AI 寫策略實測：ChatGPT o1 趨勢跟蹤策略由偽代碼到 Jesse 回測 432%｜Quant Strategies Ep 3 筆記

2026年7月7日 · 來源頻道：Algo-trading with Saleh · #量化交易 #Python #回測

第 3 課・共 18 課

用 大型語言模型 LLM 寫交易策略，大概是近年量化圈最熱門的實驗方向。Algo-trading with Saleh 的 Saleh 在這條片中，用 OpenAI 當時新推出的 o1-preview 模型（2024 年 9 月發布、標榜博士級推理能力）設計一套 BTC-USDT 趨勢跟蹤策略，再在 Jesse 框架上回測。標題的「432%」是他特定設定下（幣安永續合約、4 小時圖、2022 年初至 2024 年 7 月、倉位乘三倍後）的回測教學案例數字，並非實盤成績。

學習重點

• 提示工程心得：直接叫 AI「寫個趨勢策略」幾乎必然得到廢物；要列明進出場訊號、基線指標、確認指標、橫行市過濾、倉位與止蝕止盈的計算方式，才有可用輸出。
• 兩步工作流：先叫 o1 寫偽代碼 Pseudocode 規格，再交給他預先訓練的自訂 GPT 轉成 Jesse 語法——因為通用模型不熟悉小眾框架的 API。
• AI 生成碼絕對不能直接用：本片示範五個連環錯誤（策略命名、缺 @property、交易所名寫死、MACD 屬性名、漏寫淡倉函數），全部要人工逐個修正。
• 四步人工調校：交易時間框架由 1 小時改 4 小時、大趨勢框架改 6 小時、ADX 閾值由 25 收緊至 40、倉位乘三倍——成績由虧損逐步推至 +432%（最大回撤 -31%）。
• 432% 的構成：4 小時版未過濾前約 +60%，收緊 ADX 後 +87%，最後靠三倍倉位加全倉複利放大——槓桿與複利效應佔了增幅的大頭。

詳細筆記

為何先要偽代碼，而非直接要 Python

Saleh 頻道本身有提供一個自訂 GPT（在 GPT Store 搜「Jesse」可找到），專門把交易想法轉成 Jesse 框架接受的語法；但當時自訂 GPT 尚未支援 o1-preview 模型，他想試的正是 o1 的推理能力，於是改為兩步走：先在普通對話叫 o1 寫偽代碼，再把偽代碼貼給自訂 GPT 轉碼。

他坦白說，第一版的簡單提示——「幫我寫一個趨勢跟蹤演算法策略的偽代碼」——試過無數次，輸出幾乎全部不堪用。直到他把要求逐項列明，質素才達到可用水平。這段提示工程的要求值得逐條記下：

• 列明進場訊號、出場訊號、所用技術指標；
• 指定一個基線指標（baseline），並定義兩重趨勢屬性：交易時間框架的趨勢，以及大時間框架的「大趨勢」；
• 不接受「價格高於移動平均線」這種單線說法——若用均線，必須用多條均線互相比較；
• 至少用一個指標過濾橫行市（他稱之為趨勢策略最大的敵人）；
• 每次開倉用盡全部本金（方便之後自行調整倉位比例，因為 AI 在倉位管理上幫不了忙）;
• 止蝕止盈必須用指標動態計算，禁用固定百分比——他明言「極度討厭」固定百分比止蝕；
• 最後交代交易標的（BTC-USDT），要求建議時間框架。

截圖出自原片（Algo-trading with Saleh）：Saleh 給 o1-preview 的完整提示，把策略規格拆成進場、出場、指標、橫行過濾、倉位、止蝕止盈與時間框架等項目。

o1 開出的策略規格

o1 交回的偽代碼規格如下。進場（好倉）要同時滿足五重條件：

1. 大趨勢確認：4 小時圖上 50 期均線高於 200 期均線（牛市格局）；
2. 趨勢屬性：1 小時圖上 20 期均線高於 50 期均線（短期升勢）；
3. 觸發訊號：1 小時圖 MA20 升穿 MA50，形成均線交叉；
4. 動能確認：MACD 柱狀圖升越零軸；
5. 橫行過濾：ADX 高於 25，代表趨勢強度足夠。

