PPTS × GAPPTS 論文重建 · 遺傳演算法交易策略最佳化

研究方法

PPTS × GAPPTS 研究流程

論文把歷史價格資料拆成價格區間統計問題，再用遺傳演算法搜尋最佳區間數、持有天數、目標利潤與進場門檻，避免固定參數策略在不同個股與產業上失靈。

🗃

資料整理

48 檔個股 · 2019–2024

→

📏

PPTS 區間切分

將價格切成 m 個等距區間

→

📈

利潤機率分析

平均利潤 + 達標機率

→

🎯

輪盤選擇

保留高適應度參數組

→

🔀

交叉 / 突變

CR 0.8 · MR 0.1

→

✅

最佳策略

輸出逐檔最佳參數

染色體結構（29 bit）

適應度與評估指標

研究資料設計

母體：元大台灣 50 成分股中的 48 檔股票
訓練集：2019–2023 歷史資料
測試集：2024 外樣本回測
系統：Python、SQL Server、Gradio 介面
目標：比較 GAPPTS、固定參數 PPTS 與 Buy & Hold

論文核心

PPTS 價格區間利潤邏輯

PPTS 先依買入價把歷史交易切進不同價格區間，統計每個區間的平均利潤與達標機率，再用 α 門檻判斷該區間屬於買入訊號還是保守區間。

所選個股的價格區間平均利潤 / 達標機率

每個柱狀代表該價格區間的平均利潤，折線代表達成目標利潤的機率。綠色區間表示通過 α 門檻的買入候選。

48 檔樣本績效分級

論文把樣本分成「有效果」「一般」「無效果」三類。互動頁保留同一個分級框架，方便直接對照研究結果。

所選個股最佳化參數

所選個股測試績效

論文整體觀察

互動體驗

選股與 GA 參數重跑

你可以切換不同 ETF50 個股，重新執行 GAPPTS，觀察相同方法在不同產業與價格結構上會如何收斂到不同的參數組合。

產業篩選

依論文的跨產業比較方式切換股票池

個股

逐檔查看 PPTS / GAPPTS 的參數與績效差異

族群規模 (POP)

論文建議值：50

最大世代數 (GENS)

論文系統預設：50

交配率 (CR)

輪盤選擇後的單點交叉機率

突變率 (MR)

論文系統預設：0.10

價格區間數 m

PPTS 將價格切成 m 個等距區間

持有天數

買入後持有天數

目標利潤 (%)

區間達標機率的門檻

Live Market Ops

市場資料同步、TAIFEX 合約月與日線快取檢視

這一區直接讀取後端 market layer。你可以手動同步 TWSE 現貨、TAIFEX 期貨與 Yahoo fallback 資料，並直接檢查 instrument cache、contract month 與最近日線 bars。

同步設定

預設會同步台股、ETF、台指期 / 台股期，以及海外期貨 fallback。TAIFEX 合約月會保留在 bar cache 內。

TWSE stock symbols

TWSE ETF symbols

Futures symbols

抓取月數

Yahoo range

正在讀取市場資料快取...

API base: detecting...

Market Cache

點選 instrument 後，右側 bars 會重新查詢對應 symbol；若是 TAIFEX 來源，contract month 會一起顯示。

TWSE + TAIFEX + Yahoo

Recent Daily Bars

尚未選取 instrument。

試跑 GA 策略 (Python in Browser)

直接讀取上方 「選股與 GA 參數重跑」 的所有欄位：選到的股票、POP / GENS / CR / MR、以及 m / hold / target。按執行會將真實價格序列注入 Python runtime。

