如果你曾經在盤整行情中眼睜睜看著價格上上下下，卻不知道該進場還是觀望，那你一定對「網格交易策略 Python」這個主題特別有感。網格交易的核心精神，是把「低買高賣」這件反人性的事交給程式機械化執行。這篇文章會帶你從原理、程式骨架、回測方法，一路走到 API 串接與部署，並把常見的踩雷點攤開來講。

風險警告與免責聲明

本文僅供程式教學與策略研究，不構成任何投資建議。加密貨幣與槓桿交易波動極大，可能導致本金全額損失。文中所有數字若標示為「假設範例」皆為示意，並非真實回測或實盤績效。請自行以小額資金驗證，並自負一切交易風險。

什麼是網格交易策略？Python 實作前你要懂的核心邏輯

網格交易（Grid Trading）簡單講就是「在一個價格區間內切成好幾格，低買高賣，賺區間震盪的價差」。

假設範例：BTC 現價 60,000 美元，你設定區間 55,000～65,000、切成 10 格，每格價差 1,000 美元。當價格跌到 59,000 就自動買進，反彈到 60,000 就自動賣出，賺這 1,000 美元的價差，然後不斷重複。

用 Python 實作的好處是「完全客製化」，你可以自己控制：

• 網格類型：等差網格（每格價差固定）或等比網格（每格漲跌幅固定百分比）
• 觸發邏輯：用迴圈持續監控價格，搭配條件判斷買賣點
• 資料來源：透過 ccxt 套件串接交易所即時報價，或用歷史 K 線資料回測

網格價位怎麼算？

np.linspace(low, high, n + 1) 會產生 n+1 個「格線」，把區間切成 n 格。買賣判斷的關鍵是：價格落在哪兩條格線之間。以下是最基礎的網格骨架：

import numpy as np
def build_grid(low: float, high: float, grid_num: int) -> np.ndarray:
"""產生 grid_num + 1 條格線，將 [low, high] 切成 grid_num 格。"""
return np.linspace(low, high, grid_num + 1)
if __name__ == "__main__":
grids = build_grid(55000, 65000, 10)
print(grids)
# array([55000., 56000., 57000., ..., 65000.])

這段只是骨架。實務上你還需要手續費計算、滑點模擬、資金分配邏輯，以及最關鍵的「賣出判斷」——這些會在下一節補齊。

完整的網格狀態管理：買進、賣出與重複交易

原文的骨架只處理買進，而且 position 沒有在賣出後移除，導致同一格永遠無法重複交易。以下是一個邏輯完整、可獨立執行的網格狀態機範例：

import numpy as np
class GridBot:
def __init__(self, low, high, grid_num, order_size, fee_rate=0.001):
self.grids = np.linspace(low, high, grid_num + 1)
self.order_size = order_size      # 每格下單數量（以 base 幣計）
self.fee_rate = fee_rate          # 單邊手續費率，例如 0.1%
self.holdings = {}                # {格線索引: 買入價}
self.cash = 0.0
self.realized_pnl = 0.0
def _locate(self, price):
"""回傳 price 落在第幾格（0 ~ grid_num-1）；超出區間回傳 None。"""
if price < self.grids[0] or price >= self.grids[-1]:
return None
return int(np.searchsorted(self.grids, price, side="right") – 1)
def on_price(self, price):
idx = self._locate(price)
if idx is None:
return  # 價格跑出區間，策略暫停，不動作
# 買進：該格尚未持有
if idx not in self.holdings:
cost = price  self.order_size  (1 + self.fee_rate)
self.cash -= cost
self.holdings[idx] = price
print(f"[買進] 格 {idx} 價格 {price:.2f}")
# 賣出：檢查「上一格」是否已持有且現價高於其買入價
prev = idx – 1
if prev in self.holdings and price > self.holdings[prev]:
buy_price = self.holdings.pop(prev)
proceeds = price  self.order_size  (1 – self.fee_rate)
cost = buy_price  self.order_size  (1 + self.fee_rate)
profit = proceeds – cost
self.cash += proceeds
self.realized_pnl += profit
print(f"[賣出] 格 {prev} 買 {buy_price:.2f} → 賣 {price:.2f}，損益 {profit:.2f}")
if __name__ == "__main__":
bot = GridBot(low=55000, high=65000, grid_num=10, order_size=0.01)
for p in [59000, 58000, 60000, 57000, 61000]:
bot.on_price(p)
print("已實現損益:", round(bot.realized_pnl, 2))

