PulseForce AI 動量外掛（CatBoost / Momentum LSTM）功能介紹

, , , , , , , ,

—— 讓 AI 成為策略的「訊號質檢員」，而不是「交易接管者」

在量化交易裡，策略負責「發現機會」，而真正拉開差距的往往是：
你如何在海量機會中篩掉「看起來像機會、實際上是雜訊」的那一部分。

PulseForce 本次推出的 AI 動量外掛（AI Momentum Plugin），正是為了解決這個問題：
它不會替你發明一套新策略，也不會直接生成買賣指令，而是作為一層獨立於策略邏輯之外的智能驗證機制，在策略準備買入前，對當前市場動量進行評估——只讓「更像趨勢、更有延續性」的訊號通過。

目前 PulseForce 提供兩種 AI 動量模型，面向不同場景與偏好：

  • CatBoost Momentum Filter：結構化特徵模型，推理快、可解釋性佳，適合高頻回測、參數優化與穩定部署
  • Momentum LSTM Predictor：時間序列深度學習模型，更擅長辨識「趨勢結構與持續性動量」，適合中短期趨勢判斷與更複雜的動量形態

1. 為什麼需要 AI 動量外掛？

1.1 趨勢策略的「通病」：訊號多，但雜訊也多

以 Momentum、均線交叉、MACD 趨勢為代表的趨勢策略有一個共同特點：
它們擅長抓住趨勢，但也容易在震盪市反覆觸發。

你會經常遇到這些情況：

  • 均線剛黃金交叉就買入，結果隔天就死亡交叉
  • MACD 剛翻紅就進場，價格卻在區間裡來回擺動
  • Momentum 剛突破就追入，結果是一次假突破

這些交易從統計角度看常常是「可解釋的雜訊」：

  • 市場沒有足夠動量支撐延續
  • 趨勢結構尚未形成或已衰減
  • 交易觸發僅因為指標閾值「剛好踩線」

AI 動量外掛的價值就在於：把「踩線觸發」與「真有動量」分開。

1.2 人類靠直覺過濾很難規模化

很多人會嘗試手動過濾：

  • 「這根 K 線不夠強，我不買」
  • 「成交量不太對，我跳過」
  • 「趨勢看起來猶豫，我再等等」

問題是：
人的判斷無法穩定復現，無法批量評估，也無法在回測/優化裡系統化驗證。

AI 外掛的意義之一就是：

把「過濾經驗」變成可計算、可回測、可優化的系統能力。

1.3 AI 在 PulseForce 的定位：輔助驗證，而非接管決策

PulseForce 的 AI 外掛設計遵循一個核心原則：

AI 是訊號驗證者（Validator），不是交易決策者（Decision Maker）。

  • 策略仍然負責：何時產生買入訊號（規則清晰、可解釋）
  • AI 負責：這個訊號是否具備足夠動量與趨勢延續機率（降低雜訊）

這讓系統同時具備兩種優勢：

  • 策略可控、可解釋
  • AI 提升品質、減少無效交易

2. AI 動量外掛能帶來什麼？

2.1 降低雜訊交易，提升訊號品質

AI 外掛通常能改善以下體驗（尤其在震盪市）：

  • 降低「追高買入後立刻回撤」的機率
  • 減少策略在區間內反覆進出
  • 提升單筆交易的趨勢一致性與持倉有效性

注意：AI 外掛並不承諾收益或預測未來，它只是讓「策略訊號更像趨勢交易訊號」。

2.2 讓趨勢策略在不同市場狀態下更「穩」

市場會在不同狀態之間切換：

  • 強趨勢市：策略訊號更可靠
  • 震盪市：策略訊號雜訊增多
  • 高波動：假突破更多
  • 低波動：趨勢延續性弱

AI 動量外掛更像一個「市場狀態識別器」的簡化版本：
當動量不足時，它傾向於「少做」，把資金與注意力留給更有延續性的機會。

2.3 參數化 + 可回測 + 可與超參優化聯動

AI 外掛不是黑箱開關，而是可設定的元件：

  • 支援自由啟用/關閉
  • 支援選擇模型（CatBoost / LSTM）
  • 支援設定閾值（例如 ai_buy_threshold）
  • 可在回測中驗證效果
  • 可在超參優化中把閾值納入搜尋空間（與策略參數聯動）

