KAMA 剝頭皮策略：GPT 寫碼、五重過濾與 795% 回測拆解｜Quant Strategies Ep 7 筆記

2026年7月11日 · 來源頻道：Algo-trading with Saleh · #KAMA #剝頭皮 #量化交易 #回測

第 7 課・共 18 課

Algo-trading with Saleh 的 Saleh 在片中做了一個角色實驗：他扮演「懂策略但不熟程式」的交易員，把 考夫曼適應性移動平均線 KAMA 剝頭皮策略的程式碼全部交給 GPT 撰寫，自己只負責出題與糾錯。標題上的「795%」是他特定設定下（BTC-USDT、2022 年起、倉位乘三倍後）的回測教學案例數字，並非實盤成績。這條片最有價值的部分不是結果，而是「出題—驗碼—糾錯—重跑」的迭代過程，以及每一重過濾背後的取捨。

學習重點

• 策略核心：價格在 KAMA 之上視為升勢、之下視為跌勢；KAMA 按市場效率自動變速，訊號比 Supertrend 早約 8 至 10 根 K 線（講者圖表演示）。
• 倉位與出場：市價單入場，每單風險為可用保證金的 3%，止蝕與止盈各設於入場價加減 2.5 倍 ATR，倉位用 risk_to_qty 反推並計入手續費。
• 五重過濾逐次疊加：ADX 高於 50、大時間框架 KAMA 同向、Choppiness Index 低於 50、布林帶寬度乘 100 低於 7、平倉後冷卻 10 根 K 線；每加一重便重跑 15m／30m／1h／4h 四個時間框架對照夏普比率。
• 首輪回測的教訓：未加過濾時交易多達數千宗，手續費高達 12,000 美元，比起始本金 10,000 美元還多——剝頭皮策略的頭號敵人是成本。
• 795% 的由來：四時間框架全部錄得低回撤後，講者把倉位數量乘以 3，最大回撤升至 -24%，回測盈利才接近 800%——是槓桿化的倉位調整，不是訊號本身的邊際。

詳細筆記

KAMA：會自動變速的均線

Saleh 開宗明義說 KAMA 已取代 Supertrend 成為他最喜歡的指標。用法表面很簡單：線轉紅是跌勢、轉綠是升勢；換成程式語言，就是當前價格在 KAMA 之上視為升勢、之下視為跌勢。真正令他著迷的是反應速度——他在圖表上並排 KAMA 與 Supertrend 比較，同一段升勢中 Supertrend 轉綠的位置，KAMA 早約 8 至 10 根 K 線已發出訊號，跌勢亦然。KAMA 的全名是 Kaufman Adaptive Moving Average，「適應性」指它會先量度市場走勢的效率——期內淨升跌幅相對逐日波動總和的比例——再據此自動調節平滑速度：走勢越單邊，均線越貼價；橫行反覆時則放慢抗噪。對剝頭皮而言，早幾根 K 線確認方向，入場價與止蝕距離都會實質改善。講者提醒不要被名字嚇怕——判斷邏輯與普通均線完全相同，分別只在「變速」。

截圖出自原片（Algo-trading with Saleh）：同一段升勢，KAMA（綠紅線）的轉向訊號比 Supertrend 早約 8 至 10 根 K 線。

第一版策略與 GPT 的「畫蛇添足」

Saleh 給 GPT 的提示詞（prompt）很具體：用 KAMA 判斷趨勢方向的趨勢跟蹤策略，每單風險 3%，止蝕止盈設於 2.5 倍 ATR。GPT 交出的 Jesse 框架程式碼，他逐段核對後認為大體正確：KAMA 與 ATR 的屬性語法無誤，入場規則正是他口述的邏輯（摘錄自原片教學）：

def should_long(self) -> bool:
    # Enter long if the price is above KAMA
    return self.price > self.kama

def should_short(self) -> bool:
    # Enter short if the price is below KAMA
    return self.price < self.kama

開倉部分用市價單，止蝕為入場價減 2.5 倍 ATR，數量用 Jesse 的 risk_to_qty 以可用保證金、3% 風險、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_price = self.price
    stop_loss = entry_price - (self.atr * 2.5)
    qty = utils.risk_to_qty(self.available_margin, 3,
                            entry_price, stop_loss, fee_rate=self.fee_rate)
    self.buy = qty, entry_price

