市場活絡度預測
多因子 × 機器學習
多因子 × 機器學習
研究生：林昌諒
指導教授：邱嘉豪 博士
東吳大學 資料科學系 碩士在職專班
指導教授：邱嘉豪 博士
東吳大學 資料科學系 碩士在職專班
專案介紹
本研究聚焦於市場活絡度預測與當沖研究，結合多因子技術指標與機器學習方法，建立一套能夠協助判斷市場活躍程度與短線交易機會的分析架構。相較於僅依賴單一技術指標或主觀盤感的判斷方式，本研究透過多維度資訊整合，更系統性地掌握市場在不同時間點的交易熱度、波動狀態與潛在進出場時機。
研究以台指期貨（TAIFEX）2000～2024 年長達 24 年的 5 分鐘 K 棒資料為基礎，整合 CDP 指標進行策略設計，搭配均線、RSI、MACD、KD、布林通道、動量指標等多種技術特徵，導入 Isolation Forest（孤立森林）非監督式機器學習模型，區分異常訊號與有效進出場點，最終形成三種比較架構：純策略、純機器學習、ML 輔助策略，並透過完整回測衡量績效表現。
主要功能
📊 多因子技術指標整合
整合 CDP、均線（SMA/MA）、布林通道、RSI、MACD、KD、CCI、DMI、OBV、BIAS、W%R、MTM 等 14 種以上技術指標，建構完整的市場狀態特徵空間，降低單一指標判斷的侷限性。
🤖 市場活絡度 ML 預測
採用 Isolation Forest（孤立森林）非監督式學習模型，透過隔離樹結構識別異常進場點，分別針對多方與空方訓練獨立模型，以 Grid Search 調整超參數（n_estimators、contamination），找出最佳訊號過濾閾值。
📈 當沖策略回測研究
設計 8 種 CDP 當沖策略組合（A1～B4），涵蓋固定停損/停利、移動平均穿越、百分比追蹤停利等多種出場機制，並在 2000～2024 年 24 年歷史資料上進行全面回測，考量交易成本（每口 NT$600 往返）。
🎯 績效指標全面評估
採用年化報酬率、勝率、獲利因子、最大回撤、最大連續虧損天數、夏普比率、索提諾比率、卡瑪比率等多維度指標，對純策略、純 ML 模型、ML 輔助策略進行三方比較，提供完整的風險調整後績效視角。
研究分析
市場活絡度的分析構面
多因子特徵整合示意 — 每個構面涵蓋多項技術指標
本研究使用進場點前 2 根 K 棒的技術指標值作為 ML 特徵輸入
研究資料規模
台指期貨 5 分鐘 K 棒，2000/01/02 ~ 2024/12/31（含夜盤）
Isolation Forest 異常偵測架構
孤立森林非監督式學習模型 — 以短的孤立路徑識別進場異常訊號，分多方與空方各自訓練
交易成本假設：每口台指期貨往返 NT$600（稅 NT$160 + 手續費 NT$80～200 + 滑價 NT$400）
技術架構圖
市場活絡度預測研究流程
本研究從歷史台指期貨資料出發，透過 CDP 技術策略建構訓練集，再結合 14 種技術指標特徵導入 Isolation Forest 進行異常訊號偵測，最終在三種策略框架（純策略、純 ML、ML 輔助）下進行績效比較，形成一套兼具分析深度與實務參考價值的研究流程。
研究框架
01
CDP 指標可作為有效的當沖進場依據
研究以 CDP（Contra De Profundis）指標計算 AH、NH、CDP、NL、AL 五個支撐與壓力位，設計 A1～B4 共 8 種策略組合，涵蓋固定停損停利、移動平均穿越停利、百分比追蹤停利等多元出場機制，透過 24 年長期回測驗證各策略在不同市場環境下的穩健性。
CDP 指標 8 種策略組合 24 年回測
CDP 指標 8 種策略組合 24 年回測
02
機器學習可篩除低品質進場訊號
Isolation Forest 以非監督式學習方式，從最佳策略的進場點中學習「正常進場特徵」，自動識別並過濾異常進場點。分別針對多方（做多）與空方（做空）訓練獨立模型，透過 Grid Search 在 n_estimators（100/256/512）與 contamination（0～0.5，100 階段）的組合空間中尋找最佳過濾閾值。
Isolation Forest 非監督學習 Grid Search 調參
Isolation Forest 非監督學習 Grid Search 調參
03
多維度績效指標評估三種策略框架
研究採用年化報酬率、勝率、獲利因子、最大回撤、夏普比率、索提諾比率、卡瑪比率等多維度指標，對純 CDP 策略、純 Isolation Forest 模型、ML 輔助 CDP 策略進行三方全面比較，提供超越單一報酬率視角的風險調整後績效分析，具備完整的實務決策參考價值。
Sharpe Ratio Sortino Ratio Calmar Ratio 三方績效比較
Sharpe Ratio Sortino Ratio Calmar Ratio 三方績效比較
成果報告
