Praxis：AI 交易策略評估工作空間

概覽

Praxis 是一個建立在 Freqtrade（開源量化交易框架）之上的個人專案。它的目標很單純：

把原本分散的策略回測與評估流程，整合成一個可以快速理解與比較策略的工作空間。

在現在的開發流程裡，AI 已經可以非常快速地生成交易策略。但問題也因此出現：策略變多之後，真正的瓶頸不再是「寫策略」，而是「看懂策略」。

每一個策略都需要重新閱讀回測結果、理解交易行為、比較不同版本的表現，最後才能決定要不要進入下一階段（Dry Run／模擬交易）。當策略數量開始快速增加，這個評估流程就變成主要的成本來源。

Praxis 想解決的，就是這一段。它把所有回測輸出與策略資訊整理成一個統一的介面，讓策略可以被更快理解、更容易比較，也更容易做決策。

角色: 產品設計師
時程: 2 週
團隊: 個人專案
成果: 評估時間：約 3 天 → 1.5 天
策略探索密度：提升約 2 倍
建立單一策略真實來源（Single Source of Truth）

探索

AI 加速了策略生成，但評估變成瓶頸

這個專案來自我自己在做量化交易策略時遇到的問題。AI 讓寫策略變得非常快，你可以在短時間內生成很多不同版本的策略。

但問題是：後面的「理解與判斷」並沒有變快。每一個策略還是要讀回測 log、看交易紀錄、比較不同版本、判斷穩定性。當策略越來越多之後，這個流程很快就變成卡點。

核心問題

真正的瓶頸不是生成，而是「理解與驗證」。

而目前的工作方式是分散的：

terminal 裡的回測 log
JSON 格式的策略設定
各版本策略 code
不同工具之間來回切換

這些資訊沒有被連在一起。結果就是：你其實在做決策，但你看到的是一堆碎片資料。

定義

我想解決的是「評估層」本身

目標定位

建立一個專門用來理解與比較策略的工作空間。

讓 AI 產生的策略，不只是「被生成」，而是可以被快速篩選與驗證。

設計約束

必須運作在本地 Freqtrade 環境中。
策略與回測結果需要被持久化保存，不能只靠 LLM。
系統必須強調可追溯性（Traceability）。
因為只有兩週，所以只能做 MVP，不能做完整平台。

設計原則

所有策略都要能被追蹤與比較。
資訊要透明，而不是黑箱。
減少跨工具切換成本。
保留專業使用者的分析深度。
優先解決「評估效率」，而不是增加功能。

舊版 Freqtrade 工作流程示意圖：從建立策略、回測、Walk-forward、Dry Run 到 Live Run 的任務，架在分散的 IDE、CLI 與執行日誌工具之上，由 AI coding agent 餵入。 — 舊工作流程：在 Python 代碼、JSON 配置與 CLI 終端機之間反覆切換，即便有 AI 協助，結果依然四散、難以版本追溯。

Praxis 新工作流程示意圖：統一的前端儀表板疊在既有工具之上，把策略開發、測試與監控整合到同一處。 — 新方向：不變動底層工具鏈，在上面加一層統一的前端工作空間，把策略評估、測試與監控整合到同一視域。

發展

把分散的策略資料，收斂成一個工作空間

我沒有改變 Freqtrade 本身的架構，而是在它上面加了一層前端工作空間，讓所有策略輸出變成可以被統一查看的內容。

色彩系統與無障礙

介面從一套色彩 token 出發：全域畫布色、交易語意色，以及各策略的版本專屬色。每一級都做過深淺模式的對比度校驗，確保在 Dark／Light Mode 切換時體驗一致。

Praxis 色彩系統的深色與淺色模式：畫布色、語意色與各策略專屬色，每個都標註色碼與對比度。 — 高對比度的語意色與版本專屬色體系，在深淺模式間維持視覺一致性。

1. 集中式策略工作空間

原本的問題是資料散落在 logs、code 與 config files。現在全部被整理成「一張策略卡片 + 一個回測結果視圖」，讓每個策略都可以被快速掃描與比較。

Praxis 首頁視圖：將回測執行結果以卡片網格呈現，每張卡片附關鍵指標與權益曲線縮圖。 — 首頁把每次回測執行轉化為可快速掃視的卡片網格，取代過去在 log 與檔案間的交叉比對。

2. 三個核心視圖

整個系統被收斂成三個主要畫面：

比較視圖（Comparison View）：比較不同策略的表現。
總覽視圖（Dashboard）：看整體策略狀態。
穩健性分析（Robustness）：看策略是否穩定。

我刻意沒有做可自訂 UI。因為在這個情境下，自由度太高，反而會讓評估變慢。

3. 使用交易語境設計介面

介面參考 TradingView、Bloomberg 的風格：

高資訊密度
清楚的數值階層
等寬字體呈現數據

原因很簡單：使用者本來就熟這種介面，不需要再學一次。

4. 拿掉 FreqAI

FreqAI 可以做機器學習預測，但問題是：它是黑箱模型。而這個工具的核心目標是可追溯、可理解、可比較，所以在 MVP 階段直接移除。

Praxis 監控視圖：以明確、色彩標示的邏輯區塊揭露每個策略的進出場條件。 — 監控視圖把各策略的進出場邏輯顯式呈現，提供黑箱模型給不了的決策透明度。

5. 限制策略複雜度

不是所有策略都支援。我刻意限制在標準 Freqtrade 架構內。原因是：如果連策略本身都無法一致比較，那評估層會失去意義。

Praxis 回測明細視圖：左側為標準化參數側欄，右側呈現權益曲線與交易明細結果。 — 標準化參數可由側欄直接調校；深層巢狀的自定義邏輯則保留在原始碼中。

交付

把時間從整理資料，轉移到做決策

Praxis 最終變成一個本地工具，直接嵌入既有 workflow。最大的改變是：原本花在「整理 log、對資料」的時間，被轉移到比較策略與做判斷。

Praxis 穩健性分析視圖：上方為權益曲線分位圖，下方為連續虧損次數圖與蒙地卡羅回撤分佈。 — 穩健性分析面板：整合權益曲線分位圖、最大連續虧損頻次與蒙地卡羅（Monte Carlo）回撤分佈，讓決策建立在統計數據上，而不是 AI 的感性描述。

量化成果

50%

評估時間縮短

單一策略的評估時間，從約 3 天縮短到 1.5 天。

2×

探索效率

在同樣的時間內，可以測試約 2 倍的策略數量。

1

單一事實來源

所有策略與回測結果，集中在同一個 dashboard。

完稿的 Praxis 首頁視圖，深色與淺色模式並列呈現。 — 最終交付的高保真介面，適配深色與淺色兩種工作模式。

反思

AI 改變的是生成速度，不是理解速度

這個專案讓我更確定一件事：AI 讓「做東西」變便宜了，但「理解東西」還是很貴。因此真正的瓶頸，會從 production 慢慢轉移到 evaluation。

未來可以延伸的方向

更細的交易行為分析

例如逐筆交易，或更高解析度的 time series 分析。

更低門檻的策略構建

把已驗證的策略因子模組化，變成可組裝的系統。

未來好的工具不只是幫你產生更多策略，而是讓你用更低成本，判斷哪些策略不值得繼續。