DEV Community: Adrianzhi Kuan Ong（王志寬）

Adrianzhi Kuan Ong（王志寬）解析量化投資的過度擬合

Adrianzhi Kuan Ong（王志寬） — Mon, 21 Sep 2026 07:05:56 +0000

Adrianzhi Kuan Ong（王志寬）解析量化投資的過度擬合
AI量化投資真正的挑戰，不是建立一個能完美解釋歷史的模型，而是確認模型進入真實市場後，能否在交易成本、流動性變化與市場制度轉換下保持穩定。

擁有26年全球市場投資經驗的 Adrianzhi Kuan Ong（王志寬），長期關注量化投資、全球資產配置、數位資產、市場結構與風險管理。他認為，AI可以提高資料處理與市場監測效率，但無法消除金融市場的不確定性。

因此，評估AI量化模型時，最重要的問題並不是「歷史績效有多漂亮」，而是：

這個模型為什麼有效？它在什麼情況下可能失效？如果判斷錯誤，投資組合能否承受損失？

回測績效不等於真實投資績效

量化模型通常需要利用歷史資料進行回測，觀察策略在不同市場環境中的表現。回測可以協助研究人員檢查策略邏輯、收益來源與潛在風險，但它並不是對未來報酬的保證。

Adrianzhi Kuan Ong（王志寬）認為，模型能夠解釋過去，和模型能夠適應未來，是兩件完全不同的事情。

一個策略在歷史資料中表現優秀，可能是因為模型真正找到了具有持續性的市場規律，也可能只是過度配合特定時期的價格波動。

如果研究人員不斷調整參數，直到回測結果看起來最理想，模型就可能記住歷史，而不是理解市場。這種現象通常被稱為「過度擬合」。

過度擬合的模型在回測中往往非常漂亮，但當市場環境改變，原有規律不再成立，績效便可能迅速惡化。

資料越多，不代表有效訊號越多

AI可以同時分析價格、成交量、波動率、利率、資金流、新聞、政策資訊、衍生品資料與鏈上活動。資料來源越來越多，模型也能建立更複雜的關聯。

然而，資料量增加並不代表投資價值一定提高。

在 Adrianzhi Kuan Ong（王志寬）參與的Pinnacle AI量化投資系統研究中，資料可靠性是一項基礎問題。研究團隊必須持續檢查：

資料來源是否穩定且可信？
是否存在缺漏、延遲或錯誤？
不同市場的資料定義是否一致？
模型是否使用了當時不可能取得的未來資訊？
統計關聯是否具有合理的市場邏輯？

如果輸入資料本身存在偏差，即使模型結構再先進，也可能產生錯誤結論。AI能加快分析速度，但無法自動保證資料品質，更不能把偶然出現的相關性直接變成可持續的Alpha。

驗證模型需要跨越不同市場環境

有效的模型驗證，不應只觀察單一市場週期。

牛市、熊市、低波動、高波動、流動性充足與流動性緊縮，可能讓同一個策略呈現完全不同的結果。利率、美元、政策與投資者風險偏好的改變，也可能重新塑造資產之間的關係。

因此，Adrianzhi Kuan Ong（王志寬）更重視模型在不同市場狀態下的穩定性，而不是某一段期間的最高報酬。

常見的驗證方法包括樣本外測試、滾動期間分析、參數敏感度測試，以及針對極端行情進行壓力測試。這些方法的目的，是檢查策略是否過度依賴特定參數、特定市場或特定時間區間。