止蝕止盈單在 on_open_position 事件內提交，短倉方向完全鏡像。但 GPT 同時自作主張加了一個 update_position 方法：價格反向穿越 KAMA 便平倉。Saleh 試過後發現拖累表現，而且這根本不是他要求的功能，於是直接刪除。這是「GPT 代寫程式」工作流的第一課：工具會畫蛇添足，每一行都要當作陌生人寫的程式來審。

首輪回測：手續費吃掉本金

回測在 Jesse 進行，標的 BTC-USDT，由 2022 年跑至影片拍攝前數日，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 15 分鐘圖慘不忍睹——交易次數以千計，光是手續費就付了約 12,000 美元，比起始本金 10,000 美元還多。30 分鐘圖因交易較少而稍好，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。值得留意他的驗證習慣——同一策略同時跑四個時間框架、並排比較，而不是挑一個順眼的框架交差；若只看 4 小時圖，第一版策略未必顯得那麼差。這一輪的價值在於示範了剝頭皮策略的典型死法——不是訊號全錯，而是成本把微薄的邊際磨光，交易越密，死得越快。

過濾一：ADX 高於 50

Saleh 向 GPT 提出兩個修改：刪掉未經授權的 update_position，並加入 平均趨向指數 ADX 過濾——ADX 低於 50 不開倉。他解釋這是他的慣用手法：趨勢跟蹤策略最怕橫行市，ADX 只量強度不分方向，正好用來剔除沒有趨勢的時段。GPT 交回的碼正確地加了 ta.adx 屬性並在入場規則加上條件，卻又多寫了一個市價單策略用不上的 should_cancel_entry 方法，再次被刪。重跑後四個時間框架全部顯著改善並轉虧為盈，4 小時圖最好；交易次數降至 573 宗，但手續費仍達約 7,000 美元——講者特意點出：若這筆錢留在結餘裏，利潤會可觀得多。

過濾二：大時間框架 KAMA 雙重確認

第二重過濾是講者的另一慣技：同一指標、放大時間框架再算一次，兩個時間框架方向一致才開倉。圖表上他用 14 期與 250 期兩條 KAMA 示範（因社區版指標不能設時間框架），快線轉綠但慢線仍紅時不做交易，藉此避過一次假突破。在 Jesse 裏則用內建 get_candles 直接取大時間框架 K 線：一般情況取 4 小時，若交易框架本身已是 4 小時則取 6 小時。這一步 GPT 犯了個有趣錯誤——定義了 long_term_kama 與 trend_direction 屬性，卻忘了在入場規則裏使用它們。Saleh 發現後要求把方向判斷直接收納進 should_long／should_short，程式反而更簡潔。重跑後夏普比率略升，30 分鐘圖的淨值曲線形態他較喜歡。

過濾三與四：Choppiness Index 與布林帶寬度

第三重是 波動雜亂指數 Choppiness Index，邏輯與 ADX 相反：ADX 要高（趨勢夠強），CHOP 要低（走勢不雜亂）。他以 50 為閾值，圖表上橫行段 CHOP 明顯高企、趨勢段回落，於是加入「CHOP 低於 50 才開倉」。至此入場條件增至四重，重跑後四個框架的夏普比率全面上升（15 分鐘約 1.0、30 分鐘約 1.3）。

第四重針對「追入急升段」的風險：價格無故暴漲後才出現的訊號，回吐機會大。量度方法是 布林帶 Bollinger Bands 的帶寬（Bollinger Bandwidth）——上下軌差距窄時數值接近 1，暴漲時可升至 7 至 9。規則定為「帶寬乘 100 低於 7 才開倉」，乘 100 只是為了與 TradingView 的顯示口徑一致。GPT 初稿用手動方式由布林帶上下軌自行計算帶寬，Saleh 要求改用 Jesse 內建的 bollinger_bands_width 指標——內建函數經過驗證，比自己重寫少一層出錯機會。

