同一份程式碼，跑回測也跑實盤

這三章的責任切分很乾淨，而且混淆它們會浪費大量時間與資本：

Ch 25 問的是「實盤算出來的，跟回測算出來的一樣嗎？」——這是技術問題，答案是二元的，而且完全是自找的（書稱為 technical divergence）。Ch 26 問的是「在現在這個市場狀態下，還該不該讓它跑？」——這是統計問題，管線可以完全正確，但世界變了。Ch 27 則收在最後一個問題：「怎麼讓這整套流程持續運轉下去？」

兩種病因的處方完全相反，所以第一步永遠是分診，不是動手。

核心思想：多數演算法交易專案死在「回測 → 實盤」的過渡——不是策略沒有 edge，而是生產系統與研究環境之間的微妙分歧，一點一點侵蝕掉報酬。

書的解法很有力：統一雙模式框架——同一份策略程式碼在回測與實盤兩種模式下跑，靠構造消滅技術分歧，而不是靠測試去追捕它。書把最常見的錯誤路徑點名了：研究用 notebook、上線另外寫一套——那是兩份平行實作、兩個藏 bug 的地方，改進不同步、修復不回流，六個月後回測 15% 而實盤 3%，卻無從診斷。

把 Part IV 寫好的策略當成「正在等待即時資料源的生產程式碼」，而不是一份需要重寫的原型。

# 部署前的四階段 parity 測試——逐段餵相同輸入、比對輸出
驗 ① 原始資料 → 特徵    # 常見凶手：調整價 vs 未調整價、時區、缺值
驗 ② 特徵 → 預測        # 序列化差異、前處理錯配、浮點精度
驗 ③ 預測 → 訊號        # 最佳化器容差、universe 差異
驗 ④ 訊號 → 委託單      # 整股捨入、既有部位、執行約束
     # 用二分搜尋定位分歧發生在哪一段

自動化 每日開盤前，比對昨日實盤訊號 vs 同資訊集的回測輸出
     不符即停，停到解釋清楚為止

下單要冪等 client_order_id 送單前先落地持久化
     逾時 → 先查券商有沒有這張單 → 有就同步、沒有就同 ID 重送
     # 這是崩潰復原時「永不重複下單」的基石

拒單分因處置，絕不盲目重試
     買力不足 → 等資金釋放　無效代碼 → 記錄調查　休市 → 等開盤

安全控制要 fail-closed
     kill switch 狀態必須持久化——否則當日崩潰重啟就歸零虧損計數
     啟動時與券商對帳，不乾淨就拒絕開始新的交易週期

→ 接到台股（以下為外推，非書上內容）：統一雙模式框架的架構原則完全適用，但券商整合那一層要整組換——書講的是 IBKR 與 Alpaca，台股要走券商的 API（各家規格不同，且多數不像美股券商那樣有成熟的程式交易介面）。「訓練與推論鎖同一資料源」這條在台股同樣重要：如果研究用 FinMind 的資料訓練、實單用券商報價執行，兩邊的還原價演算法、成交價定義可能不同——這正是書說「程式碼驗證抓不到」的那種分布位移。至於冪等下單，台股券商 API 是否支援自訂委託書號要逐家確認；不支援的話，就得自己維護一份委託對照表來達成同樣效果。管轄權那一條在台股是：先確認你的券商允許程式下單、以及當沖與現股當沖的資格限制。

核心思想：每個部署的模型都會衰退——問題不是會不會，而是多快偵測到、多安全地應對。書把治理拆成三層：偵測（資料閘門、滾動指標、漂移分析）→ 應對（shadow 評估、分段上線）→ 自動安全（熔斷器）。

有一個很違反直覺但極重要的順序：資料完整性閘門要先於模型監控。書指出大量「表面上的漂移」其實是靜默的資料缺陷——陳舊價格、公司行動處理錯誤、斷裂的 join、時區問題、缺 bar、重複列。先把資料驗好，才不會追錯方向。

而換模型這件事，書的態度是替換品可能比衰退的原版更糟，所以要走一條很慢的路。

只存在於文件裡的回滾程序，在壓力下失靈就等於沒有。

# 監控說「變了」之後，要診斷「什麼變了」——三類漂移三套工具
資料漂移  輸入分布位移　→ PSI（<0.1 穩 / 0.1–0.25 查 / >0.25 不可靠）
特徵漂移  哪些特徵在主導　→ 監控 SHAP 的平均值、變異、相對排名
概念漂移  關係本身變了（分布沒變）→ ADWIN / DDM 跑在預測誤差流上
     # 例：動能訊號在趨勢轉均值回歸時反號，但輸入分布完全沒動

