Alligator 鱷魚指標日內策略：ChatGPT o1 出題、五重過濾疊加，回測 1,721% 拆解｜Quant Strategies Ep 6 筆記

2026年7月10日 · 來源頻道：Algo-trading with Saleh · #Alligator #量化交易 #Python #回測

第 6 課・共 18 課

Algo-trading with Saleh 的 Saleh 這次以 Bill Williams 的鱷魚指標 Alligator 為核心，先用 ChatGPT o1 講解策略邏輯與進出場規則，再在 Jesse 框架寫成 Python 日內策略，逐步疊加五重過濾。標題以外的亮點是 1,721% 的回測淨盈利——但正如過往各課，這是特定設定下（BTC-USDT、2022 年起、倉位乘五倍後）的教學案例數字，並非實盤成績。本文重構片中邏輯，並拆解這個數字如何構成。

學習重點

• 指標核心：Alligator 由三條平滑均線構成——顎（13 期）、齒（8 期）、唇（5 期）；唇在齒上、齒在顎上且價格企於三線之上視為升勢，反序為跌勢，三線交纏代表趨勢休止。
• 倉位與出場：市價單入場，每單風險為可用保證金的 3%，止蝕設於入場價減 2 倍 ATR，數量用 risk_to_qty 反推；低時間框架改用固定止盈，風險回報比 1:1。
• 五重過濾逐次疊加：ADX 高於 30、大時間框架鱷魚同向、大框架 100 EMA 定方向、CMO 動能閾值（30 試至 20）、Stochastic RSI 超買超賣過濾；每加一重便重跑 15m／30m／1h／4h 對照。
• 首輪回測的規律：未加過濾時，時間框架越低虧得越多——15 分鐘圖最差，最終被整個棄用。
• 1,721% 的由來：六重條件齊備後最大回撤僅約 -6% 至 -7%，講者把倉位乘五倍，回撤升至約 -30%，回測盈利同步放大——是倉位調整，不是訊號本身的邊際。

詳細筆記

Alligator：三條均線的鱷魚比喻

Saleh 開場先向 ChatGPT o1 提問：解釋 Alligator 策略如何運作、進出場規則，以及應配甚麼指標避開橫行市。鱷魚指標由三條向前偏移的平滑移動平均線構成：藍線是「顎」（Jaw），周期 13；紅線是「齒」（Teeth），周期 8；綠線是「唇」（Lips），周期 5，是三者中最快的一條。比喻很形象：鱷魚睡醒張口覓食時，最快動的是唇，其次是齒，最後是顎——三線依次散開代表趨勢啟動；當三線重新交纏，代表鱷魚吃飽閉口，趨勢結束。三線除了周期不同，還各自向前偏移（顎前移 8 期、齒前移 5 期、唇前移 3 期），目的是讓快線更早對價格作出反應。這是教科書式的趨勢跟蹤指標，天生怕橫行市，正正因為如此，全片的主線其實不是 Alligator 本身，而是「用甚麼濾網把橫行段擋掉」——講者開場給 ChatGPT 的提問已寫明：請順帶建議可搭配使用的指標，特別是用來避開橫行市（ranging market）的。

截圖出自原片（Algo-trading with Saleh）：BTC-USDT 1 小時圖上的 Alligator——三線由糾纏轉為依次散開（唇、齒、顎），即「鱷魚張口」的趨勢啟動段。

基本進出場規則與倉位

進場條件（好倉）：唇值大於齒、齒大於顎，且當前價格企於三線之上；淡倉完全鏡像。在 Jesse 裏，Saleh 用 ta.alligator 取指標（參數全用預設），再寫一個 trend 屬性把三線排序與價格位置壓縮成 1、-1、0 三態（摘錄自原片教學）：

@property
def trend(self):
    a = self.alligator
    if a.lips > a.teeth > a.jaw and self.price > a.lips:
        return 1
    if a.lips < a.teeth < a.jaw and self.price < a.lips:
        return -1
    return 0

開倉用市價單，止蝕設於入場價減 2 倍 ATR，每單風險 3%，數量用 Jesse 的 risk_to_qty 以可用保證金、入場價、止蝕價與當前費率反推（摘錄自原片教學）：

def go_long(self):
    entry = self.price                       # 市價單入場
    stop = entry - ta.atr(self.candles) * 2  # 2 倍 ATR 止蝕
    qty = utils.risk_to_qty(self.available_margin, 3,
                            entry, stop, fee_rate=self.fee_rate)
    self.buy = qty, entry