冷卻機制與最終入場規則

最後一重是行為層面的冷卻機制。剝頭皮策略持倉短，常見情況是平倉後入場條件仍然成立，於是立即再開一倉，等於在同一趨勢裏反覆進出。Saleh 要求：記下上次交易的 K 線序號，平倉後至少隔 10 根 K 線才准再開倉。GPT 初稿把序號更新寫在 go_long／go_short（開倉時），講者指出時點錯誤，改在 on_close_position 事件更新才對。最終入場規則按原片講解可重構如下：

def should_long(self) -> bool:
    return (self.price > self.kama          # 價格在 KAMA 之上
            and self.long_term_trend == 1   # 大時間框架 KAMA 同向
            and self.adx > 50               # 趨勢強度達標
            and self.chop < 50              # 市況不雜亂
            and self.bbw * 100 < 7          # 非暴漲後追入
            and self.index - self.vars['last_trade_index'] >= 10)  # 冷卻期完結

回測成績與 795% 的由來

五重過濾齊備後重跑四個時間框架：15 分鐘圖夏普比率 1.9、卡瑪比率（Calmar ratio）3.7，各框架最大回撤幾乎全部低於 10%；30 分鐘圖夏普 1.3，淨值曲線持續向上。講者認為 1 小時與 4 小時圖可以「退役」，集中看 15 與 30 分鐘。接下來是關鍵一步：既然回撤低，他把倉位數量直接乘以 3 再跑——最大回撤升至約 -24%，回測盈利接近 800%（標題的 795%），並補充自己的風險上限是 -30%，言下之意還有加碼空間。

截圖出自原片（Algo-trading with Saleh）：加碼前的四框架對照——交易宗數由 490 至 46 不等，淨盈利 49.2% 至 86%，最大回撤 -12.9% 至 -21.3%。

截圖出自原片（Algo-trading with Saleh）：30 分鐘圖淨值曲線（紫）對照 BTC-USDT（黃），回測期約 1048 日、由 2022 年 1 月起，共 179 宗已平倉交易。

換言之，795% 的構成是「訊號邊際 × 3 倍倉位」：未加碼前各框架淨盈利約 49% 至 86%（2022 年初起約 2.87 年），加碼三倍後回撤與回報同步放大。片末講者介紹其網站的策略源碼庫與社群抽獎，屬頻道推廣內容，本筆記不轉載。

MT5 可行性速評

int kama_h  = iAMA(_Symbol, PERIOD_CURRENT, 14, 2, 30, 0);
int kama_h4 = iAMA(_Symbol, PERIOD_H4,      14, 2, 30, 0);
int adx_h   = iADX(_Symbol, PERIOD_CURRENT, 14);
double kama[], kama4[], adx[];
CopyBuffer(kama_h, 0, 0, 1, kama);   // 升勢條例：Close[0] > kama[0]
CopyBuffer(kama_h4, 0, 0, 1, kama4); // 大框架同向：Close_H4 > kama4[0]
CopyBuffer(adx_h, MAIN_LINE, 0, 1, adx); // && adx[0] > 50

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 閾值、CHOP 閾值、帶寬上限、冷卻 K 線數、倉位倍數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

• 防坑檢查一：795% 的構成要拆開看。這個數字來自「倉位乘三倍」後的回測讀數，不是訊號本身的邊際。未加碼前，2022 年初起約 2.87 年內四個時間框架淨盈利約 49% 至 86%——這才是策略的「原材料」成績。同一操作若套在虧損策略上，虧損亦會放大三倍；把槓桿化回測報酬當策略實力的講法，一律要先除回倍數。
• 防坑檢查二：剝頭皮對成本極度敏感。原片自己提供了最佳例證：未加過濾時手續費 12,000 美元對 10,000 美元本金，加過濾後仍付約 7,000 美元。回測用的費率假設、實際 Taker 費用、滑點與資金費率的差距，任何一項都足以扭轉這類高頻策略的結論，讀者須自行核實。
• 防坑檢查三：參數全是看著結果調的。ADX 50、CHOP 50、帶寬 7、冷卻 10 根、倉位乘三倍——每一個數字都是回測跑出來之後才決定的，屬教科書式的過度擬合流程。片中沒有樣本外驗證（out-of-sample test），795% 能否在未來重現，影片本身沒有提供任何證據。
• 觀點比較——值得學的部分：Saleh 示範的「出題—驗碼—糾錯—重跑」循環很紮實：GPT 三次畫蛇添足（多寫平倉邏輯、多寫取消掛單、忘了引用自己定義的屬性），他每次都逐行抓出來；每加一重過濾便重跑四個時間框架對照夏普比率。把 GPT 當「需要嚴格 code review 的初級程式員」而非神諭，這個定位值得借鑑。
• 時效提醒：回測數據截至影片拍攝前（2024 年底），回測期涵蓋 2022 年起的加密貨幣週期；截至 2026 年中，市場結構、費率與流動性環境已有變化，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