# 診斷矩陣：兩個維度四種情況，處方不同
     漂移有 · 衰退無　→ 模型穩健，觀察即可
     漂移無 · 衰退有　→ 監控覆蓋不全，要擴大追蹤範圍
     兩者都有　　　　→ 重訓，或換成 regime 專屬模型
     兩者都無　　　　→ 健康

四層熔斷器（各層獨立，任一層跳掉就止血該範圍）
     虧損型　日 −2% / 週 −5% / 峰值回撤 −10~−15%
     部位型　單一資產 ≤5% / 單一板塊 ≤20%
     異常型　VIX >40 / spread 達常態 3 倍 / 單日 10%+ 位移
     基礎設施　端到端延遲 >100ms 停止交易（防拿陳舊資料下單）

告警紀律 每個告警都要綁定一個定義好的行動
     # 從不改變決策的告警，是偽裝成嚴謹的噪音

→ 接到台股（以下為外推，非書上內容）：這章對個人研究者最可搬的是「資料閘門先於模型監控」那條。台股資料的靜默缺陷有自己的形狀：除權息當天的還原價、暫停交易與處置股的缺 bar、興櫃轉上市的代號變更、以及不同資料源對「成交金額」定義的差異。書建議的做法（在資料匯入時就驗 schema、null、時間戳單調、唯一鍵，執行關鍵資料驗不過就不交易）在台股完全適用，而且成本很低。熔斷器的閾值則要重新校準——書給的 VIX > 40、單日 10% 位移是美股口徑；台股有 10% 漲跌幅限制，「單日 10% 位移」在台股幾乎等於鎖漲跌停，是完全不同的訊號強度。這類閾值一定要用台股自己的歷史 regime 轉換來校準，不能照抄。

全書最後一章沒有新技術，它把第 1 章那個命題收了回來：單一成功策略只是暫時優勢；模型會衰退、alpha 會被侵蝕、市場持續變化——能長期產出「多元策略組合」的流程，才是持久價值。

而作者把這句話再往外推了一層：這同樣適用於職涯經營本身。單一技能就像單一策略，一樣會衰退；能持續產出新能力組合的學習流程，才是跨職涯複利的東西。書用了一個很貼切的說法——把職涯當成 alpha factory 來經營。

這一章最實用的部分，是把「系統化心態」套用到注意力配置上——面對新技術浪潮，先問一句：「這是 2030 年代的期權，還是今天的現貨？」

量子運算唯一該做的近期動作是防禦性的：關注後量子加密的遷移。

# 認知偏誤要靠流程擋，不是靠意志力
對抗 confirmation bias　→ 事前寫下可否證的假說
對抗 overfitting　　　　→ 樣本外測試
對抗 data mining　　　 → 多重檢驗校正
     # 這三件事就是全書 Part II 到 Part IV 在做的事

學習系統怎麼設計
     每天 30 分鐘靠複利累積，勝過偶爾啃完整課程
     每學一個新技法，必須找到應用場景
     # 沒有應用的知識不會複利成專長
     外化筆記，失敗的實驗也要記
     # 記「什麼沒用」與記「什麼有用」同等重要

技能盤點的補強原則
     優先補「與既有強項互補」的缺口
     而不是另起一條全新的技能線
     # 目標是 T 型：一深多廣

最該避免的模式
     永遠在學、從不應用　# 最精密的模型若不轉化為更好的結果，價值為零
     追逐每個新函式庫　　# 該掌握的是每類工具在工作流程中的「角色」

→ 接到台股／你的專案（以下為外推，非書上內容）：這章最值得帶走的一句，套到你的情境是：H-018 被證偽不是損失，是流程在運作的證據。那次做對的事情——事前定義假說、跑樣本外檢定、認賠、而且把結論寫進 skill 描述擋住後續誤用——正是書講的「用機械化紀律對抗認知偏誤」。書會補的是把這件事制度化：假說編號已經有了，再加上 setup 版本、搜尋帳、以及「失敗實驗也要記」的習慣，那條流程就完整了。至於前沿分級，你的位置很特別——你正在做的「用 AI agent 加 skill 跑研究流程」，就是書第 24 章描述的 operator 模式，這件事本身就在前沿的「立即投入」那一格。