出場方面，他先試 ChatGPT 的建議：唇線反向穿越齒線便平倉——在 update_position 裏判斷「持好倉而 trend 不再是 1」即平倉，淡倉鏡像。這個動態出場在後來的低時間框架版本中被固定止盈取代。另外，Jesse 策略模板要求填寫 should_cancel_entry，但因為用市價單開倉、不存在掛單等待成交的情況，講者明言此欄填甚麼都不影響結果。

首輪回測：時間框架越低虧得越多

回測在 Jesse 進行，標的 BTC-USDT，由 2022 年初跑至影片拍攝前數日（數據截至 2024 年底），同時開 15 分鐘、30 分鐘、1 小時、4 小時四個時間框架，用 benchmark 頁並排對照。結果呈現清晰的規律：時間框架越低，虧得越多——15 分鐘圖最差，30 分鐘稍好，1 小時與 4 小時再穩定一些。講者的結論很直接——需要過濾器。這與第 7 課 KAMA 剝頭皮的首輪結果同出一轍：趨勢指標在低框架被橫行噪音反覆觸發，交易成本把微薄邊際磨光。值得留意他的驗證習慣：同一策略同時跑四個框架並排比較，為方便對照還特意在 benchmark 頁隱藏日期、策略名等欄位，只留下交易宗數、淨盈利、最大回撤與夏普比率等核心指標，而不是挑一個順眼的框架交差。

過濾一與二：ADX 與大時間框架鱷魚

第一重是 ChatGPT 建議的平均趨向指數 ADX：ADX 高於 30 才准開倉，好淡倉同用。重跑後四個框架全部改善，4 小時圖表現最好。他補充自己幾乎試遍了 ChatGPT 建議的所有濾網，但片中只展示實際有效的——這句話本身已是重要的選擇偏差提示。第二重是講者的慣技——大時間框架確認：用 get_candles 取 4 小時 K 線再算一次 Alligator，只有大框架鱷魚同向才開倉；若交易框架本身已是 4 小時，則動態改用 6 小時。重跑後 30 分鐘與 1 小時圖明顯轉好，4 小時圖稍遜但仍可接受，唯獨 15 分鐘圖依然很差，講者索性把它從 benchmark 剔除——既省運算時間，也等於承認這策略的訊號密度不適合那個框架。

截圖出自原片（Algo-trading with Saleh）：加入 ADX 與大框架確認後的入場規則——好倉要求 trend == 1、adx 達標且 big_trend == 1；止蝕為入場價減 2 倍 ATR。

過濾三：大框架 100 EMA 與固定止盈

針對 1 小時圖，講者用了他處理低時間框架的慣常手法：放棄動態出場，改為在 on_open_position 事件內即時掛出固定止蝕與止盈單，止蝕仍是入場價減 2 倍 ATR，止盈距離與止蝕相同，即風險回報比 1:1。之後再加第三重過濾：大時間框架的 100 指數移動平均線 EMA——價格在線上回傳 1、線下回傳 -1，方向一致才開倉。重跑後各框架夏普比率全面微升，1 小時圖的淨值曲線形態他最滿意：即使橫行段表現平平，但同期幾乎所有趨勢跟蹤策略都被輾過，橫行時不虧已是相對優勢。此時入場條件已達四重，交易宗數明顯下降，但每一單的質素提升。

過濾四與五：CMO 與 Stochastic RSI

為再進一步，講者改用他自行訓練、載入了 Jesse 文件與策略範例的定製版 GPT 出主意。OBV 等成交量指標、RSI、MACD 逐一試過全部無效，直到錢德動量擺動指標 CMO：數值介乎 -100 至 +100，圖表上他以零軸分升跌，再指出真正需要的是正負閾值——先試 ±30 閾值，效果參差（4 小時圖改善、1 小時圖轉差），改試 ±20 後 1 小時圖夏普比率升至 1.4、淨盈利 147%。最後一重是隨機相對強弱指數 Stochastic RSI——他明言經驗上它比傳統 Stochastic 好用，但說不出原因； Jesse 回傳的是包含 %K 與 %D 的元組（初試時因此報錯），他只取 %K 值（%D 是 %K 的均線，用不上），低於 20 才造好倉、高於 80 才造淡倉。至此最終入場規則收斂為（摘錄自原片教學）：

def should_long(self) -> bool:
    return (self.trend == 1 and self.adx   # 鱷魚同向＋ADX > 30
            and self.big_trend == 1        # 大框架鱷魚同向
            and self.long_term_ma == 1     # 企於大框架 100 EMA 上
            and self.cmo > 20              # 動能達標
            and self.srsi < 20)            # 超賣區才追勢