出場條件則是：MA20 跌穿 MA50、MACD 柱狀圖跌穿零軸，或觸及止蝕止盈。止蝕止盈用 ATR 動態計算，符合提示要求。時間框架方面，o1 建議 1 小時圖執行進出場、4 小時圖判斷大趨勢——屬典型的多重時間框架 Multi-Timeframe 結構。

截圖出自原片（Algo-trading with Saleh）：o1-preview 生成的策略細節，包括大趨勢確認、均線交叉觸發、MACD 柱狀圖確認與 ADX 橫行過濾。

除錯實錄：AI 生成碼的五個連環錯誤

自訂 GPT 把偽代碼轉成 Jesse 的 Python 策略類別後，Saleh 貼上平台回測（BTC-USDT、1 小時圖、2022 年初至 2024 年 7 月），隨即開始一輪頗有教學價值的除錯。

錯誤一：策略名與類別名不一致。 Jesse 報錯提示策略結構不正確。原因是他建立策略時手動加了「AI」字樣，類別名卻沿用舊名。這是 Jesse 新手最常見的錯誤，他特意讓觀眾看清楚報錯畫面。

錯誤二：缺 @property 裝飾器。 平台報「function object has no attribute shape」。檢查後發現轉碼結果把指標定義成普通函數，卻在其他地方當屬性使用。PyCharm 其實早已顯示警告——他的心得是：AI 生成碼貼進編輯器後，先掃一遍 IDE 警告再執行，能省掉大半除錯時間。

錯誤三：交易所名寫死。 代碼把交易所寫成 Binance，但 Jesse 上的正確名稱是 Binance Perpetual Futures，策略於是卡在循環。他把寫死的字串全部改為動態引用（摘錄自原片教學）：

@property
def candles_4h(self):
    # 用 self.exchange／self.symbol，避免寫死交易所與標的名稱
    return self.get_candles(self.exchange, self.symbol, '4h')

@property
def candles_1h(self):
    return self.get_candles(self.exchange, self.symbol, self.timeframe)

錯誤四：MACD 屬性名不符。 報錯「MACD object has no attribute histo」——Jesse 的 MACD 物件用 .hist 而非 .histo。這正是通用 LLM 對小眾框架 API「似懂非懂」的典型症狀：概念全對，細節全錯。

錯誤五：漏寫淡倉函數。 修正後終於跑出結果，成績不佳之餘，報表顯示好倉佔 100%、淡倉 0%——原來轉碼時根本沒生成 should_short 與 go_short，策略在 2022 年熊市段完全袖手旁觀。他用編輯器的 Copilot 按好倉條件的鏡像補上淡倉邏輯，交易次數由三百多宗暴增至 1,600 宗。修正後的好倉入場邏輯（摘錄自原片教學）：

def should_long(self) -> bool:
    # 大趨勢條件：牛市
    if self.ma50_big > self.ma200_big and self.ma20 > self.ma50:
        # 進場訊號：MA20 在 MA50 之上、MACD 柱狀圖 > 0、ADX > 25
        if self.ma20 > self.ma50 and self.macd.hist > 0 and self.adx > 25:
            return True
    return False

截圖出自原片（Algo-trading with Saleh）：Jesse 策略的 should_long 函數——先驗大時間框架均線排列，再驗交易框架的均線、MACD 柱狀圖與 ADX 閾值。

由虧損到獲利：講者的四步人工調校

補上淡倉後成績依然平庸。Saleh 明言，接下來要「用自己的知識」改代碼——這一步正好示範了人機分工：AI 負責草稿，優化靠人的經驗。

第一步：換時間框架。 他的經驗是 4 小時圖對趨勢跟蹤策略明顯較好，於是把交易框架由 1 小時改為 4 小時，大趨勢框架由 4 小時改為 6 小時，程式內改以 self.candles 取當前交易框架 K 線。重跑後即時轉虧為盈：淨盈利 +60%、最大回撤 -28%、勝率 52%。他逐段對照淨值曲線與價格：跌市段淨值上升（淡倉生效）、升市段獲利可觀，唯橫行段表現差——趨勢策略的典型弱點。

第二步：收緊橫行過濾。 翻查源碼，策略本來已用 ADX 過濾橫行市，但閾值只有 25，他認為偏低，一舉收緊到 40。重跑後淨盈利 +87%、最大回撤大幅收窄至 -10%，成績相當漂亮。

