汰弱留強
淘汰失去樣本外證據、穩定性不足或風險報酬失衡的變體，並記錄淘汰原因，而非透過重新調參修補結果。
研究方法 · 核心哲學
策略不是永久答案，而是在市場生態中持續演化的假設。
受 Andrew W. Lo 的適應性市場假說啟發，我們把市場理解為持續演化的生態：參與者會犯錯、學習與適應，而競爭與自然選擇會不斷改變哪些行為仍然有效。
Ainstein 把這個觀點落實為有紀律的策略族群流程：淘汰弱勢變體、重新驗證穩健行為，並要求受控變化通過樣本外與壓力證據。
Andrew W. Lo: The Adaptive Markets Hypothesis僅作思想來源說明；Ainstein Fin-Tech 與 Andrew W. Lo 或 MIT 並無隸屬、合作或認可關係。適應力
因應市場制度、波動、流動性與執行條件轉變，調整策略規則與曝險。
模仿
借鑑已有證據支持的穩健行為與結構，但必須重新獨立驗證，而非複製結果。
受控突變
以有限、可追蹤的參數或架構變化建立新候選，再由 IS/OOS、WFO 與 Monte Carlo 證據汰選。
避免得到方便結論的研究流程。
我們結合量化策略設計與工程紀律，執行可重複研究。強勁回測只是審查的起點；每個階段處理一種不同的不確定性，策略才可進入決策討論。
研究問題
定義市場行為、執行情境與可被推翻的預期。
- 明確接受與否決條件
- 在參數搜索前定義執行情境
資料與假設
檢查時間順序、覆蓋、缺口、成本、交易時段及產品機制。
- 佣金、滑價、保證金與名義金額假設
- 交易時段、資料缺口與產品機制
策略模型
編碼決定性訊號、出場、倉位、曝險狀態與診斷紀錄。
- 多／空、CALL／PUT、趨勢、突破與曝險控制模型
- 期貨、ETF、股票、指數及數碼資產
- 訊號、狀態機、倉位與曝險設計
樣本內探索
在有限搜索空間內探索，保留穩健資訊，而非只選最高分。
- 有限 Optuna 搜索空間
- 穩健度排名
- 鄰域與敏感度診斷
Walk-Forward OOS
沿時間推進，只在下一個未見窗口評估所選參數。
- 日／週／月／年步進
- 滾動訓練／測試分離
- 保留時間順序的後續證據
Replay 與整合
把選擇重新套用到原策略，整理分邊交易及資金曲線。
- CALL／PUT 分離
- 參數組 Replay
- 平倉交易與複利資金輸出
壓力與制度
量化回撤尾部、路徑不確定性、參數敏感度及市場環境依賴。
- Monte Carlo 虧損機率、終值區間與 MDD 百分位
- 候選排名與下行情境終值
- 壞制度評分、ON／REDUCED／OFF 狀態及過熱復原
決策報告
同時發布證據、限制、假設及監察要求。
- CSV 與結構化摘要
- 資金曲線、參數曲面、排名與回撤表
- 視覺診斷與可審核研究說明
研究原則
時間順序優先
不容許未來資訊影響較早的研究決策。
成本屬於模型
佣金、滑價、保證金與名義金額機制均是明確輸入。
失敗也要報告
負面或不穩定結果是有效輸出，不以重新調參隱藏。
報表必須可重複
另一位研究員應可把每個公開數字追溯至定義清楚的產物。
RESEARCH SYSTEM
內部研究協調系統
我們的內部 WFO 研究系統用於協調可重複研究、追蹤輸出，並把主要報表集中在同一研究流程。它支援研究工作，並不作為客戶交易平台展示。
開始對話
把下一個研究問題說清楚。
僅供研究說明。所有假設性回測與模擬結果均非實盤績效、不保證未來結果，亦不構成投資建議。