手續費可以計算。滑價可以估算。但你投入的時間，大部分人連算都沒算過。
「自動化交易」的幻覺
量化交易最大的賣點是什麼？
「自動化」。寫好程式，讓機器幫你賺錢。你去上班、去旅行、去睡覺——策略 24 小時不停運轉，利潤自動進帳。
至少宣傳是這樣說的。現實是：量化交易的「自動化」只存在於執行階段。在那之前和之後，你需要投入的時間比大部分人想像的多非常多。
你真正需要花的時間
第一階段：開發（100-300 小時）
從零到一個「可能有用」的策略，你需要：
- 學習程式語言：Python 或其他語言，如果你還不會的話。30-100 小時。
- 理解回測框架：Backtrader、Zipline、QuantConnect，或自己寫。20-50 小時。
- 研究策略邏輯：閱讀論文、測試想法、反覆修改。50-100 小時。
- 資料處理：取得資料、清理資料、處理分割和配息調整。10-30 小時。
這還沒算你走錯方向、砍掉重來的時間。大部分策略開發到一半會發現行不通——那些時間不會退你。
第二階段：驗證（50-100 小時）
策略開發完不代表能用。你還需要：
- 跑樣本外測試、Walk-Forward Analysis
- 做敏感度分析（參數變一點，績效會不會崩）
- 壓力測試（在極端行情下會怎樣）
- 模擬盤驗證（接上即時資料，不投入真錢，觀察實際訊號）
很多人跳過這一步直接上實盤。然後用真金白銀去「驗證」——那是最貴的驗證方式。
第三階段：部署（20-50 小時）
把策略從回測環境搬到實盤環境：
- 設定 API 連線（券商 API、資料 API）
- 寫下單邏輯、錯誤處理、重試機制
- 設定監控和通知（策略停了要知道、異常狀況要警報）
- 測試各種邊界狀況（網路斷線、API 超時、市場休市）
這個階段充滿瑣碎但致命的細節。少處理一個邊界狀況，可能在最糟糕的時刻出問題。
第四階段：維護（每週 2-5 小時，永遠不會結束）
這是大部分人完全低估的部分。
策略上線之後，你需要：
- 每日檢查：策略有沒有正常運作？訂單有沒有正確執行？
- 每週回顧：績效符合預期嗎？有沒有異常的交易？
- 每月評估：策略還在有效區間嗎？需不需要調整？
- 突發處理：券商 API 改版、資料源出問題、市場規則變動
一個策略可以「自動執行」，但不能「自動維護」。忽略維護的策略，就像不做保養的車——不是不能開，是遲早出事。
算一筆帳
假設你花了 200 小時開發一個策略，投入 50 萬資金，年化報酬 15%（已經不錯了）。
第一年報酬：50 萬 × 15% = 7.5 萬
再加上每週 3 小時的維護，一年 156 小時。
總時間投入：200 + 156 = 356 小時 總報酬：7.5 萬元 時薪：大約 210 元
這比很多上班族的時薪還低。
當然，第二年開始你不需要重新開發（假設策略沒失效）。但你需要持續維護，而且第二年你大機率會想開發新策略、改進現有策略——所以時間投入不會明顯減少。
量化交易的時間成本不是一次性的，它是持續性的。
這不是要你放棄
算這筆帳不是要勸退你。而是要讓你有正確的預期。
太多人帶著「被動收入」的幻想進入量化交易，以為寫好程式就可以坐等收錢。等發現不是這樣的時候，幻滅感比虧錢還嚴重。
如果你一開始就知道真實的時間投入，你會做出更好的決策：
- 你會更珍惜時間。不會花三週去最佳化一個本來就不行的策略。
- 你會優先做高槓桿的事情。花時間在風險管理框架上，比花時間在第十個技術指標上有價值得多。
- 你會設定合理的目標。不是「年化 100%」，而是「用合理的時間投入，達到穩定的正報酬」。
什麼時候才「值得」？
量化交易的時間投入在兩種情況下會變得「值得」：
資金規模夠大
同樣的策略，50 萬資金年賺 7.5 萬，500 萬資金年賺 75 萬。維護時間幾乎不變。
資金規模是量化交易時間投入的槓桿。資金越大，每小時的報酬越高。
系統可複製
你開發的不只是一個策略，而是一套開發框架。這套框架讓你能更快地開發和驗證新策略，降低每個策略的邊際成本。
第一個策略花 200 小時，第二個可能只需要 80 小時，第三個 50 小時。隨著經驗累積，開發效率會提升。
結語
量化交易的成本不只是手續費和滑價。最大的成本，是你的時間。
而且跟手續費不同的是——時間花了就回不來。一筆虧損的交易你可以在下一筆賺回來，但浪費的三個月永遠是浪費的三個月。
在決定要不要做量化交易之前，先誠實地算一下：你願意投入多少時間？你的資金規模配上這些時間，預期報酬合理嗎？
如果答案是合理的——歡迎入坑。 如果答案是不合理的——也許有更好的方式運用你的時間和金錢。
下一篇，我們來聊一個敏感話題——為什麼大部分量化交易課程不值得買？你會發現，課程的商業模式和交易的商業模式，根本是衝突的。
