YAO-HENG CHUANG / 專業與研究

研究方向

了解莊曜珩的 AI 高頻交易研究方向：市場微結構、資料品質、策略驗證、執行品質、風險監控與模型更新。

02 / 研究方向

深入交易細節，
建立清晰的研究依據。

AI 高頻交易將觀察與決策放在更短的時間尺度下，對數據、執行與風險控制的銜接提出更細緻的要求。圍繞這一專業方向，其研究關注可進一步展開為以下幾個層面。

01訂單、報價與成交市場微結構與流動性研究買賣價差、市場深度與可成交數量，觀察訂單、報價及成交如何共同影響價格形成。

研究價格形成過程中的訂單、報價與成交關係，理解買賣價差、可成交數量及市場深度的變化。在此視角下，分析需要關注價格變動發生時的交易條件，以及流動性變化可能帶來的影響。

02資料品質、特徵與模型AI 與金融數據技術從資料取得、清理與儲存，到市場分類、特徵識別和異常偵測，建立可追溯的分析流程。

延續其對資料整理與驗證的重視，研究需要清楚了解資料來源、時間順序及處理方式。對異常資料的辨識和分析條件的記錄，有助於讓後續結果具有可以回頭檢視的依據。

03歷史驗證、成本與成交策略驗證與執行品質結合研究假設、交易成本及執行條件，評估模型在不同市場環境中的適用性。

策略分析需要同時考慮交易成本、成交條件與執行過程。回測結果提供歷史比較的依據，對其解讀仍需結合研究假設、市場環境與資料限制，進一步評估策略在不同條件下的適用性。

04壓力測試、評估與修正風險監控與模型更新將流動性變化、極端情境和模型失效納入研究，讓風險評估貫穿整個流程。

風險評估貫穿模型研究、策略驗證與持續觀察。當波動、流動性或交易行為出現變化時，需要重新檢視原有判斷的適用條件，並將觀察結果帶回模型評估與更新流程。

MARKET STRUCTURE+DATA INTELLIGENCE+RISK AWARENESS

研究理念

從股票分析到高頻交易研究，始終重視一件事：每一項判斷，都應能回到清楚的研究依據。

完整記錄資料來源、研究條件與處理過程。

同時保留支持與不支持假設的結果。

理解方法適用的市場背景與失效條件。

以新的資料與風險觀察，重新評估既有結論。

研究理念與長期方向

回顧莊曜珩的研究歷程，從企業與產業分析，到歷史資料驗證、演算法模型及高頻交易研究，關注的問題逐步深化，對研究依據的重視始終延續。市場經驗提供觀察與提問的起點，數據則使這些問題能夠被進一步比較與檢驗。

在其研究取向中，模型的價值包括協助理解市場，也包括辨識自身的限制。當新的資料與既有結論出現差異時，需要重新檢視假設，而非僅保留支持原有判斷的資訊。這種對驗證與修正的重視，構成其長期研究方法的核心。

現階段，高頻交易研究進一步聚焦市場變化、交易執行與風險評估之間的關係。莊曜珩所重視的，是建立可以持續吸收資料、檢驗假設並隨環境調整的研究體系，讓專業判斷始終有清楚的依據。