打造神經進化交易戰隊：適應市場變化的 AI 交易策略

訓練自己的交易機器人

下面是蘋果公司（AAPL）2024 年的每日收盤價。你可以透過這個儀表板訓練自己的交易機器人：系統會隨機生成一群機器人，讓牠們在這一年的股價上交易，保留表現最好的策略，再繁殖出下一代。

儀表板功能

訓練完成後，你會看到：

• 交易活動摘要：買入與賣出次數、總損益、報酬率，以及拿來對照的「買進持有」報酬率
• 股價圖表：青色三角形是買入點，粉紅色三角形是賣出點
• 進化曲線：每一代最佳機器人的報酬率，虛線是買進持有
• 交易日誌：每一筆交易的日期、價格、該股的報酬率與交易後的現金餘額

訓練結果會保存在你的瀏覽器裡，下次回到這一頁時會自動載入。note 訓練完全在你的瀏覽器裡用 TypeScript 執行，用的是和 Flappy Bird 那篇同一套 lib/ml/neuroevolution.ts。族群 50 時，一代在我的筆電上大約 10 毫秒，所以不需要 GPU。

參數設定

• 世代數（1–100）：演算法要進化多少代。越多代訓練越充分，也越花時間。每一代都會淘汰表現差的策略，保留優秀的策略。
• 族群大小（10–500）：每一代有多少個交易機器人。族群越大，搜尋的範圍越廣，訓練時間也越長。建議從 50 開始。
• 突變率（1–100%）：控制神經網路權重隨機變動的程度。數值越高實驗性越強，數值越低越穩定。

這個工具讓你親身體驗神經進化演算法如何從一開始的隨機交易，逐漸發展出一套有模有樣的策略。每次訓練的結果都可能不同，這正是演化過程的隨機性。

什麼是神經進化交易策略？

在金融市場中，交易策略的優劣取決於決策模型的適應性。神經進化演算法（Neuroevolution）是一種基於「自然選擇」的機器學習方法，它讓交易機器人像生物一樣進化，逐步學習如何更聰明地買賣資產。這不僅是自動化交易，更是一場 AI 的生存競賽。

神經進化的交易智慧

與傳統深度學習不同，神經進化並不依賴反向傳播（backpropagation）。相反，它模仿生物進化的過程，透過「選擇、突變、交叉繁殖」來培養更強的交易決策者。其核心步驟如下：

1. 初始族群：隨機生成多個交易策略，每個策略由一個神經網路構成。
2. 市場模擬：讓這些策略在歷史市場數據上進行交易，評估牠們的績效。
3. 適者生存：表現最佳的策略存活下來，低效的策略被淘汰。
4. 基因突變：對倖存者的參數進行隨機調整，測試有沒有更好的決策方式。
5. 交叉繁殖：合併優勝策略的特徵，產生新的交易策略。
6. 迭代進化：重複這一過程，直到產生最能適應這段市場的交易演算法。

每個機器人的大腦是一個 30 → 24 → 3 的小網路：輸入是過去 30 天每天的漲跌幅（百分比），輸出三個分數，分別代表「不動」「買」「賣」，取最高的那個。

export function observe(closes: number[], day: number): Float32Array {
  const out = new Float32Array(WINDOW); // WINDOW = 30
  for (let i = 0; i < WINDOW; i++) {
    const t = day - (WINDOW - 1) + i;
    if (t >= 1) out[i] = ((closes[t] - closes[t - 1]) / closes[t - 1]) * 100;
  }
  return out;
}

為何用神經進化來訓練交易策略？

傳統的機器學習方法往往需要大量標註數據來訓練，而金融市場的特性（非線性、黑天鵝事件等）使得這種方式不夠靈活。相比之下，神經進化演算法有幾個優勢：

• 無須梯度計算：「這一年賺了多少」不是一個可以微分的目標。神經進化不依賴梯度下降，而是靠試錯尋找更好的策略。
• 探索與開發並重：保留菁英的同時不斷引入隨機個體，在「探索新策略」與「優化現有策略」之間取得平衡，避免陷入局部最優解。
• 適合沒有標準答案的問題：市場數據沒有「正確的買賣點」可以標註，神經進化讓機器人直接根據自己的交易結果來學習。

交易機器人的學習過程

想像你的機器人是一群剛進入市場的新手交易員，沒有任何交易經驗，但可以透過不斷試錯來學習：

1. 初始狀態：像個賭徒

• 機器人開始隨機買賣股票，完全沒有策略可言。
• 第一代的交易日誌通常是一團混亂。

2. 初步適應：開始認識這段行情

• 經過幾代訓練，倖存下來的機器人買賣次數變少，動作開始集中在某些時間點。
• 牠們的交易決策看起來開始有邏輯，不再是純粹亂賭。

3. 策略成形：學會避開大坑

• 最優秀的機器人逐漸發展出更一致的做法，例如在連續下跌之後買進。
• 這時候進化曲線會越過買進持有的那條虛線。

4. 持續進化：報酬率繼續往上爬

• 訓練足夠多代後，圖上的買入點會越來越集中在上半年股價較低的區段。

看到這裡先別興奮，下一節才是重點。

它到底學到了什麼

用預設參數訓練三十代，最佳策略的報酬率大約是 +43%，明顯高於買進持有的 +34%。看起來機器人打敗了市場。

其實沒有。我用六組不同的隨機種子各訓練了三十代，報酬率全部落在 43–44%，而且贏家做的事幾乎一樣：大部分的買入集中在股價還低的上半年（全年最低點是 4 月 19 日的 165 美元），到年底幾乎滿倉，中間再做幾十次小幅的高賣低買，其中約九成是賺錢的。

2024 年蘋果整年上漲了 35%。在這種行情裡，任何「趁便宜買滿、抱到年底」的策略都會贏過「一月二日就用 185 美元買滿」。

這正是下面幾個風險的具體樣子。

交易 AI 的潛在風險

雖然神經進化可以在一段歷史數據上找到漂亮的策略，但它並非萬能：

• 過度擬合（overfitting）：AI 可能在歷史數據中發現毫無意義的模式，導致策略在未來的市場無效。上面的 +43% 就是一個活生生的例子。
• 市場異常波動：突發的新聞或政策變化可能讓機器人無法適應，導致虧損。訓練資料裡沒發生過的事，它不可能學到。
• 演算法偏見：如果演化過程中沒有足夠多樣的市場環境（這裡只有一檔股票、一個多頭年），AI 會發展出只適用於那個環境的行為，例如「買滿之後就抱著」。換成一個下跌的年份，同樣的習慣會賠得很慘。

要讓這個實驗更誠實，至少需要把資料切成訓練期與測試期、加入交易成本，並且在多檔股票、多種行情上評分。

結論：AI 交易並非神話，但也不是魔法

神經進化演算法為交易機器人提供了一種強大的學習方式，讓牠們能夠針對一段市場自動找到有效的策略。但需要記住，交易始終伴隨風險，過去的表現不能保證未來的收益。這一頁的機器人最會的，是在一段已經知道結局的歷史裡找到最好的劇本。

這篇文章最初於 2025 年 4 月發表在我的舊站。搬到這本筆記時，互動元件用 TypeScript 整個重寫了。