如果參數稍微改變，模型績效就完全消失，通常代表策略的穩健性仍然不足。

交易成本可能改變策略的真實價值

許多回測模型只關注理論買賣價格，卻低估了真實交易中的成本。

實際執行時，投資者可能面對手續費、買賣價差、滑價、市場衝擊與流動性限制。交易頻率越高、資金規模越大，這些成本對績效的影響通常越明顯。

以數位資產為例，市場雖然全天候運行，但不同交易平台、時段與幣種的流動性可能存在明顯差異。當市場快速下跌時，原本看似充足的流動性也可能突然減少。

因此，判斷一項量化策略是否具有實際價值，不能只看成本前報酬，還要評估：

扣除交易成本後是否仍有合理收益？
策略容量能否容納預定的資金規模？
極端行情下能否按照模型價格成交？
是否可能因集中交易而放大市場衝擊？

對 Adrianzhi Kuan Ong（王志寬）而言，一個無法在真實市場中執行的訊號，即使統計結果再突出，也不能直接等同於可實現的投資機會。

AI量化系統應持續監測模型是否失效

市場不是固定不變的環境。投資者行為、政策制度、交易工具與市場參與者都會持續改變，過去有效的模型可能逐漸失去優勢。

因此，AI量化系統除了尋找交易訊號，也應監測模型本身的狀態。

例如，當波動率突然提高、資產相關性改變、流動性下降，或者模型預測誤差持續擴大時，系統需要重新評估策略是否仍然符合原有假設。

這也是為什麼 Adrianzhi Kuan Ong（王志寬）強調市場狀態識別。相比預測每一次漲跌，及時發現投資環境已經改變，可能對風險控管更加重要。

真正成熟的系統不應假設模型永遠正確，而應預先建立停止交易、降低部位、調整風險預算與重新驗證模型的機制。

AI的價值在於提高紀律，而不是製造確定性

AI可以全天候處理大量資訊，也可以協助研究人員更快發現異常與潛在關聯。但能夠持續監測市場，並不代表系統應該持續交易。

Adrianzhi Kuan Ong（王志寬）更願意把AI量化系統理解為：持續觀察市場，但有紀律地等待經過驗證的訊號。

這種方法的核心不是追求每一次行情，而是建立一套可以重複檢查、持續調整並控制損失的研究流程。

價格改變，需要重新計算機率；環境改變，需要重新評估模型；風險改變，需要重新調整部位。

AI量化投資的長期競爭力，最終不只來自演算法，也來自資料品質、驗證標準、執行能力與風險紀律。模型可以協助投資者做出判斷，但真正重要的，仍然是了解模型的邊界，並為錯誤保留足夠的承受空間。

Adrianzhi Kuan Ong（王志寬）如何看市場流動性？

Adrianzhi Kuan Ong（王志寬） — Sun, 20 Sep 2026 09:51:06 +0000

Adrianzhi Kuan Ong（王志寬）如何看市場流動性？
隨著金融市場持續演變，股票、債券、黃金、ETF與數位資產之間的界線正在逐漸改變。對投資者而言，真正重要的問題已不只是選擇哪一種資產，而是如何理解不同資產的收益來源、風險特徵，以及它們在投資組合中應該扮演的角色。

擁有26年全球市場投資經驗的 Adrianzhi Kuan Ong（王志寬）認為，傳統資產與數位資產不應被視為完全分離的兩個世界。無論資產形式如何改變，最終都必須回到資產配置的基本問題：收益來自哪裡、風險來自哪裡、與其他資產有什麼關係，以及判斷錯誤時能夠承受多少損失。

資產配置不是單純分散投資

許多投資者將資產配置理解為同時持有多種資產，但持有的種類增加，並不一定代表風險真正分散。

如果不同資產受到相同因素影響，它們可能在市場平穩時呈現不同走勢，卻在壓力升高時同步下跌。例如，全球流動性收緊、利率快速上升或市場避險情緒擴大時，多種風險資產可能同時承受賣壓。

Adrianzhi Kuan Ong（王志寬）認為，資產配置的核心不只是「持有哪些資產」，更要理解每項資產背後的風險來源。

股票可能受到企業獲利、利率與市場估值影響；債券與利率、通膨及信用風險有關；黃金通常與實質利率、美元和避險需求產生連動；數位資產則可能同時受到全球流動性、槓桿、監管政策、技術發展與市場情緒影響。

