量化交易不再是工程師的專利：老墨揭密如何用 AI 與 XQ，打造不懂程式也能運行的獲利自動機

在投資這條路上，我常說：「市場最大的敵人往往不是波動，而是你的人性。」

你是否曾經歷過這樣的情境：明明看好一檔股票，卻因為盤中的劇烈震盪而被洗出場，隨後眼睜睜看著股價一飛沖天？又或者，因為恐懼錯過行情（FOMO）而追高，結果剛好買在山頂，接著是不願停損的漫長套牢？這些決策失誤的背後，並非你對產業不了解，而是我們的大腦天生就不適合做高頻率的機率判斷——我們太容易被情緒綁架。

多年來，我一直強調「系統化交易」的重要性，而量化交易（Quantitative Trading）正是將系統化發揮到極致的手段。然而，過去這是一道高牆，擋在牆外的是無數不懂程式語言（Coding）、不懂複雜語法的投資人。

但今天，這道牆正在崩塌。

這一次，我邀請到了從傳統產業跨界金融，再進化為量化交易專家的——老墨。他的經歷極具啟發性：他不具備資工背景，卻能利用 XQ 全球贏家這套軟體，搭配生成式 AI（如 ChatGPT、Gemini），構建出高勝率的自動化策略。這場對談不僅是關於工具的升級，更是一場關於「交易思維」的維度跳躍。

這證明了一個新時代的來臨：只要你有邏輯，AI 就是你最強的工程師。

從「散戶模式」到「量化思維」的底層重構

在訪談的一開始，我與老墨探討了他從傳產轉戰金融的心路歷程。這不僅僅是職業的轉換，更是思維模式的根本性遷徙。

老墨坦言，早期他也處於標準的「散戶模式」：看新聞做股票、聽明牌、憑感覺進出。這種模式的問題在於，所有的決策都建立在「雜訊」而非「訊號」之上。新聞往往是滯後的，而感覺則是不可靠的。

那麼，什麼是「量化思維」？

老墨給出了一個非常精準的定義：將交易對手的行為還原成數據，並用歷史回測驗證邏輯的期望值。

這是一個第一性原理的思考。股價為什麼會漲？因為有買盤。買盤來自哪裡？來自交易對手。在台股市場，最大的兩股力量往往是外資與投信，以及近年來崛起的 ETF 被動買盤。

量化思維要求我們不再去猜測「明天會不會漲」，而是去分析「當 ETF 進行換股調整時，歷史數據顯示成分股會有什麼樣的價格行為？」、「當投信連續買超三日且股價突破區間時，後續上漲的機率是多少？」。

當你把所有的交易邏輯都數據化之後，你就不再需要盯盤時的焦慮。因為你知道，這筆交易是基於一個長期正期望值的系統，單次的損益只是大數法則下的一個樣本點。這就是量化帶來的最大紅利——情緒的剝離與決策的標準化。

降維打擊：當 AI 成為你的專屬程式開發員

許多聽眾朋友在接觸量化交易時，最大的痛點就是：「我不會寫程式（Code）。」

過去，這是一個無法跨越的硬傷。你要學習 Python、C++ 或是 XQ 的專屬語法（XScript），這對大多數專注於基本面或技術分析的人來說，學習成本過高。

但老墨在訪談中演示了一個令人震撼的場景：利用自然語言（Prompt），讓 AI 瞬間寫出交易腳本。

他打開 Google 的 Gemini，輸入一段我們人類都聽得懂的指令：「請幫我寫一個 XQ 腳本，邏輯是：股價在季線之上，且成交量大於五日均量兩倍，同時投信買超佔股本 0.1%。」

幾秒鐘後，AI 吐出了一段完整的程式碼。老墨將其複製貼上到 XQ 軟體中，編譯、回測，一氣呵成。

這一刻，我深刻地意識到，量化交易的門檻已經被夷為平地。在這個 AI 時代，最稀缺的資源不再是「寫程式的能力」，而是「清晰的交易邏輯」。

AI 就像是一個極其高效但需要明確指令的超級實習生。只要你的邏輯是通順的、條件是明確的，它就能幫你處理所有繁瑣的語法細節。這意味著，如果你是一個擁有豐富經驗的主觀交易者，你現在可以零成本地將你腦中的策略轉化為自動化腳本，讓機器幫你監控全市場的機會。

