Trend Wave Rider 剝頭皮策略：DMI＋CCI 三重過濾、Python 實現與 116% 回測拆解｜Quant Strategies Ep 10 筆記

2026年7月14日 · 來源頻道：Algo-trading with Saleh · #剝頭皮 #量化交易 #Python #回測

第 10 課・共 18 課

Algo-trading with Saleh 的 Saleh 在片中用 Python（Jesse 框架）即場編寫一個名為 Trend Wave Rider 的剝頭皮策略，標題上的「116%」是他特定設定下的回測教學案例數字，並非實盤成績。策略構建過程本身很有示範價值：由單一指標開始，逐步加入過濾條件、調整倉位，再逐年檢驗——是一套完整的策略開發流程縮影。

學習重點

• 策略核心：動向指標 DMI 判斷趨勢方向（DI+ 與 DI− 誰在上方），平均趨向指數 ADX 過濾強度不足的時段，兩者兼備才算有效趨勢。
• 之後逐步加入兩重過濾：CCI 超買超賣（順勢回調入場）與 SMA 25／50 雙均線方向確認，每加一重就重跑回測對照夏普比率。
• 倉位管理：市價單入場，止蝕設於入場價加減 3.5 倍 ATR，每單風險為可用保證金的 5%；其後因回撤偏低，講者把倉位數量乘以 3 再乘以 5，並把槓桿上限設為 6 倍。
• 回測結果（BTC-USDT 永續、2024 年全年）：未加倉位倍數前 30 分鐘圖表現最好；講者最終選用 15 分鐘圖，理由是持倉時間短、心理上較易承受。
• 分年檢驗（2021–2025 年首季）顯示策略在趨勢年表現好、橫行年平庸；講者據此另製付費版 V2，並明言「按近期市況優化」會增加過度擬合風險。

詳細筆記

核心邏輯：DMI 定方向、ADX 量強度

Saleh 先在 TradingView 上講解主指標——動向指數 Directional Movement Index。指標包含三條線：DI+（藍）、DI−（橙）與 ADX（紅）。規則很簡單：藍線在橙線之上，視為上升趨勢；反之則是下跌趨勢或至少是橫行市。

但單看兩線交叉並不足夠。Saleh 特意示範一段 DI− 雖在上方、ADX 卻極低的時段：ADX 只量度趨勢強度、不分方向，數值低代表市場根本沒有像樣的趨勢，此時的方向訊號不值得跟。因此策略要求「方向＋強度」同時成立：DI+ 高於 DI− 且 ADX 高於閾值，才算有效升勢；DI− 高於 DI+ 且 ADX 達標，才算有效跌勢。圖表講解時他以 30 為閾值示例，寫入程式時則用了 50——這類講解與實作之間的出入，正是看片學策略時需要自己核對的細節。

截圖出自原片（Algo-trading with Saleh）：DMI 三線——DI+（藍）、DI−（橙）與 ADX（紅），方向與強度要同時成立才算有效趨勢。

寫成 Jesse 的策略屬性（property）後，整個趨勢判斷只有數行（摘錄自原片教學）：

@property
def trend(self):
    di = ta.di(self.candles)
    adx = ta.adx(self.candles)
    if di.plus > di.minus and adx > 50:
        return 1
    elif di.plus < di.minus and adx > 50:
        return -1
    return 0

trend 回傳 1、-1 或 0，should_long 與 should_short 分別檢查它等於 1 或 -1 即可。這種「指標屬性回傳 -1／0／1、入場函數只做組合」的寫法，是 Jesse 策略的典型結構，方便日後疊加條件——後文加入 CCI 與均線時，正是沿用同一模式，每個過濾器各佔一個屬性，入場規則只負責用 and 串連，程式始終保持可讀。另外，Saleh 提到 VS Code 比 Jesse 儀表板內建編輯器好用，初學者亦可留意這個工作環境選擇。

倉位與出場：ATR 止蝕＋固定風險百分比

入場用市價單（market order），講者明言是為了從簡。倉位大小用 Jesse 內建的 utils.risk_to_qty 計算：以可用保證金、每單風險百分比（他取 5%）、入場價與止蝕價反推數量；止蝕設於入場價減 3.5 倍 ATR（短倉相反，加 3.5 倍 ATR），止盈設於另一側、同樣以 3.5 倍 ATR 為距離（摘錄自原片教學）：

def go_long(self):
    entry = self.price            # 市價單
    stop = self.price - self.atr * 3.5
    qty = utils.risk_to_qty(self.available_margin, 5,
                            entry, stop, fee_rate=self.fee_rate)
    self.buy = qty, entry