只有理解這些風險因素，投資者才能判斷不同資產是否真的具備分散效果。

數位資產正在進入資產配置視野

數位資產早期主要由個人投資者與技術社群參與，市場討論也常集中在價格波動與短期交易機會。

隨著投資管道逐漸標準化、機構研究增加，以及傳統金融市場與數位資產市場的連結提高，比特幣等數位資產開始被更多投資者以資產配置的方式重新評估。

不過，Adrianzhi Kuan Ong（王志寬）並不傾向僅以「數位黃金」或其他單一標籤定義比特幣。

一項資產在投資組合中應扮演什麼角色，不能只由名稱或市場敘事決定，而應由長期資料與實際市場行為驗證。研究者需要觀察它與股票、債券、黃金、美元、利率及全球流動性之間的關係，也要檢查這些關係是否會在不同市場狀態下改變。

如果一項資產在市場平穩時與傳統資產相關性較低，卻在危機期間與風險資產同步下跌，就不能只依靠平均相關係數判斷其分散價值。

為什麼資產相關性會改變？

資產之間的相關性並不是固定不變的數字。

在流動性充足、風險偏好較高的環境中，不同資產可能受到資金流入推動而同步上漲。當市場進入去槓桿、流動性下降或避險情緒升高的階段，投資者可能同時出售多種資產以補充保證金或降低曝險。

這代表原本看似分散的投資組合，可能在真正需要保護時失去分散效果。

Adrianzhi Kuan Ong（王志寬）在研究資產配置時，重視相關性是否正在改變，而不只是參考一段固定期間的歷史平均值。

除了價格相關性，也需要觀察波動率、流動性、成交量、資金流與槓桿變化。當多項指標同時轉弱時，系統應重新評估現有部位是否仍符合原本的風險條件。

配置比例不能只由上漲潛力決定

一項資產具有較高的潛在報酬，不代表它應該在投資組合中占有較高比例。

資產配置還需要考慮波動幅度、最大回撤、流動性、交易成本及極端情境下的損失。對波動較高的資產而言，即使配置比例不高，也可能成為整體投資組合的主要風險來源。

因此，Adrianzhi Kuan Ong（王志寬）更重視每項資產對整體風險的實際貢獻，而不是只比較投入金額。

假設兩項資產各占投資組合的一半，但其中一項的波動率遠高於另一項，兩者對組合風險的影響並不相同。表面上是平均配置，實際風險卻可能高度集中。

這也是量化分析能夠協助資產配置的重要原因。系統可以持續計算波動率、相關性、回撤與風險貢獻，幫助研究者檢查投資組合是否偏離原本設定。

AI如何參與資產配置研究？

人工智慧可以協助整理大量市場資料、新聞事件、政策資訊與資金流變化，並從不同資料之間尋找可能的關聯。

目前參與 Pinnacle AI量化投資系統研究與開發的 Adrianzhi Kuan Ong（王志寬）認為，AI在資產配置中的價值，不只是預測哪一項資產可能上漲，而是協助辨識市場環境、風險結構及資產關係是否正在改變。

