| rk | 特徵窗格 | 停損點 | pick_ret% | all_ret% | edge% | dates | 爆倉機率 | train樣本 | test樣本 | 裝置 |
|---|---|---|---|---|---|---|---|---|---|---|
| 1 | rsi=9 macd=(8,17,9) bb=14 mom=(5,10) vol=10 ma=(10,30) high=30 | 不設停損 | +4.3473 | +2.0726 | +2.2747 best | 253 | 0.00% | 39893 | 10008 | GPU |
| 2 | rsi=21 macd=(19,39,9) bb=30 mom=(20,40) vol=40 ma=(40,120) high=120 | 不設停損 | +3.9710 | +2.0342 | +1.9369 | 235 | 0.00% | 37013 | 9288 | GPU |
| 3 | rsi=14 macd=(12,26,9) bb=20 mom=(10,20) vol=20 ma=(20,60) high=60 | 不設停損 | +3.8967 | +2.1152 | +1.7815 | 247 | 0.00% | 38933 | 9768 | GPU |
edge% = pick_ret% - all_ret%（held-out 測試期間，正值代表 AI 模型挑出的標的優於全體市場均值）。 walk-forward：每檔標的依時間切分前80%訓練/後20%測試，避免用到未來資料。取 edge% 最高的特徵組合， 用全部資料重新訓練出實際上線使用的最終模型（見「AI 分析」頁）。