回測成績與 1,721% 的由來

五重過濾齊備後：30 分鐘圖夏普比率約 1.99、1 小時圖約 1.5，4 小時圖回落被棄用。關鍵一步接着出現——兩個框架最大回撤僅約 -6% 與 -7%，而講者自訂的風險上限是 -30%，於是他把倉位數量乘五倍再跑：最大回撤升至約 -29.6%（30m）與 -32.9%（1h），30 分鐘圖淨盈利達 1,721.7%、1 小時圖 734.9%（截至影片拍攝時的回測讀數）。淨值曲線上已看不見同期 BTC-USDT 的走勢，他亦把回測期由 2022 年起延長重跑確認，並特別點出：曲線在橫行段大致走平而沒有大幅回吐，同期大部分趨勢跟蹤策略都被那段市況輾過。

截圖出自原片（Algo-trading with Saleh）：1 小時圖淨值曲線（紫）對照 BTC-USDT（黃），回測由 2022 年初起，橫行段組合淨值大致橫行而標的大跌。

截圖出自原片（Algo-trading with Saleh）：倉位乘五倍後的 benchmark——30m 交易 161 宗、淨盈利 1,721.7%、夏普 1.9；1h 交易 147 宗、淨盈利 734.9%、夏普 1.5。

換言之，1,721% 的構成是「訊號邊際 × 5 倍倉位」。片末他另展示一個付費進階版（Sharpe 2.0、卡瑪比率 3.8、勝率 72%，平均持倉約 9 小時，故稱日內策略），源碼放於其網站，屬頻道推廣內容，本筆記不轉載，讀者亦應注意講者出售策略源碼的利益關係。

MT5 可行性速評

int gator  = iAlligator(_Symbol, PERIOD_CURRENT, 13,8, 8,5, 5,3, MODE_SMMA, PRICE_MEDIAN);
int gatorH = iAlligator(_Symbol, PERIOD_H4,      13,8, 8,5, 5,3, MODE_SMMA, PRICE_MEDIAN);
int adx_h  = iADX(_Symbol, PERIOD_CURRENT, 14);
double jaw[], teeth[], lips[], adx[];
CopyBuffer(gator, 0, 0, 1, jaw);    // buffer 0 = 顎
CopyBuffer(gator, 1, 0, 1, teeth);  // buffer 1 = 齒
CopyBuffer(gator, 2, 0, 1, lips);   // buffer 2 = 唇：lips>teeth>jaw 且 Close[0]>lips[0] 即升勢

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——ADX 30、CMO 20、Stochastic RSI 的 20/80、倉位乘五倍，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

• 防坑檢查一：1,721% 要除回倉位倍數。這個數字來自「倉位乘五倍」後的回測讀數；加碼前 1 小時圖淨盈利約 106% 至 147%（2022 年初起、截至影片拍攝時），這才是策略的原材料成績。乘五倍把回撤由約 -7% 同步推上約 -30%——槓桿化回測報酬與策略實力是兩回事，同一操作套在虧損策略上，虧損亦放大五倍。
• 防坑檢查二：Alligator 天生滯後。三線全是平滑均線，「張口」確認時趨勢往往已走了一段，橫行市則反覆發出假訊號——原片自己證明了這點：未加過濾時越低框架虧得越多。換言之這策略的邊際主要來自五重濾網，而非鱷魚本身；把功勞記在指標名字上是常見誤區。
• 防坑檢查三：參數與框架都是挑出來的。CMO 由 30 改 20 是因為 30 在 1 小時圖變差；15 分鐘與 4 小時圖先後被棄用；每個閾值都是跑完回測才決定。這是教科書式的過度擬合流程，片中亦無樣本外驗證，數字能否在未來重現並無證據。
• 值得學的部分：Saleh 的迭代節奏依然紮實——每次只加一重過濾、立即重跑四個框架對照，AI 建議十居其九無效（OBV、RSI、MACD 全軍覆沒）也如實交代，沒有剪輯成「一問即中」。把 AI 當出主意的助手而非神諭，這個定位與第 7 課一致。
• 時效提醒：回測數據截至 2024 年底影片拍攝前，涵蓋 2022 年起的加密貨幣週期；截至 2026 年中，市場結構與費率環境已有變化。本文僅為學習記錄，不構成任何買賣建議。