Python 3.11 (Pyodide) · GUI 參數會覆蓋程式中的預設值

import numpy as np

# 變數由上方 GUI 自動注入：
#   個股: stock_code, stock_name, prices (list[float])
#   GA 參數: pop, gens, cr, mr
#   策略參數: m, hold_days, target_profit

prices = np.asarray(prices, dtype=float)
p_min, p_max = float(prices.min()), float(prices.max())

print(f"個股: {stock_code} · {stock_name}")
print(f"價格序列: {len(prices)} 筆 · 範圍 {p_min:.1f}~{p_max:.1f}")
print(f"GA: POP={pop} GENS={gens} CR={cr:.2f} MR={mr:.2f}")
print(f"策略起點: m={m}  hold={hold_days}  target={target_profit:.1f}%\n")

def fitness(m_, hold_, target_):
    if hold_ >= len(prices) or m_ < 2:
        return -1e9
    width = (p_max - p_min) / m_
    sum_avg = sum_prob = bins = 0
    for i in range(m_):
        lo = p_min + width * i
        hi = lo + width
        profs = []
        for j in range(len(prices) - hold_):
            if lo <= prices[j] < hi or (i == m_-1 and prices[j] == hi):
                profs.append((prices[j+hold_] - prices[j]) / prices[j] * 100)
        if profs:
            sum_avg += float(np.mean(profs))
            sum_prob += float(np.mean([p >= target_ for p in profs]))
            bins += 1
    return (sum_avg / bins) * (sum_prob / bins) if bins else -1e9

# --- Mini GA: 以 GUI 參數為初始種子，用 POP/GENS/CR/MR 做隨機搜尋 ---
rng = np.random.default_rng(42)
best = (m, hold_days, target_profit, fitness(m, hold_days, target_profit))
print(f"初始 fitness = {best[3]:.3f}")
for g in range(int(gens)):
    if rng.random() < cr:  # crossover: 向 best 靠攏 + 混入新基因
        m_ = int((best[0] + rng.integers(2, 21)) // 2)
        hold_ = int((best[1] + rng.integers(1, 31)) // 2)
        target_ = float((best[2] + rng.uniform(0.5, 20.0)) / 2)
    else:  # mutation: 在 best 附近擾動
        m_ = int(best[0] + rng.integers(-2, 3))
        hold_ = int(best[1] + rng.integers(-2, 3))
        target_ = float(best[2] + rng.normal(0, 1.0))
    if rng.random() < mr:  # 額外突變
        target_ += float(rng.normal(0, 2.0))
    m_ = max(2, min(20, m_))
    hold_ = max(1, min(30, hold_))
    target_ = max(0.5, min(20.0, target_))
    f = fitness(m_, hold_, target_)
    if f > best[3]:
        best = (m_, hold_, target_, f)

print(f"\n最佳 ({gens} 代): m={best[0]}  hold={best[1]}  target={best[2]:.1f}%  fitness={best[3]:.3f}\n")

# --- 依最佳參數畫出區間分布 ---
bm, bh, bt = best[0], best[1], best[2]
width = (p_max - p_min) / bm
print(f"區間寬度: {width:.2f}，共 {bm} 個區間")
for i in range(bm):
    lo = p_min + width * i
    hi = lo + width
    profits = []
    for j in range(len(prices) - bh):
        if lo <= prices[j] < hi or (i == bm-1 and prices[j] == hi):
            profits.append((prices[j+bh] - prices[j]) / prices[j] * 100)
    if profits:
        avg = float(np.mean(profits))
        prob = float(np.mean([p >= bt for p in profits])) * 100
        bar = "█" * int(min(abs(avg) * 4, 40))
        sign = "+" if avg >= 0 else "-"
        print(f"  [{lo:5.1f}~{hi:5.1f}] avg={sign}{abs(avg):.2f}% prob={prob:.0f}% {bar}")
    else:
        print(f"  [{lo:5.1f}~{hi:5.1f}] (無交易)")

遺傳演算法於利潤價格分布為基礎的
交易策略最佳化技術之研究

PPTS × GAPPTS 研究流程

PPTS 價格區間利潤邏輯

選股與 GA 參數重跑

GAPPTS 互動模擬器

所選個股的 2024 年測試表現

GAPPTS vs 固定參數 PPTS vs Buy & Hold

市場資料同步、TAIFEX 合約月與日線快取檢視

試跑 GA 策略 (Python in Browser)