自動交易最難的，不是寫程式，是「邏輯」
上一篇，我們讓 Python 成功讀到了黃金（XAUUSD）的報價，打好了地基。
接下來，照理說該寫「下單的程式」了。但在那之前，有一件更重要的事 ── 決定「要照什麼規則買賣」。
自動交易的本質，是把「買賣的判斷」變成電腦能 24 小時執行的規則。程式碼再漂亮，如果背後的規則沒有「優勢（edge）」，那它只會很有效率地、穩定地賠掉點差和手續費。
所以這一篇，先不碰下單。我們要做的是 ── 不靠直覺、不靠感覺，用 15 年的真實數據，找出黃金「真的存在的傾向」，把它當成策略的核心。
而這種「翻 15 年數據做統計分析」的工作，過去是工程師、量化交易員的專利。但現在，有 AI（Claude Code）幫忙，不會寫程式的我，也能親手做黃金量化交易了。
我給自己的一條鐵則：「不要用想像寫策略」
開始之前，先立一條規矩。
🎯 鐵則：不要用想像、用數據。 「黃金跌多了應該會反彈吧」「行情大概禮拜五容易漲」── 這種「感覺」在交易裡最危險。感覺對的事，數據上常常不成立；數據上成立的事，又常常違反直覺。所以這個系列，所有規則都必須通過 15 年數據的檢驗，才准採用。
我用的數據，是從上一篇連好的 ThinkMarkets MT5，請 Claude Code 幫我抓下來的：
- 日線（D1）：3,957 根 ／ 2011 年 1 月 ～ 2026 年 6 月（約 15.4 年）
- 小時線（H1）：90,504 根 ／ 同期間
💡 先講清楚限制（這很重要）。 這些數據來自單一券商（ThinkMarkets）。「傾向」本身是市場共通的，但精確的數字會因券商而有些微差異。而且過去成立，不保證未來成立 ── 這是所有歷史回測的天花板。我會盡量誠實地把「優勢有多大、有多可靠」攤開給你看，不誇大。另外，本文說的「星期五」和「開盤／收盤」，都是以 ThinkMarkets 伺服器時間（UTC+3）的 D1 日線為準 ── 星期幾效應會隨券商的結算時間略有不同，換券商時要重新驗證。
找策略的方法：用「t 值」抓出「不像偶然」的傾向
統計分析聽起來很難，但核心觀念只有一個：「這個傾向，是真的，還是只是運氣（偶然）？」
判斷的工具叫 t 值。你不用懂它的數學，只要記一個門檻：
|t| ≧ 2，在單一檢定下，大致代表「統計上比較不像是偶然」 ── 也就是「這個傾向比較像是真的」。（這只是粗略的參考；檢定的項目一多，還得再打折扣。）
我請 Claude Code 寫了分析程式，並且特別交代它三件「容易作弊、一定要避免」的事：
- 前視偏誤：判斷當下，絕不能偷看「未來才會知道」的資料。（例如要在星期五開盤判斷，就只能用到星期四收盤為止的資訊。）
- 樣本內／樣本外：把 15 年切成前半、後半，看傾向在「沒看過的後半」還成不成立。
- 多重比較：檢定的項目越多，越容易「矇到」假的顯著。所以還要看「解釋得通嗎」。
🔧 不會寫程式怎麼做這些？ 我做的事，其實只是用中文（我自己用日文）跟 Claude Code 說：「幫我算黃金每天的報酬，按星期幾分組，算平均、勝率和 t 值，注意不要有前視偏誤。」剩下的 pandas、numpy 那些程式，全是它寫的。我負責『想問什麼』，它負責『算給我看』。
第一個發現：黃金的「星期五」和「一月」特別強
最先檢驗的，是最經典的「季節性」── 行情會不會在特定的星期幾、月份，有固定的傾向？
結果，星期五跳了出來。
| 星期 | 平均日報酬 | 勝率 | t 值 |
|---|---|---|---|
| 一 | -0.006% | 49.9% | -0.15 |
| 二 | +0.021% | 52.8% | 0.59 |
