網格交易的公開資訊有一個結構性問題：絕大多數內容由交易所、bot 平台或聯盟行銷產出，而這些來源的商業利益是讓你開更多、更細的網格。 本篇把整個專欄的每一個主張標上證據等級，方便讀者判斷哪些可以直接採信、哪些必須自己驗證。
A 級：數學恆等式與機制必然
在給定定義下必然成立，不需要任何市場假設。
| 主張 | 出處 |
|---|---|
等差間距 d = (U − L) / n | 定義；Binance／OKX 官方說明一致 |
等比比率 r = (U / L)^(1/n) | 同上 |
單格淨利潤 = P·[(r − 1) − f·(1 + r)] | 代數推導 |
手續費佔毛利 = 2f / s | 由上式化簡 |
s > 2f 是網格能否獲利的門檻 | 同上 |
等差模式下單格報酬 = d/P，隨價格上升遞減 | 定義 |
從區間上緣買到下緣的浮虧率 ≈ (U − L) / (U + L) | 均價的代數 |
| 網格持倉是價格的減函數 → 負 gamma | dPosition/dP = −Q/d < 0 |
| 現貨網格無強制平倉；合約網格有 | 產品定義；Binance 官方說明 |
| 中性網格在兩個方向的單邊行情都虧 | 掛單邏輯的直接推論 |
| 網格利潤欄位永遠 ≥ 0；總收益 = 網格利潤 + 浮動盈虧 | 定義 |
平台的參數上限與費率（Binance 現貨 170 格／50 bot、合約 2–1000 格／99 策略；OKX 500 格；Pionex 0.05% 統一費率；資金費率基準 0.01%/8h）在官方頁面可查證，但會變動——本專欄的數字是 2026 年 8 月的快照。
B 級：模型推論
在明確的模型假設下成立，假設不成立時失效。這一級的所有偏誤方向都一致：低估風險、高估收益。
| 主張 | 假設 | 假設失效時 |
|---|---|---|
期望來回次數 ≈ σ²T / s² | 幾何布朗運動、連續交易、恆定 σ | 跳空讓實際次數偏低；波動率聚集讓 σ 不恆定 |
毛收益 ≈ C·σ²T / R | 同上 | 同上，實際收益偏低 |
| 收益與格數無關 | 同上（在所有尺度上都是擴散過程） | 極細網格會撞到微觀結構與點差，實際收益偏低 |
突破機率 ≈ 2Φ(−x/(σ√T)) | 無漂移常態分布 | 加密幣厚尾 → 實際突破機率更高 |
槓桿上限 ≈ (U + L)/(U − L) | 恆定維持保證金率、忽略累積資金費率 | 階梯 MMR 與費率累積讓實際上限更低 |
逐倉多單爆倉價 ≈ P·(1 − 1/L + MMR) | 單一部位、恆定 MMR | 網格的均價移動使其只是瞬時值 |
使用原則：把 B 級的輸出當成樂觀上界，不是估計值。 專欄裡的 C·σ²T/R 公式已用具體路徑驗算過（20 格來回的路徑法給 2.02%，公式給 2.00%），這驗證的是代數一致性，不是模型對真實市場的準確度。
C 級：實務共識
廣泛採用、機制上合理，但門檻值是慣例而非最佳化結果，且缺乏對照研究。
- 「網格適合震盪、不適合趨勢」——機制上正確（A 級），但**「什麼是震盪」的事前判斷沒有可靠方法**（見下方待解問題）。
- ATR% ≥ 1.5–2% 的篩選門檻：合理的量級，但具體數字是慣例。
- ADX < 25 代表無趨勢：ADX 的 25 門檻是 Wilder 原始設定的沿用，不是針對網格最佳化的。
- 震盪比（1/ER）> 5 適合網格：本專欄提出的操作化指標，機制上直接對應收益來源，但門檻值是判斷。
s ≥ 10f（手續費佔比 ≤ 20%）：由「手續費佔比 ≤ 20%」反推的工程慣例。20% 這個數字本身是一個選擇，不是推導結果。- 槓桿 ≤ 3x、安全係數 2：合理的保守設定，但門檻是主觀的。
- 單一策略最大虧損 ≤ 組合的 2–5%：通用的部位規模慣例，不是網格特有的研究結果。
- maker 比例 80–95%：實務觀察的量級，各平台與行情差異大。
- 「網格 = 賣波動率」的類比：損益形狀的類比成立（凹形、負偏態、高勝率），但不是嚴格的期權等價——嚴格等價需要連續再平衡與特定的部位規模函數。本專欄用它建立直覺，不用它做定價。
D 級：平台宣傳與無法驗證
| 主張 | 問題 |
|---|---|
| 平台顯示的「年化收益率」 | 線性外推 + 排除浮虧 + 樣本期過短；計算方法未完整公開 |
| 「AI 參數推薦」 | 各平台方法未公開。OKX 明示為近一週回測（可判斷），Pionex 與 3Commas 只說「依歷史分析」（無法判斷） |
| 跟單排行榜的高收益 bot | 通常是未平倉、浮虧未實現的狀態；且有選擇性呈現 |
| 網路上的「網格賺 X%」實績截圖 | 選擇性呈現；幾乎都是浮動數字；無法驗證期間與參數 |