這是一場對傳統量化工程師的降維打擊，也是對有想法但無技術的投資人的一次巨大賦能。

獲利密碼：破解「處置股」與「ETF 買盤」的制度套利

在掌握了工具之後，老墨進一步分享了他獨門的兩個高勝率策略，這充分展現了量化思維如何捕捉市場的結構性機會。

1. 處置股策略：越關越噴的秘密

市場上有個有趣的現象，被列入「處置股」（分盤交易）的熱門股票，往往「越關越噴」。一般散戶看到處置會感到恐慌，認為流動性受限是利空。但從量化角度來看，老墨發現了不同的數據特徵。

處置股因為交易受限（如 5 分鐘或 20 分鐘撮合一次），導致短線當沖客退場，籌碼反而變得乾淨。若該股票正處於強勢主升段，供給減少（賣壓鎖住）而需求不減的情況下，價格極易因供需失衡而暴漲。老墨透過 XQ 腳本監控特定的處置股條件，抓住了多次「越關越噴」的獲利波段。這就是利用「制度規則」進行的套利。

2. ETF 買盤邏輯：跟隨巨人的腳步

近年來台股 ETF 規模爆炸式增長，ETF 的成分股調整成為了市場最確定的買盤來源。

老墨指出，投信或 ETF 的買盤行為是可以被量化的。例如，當某檔高股息 ETF 宣布納入新成分股，或者預期即將納入時，會有大量的被動資金必須在規定時間內買入。這不是預測，這是「剛性需求」。

透過 AI 輔助撰寫的腳本，我們可以追蹤投信持股比例的變化斜率，或是監控特定 ETF 規模變動對成分股的影響。這種策略的本質，是將「交易對手」的行為模式完全數據化，賺取的是法人被迫買進的流動性溢價。

腦洞大開的實驗：AI x 奇門遁甲的玄學量化

訪談的最後，老墨拋出了一個讓我耳目一新的話題，甚至可以說是「腦洞大開」——玄學量化。

這聽起來極其荒謬：將最先進的 AI 科技，與最古老的東方玄學「奇門遁甲」結合？

老墨的做法是，將奇門遁甲的時空盤面資訊（如天干、地支、八門、九星等）作為特徵值（Features），餵給 AI 模型進行機器學習，試圖找出特定時空能量與市場波動之間的相關性。

雖然這聽起來很不科學，但我非常欣賞這種實驗精神。在量化交易的高階領域，大家都在尋找「低相關性」的因子（Alpha）。當財務數據、技術指標都被挖掘殆盡時，另類數據（Alternative Data）就成了新的藍海。

無論你相不相信玄學，老墨的這個實驗揭示了 AI 的強大之處：它能處理人類無法感知的多維度複雜變數。 如果時間和空間確實存在某種我們尚未理解的規律，AI 或許真的能從海量數據中捕捉到那微弱的幽靈訊號。

這給了我們一個啟示：在數據面前，保持開放心態（Open Mind），不要預設什麼是不可能的。

結語：你的競爭力，在於定義問題的能力

聽完老墨的分享，我有一個深刻的體悟：技術的進步，不是為了取代人，而是為了釋放人的創造力。

過去，你想做量化交易，你需要花 80% 的時間學寫程式、除錯、處理數據，只有 20% 的時間思考策略。現在，有了 XQ 與生成式 AI 的賦能，你可以將 95% 的時間都花在「思考策略」與「觀察市場」上，剩下的 5% 交給 AI 去執行。

這是一個最好的時代。工具的平權化，讓「想法」成為了最有價值的資產。

如果你還在用手工畫線、憑感覺下單，甚至因為情緒波動而夜不成眠，或許是時候做出改變了。試著用 AI 寫下你的第一行 XQ 腳本，不是為了成為工程師，而是為了拿回你對交易的主導權，建立一個真正屬於你的、理性且可驗證的獲利系統。

在這個市場上，唯有進化，才能生存。