名詞解釋

• 鱷魚指標 Alligator：Bill Williams 提出的三線趨勢指標（顎 13、齒 8、唇 5），以三線散開與交纏判斷趨勢啟動與完結；本策略的核心訊號。
• 平均趨向指數 ADX：量度趨勢強度而不分方向；本策略要求高於 30 才開倉，剔除橫行市。
• 平均真實波幅 ATR：量度每根 K 線平均波動範圍；本策略止蝕設於入場價加減 2 倍 ATR，止盈距離與止蝕相同。
• 錢德動量擺動指標 CMO：介乎 -100 至 +100 的動能震盪指標；本策略以 ±20 閾值過濾動能不足的訊號。
• 隨機相對強弱指數 Stochastic RSI：對 RSI 再算一次隨機公式的複合指標；本策略取 %K 低於 20 造好倉、高於 80 造淡倉。
• 指數移動平均線 EMA：近期價格權重較高的均線；本策略用大時間框架的 100 EMA 確認方向。
• 多時間框架分析 Multi-Timeframe：同一指標在更大框架再算一次作確認；本策略的大框架鱷魚與 100 EMA 均屬此手法。
• 夏普比率 Sharpe Ratio：每單位波動換取的超額回報；講者每加一重過濾便以此對照四個時間框架。
• 最大回撤 Drawdown：淨值由高位回落的最大幅度；講者以 -30% 為個人上限，據此決定倉位可乘五倍。
• 倉位規模 Position Sizing：按每單風險百分比與止蝕距離反推數量；本策略固定每單風險 3%。
• 過度擬合 Overfitting：策略過度遷就回測數據的噪音；本片所有閾值均為看著回測結果調校，屬高風險案例。
• 回測 Backtesting：以歷史數據檢驗交易規則；本課再次示範多時間框架並排對照的驗證節奏。
• 槓桿 Leverage：以保證金放大購買力；片中倉位乘五倍後的 1,721% 回測報酬正是槓桿化結果。

常見問題 FAQ

鱷魚指標的三條線如何分工？

三條線是同一套平滑均線、三種速度：唇（5 期）最快、齒（8 期）居中、顎（13 期）最慢。趨勢啟動時快線先動，於是唇、齒、顎依次散開，形如鱷魚張口；趨勢衰竭時快線先回頭，三線重新交纏，形如閉口。進場規則只是把這個比喻寫成不等式：好倉要求唇大於齒、齒大於顎、價格企於三線之上，淡倉完全反轉。

1,721% 的回測報酬可以當真嗎？

數字屬回測教學案例，且構成要拆開看：它是「倉位乘五倍」之後的讀數。加碼前，2022 年初起 1 小時圖淨盈利約 106% 至 147%、最大回撤約 -7%；乘五倍後回撤升至約 -30%，回報同步放大至四位數。此外所有參數（ADX 30、CMO 20、Stochastic RSI 的 20/80）都是看著回測結果調出來的，表現差的 15 分鐘與 4 小時圖亦被棄用，影片無樣本外驗證，未來能否重現並無保證。

為何 Stochastic RSI 低於 20 才造好倉，不是與趨勢跟蹤矛盾嗎？

表面矛盾的組合其實是「順大勢、逆小勢」：前面五重條件已確認大方向向上，最後一重超賣過濾等於要求等價格短線回調至超賣區才進場，變相買在趨勢中的回撤位而非追入急升段。講者亦明言選 Stochastic RSI 而非傳統 Stochastic 純粹是經驗之談，說不出原理——這種「回測話事」的取態正是需要警惕擬合的地方。

為何 15 分鐘圖表現最差，最終被棄用？

趨勢指標在低時間框架會被橫行噪音反覆觸發：三線剛散開便交纏，進出頻密但每單邊際微薄，手續費與滑點把利潤磨光——第 7 課的 KAMA 策略首輪回測亦出現同一規律。講者加入五重過濾後 15 分鐘圖依然虧損，於是直接剔除。要留意：棄用表現差的框架本身也是一種「看結果挑設定」，留下的漂亮數字因此含有選擇偏差。

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=Rw_MlMSUEr0