| 三 | +0.013% | 52.7% | 0.39 |
| 四 | +0.038% | 50.6% | 1.06 |
| 五 | +0.106% | 56.2% | 2.73 ★ |
星期一到星期四，平均報酬幾乎貼著零、勝率約 50%（跟丟銅板沒兩樣）。只有星期五，平均 +0.106%、勝率 56.2%、t 值 2.73，明顯不像偶然。
月份的分析裡，則是一月最突出（+0.166%、t 值 2.99）。這兩個，剛好都和市場上早就有人談過的「黃金一月行情」「週末前的避險買盤」吻合 ── 既有統計支持、又解釋得通，可信度就高。
💡 為什麼這篇選「星期五」不選「一月」？ 因為一月一年只有一次，一年只能交易一次，太難累積經驗、也太難驗證。星期五一年有約 52 次，機會多、好驗證、好學習，更適合當作第一個題材。
深挖星期五：優勢全在「白天」，留倉過夜沒用
選定星期五後，下一個問題是：「優勢」到底發生在哪個時段？
我把星期五的報酬，拆成兩段來看：
- 隔夜：星期四收盤 → 星期五開盤（也就是「抱著過夜」賺賠的部分）
- 日內：星期五開盤 → 星期五收盤（也就是「白天持有」賺賠的部分）
| 區段 | 平均報酬 | 勝率 | t 值 |
|---|---|---|---|
| 隔夜（四收→五開） | +0.001% | 38.0% | 0.39 |
| 日內（五開→五收） | +0.105% | 56.4% | 2.68 ★ |
結果很乾脆：星期五的優勢，全部集中在「白天」。 抱著過夜（隔夜）那段，勝率只有 38%，幾乎是零、甚至偏負。
這直接給了我們策略的雛形：
🏁 規則雛形：星期五「開盤買進、收盤賣出」，當天結清、不留倉過夜。
星期五效應的真面目：它其實是「逢低反彈」
接著是這篇最關鍵的發現。我請 Claude Code 用「星期五開盤時就已經知道的資訊」（沒有前視偏誤）去分組，想看看「什麼樣的星期五特別強」。
答案非常清楚 ── 關鍵在「前一天的方向」。
| 條件（星期五開盤時已知） | 平均日內報酬 | 勝率 | 樣本數 | t 值 |
|---|---|---|---|---|
| 星期四下跌 → 星期五 | +0.168% | 62.1% | 388 | 2.71 ★ |
| 星期四上漲 → 星期五 | +0.045% | 51.0% | 388 | 0.94 |
| 最近 5 天下跌 → 星期五 | +0.156% | 59.6% | 354 | 2.74 ★ |
當星期四是「下跌」時，星期五的反彈特別強（勝率 62%）。反過來，如果星期四在漲，星期五的優勢幾乎消失（勝率 51%，跟丟銅板一樣）。
換句話說，「星期五效應」的真面目，是「逢低反彈／週末前的回補買盤」：行情前一天跌了，星期五容易拉回來一點。
💡 這一步為什麼重要？ 因為它從「星期五會漲」這種模糊的迷信，變成了有道理可講的機制（跌深的反彈）。一個策略「解釋得通」，比「數字好看」更讓人安心 ── 因為你會知道它什麼時候會失效。
於是規則進化成：
規則（第二版）：只挑「星期四下跌」的星期五，開盤買、收盤賣。
殘酷的回測現實：沒有停損，一次崩盤就吃掉十年
規則有了，接著就是回測（backtest）── 拿這個規則去跑過去 15 年，看實際的成績。我請 Claude Code 把成本（點差，保守抓來回 0.30 美元）也扣掉，用「淨值」來算。
先看「過濾」有沒有用 ── 比較「每個星期五都做」vs「只做星期四下跌的星期五」：
| 策略 | 勝率 | 平均 | 獲利因子 | 最大回撤 |
|---|---|---|---|---|