這段程式碼修正了三個常見錯誤：

1. 賣出邏輯補上，不再是「只買不賣」

2. 賣出後用 pop() 把該格從 holdings 移除，同一格可重複交易

3. 用 np.searchsorted 正確定位價格落在哪一格，並處理「價格跑出區間」的情況

Python 網格交易回測教學：用歷史數據驗證策略

紙上談兵沒有用，任何策略上線前一定要回測。以下為假設範例，用來示範回測程式怎麼寫，數字純屬示意，不是真實績效。

回測程式範例

import numpy as np
import pandas as pd
def backtest_grid(prices: pd.Series, low, high, grid_num,
order_size, fee_rate=0.001):
"""對一串收盤價跑網格策略，回傳權益曲線與交易紀錄。"""
grids = np.linspace(low, high, grid_num + 1)
holdings = {}
cash = 0.0
trades = []
equity_curve = []
for ts, price in prices.items():
if low <= price < high:
idx = int(np.searchsorted(grids, price, side="right") – 1)
if idx not in holdings:
cost = price  order_size  (1 + fee_rate)
cash -= cost
holdings[idx] = price
trades.append((ts, "buy", idx, price))
prev = idx – 1
if prev in holdings and price > holdings[prev]:
buy_price = holdings.pop(prev)
proceeds = price  order_size  (1 – fee_rate)
cash += proceeds
trades.append((ts, "sell", prev, price))
# 以市價估算浮動權益
floating = sum(order_size * price for _ in holdings)
equity_curve.append(cash + floating)
return pd.Series(equity_curve, index=prices.index), trades
假設範例：自行載入你的 OHLC 資料
df = pd.read_csv("ETHUSDT_4h.csv", parse_dates=["time"], index_col="time")
equity, trades = backtest_grid(df["close"], 1600, 2400, 20, 0.5)

回測時一定要記錄的三件事

1. 每筆交易的進出場價格與時間（方便事後檢視邏輯是否正確）

2. 未實現損益（當最後價格落在區間外，帳面浮虧要算清楚）

3. 最大回撤區間，這會直接影響你敢不敢用真錢下去跑

回測指標對照表（假設範例）

下表數字僅為格式示意，不是任何真實回測結果。實際數字請用你手上的資料自行跑出來：

重要提醒：手續費與滑點會大幅侵蝕網格獲利。若單格價差只有 0.3%，來回手續費 0.2% 就吃掉三分之二利潤。回測時務必把 fee_rate 設為交易所真實費率（幣安現貨約 0.1%，可用平台幣折抵）。

在做回測前，建議先用 TradingView 把目標標的的歷史 K 線圖抓出來肉眼看一次，確認過去一年是不是「箱型整理」格局，而不是單邊趨勢——網格策略只在震盪盤有發揮空間。

網格交易參數設定技巧：網格數、價格區間、單筆金額怎麼抓？

這是被問最多次的問題：「網格到底要切幾格？區間怎麼抓？」以下是常見的經驗法則：

1. 價格區間設定

建議抓過去 3～6 個月的歷史高低點，並往外各留 5～10% 緩衝空間。假設範例：某幣種近半年在 100～150 之間震盪，可設區間為 90～165，避免價格稍微突破就跌出網格外。

2. 網格數量

格數越多，單筆獲利越小但交易頻率越高；格數越少則相反。以下為假設情境，非真實實測：

• 10 格：單格價差較大，但成交次數少
• 30 格：單格價差小，成交次數多，但手續費成本明顯墊高

由於手續費是「按次」累積，格數越密、交易越頻繁，成本侵蝕越重。一般建議讓單格價差至少是來回手續費的 3 倍以上，再來決定格數。

3. 單筆下單金額

常見錯誤是「平均分配」（總資金 ÷ 格數）。另一種做法是「金字塔式加碼」——越接近區間下緣，單筆買進金額越大。這能提高資金效率，但同時也放大下檔風險，請務必先回測驗證，不要憑感覺套用。