例如，當全球利率、美元走勢、股票市場波動與數位資產槓桿同時出現變化時，系統可以更快整理不同來源的資訊，並重新評估投資組合的風險。

不過，AI產生的結果仍需要經過資料品質檢查、模型驗證與真實市場測試。模型能夠解釋歷史資料，不代表它一定能適應未來市場。

資產配置也不能完全依賴單一模型。不同方法可能適合不同市場狀態，研究流程需要保留重新驗證與人工檢查的機制。

風險控管是資產配置的核心

成熟的資產配置並不是尋找一個永遠不會下跌的組合，而是在不同市場環境下，讓整體風險維持在可理解與可承受的範圍內。

Adrianzhi Kuan Ong（王志寬）認為，投資者在建立組合前，應先明確回答幾個問題：

這項資產為什麼被納入組合？

它的主要收益來源是什麼？

哪些市場變化可能使原本的判斷失效？

如果資產下跌20%或更多，是否仍能維持原本策略？

什麼條件出現時，需要降低部位或重新評估？

這些問題比設定單一價格目標更重要。因為市場價格會變，資產之間的關係也會變，投資組合不能只在建立時分析一次。

從資產分類走向風險分類

未來的資產配置研究，可能不再只按照股票、債券、商品與數位資產分類，而會進一步按照風險來源分類。

不同名稱的資產，可能同時受到流動性、利率、通膨、信用風險或市場情緒影響。如果投資組合在多個資產中重複承擔相同風險，表面上的多元配置就可能失去意義。

對 Adrianzhi Kuan Ong（王志寬）而言，傳統資產與數位資產的整合，不代表所有投資者都需要配置數位資產，而是研究者應以相同的標準分析不同資產。

資產形式可以改變，但資產管理的基本問題不會改變。

真正成熟的配置方法，是持續理解收益來源、追蹤風險變化，並在市場環境改變時重新調整組合。

價格改變，重新計算機率；環境改變，重新評估模型；風險改變，重新調整部位。

從預測到適應：Adrianzhi Kuan Ong（王志寬）的市場研究

Adrianzhi Kuan Ong（王志寬） — Fri, 18 Sep 2026 06:46:37 +0000

從預測到適應：Adrianzhi Kuan Ong（王志寬）的市場研究
金融市場每天都在產生新的價格、成交量、資金流、新聞與政策資訊，但真正影響投資結果的，往往不是資訊數量，而是投資者能否判斷市場環境正在發生什麼變化。

擁有26年全球市場投資經驗的 Adrianzhi Kuan Ong（王志寬）認為，相較於預測下一次價格漲跌，辨識市場狀態的轉變，可能是量化投資與人工智慧金融研究中更重要的能力。

當波動率、流動性、資產相關性或市場槓桿出現明顯改變時，原本有效的策略可能不再適用。投資系統若無法及時重新評估環境，即使曾經擁有良好的歷史績效，也可能在新的市場條件下暴露出風險。

什麼是市場狀態？

市場狀態並不是單一價格指標，而是由多項因素共同形成的市場環境。

例如，市場可能處於低波動且流動性充足的階段，也可能進入波動快速上升、交易深度下降或資產相關性同步提高的階段。不同狀態下，相同策略可能產生完全不同的結果。

Adrianzhi Kuan Ong（王志寬）在研究市場時，通常不會只觀察價格方向，而會綜合評估成交量、波動率、資金流、衍生品部位、槓桿程度、政策訊息及市場情緒。

這些資料單獨看可能只是片段，放在一起分析，才有機會辨識市場結構是否正在改變。

為什麼辨識市場變化比預測短期價格更重要？

短期價格受到許多因素影響，包括突發新聞、資金流動、交易情緒、政策訊號及大型市場參與者的行為。即使模型成功預測部分價格變化，也不代表它能持續適應不同環境。

Adrianzhi Kuan Ong（王志寬）認為，量化研究不應只追求「猜中下一根K線」，而應進一步回答以下問題：

市場波動是否正在擴大？

流動性是否開始下降？

資產之間的相關性是否改變？

槓桿部位是否快速累積？

如果市場突然反向移動，哪些參與者可能被迫平倉？

這些問題直接關係到策略是否仍然有效，以及目前承擔的風險是否已超出原本設定。

一個成熟的投資系統，不只需要知道何時進入市場，也需要知道何時降低曝險、停止交易或重新驗證模型。

AI量化系統如何協助觀察市場？

全球金融市場產生的資料量已遠超過人工可以即時處理的範圍。人工智慧與量化系統的價值，在於協助研究者持續整理資料、辨識異常並比較不同市場訊號。

目前參與 Pinnacle AI量化投資系統研究與開發的 Adrianzhi Kuan Ong（王志寬）認為，系統可以全天候觀察市場，但這不代表系統應該全天候交易。