| 每個星期五（基準） | 55.2% | +0.088% | 1.26 | -16.0% |
| 只做星期四下跌 | 60.3% | +0.149% | 1.45 | -9.8% |
過濾確實有效：勝率從 55% 升到 60%、獲利因子（賺賠比）從 1.26 升到 1.45、最大回撤幾乎砍半。「少做一半、但做的品質更好」。
但是 ── 當我把它換算成「實際用 0.01 手（最小單位）操作」的金額時，看到了一個嚇人的數字：
| 星期四下跌策略・無停損（0.01 手、15.3 年） | 數字 |
|---|---|
| 總損益 | +$738 |
| 勝率 | 60.3% |
| 最慘的一筆 | -$508 |
| 最大回撤 | -$529 |
勝率有 60%，總共也是賺的。但最慘的一筆，單筆就賠了 508 美元 ── 在一個只有 1,000 美元的帳戶裡，這一筆就是 -50%。
⚠️ 這就是「尾部風險」。 平常贏面不錯，但只要遇到一個「崩盤的星期五」（恐慌性下殺，反彈不來），一筆就能吃掉你好幾年累積的獲利。 沒有保護機制的策略，不能用。
加上 ATR 停損：意外地「攻守兼得」
解法是大家都聽過的兩個字 ── 停損。我用 ATR（平均真實區間，一個衡量「最近行情波動多大」的指標）來設停損點：在開盤價下方 K × ATR 的地方掛停損，跌到就先認賠出場。
我請 Claude Code 把 K 從寬（2.0）一路測到窄（0.5），看哪個最好。結果出乎意料 ── 停損不只降低風險，連報酬都一起變好了。
| 停損（K×ATR） | 勝率 | 總損益 | 獲利因子 | 最慘一筆 | 夏普值 |
|---|---|---|---|---|---|
| 無停損 | 60.3% | +$738 | 1.26 | -$508 | 0.61 |
| 1.5×ATR | 60.3% | +$1,016 | 1.40 | -$218 | 0.74 |
| 1.0×ATR | 59.5% | +$1,187 | 1.51 | -$161 | 0.84 |
| 0.75×ATR | 57.7% | +$1,229 | 1.55 | -$121 | 0.87 |
| 0.5×ATR | 51.5% | +$1,077 | 1.52 | -$81 | 0.72 |
以 1.0×ATR 為例：總損益從 $738 升到 $1,187（+61%）、夏普值從 0.61 升到 0.84、獲利因子升到 1.51，同時最慘一筆從 -$508 縮到 -$161。
為什麼會「攻守兼得」？因為停損早早砍掉了那些「崩盤星期五」── 那些單筆巨虧，本來就是在拖累總成績。把它們切掉，風險和報酬就一起改善了。
💡 但別以為越緊越好。 停損收到 0.5×ATR 時，勝率掉到 51%、有 35% 的交易被洗出場（whipsaw），成績反而變差 ── 停損太緊，會在正常的波動裡被「巴來巴去」。甜蜜點落在 0.75～1.0×ATR。 不過先打個預防針：這個甜蜜點是在「同一份 15 年數據」上挑出來的，所以它不是永久最佳參數，而是下一步要用樣本外（out-of-sample）和實盤模擬繼續驗證的「候選範圍」。
最重要的修正：「優勢在衰退」其實是錯覺
在加停損之前，我一度擔心一件事：把 15 年切成前後兩半，後半（2018 年之後）的優勢，看起來在衰退（獲利因子只剩 1.10）。難道這個策略已經失效了？
但加上停損後，真相浮現了：
| 星期四下跌策略 | 無停損 | 1.0×ATR 停損 |
|---|---|---|
| 前半（～2018）總損益 | +$542 | +$546 |
| 後半（2018～）總損益 | +$196 | +$640 |