網格交易 API 自動下單：串接交易所打造 24 小時機器人

寫好策略邏輯只是第一步，真正要「全自動」還是得串接交易所 API。ccxt 是 Python 常用套件，支援幣安、OKX、Bybit 等主流交易所，語法統一。

基本流程：

1. 申請 API Key（只開「讀取」與「交易」權限，絕對不要開「提領」）

2. 用 ccxt.binance() 建立連線物件

3. 寫一個迴圈，每隔固定秒數抓一次即時價格

4. 比對價格落在哪個網格區間，觸發買賣單

以下範例把例外處理與速率限制一併補上，並重用前面定義的 GridBot：

import ccxt
import time
import logging
logging.basicConfig(level=logging.INFO)
log = logging.getLogger(__name__)
exchange = ccxt.binance({
"apiKey": "YOUR_KEY",       # 建議改用 os.environ 讀取
"secret": "YOUR_SECRET",
"enableRateLimit": True,    # ccxt 內建速率限制，務必開啟
})
bot = GridBot(low=55000, high=65000, grid_num=10, order_size=0.001)
while True:
try:
ticker = exchange.fetch_ticker("BTC/USDT")
price = ticker["last"]
bot.on_price(price)
except ccxt.NetworkError as e:
log.warning("網路錯誤，稍後重試：%s", e)
except ccxt.ExchangeError as e:
log.error("交易所錯誤：%s", e)
except Exception as e:
log.exception("未預期錯誤：%s", e)
time.sleep(10)

注意：enableRateLimit=True 會讓 ccxt 自動遵守交易所的請求頻率限制，避免被鎖 IP。上面範例只示範讀價與觸發邏輯，實際下單請用 exchange.create_order()，並先用測試網（testnet）驗證。

部署建議放到雲端主機（AWS EC2、GCP 或 VPS 最小規格即可），才能真正 24 小時不間斷運行。

避雷防坑指南：網格交易最常見的 3 個坑

雷區一：區間設定太窄，遇到單邊行情直接失效

常見錯誤是把區間設得只涵蓋過去一個月的高低點。一旦遇到利多消息價格噴出區間外，網格策略完全失效，資金全部卡在低點。

防範建議：區間至少抓半年以上的歷史波動範圍，並準備「趨勢判斷機制」——若價格連續突破區間上緣或下緣超過數日，考慮暫停策略或手動介入。

雷區二：忽略手續費侵蝕

常見錯誤是回測時沒扣手續費，導致回測報酬率看起來很美，實盤卻大打折扣。若格數太密、單格價差只有 0.3%，扣掉來回 0.2% 手續費後利潤幾乎被吃光。

防範建議：回測務必計入 fee_rate 與滑點，單格價差建議至少是手續費成本的 3 倍以上。

雷區三：API 權限設定錯誤，資產安全出問題

常見錯誤是申請 API Key 時圖方便勾選「提領」權限，一旦 Key 外洩，資產可能被轉走。

防範建議：

• API 權限只開「讀取」與「交易」，絕不開「提領」
• 定期更換 Key
• 金鑰用環境變數存放，不要寫死在程式碼中上傳 GitHub
• 綁定 IP 白名單

網格交易 vs 定期定額：哪種策略更適合你？

兩種策略並不互斥。常見的做法是「雙軌並行」：核心持倉用定期定額累積，另外撥一部分資金跑網格策略賺短期價差。配置比例請依個人風險承受度決定，切勿以本文數字作為配置依據。

常見問題 FAQ

Q1：網格交易策略需要多少啟動資金才划算？

以幣圈標的來說，建議至少準備等值新台幣數萬元起跳。若格數設在 15～20 格，每格分配的資金才不會因為交易所最低下單量限制而卡關。資金太少，格數勢必得減少，獲利空間也會被壓縮。

Q2：網格交易策略適合股票市場嗎？

理論上可行，但台股與美股都有交易時間限制（不像加密貨幣 24 小時交易），加上手續費結構不同（台股手續費 0.1425%、證交稅 0.3%），需要重新調整格數與單格價差設定。股票波動率通常低於加密貨幣，扣掉手續費後利潤空間可能有限，建議先回測驗證。

Q3：Python 寫網格機器人一定要會很深的程式基礎嗎？

不用。基本 Python 語法（迴圈、條件判斷、函式、類別）加上會用 ccxt 這類現成套件就足夠上手。重點是理解「狀態管理」與「例外處理」，而不是演算法有多難。

結論：網格交易策略 Python 實作，重點在紀律與風控

網格交易策略用 Python 實作，最大的價值在於「把情緒排除在交易之外」，讓程式按照你設定好的邏輯機械化執行。但這篇文章反覆強調的重點是：區間設定要保守、手續費一定要算進成本、API 權限務必謹慎、所有績效數字都要自己回測驗證。策略再漂亮，沒有做好風險管理都是白搭。

如果你想開始動手實作，建議先花時間在 TradingView 上把目標標的的歷史走勢圖研究透徹，確認震盪區間再回頭寫程式碼，會比憑感覺亂設參數有效率得多。動手做 → 回測 → 小資金實盤驗證，這三步驟走完，你就能真正判斷這套策略適不適合放進你的投資組合。

再次提醒：本文所有數字若標示為「假設範例」皆為示意，非真實績效。交易有風險，請自行評估並自負盈虧。