3. 兩種 AI 模型的差異與適用場景

3.1 CatBoost Momentum Filter：快、穩、適合規模化

CatBoost 的優勢通常體現在：

  • 推理速度快：更適合頻繁回測與參數優化
  • 對結構化特徵友好：技術指標、價格變化率、波動率、量能特徵等
  • 穩定與可控：部署成本低，行為更可預期

適合：

  • 你想要一個「更像工程元件」的 AI 過濾器
  • 你有大量回測/優化任務要跑
  • 你偏好穩健、可解釋、可調參的過濾方式

3.2 Momentum LSTM Predictor：更懂「形態結構」的時間序列模型

LSTM 擅長處理時間序列依賴：

  • 不只看「此刻的指標值」
  • 更看「過去一段時間的走勢結構如何演化」
  • 更擅長辨識「動量是否在形成/衰減、趨勢是否在延續」

適合：

  • 你關注中短期趨勢結構（而不僅是單點指標閾值）
  • 你希望 AI 能捕捉更複雜的動量形態
  • 你願意為更強的模式表達能力付出一定訓練與維護成本（但推理依然可在 CPU 上完成）

3.3 如何選擇：一句話指南

  • 你要穩定、快、適合大規模回測/優化 → 選 CatBoost
  • 你要更強的時間序列形態辨識與趨勢結構判斷 → 選 LSTM

很多使用者的實際用法會是：

  • 先用 CatBoost 做「通用過濾」
  • 再在關鍵策略/關鍵股票上嘗試 LSTM，以獲得更強的趨勢辨識能力

4. AI 外掛如何運作？

AI 外掛的呼叫位置非常明確：
它只發生在「策略已產生買入訊號、準備執行買入之前」。

簡化流程如下：

  1. 策略規則滿足 → 產生買入訊號候選
  2. AI 外掛讀取當下上下文（價格、指標、序列特徵等）
  3. 模型輸出一個評分/機率 ai_score
  4. 與閾值比較：
    • ai_score >= ai_buy_threshold → 允許買入
    • 否則 → 跳過本次訊號

你可以把它理解為：在下單前加了一道「動量質檢」流程。

5. 核心參數：Buy Threshold（買入閾值）

AI 外掛最關鍵的參數通常是：

  • ai_buy_threshold（買入閾值）

它決定了 AI 的「嚴格程度」：

  • 閾值更低：通過更多訊號（交易更頻繁，但更可能包含雜訊）
  • 閾值更高：更嚴格過濾（交易更少，但更偏向強趨勢）

5.1 實戰調參建議

  • 若你發現策略交易太少、錯過行情：適度降低閾值
  • 若你發現策略在震盪市頻繁被打臉：適度提高閾值
  • 趨勢強、波動大、假突破多的標的：更需要較嚴格過濾
  • 趨勢穩定、流動性高的標的：閾值可適度放鬆

5.2 與超參優化聯動：建議把閾值納入搜尋

當你跑 Hyper-Opt 時，閾值可以作為可優化參數之一。
為避免搜尋空間過大，建議給閾值設定合理的初始搜尋範圍：

  • 推薦初始搜尋區間（用於 otp_init_min / otp_init_max）
    • otp_init_min: 0.25
    • otp_init_max: 0.45