• 考夫曼適應性移動平均線 KAMA：按市場效率自動調節平滑速度的均線，單邊市緊貼價格、橫行市抗噪；本策略以價格與它的相對位置定趨勢方向。
• 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 50 才開倉，剔除橫行市。
• 波動雜亂指數 Choppiness Index：量度走勢雜亂程度，邏輯與 ADX 相反；本策略要求低於 50，雙重確認市況適合趨勢跟蹤。
• 布林帶 Bollinger Bands：以均線加減標準差構成的通道；本策略用其帶寬過濾暴漲後的追入訊號。
• 平均真實波幅 ATR：量度每根 K 線平均波動範圍；本策略的止蝕與止盈均設於入場價加減 2.5 倍 ATR。
• 剝頭皮 Scalping：持倉時間極短、追逐微小價差的交易風格，對手續費與滑點極度敏感。
• 夏普比率 Sharpe Ratio：每單位波動所換取的超額回報；講者每加一重過濾便以此對照四個時間框架的變化。
• 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，據此決定倉位可乘大的空間。
• 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。
• 槓桿 Leverage：以保證金放大購買力；片中倉位乘三倍後的 795% 回測報酬正是槓桿化結果。
• 回測 Backtesting：以歷史數據檢驗交易規則；本課示範了多時間框架對照與逐重過濾的驗證節奏。
• 大型語言模型 LLM：如 GPT 一類的文字生成模型；本片示範以它代寫策略程式碼，但每一行仍需人工核對。

常見問題 FAQ

KAMA 與普通移動平均線有何分別？

普通均線（SMA、EMA）的平滑速度固定，快則噪音多、慢則滯後大，兩難。KAMA 會先計算市場的效率比率：走勢越單邊，比率越高，均線便自動切換至接近兩期 EMA 的快速模式緊貼價格；橫行反覆時則切換至慢速模式拉平雜訊。用講者的圖表演示，同一段趨勢中 KAMA 的轉向訊號比 Supertrend 早約 8 至 10 根 K 線。用法本身與普通均線無異——價格在線上為升勢、線下為跌勢。

795% 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「倉位乘三倍」之後的讀數。加碼前，2022 年初起約 2.87 年內四個時間框架淨盈利約 49% 至 86%、最大回撤約 -13% 至 -21%；乘三後回撤升至約 -24%，回報同步放大至接近 800%。此外所有參數（ADX 50、CHOP 50、帶寬 7、冷卻 10 根）都是看著回測結果調出來的，影片亦無樣本外驗證，未來能否重現並無保證。

為何要同時用 ADX 和 Choppiness Index？不是重複了嗎？

兩者量度的角度不同、方向相反。ADX 量度趨勢強度，數值高代表有強趨勢（不分升跌）；Choppiness Index 量度走勢的雜亂程度，數值高代表市況反覆無向。講者的邏輯是雙重確認：既要趨勢夠強（ADX > 50），又要市況不雜亂（CHOP < 50），兩個條件同時成立才開倉。當然，兩個閾值都是可調參數，條件越多，擬合回測數據的風險也越高。

這條片對「用 GPT 寫交易策略」有甚麼啟示？

最核心的啟示是定位：GPT 是手快但會犯錯的初級程式員，不是策略權威。片中 GPT 三次畫蛇添足——加了一個未經要求的反向平倉邏輯、為市價單策略寫了用不上的取消掛單方法、定義了大時間框架屬性卻忘了在入場規則引用——全靠講者逐行審碼抓出。出題要具體（指標、風險百分比、止蝕倍數寫清楚）、每次只改一個變數、改完即重跑對照，這套紀律比「GPT 會寫碼」本身重要得多。

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=uDFZsIqHjT4