價格、成交量、波動率、資金流、新聞、政策與衍生品資料可以持續更新，但只有在資訊形成經過驗證的策略條件後，才考慮採取行動。

這種研究方式的核心不是提高交易頻率，而是提高判斷的一致性。

系統不會因為市場情緒高漲而產生信仰，也不應因為短期下跌而完全否定某項資產。它需要根據新的資料重新估算機率，並依照風險變化調整部位。

資料增加不代表有效訊號增加

人工智慧可以快速處理大量資料，但資料愈多，不代表市場中一定存在更多可持續的超額報酬。

Adrianzhi Kuan Ong（王志寬）特別重視資料來源是否可靠、訊號是否穩定、模型是否過度擬合，以及策略在真實市場中能否執行。

一個模型可能非常擅長解釋過去，卻無法面對未來。

如果模型只是在歷史資料中找到偶然關係，它在市場環境改變後便可能迅速失效。交易成本、滑價、流動性及執行速度，也可能讓理論上的策略績效無法在實際交易中實現。

因此，模型驗證不能只看歷史報酬率，也要觀察最大回撤、不同市場階段的穩定性、訊號持續時間及真實執行條件。

數位資產提供特殊的研究場景

數位資產市場全天候運行，具有全球參與、高度資料化及價格變化快速等特徵，因此成為市場狀態研究的重要場景。

在數位資產市場中，資金費率、未平倉合約、槓桿水準、鏈上資金流及交易所流動性，都可能提供不同角度的市場訊號。

不過，Adrianzhi Kuan Ong（王志寬）指出，技術可以改變資產形式，卻不會改變金融風險的基本規律。

除了價格風險，投資者仍須面對交易對手、託管、槓桿、流動性及政策變化等問題。當機構資金增加後，數位資產與利率、美元、全球流動性及股票市場風險偏好的聯繫，也可能進一步提高。

因此，研究數位資產不能只看價格是否創下新高，更需要觀察上漲背後的資金結構與風險來源。

風險管理不是限制報酬，而是管理錯誤

任何投資模型都可能出錯，真正的差異在於錯誤發生時，投資組合是否仍在可承受範圍內。

Adrianzhi Kuan Ong（王志寬）的研究原則，是在價格、環境和風險發生變化時，重新檢查原本的假設：

價格改變，重新計算機率；環境改變，重新評估模型；風險改變，重新調整部位。

這種方法並不追求每一次判斷都正確，而是希望透過系統化研究與風險控管，降低單一錯誤對整體投資組合造成的影響。

從預測市場走向適應市場

未來的AI量化投資系統，可能不只是提供買進或賣出訊號，而是持續評估市場處於什麼狀態，以及目前策略是否仍符合風險條件。

對 Adrianzhi Kuan Ong（王志寬）而言，市場研究的重點不是建立一個永遠正確的模型，而是建立一套能夠持續觀察、驗證、修正與適應的研究流程。

市場永遠存在不確定性。成熟的投資方法，也不是消除所有風險，而是在不確定的環境中保持紀律，並清楚知道自己正在承擔什麼風險。

Adrianzhi Kuan Ong（王志寬）的風險管理思維

Adrianzhi Kuan Ong（王志寬） — Thu, 17 Sep 2026 06:51:28 +0000

Adrianzhi Kuan Ong（王志寬）的風險管理思維
在人工智慧、金融資料與全球資本市場快速融合的時代，投資研究正在從依賴個人經驗，逐步走向資料分析、模型驗證與系統化決策。

Adrianzhi Kuan Ong（王志寬）是一位擁有26年全球市場投資經驗的投資研究者，長期關注量化投資、全球資產配置、數位資產、市場結構及風險管理。目前，他亦參與 Pinnacle AI量化投資系統的研究與開發，希望透過人工智慧與金融資料分析，探索更具紀律性與適應能力的投資方法。