這會讓優化更快聚焦在「具有實際過濾意義」的區間，避免在極端閾值上浪費計算資源。

你也可以針對不同策略做差異化：

  • 更激進策略：初始區間略低（例如 0.20–0.40）
  • 更保守策略：初始區間略高（例如 0.30–0.55）

6. 適用策略：哪些最適合？哪些不推薦？

6.1 強烈推薦（趨勢策略黃金搭檔）

  • Momentum（動量）
  • MA Crossover / 雙均線
  • MACD Trend（趨勢）

原因很簡單：這些策略的核心假設就是「趨勢延續」。
AI 動量外掛做的正是「趨勢是否足夠強」的驗證。

6.2 謹慎使用（突破策略可用，但注意閾值）

  • Donchian / Breakout 類策略

突破策略往往要抓「第一段爆發」，閾值過高可能會錯過早期突破。
建議：

  • 閾值不要太高
  • 用回測驗證「通過率與收益曲線」的平衡

6.3 不推薦（與邏輯衝突）

  • RSI Reversal / KDJ Reversal 等反轉類策略

反轉策略的買點常出現在「動量很弱、價格被打壓」的區域，
而動量 AI 往往會傾向否決這種信號，導致交易變少甚至幾乎不交易。

7. 如何評估 AI 外掛是否真的有用？

建議你不要只看收益，還要看「訊號品質指標」：

  • 交易次數變化：是否顯著減少無意義交易？
  • 平均持倉時長：是否更貼近趨勢持有？
  • 勝率/盈虧比變化：是否減少「進場即虧」的交易？
  • 回撤曲線形態：是否更平滑、更少毛刺？
  • 在震盪區間表現：是否降低頻繁進出的損耗？

一個常見、健康的效果是：

  • 交易次數下降
  • 訊號更集中
  • 曲線更平滑
  • 最大回撤更可控（不保證，但常見）

8. 使用步驟（實戰流程）

Step 1：選擇策略 + 股票

建立任務時選擇趨勢策略（如 Momentum / MA / MACD），並選擇交易標的。

Step 2：啟用 AI 外掛並選擇模型

  • 選擇 CatBoost 或 LSTM

Step 3：設定買入閾值

從中等閾值開始（例如 0.30–0.40），再依回測結果微調。

Step 4：回測驗證

對比兩組回測：

  • 同策略同股票：啟用 AI vs 關閉 AI
    重點對比：
  • 回撤、曲線平滑度、震盪區間的交易密度、勝率與盈虧比

Step 5：與超參優化聯動（可選）

把 ai_buy_threshold 納入 Hyper-Opt，並設定合理的 otp_init_min / otp_init_max 初始區間，以提升搜尋效率。

9. 注意事項與風險提示

  1. AI 外掛不預測未來，也不保證收益：它只是過濾訊號，提升訊號一致性
  2. 閾值越高，交易越少：過高可能導致「好機會也被過濾」
  3. 反轉策略不建議使用動量過濾：邏輯衝突會導致交易顯著減少
  4. 建議先回測再上實盤：尤其是對高波動標的
  5. 市場結構變化會影響效果：建議定期復測並調整閾值/模型選擇

10. FAQ（常見問題）

Q1：啟用 AI 後交易次數變少了，正常嗎？

正常。AI 的職責就是過濾。你應同時觀察：曲線是否更平滑、雜訊交易是否減少。

Q2：CatBoost 和 LSTM 可以同時啟用嗎？

目前版本建議一次選擇一種模型作為過濾層（避免邏輯疊加造成過度過濾）。若未來支援多層過濾，將會明確提供組合策略與建議參數。

Q3：閾值應該怎麼設才「最合理」？

沒有一刀切。建議以回測為準，並把它視為與策略參數同等重要的超參：
不同股票、不同策略、不同市場狀態都可能需要不同閾值。

Q4：AI 會不會「改變策略」？

不會。策略訊號仍由策略規則產生，AI 只決定「是否執行這個訊號」。

11. 結語：讓 AI 成為你的「訊號護城河」

很多人的策略差距，並不是規則寫得多複雜，而是：

  • 誰能更穩定地過濾雜訊
  • 誰能更一致地只做「更像趨勢」的交易
  • 誰能讓策略在震盪市少虧、在趨勢市不缺席

PulseForce 的 AI 動量外掛，正是為了把這件事變成一種可設定、可回測、可優化、可規模化復用的能力。
它不是噱頭，也不替你下注，而是讓你的策略更像一個成熟系統：更少雜訊，更強一致性。

歡迎在 PulseForce 中啟用 AI 動量外掛，並透過回測/超參優化把它調到最適合你的那一檔。

👉 Google Play 下載地址：
https://play.google.com/store/apps/details?id=ai.hiforce.PulseForceEu

Share