| 後半 最慘一筆 | -$508 | -$161 |
| 後半 獲利因子 | 1.10 | 1.41 |
看出來了嗎？後半「看起來衰退」，根本不是優勢消失，而是那幾筆「沒有控制的崩盤虧損」（-$508）在拖累。 一旦加上停損切掉尾部，後半立刻變回健康（$196 → $640、獲利因子 1.10 → 1.41）。
而且勝率從頭到尾都很穩定（前半 61%、後半 59%，幾乎沒變）。崩掉的從來不是「贏的次數」，只是「輸的時候輸太多」── 而停損，正好治的就是這個。
🔑 這就是數據誠實的地方。 如果只看表面，我可能會誤判「策略過時了」而放棄一個好東西；也可能反過來，被漂亮的總報酬騙過去、忽略了那筆 -$508 的致命傷。把數據攤開、一層層追問，才看得到真相。
確定！這就是「AI 要超越的基準線」
繞了一大圈，我們得到了一個有根據、扛得住回測、前後半都穩的策略核心：
✅ 基準策略 「星期四下跌 → 星期五開盤買進 → 用 1.0×ATR 停損保護，否則收盤平倉」（0.01 手、不留倉）
15.3 年回測（已扣成本）： 總損益 +$1,187｜勝率 59.5%｜獲利因子 1.51｜夏普值 0.84｜最慘一筆 -$161 ── 而且前半、後半都成立。
這個「樸素但扎實」的基準，就是下一篇 AI 要挑戰、要超越的對手。
⚠️ 先把現實講清楚：這不是印鈔機
我必須誠實地說兩件事：
- 這個優勢是「中庸」的，不是暴利。 0.01 手（最小單位）一年大約賺 50～80 美元。它真實存在、扛得住 15 年回測，但它不會讓你一夜致富。它是「微小但可靠」的那種優勢。
- 在現在的高價、高波動環境，風險不小。 黃金漲到 4,000 美元以上後，1×ATR 大約等於 100～150 美元。也就是說，即使只做 0.01 手、即使有停損，最慘一筆也可能是 -$161，等於 1,000 美元帳戶的 16%。 所以「極端波動的星期五」必須避開。
而「判斷一個下跌，是『能買的逢低』還是『該閃的崩盤』；判斷波動是不是極端到該收手」── 這種需要看當下盤面、靈活拿捏的事，正是死板的規則做不到、而 AI 擅長的。
下一篇預告：讓 AI（Claude）來「挑單」
所以第三篇，我們要做的就是：
🤖 第三篇：讓 AI（Claude）扮演「最後的把關者」。 在「星期四下跌的星期五」這個機械條件之上，讓 AI 看當下的盤面（趨勢、波動、最近的走勢、有沒有重大事件），判斷「這個逢低能不能買」，回答「進場／略過＋信心程度」 ── 目標是把上面那條基準線，跑得更穩、把最慘的幾筆閃掉。但有一點我會堅持：AI 的判斷也必須被規則化、被記錄、被回測，跟前面的策略一樣用數據檢驗，而不是憑感覺臨時加碼。
不靠直覺、用數據打地基，再用 AI 補上「臨場判斷」── 這就是不會寫程式的我，想打造的黃金交易系統。
第二篇總結
✅ 用 15 年數據、靠 t 值，找出黃金真實存在的「星期五效應」
✅ 看穿它的真面目是「逢低反彈」，並用「星期四下跌」當過濾條件
✅ 回測揭露「沒停損會被一次崩盤毀掉」，加上 1.0×ATR 停損後「攻守兼得」
✅ 確定了一條前後半都成立的基準策略，當作下一篇 AI 要超越的對手
🔑 這次的檢查點 重點不是「我找到了一個會賺的策略」，而是「我用數據、而不是用感覺，做出了每一個決定」。這個過程本身，不會寫程式的你，靠 AI 也複製得來。
⚠️ 再次提醒：本系列不是投資招攬。黃金（XAUUSD）波動很大，自動交易有風險。文中所有數字都是歷史回測，不代表未來。我自己也是先從不動錢的「讀取」與「模擬」做起，實際下單會等到完全理解後，才用最小單位謹慎進行。
下一篇，我們就讓 AI 真正開始「做判斷」。
