門檻，是將量化交易從「經驗主義」推向「數據科學」的關鍵轉折。利用 IC 相關係數客觀分配權重，並透過 Calmar 目標函數網格搜尋最佳化動態停損水位，我們能夠打造出既能捕捉市場 Alpha、又能嚴守風控底線的高效 AI 交易引擎。