第三步：放大倉位。 回撤只有 -10%，遠低於他可接受的 -20% 至 -30% 上限，意味有空間加槓桿。開倉函數原本用 utils.size_to_qty(self.balance, entry_price) 以全部本金計算數量，他直接把數量乘三（淡倉同樣處理）。

第四步：調高槓桿上限。 第一次重跑報保證金不足——因為交易所設定頁的槓桿仍是 2 倍。他把槓桿上限調至 4 倍（實際只用 3 倍本金，預留空間應付手續費），順利執行。

432% 的最終構成

最終回測結果：淨盈利 +432.51%（本金 10,000 美元變 53,250 美元）、最大回撤 -31%、已平倉交易 180 宗、回測期 912 日（2022 年 1 月 1 日至 2024 年 7 月 1 日）、手續費設定 0.02%。值得留意交易次數的變化：1 小時版高達 1,600 宗，轉 4 小時圖並收緊 ADX 後只剩 180 宗——過濾器砍掉近九成交易，正是回撤大降的主因。Saleh 表示成績可以接受，會繼續優化出付費版放上其策略庫，免費版亦會公開；相關推廣內容本筆記不轉載。

截圖出自原片（Algo-trading with Saleh）：最終版淨值曲線（紫）對照 BTC-USDT（黃），回測期 912 日、180 宗交易，Total Net Profit 432.51%。

MT5 可行性速評

int ma50_h6  = iMA(_Symbol, PERIOD_H6, 50, 0, MODE_SMA, PRICE_CLOSE);
int ma200_h6 = iMA(_Symbol, PERIOD_H6, 200, 0, MODE_SMA, PRICE_CLOSE);
int macd_h   = iMACD(_Symbol, PERIOD_H4, 12, 26, 9, PRICE_CLOSE);
int adx_h    = iADX(_Symbol, PERIOD_H4, 14);
// hist = MACD 主線 - 訊號線；好倉：MA50(H6)>MA200(H6) && MA20>MA50 && hist>0 && ADX>40
// 倉位：按 AccountInfoDouble(ACCOUNT_BALANCE) × 倍數 ÷ 合約價值反推手數

注意：即使移植成功，MT5 策略測試器跑出的回測同樣會過度擬合——4 小時框架、6 小時大趨勢、ADX 40、三倍倉位全是看著結果調出來的參數，換平台不解決方法論問題。

欣利克的看法

• 防坑檢查一：432% 的構成要拆三層看。第一層是訊號本身：轉用 4 小時圖後未收緊過濾前，淨盈利約 +60%（兩年半）；第二層是 ADX 收緊至 40，升至 +87%、回撤 -10%；第三層是倉位乘三——由於策略每次用全部本金複利滾存，注碼放大三倍的效應會幾何級數疊加，才把 +87% 推成 +432%。槓桿與複利貢獻了增幅的大頭，並非訊號突然變強。
• 防坑檢查二：每一步調校都是看著答案改卷。轉 4 小時圖、改用 6 小時大趨勢、ADX 由 25 調到 40，全部是見到回測結果後才做的決定，屬典型樣本內優化。影片沒有任何樣本外測試 Out-of-Sample 驗證，這套參數組合在 2024 年 7 月之後的表現完全未知。
• 防坑檢查三：成本敏感度與交易次數掛鈎。1 小時版交易 1,600 宗，在 0.02% 費率下成績已經平庸；真實交易還要計滑點與永續合約的資金費率。最終版靠過濾器把交易壓至 180 宗才減輕成本拖累——評估任何高頻次策略時，先問「扣完成本還剩多少」。
• AI 寫碼的正確定位是草稿員，不是工程師。o1 給的策略骨架（基線＋確認＋橫行過濾＋指標化止蝕）結構合理，但五個錯誤全是框架細節：屬性名、裝飾器、交易所命名、漏寫函數。截至 2026 年中，LLM 對小眾框架的 API 細節仍不可靠，「生成後必須逐行驗證」這條原則沒有過時。
• 時效提醒：回測期為 2022 年初至 2024 年 7 月，涵蓋一輪加密貨幣深熊與復甦。截至 2026 年中，市場結構、費率與模型能力均已改變，片中任何數字都不代表當前條件。本文僅為學習記錄，不構成任何買賣建議。