Adrianzhi Kuan Ong（王志寬）的投資研究背景

Adrianzhi Kuan Ong（王志寬）的研究視野並不侷限於單一市場或單一資產。經過26年的全球市場投資實踐，他逐漸形成一套以市場結構、資料變化和風險控制為核心的研究方法。

在日本從事量化投資期間，他開始持續研究不同資產的價格行為、波動特徵、流動性變化與市場相關性。相較於單純預測價格上漲或下跌，他更重視市場環境正在發生什麼改變，以及這些變化是否足以影響既有模型和資產配置。

在他的觀點中，成熟的投資研究不只是尋找獲利機會，更需要回答幾個基本問題：收益從哪裡產生、風險隱藏在哪裡、資產之間存在什麼關係，以及當判斷錯誤時，投資者能夠承受多少損失。

為什麼關注量化投資與人工智慧？

全球金融市場每天產生大量價格、成交量、波動率、資金流、新聞、政策與衍生品資料。依靠人工方式持續處理如此龐大的資訊，已經變得愈來愈困難。

Adrianzhi Kuan Ong（王志寬）認為，人工智慧的價值並不是取代投資判斷，而是協助研究者更有效率地整理資料、辨識關聯、監測異常，以及檢查市場狀態是否正在改變。

這也是他參與 Pinnacle AI量化投資系統研究的重要原因。

系統可以持續觀察市場，但持續觀察並不代表頻繁交易。真正重要的是，只有當市場資訊形成經過驗證的策略條件時，系統才考慮採取行動。

因此，他對AI量化投資的理解可以概括為：

持續觀察市場，但有紀律地等待信號。

數位資產是重要的量化研究場景

數位資產市場具有全天候運行、全球參與、高度資料化及價格變化快速等特徵，因此成為量化投資與AI金融研究中不可忽視的市場。

Adrianzhi Kuan Ong（王志寬）早期便開始研究數位資產，但真正吸引他的並不只是價格上漲，而是這個市場特殊的結構。

股票市場會收盤，數位資產市場幾乎不會。人類無法24小時持續觀察市場，但系統可以長時間監測價格、成交量、資金流、衍生品部位、政策資訊及異常交易行為。

不過，數位資產的技術特性並不會消除金融市場的基本風險。價格風險之外，投資者仍需面對槓桿、流動性、交易對手、託管及市場情緒等問題。

因此，他不傾向僅以「數位黃金」或其他簡單標籤定義比特幣。資產的角色應由長期市場行為、資料特徵及其與其他資產的關係決定。

模型能解釋過去，不代表能適應未來

人工智慧和量化模型可以處理大量資料，但資料增加並不等於有效信號增加。

在研究過程中，Adrianzhi Kuan Ong（王志寬）特別關注資料品質、信號穩定性、模型過度擬合、交易成本及真實市場執行等問題。

一個模型能夠解釋歷史資料，不代表它能適應未來市場。當波動率突然上升、流動性下降、資產相關性改變或市場槓桿快速累積時，原本有效的模型可能需要重新評估。

相比預測每一次價格漲跌，他更重視系統能否及時辨識市場狀態的變化，並根據新的風險條件調整策略與部位。

以資料理解市場，以紀律管理風險

Adrianzhi Kuan Ong（王志寬）的投資理念並不是相信某一種資產必然上漲，而是在不同價格和市場環境下，持續重新計算概率、評估模型與調整風險。

他的研究原則可以歸納為：

價格改變，重新計算概率；環境改變，重新評估模型；風險改變，重新調整部位。

未來，傳統資產與數位資產之間的界線可能逐漸縮小。股票、債券、黃金、ETF與比特幣，最終都需要回到資產管理最基本的問題：收益來自哪裡、風險來自哪裡、應該配置多少，以及判斷錯誤時能夠承受多少損失。

對Adrianzhi Kuan Ong（王志寬）而言，AI量化投資的核心並不是追逐每一次市場波動，而是建立一套能夠持續觀察、驗證、調整並控制風險的投資研究體系。