| 「約 XX% 的網格使用者長期獲利」這類統計 | 來源多為平台或行銷內容，樣本、期間、獲利定義皆不明。本專欄不採用任何這類數字。 |
| 「網格是低風險／穩定收益」 | 與 A 級的負 gamma 結論直接矛盾 |
判斷來源的一個簡單方法：問這個內容的作者，在你開更多格、更頻繁成交時會不會賺更多錢。 交易所、bot 平台與聯盟行銷者的答案都是「會」。
🔍 待解問題
事前的行情制度判別（regime detection）是網格的核心未解問題。 所有可用的指標（ADX、ATR、效率係數、均線、帶寬）都是後視的——它們描述過去 N 天，不預測未來 N 天。有沒有對網格特別有效的前瞻指標，公開研究非常少。這是本專欄唯一一個必須誠實說「沒有好方法」的地方，而它恰好是決定網格成敗的那個變數。
網格與賣期權的期望值結構比較。 選擇權市場有完整的波動率風險溢酬研究（隱含波動率長期高於實現波動率，即賣方有正 carry）。但網格沒有「賣出溢酬」這個收入項——它只賺實現波動，不收權利金。這是否代表網格的期望值結構性劣於賣期權？機制上似乎是，但沒看到嚴謹的量化分析。
多網格的尾部相關性。 同時開 N 個不同幣的網格，崩盤時相關性趨近 1 是共識，但沒有量化——具體是 0.8 還是 0.98，對部位規模的建議差很多。
網格 vs DCA vs 買入持有的長期實證對照。 缺乏獨立的、含手續費與資金費率、含尾部事件、跨多個市場週期的公開研究。現有的比較幾乎全部來自有利益關係的來源。
資金費率的可預測性。 若能預測費率方向，做多／做空／中性網格的選擇就有明確依據。這在學術上有一些研究（如永續合約定價與基差的關係），但轉化成可操作的網格方向決策，公開資料不足。
平台撮合的細節差異。 價格快速穿越時是否會跳過格子、部分成交如何處理、trailing 調整用限價還是市價——各家不同且未公開。這直接影響實際收益與理論值的差距，卻幾乎無法從外部驗證。
最小下單額與市場深度對小資金網格的實際侵蝕。 幾百美元的網格在小市值幣上的實際成交品質，沒有公開的量測。
🔗 延伸資源
平台官方文件（參數與費率的第一手來源，變動頻繁）
- Binance — What Is Futures Grid Trading?：等差／等比公式、三種方向、格數上限、停止觸發器
- Binance — Demystifying the Futures Grid Bot
- OKX — Spot Grid、Futures Grid：Trailing Grid、AI 參數的七日回測窗口、止損行為
- OKX — Introduction to Trading bot Mode
費率與資金費率
- Binance Maker Taker Fee 2026：現貨 0.1%／合約 0.02%–0.05%／BNB 折抵
- Funding Rates Explained: Perpetual Futures Costs & Strategy (2026)：資金費率機制與成本結構
- Funding Rate Mechanism in Perpetual Futures (SSRN)：學術層面的機制分析
回測方法論
- Stress-Test Your Algorithmic Trading Strategy: Guide to Avoiding Overfitting (LuxAlgo)：±20% 參數掃描、Sharpe 維持基準 70% 的穩健性判準
- The critical pitfalls of backtesting trading strategies (Starqube)
- Correctness of Backtest Engines (arXiv:1509.08248)：回測引擎本身的正確性問題
波動率與 gamma 的理論背景
- Gamma Scalping: Capturing Realized Volatility (The Option Stack, 2026)：
½Γ(dS)²的損益累積機制，本專欄σ²T/s²推導的理論來源 - Mastering Short Gamma Trading (MenthorQ)：負 gamma 部位的風險結構
平台比較（商業內容，交叉參考用）
與其他專欄的連結
- 因子投資（Factor Investing）研究 — 同一套期望值／變異數語言。因子的回測陷阱 與網格的過擬合問題結構完全相同；carry 與低波動因子共享網格的凹形損益。
- 德州撲克研習 — 機率思維的另一個應用場。資金管理與變異數 處理的是同一個 Kelly 問題；tilt 管理 與網格浮虧時的心理是同構的。
- Engineering AI Coding Methodology — 「AI 幫你量測、不能幫你決策」的分工，與 AI 參數推薦的正確用法是同一個命題。
- 區塊鏈 — 永續合約、資金費率、交易所機制的底層背景。