Lesson 5：建立第一個完整策略

學習目標

• 將 strategy specification 實作成無前視的 baseline。
• 分開 signal return、position return 與 net return。
• 建立可供後續反證的最簡版本。

1. 先做最小策略，不先優化

第一版的任務是確認研究管線，不是追求高 Sharpe。建議用少量規則：

商品：單一流動性資產
頻率：日線
訊號：收盤高於 20 日 SMA
決策：日 t 收盤後
成交：日 t+1 開盤（簡化範例若無 open，使用 position shift）
出場：訊號反轉
部位：0% 或 100%，不加槓桿
成本：每次 position change 扣固定 bps

先驗證對齊，再加入 stop、分批、short、volatility sizing。

2. 正確對齊訊號與報酬

若 signal_t 使用 close_t，則不能乘上同一期由 close_(t-1) 到 close_t 的報酬。最小寫法：

signal = close > close.rolling(20).mean()
position = signal.shift(1).fillna(False).astype(float)
asset_return = close.pct_change().fillna(0.0)
gross_return = position * asset_return

這仍是一個 close-to-close approximation（近似）。若規格要求 next-open execution，就必須有 open data 並分開 overnight 與 intraday return。

3. 計算 turnover 與成本

turnover = position.diff().abs().fillna(position.abs())
net_return = gross_return - turnover * cost_rate

從 0 到 1 是一次買進；1 到 0 是一次賣出；從 -1 到 1 則是 2 單位 turnover。cost_rate 必須說清楚是單邊還是 round-trip。

4. Benchmark 不可缺席

至少建立：

• buy-and-hold；
• cash／risk-free；
• 相同 exposure 的被動 benchmark；
• 簡單替代規則。

如果策略只在多頭市場工作，可能只是降低或增加 beta。可進一步估計 market exposure、up/down capture 與 regime performance。

5. 回測輸出要能追溯

不要只輸出 summary。至少保存：

timestamp, raw_signal, position, entry/exit flag,
fill price, quantity, fee, slippage, gross pnl, net pnl,
equity, drawdown, parameter version, data version

任何一筆異常績效都應能追到原始 bar 與計算步驟。

6. 三個必要單元測試

1. 無未來資料：把資料在日期 T 截斷，T 以前訊號不得改變。
2. 成交延遲：已知訊號日，position 必須在規格指定的下一期才改變。
3. 成本方向：提高成本後，net equity 不得改善。

Python 實作

執行 python .\code\simple_backtest.py。範例用合成資料，不下載市場資料，因此結果可重現。請依序修改：

1. window=20 改為 10；
2. cost_bps=5 改為 50；
3. 移除 shift(1)，觀察不當時間對齊如何改變結果。

第三步只用來理解 bias，不得保留為正式版本。

通關判準

你應能從任一 equity 點反查：當日使用哪個訊號、前一日持有什麼部位、扣了多少成本，以及為何該報酬屬於策略。