名詞解釋

• 指數平滑異同移動平均線 MACD：由快慢 EMA 之差及其訊號線構成；本片用其柱狀圖穿越零軸作動能確認。
• 平均趨向指數 ADX：量度趨勢強度而不分方向；本片把閾值由 25 收緊至 40，是壓低回撤的關鍵一步。
• 平均真實波幅 ATR：量度每根 K 線平均波動範圍；本片按提示要求用它動態計算止蝕止盈，取代固定百分比。
• 簡單移動平均線 SMA：固定窗口收市價平均；本片以 20／50 期（交易框架）與 50／200 期（大框架）的排列與交叉構成進場條件。
• 多重時間框架分析 Multi-Timeframe：用大框架定方向、小框架找入場點的分析結構；本片為 6 小時定大趨勢、4 小時執行。
• 大型語言模型 LLM：以大量文本訓練的生成式模型；本片實測用 o1-preview 寫策略規格，再轉成 Python。
• 提示詞 Prompt：給語言模型的輸入指令；本片證明規格列得越細，輸出越可用。
• 永續合約 Perpetual Futures：無到期日的加密貨幣衍生合約；本片回測標的為 BTC-USDT 永續合約。
• 槓桿 Leverage：以保證金撬動更大持倉；本片最終把上限設為 4 倍、實際用 3 倍本金。
• 倉位規模 Position Sizing：決定每宗交易注碼的方法；本片用全部本金複利滾存再乘三倍。
• 最大回撤 Drawdown：淨值由高位回落的最大幅度；本片由 -28% 逐步調至 -10%，加槓桿後回升至 -31%。
• 勝率 Win Rate：盈利交易佔總交易的比例；4 小時版為 52%，在趨勢策略中屬偏高水平。
• 回測 Backtesting：用歷史數據模擬策略表現的方法；本片全部成績均為回測結果。
• 過度擬合 Overfitting：策略過度遷就回測數據的噪音；432% 經多輪看結果調參得出，屬高風險案例。

常見問題 FAQ

為甚麼不直接叫 AI 寫 Python，而要先寫偽代碼？

兩個原因。第一，通用語言模型對 Jesse 這類小眾框架的語法不熟，直接生成的代碼錯漏極多；Saleh 的做法是讓 o1 專注做它擅長的事——推理策略邏輯、產出與框架無關的偽代碼——再交給他預先訓練、熟悉 Jesse 語法的自訂 GPT 負責轉碼。第二，偽代碼階段方便人類審核：進出場條件、過濾器、止蝕邏輯白紙黑字列出，發現不合理之處可以即時改提示重寫，比在一堆 Python 代碼裏找邏輯錯誤省力得多。

432% 的回測回報可以當真嗎？

數字屬回測教學案例，構成要拆開看：轉用 4 小時圖後訊號本身賺約 +60%，收緊 ADX 過濾後 +87%，再經三倍倉位加全倉複利放大才達 +432.51%（最大回撤 -31%、180 宗交易、2022 年初至 2024 年 7 月）。所有關鍵參數——時間框架、ADX 40、倉位倍數——都是看著回測結果逐步調校，影片亦無樣本外驗證，未來能否重現並無保證。把優化後的讀數當策略實力，是觀看這類影片時最需要警惕的地方。

ADX 閾值由 25 改到 40，作用為何這樣大？

ADX 量度趨勢強度：25 是常見的「有趨勢」下限，但 4 小時圖上大量勉強達標的時段其實仍是橫行反覆，趨勢策略在這些時段會被假訊號反覆止蝕。收緊到 40 後，只有真正強勁的單邊市才准開倉，交易次數由 1 小時版的 1,600 宗銳減至 180 宗，被砍掉的近九成交易大多是橫行市的虧損單，最大回撤於是由 -28% 壓到 -10%。代價是錯過部分較弱的趨勢，以及多了一個可被過度優化的參數。

AI 生成的交易程式碼可以直接拿去回測嗎？

不能，本片的五個連環錯誤就是示範：策略命名不一致、漏寫 @property 裝飾器、交易所名稱寫死、MACD 屬性名與框架不符（.histo 對 .hist）、甚至完全漏寫淡倉函數導致策略只做好倉。概念層面 AI 給的架構合理，但框架 API 的細節幾乎必有錯漏。務實流程是：貼入編輯器先看 IDE 警告、逐個錯誤修正、跑通後再核對交易方向與次數是否合理，最後才談得上評估成績。

原影片

本文整理自以下影片，版權屬原創作者所有，建議配合原片觀看：

來源：https://www.youtube.com/watch?v=fxOS0rmxyBc