IB國庫券利差試算工具

在上篇文章『短期閒置資金該停靠美國國庫券(T-Bill)或IB活存？』中，我們示範了美國國庫券與IB活存利差的手算方式，為了方便使用，此計算方式已加到了1.2.4版的『債券庫存清單範本.xlsx』，請參考裡面的『（範本）IB國庫券利差試算』頁籤。

Excel下載點：債券庫存清單範本（含試算）

短期閒置資金該停靠美國國庫券(T-Bill)或IB活存？

超額保證金（閒置資金）存放在IB是會有利息的，有時候利息甚至比台灣本地銀行的美金定存還高（沒錯，以今天2023/1/11的利率水準來看，IB活存利率3.83%確實比台灣銀行的定存利率3.7%還高），但短期閒置資金或許還有更好的停靠處：美國國庫券（T-Bill）。

IB的CL與HO歷史分線資料品質極差

之前在此篇『海外期貨數據來源 (for beginner)』提到有三種歷史資料來源，其中CQG雖然CP值極高（報價品質還算不錯，歷史資料也比較可靠），但缺點是只提供尚未到期合約的歷史資料，而IB有提供最近兩三年的歷史資料，所以用IB來維護自己常用商品的歷史資料也算是個不錯的選擇。

IB大部分商品的歷史分線資料都跟CQG差不多，用相同策略回測起來績效差異都在可接受的範圍內，但CL、HO這兩個商品的歷史分線資料品質極差，很容易有肉眼就看的到的低級的錯誤。

MC自訂期貨名稱衝突（%@開頭）

使用CQG數據源且以Ratio來銜接連續月，當把自訂期貨名稱定義為%@HO時，如果當時有委託單，關閉MC時會不斷跳出問題（顯示傳入參數錯誤，如下圖所示），無法自動地把active委託單取消，最後解決方法是把自訂期貨名稱改為^@HO後才正常，不知道%@這個字元組合在MC跟什麼衝到，如果使用自訂期貨有異常時，可試著把名稱改一下再試試。

WFE的兩個缺點

WFO是很普遍且方便的交易模型穩健性檢測工具，最早由Robert Pardo於1992年在其著作『Design, Testing, and Optimization of Trading Systems』內提出，作者其實是取經自機器學習的領域，把機器學習那套搬到交易模型世界，但作者為了求簡便，在作法上有點取巧，導致WFE有兩個缺點：

1. WFE使用淨損益，而非Risk-Adjusted Return
2. WFE裡面切割樣本內(IS)與樣本外(OOS)前沒有做Shuffle處理

雖然WFO有其缺點，又是個很老舊的東西，但畢竟WFO是使用者不用額外寫程式，交易平台就可直接提供的模型穩健性檢測工具，所以還是有其價值。

人工手動參數最佳化比程式自動參數最佳化安全，真的嗎？

在前一篇『最佳化的學習曲線範例』有提過一點，IS最佳化與OOS驗證兩者必須獨立，否則會有作弊的嫌疑，如果說人工手動參數最佳化違反這個原則，那很可能會比程式自動參數最佳化還危險。

最佳化的學習曲線範例

機器學習領域常會用學習曲線來檢驗一個模型的學習成效，其實這些要領也適用於交易模型的最佳化，讓最佳化的不確定性可被檢驗：

• IS最佳化與OOS驗證兩者必須獨立，否則會有作弊的嫌疑
• 好的IS最佳化會在OOS驗證時，看到整體向上提煉的曲線趨勢
• 好的IS最佳化應該停止於OOS驗證曲線由爬坡變下坡的轉折點
• 好的IS最佳化末期的OOS驗證曲線應該處於穩定收斂狀態
• 而Sample Size的學習曲線可看出交易模型的Variance Error（Overfitting程度）
• 取得Variance Error有助於實際上線時保守估計MDD的預期放大程度或獲利的預期縮小程度