由於用市價單開倉，不需要 should_cancel 函數處理未成交掛單；若改用限價單，便要靠它定期取消重掛。Saleh 亦順帶示範了「一個倉位拆多張單進場」的語法，但本策略從簡，只用一張市價單。止蝕與止盈單在 on_open_position 內才正式提交，數量等於當前倉位；短倉方向完全鏡像——止蝕改為加 3.5 倍 ATR、止盈改為減，self.buy 改為 self.sell。值得留意的是止蝕止盈同為 3.5 倍 ATR，即盈虧比約 1:1——策略要靠勝率與過濾質素取勝，而非「贏大輸小」。倉位計算中亦傳入了當前費率（fee rate），令風險百分比已粗略計及手續費，這個小動作在剝頭皮策略中其實相當重要。

第一輪回測：三個時間框架對照

首輪回測在 Binance 永續合約、BTC-USDT、2024 年全年進行，同時跑 15 分鐘、30 分鐘與 1 小時三個時間框架，用 Jesse 的 benchmark 頁並排比較。他開啟了 fast mode 加快運算，benchmark 頁會把各次回測的淨盈利、最大回撤、夏普比率與卡瑪比率（Calmar ratio）列成對照表，一眼看出差異。結果：1 小時圖夏普比率 0.9、淨盈利 21.8%，表面最好；30 分鐘圖夏普 0.6；15 分鐘圖則錄得負數。這裏示範了一個重要習慣——同一策略在多個時間框架上跑，而不是只挑一個。若只跑 1 小時圖，很容易誤以為策略已經完成。

過濾一：CCI 超買超賣

為改善成績，Saleh 加入第一重過濾：順勢指標 CCI（Commodity Channel Index）。用法與 RSI 類似，分界設於 ±100：CCI 低於 -100 視為超賣，高於 +100 視為超買。策略的方向是「順大勢、趁回調」——趨勢向上時，等 CCI 跌入超賣區才開長倉；趨勢向下時，等 CCI 衝上超買區才開短倉。程式上新增 oscillator 屬性：CCI 低於 -100 回傳 1、高於 +100 回傳 -1，然後在入場條件加上 and self.oscillator == 1。圖表上的黃線是 CCI 的移動平均，講者明言策略不會用到，只有藍線（CCI 本身）與 ±100 分界重要。重跑回測，結果略有改善——他用的判斷方法很直接：記住之前的夏普比率，改動後再跑，數字升就保留、跌就檢討。這種「一次只改一個變數、以同一組指標驗證」的節奏，是業餘策略開發者最值得學的習慣。

過濾二：SMA 25／50 雙均線

第二重過濾是兩條簡單移動平均線：快線 25 期、慢線 50 期。快線在慢線之上回傳 1（升勢），反之回傳 -1。Saleh 特別補一句：移動平均線雖然簡單，卻非常有效。加入 ma_trend 條件後，最終的入場規則變成三重確認（摘錄自原片教學）：

def should_long(self) -> bool:
    return (self.trend == 1        # DMI 方向 + ADX 強度
            and self.oscillator == 1   # CCI < -100（超賣回調）
            and self.ma_trend == 1)    # SMA25 > SMA50

截圖出自原片（Algo-trading with Saleh）：should_long 最終由三重條件組成——趨勢、CCI 回調、均線方向。

重跑後 15 分鐘圖轉虧為盈（+21.8%）、30 分鐘圖升至 +50.4%、夏普 1.5，但原本最好的 1 小時圖反而轉虧（-19.3%）。這個現象本身值得記住：過濾條件不是「越多越好」，同一改動在不同時間框架上的效果可以完全相反。

倉位倍數與槓桿：116% 的由來

三重過濾後，各時間框架的最大回撤都偏低（約 -14% 至 -20%）。Saleh 的做法是：既然回撤細，就把倉位數量直接乘大——先乘 3，見回撤仍未觸及他心目中的上限 -30%，再乘 5；同時在設定中把槓桿上限調高至 6 倍，預留倉位空間。他特別解釋：設定 6 倍不等於時刻用盡 6 倍，正如在交易所設定槓桿上限只是預留額度。標題的「116%」正是這種「倉位乘大五倍」後的回測讀數——它來自槓桿化的倉位調整，不是策略訊號本身產生了 116% 的邊際。若策略本身是虧損的，同一操作會把虧損同樣放大五倍，Saleh 自己亦點明了這一點。

截圖出自原片（Algo-trading with Saleh）：2024 年回測對照——15 分鐘 +21.8%、30 分鐘 +50.4%（夏普 1.5）、1 小時轉虧 -19.3%。

時間框架方面，30 分鐘圖數字最亮麗，但 Saleh 最終選用 15 分鐘圖，理由是平均持倉時間顯著較短，「心理上較易承受」。這是策略選擇中少見的坦白：數字最好不等於最適合執行。

分年檢驗與付費版：講者自己談過度擬合

Saleh 之後把 2021、2022、2023、2024 及 2025 年首季分年回測。結果：2021 年大幅跑贏市場；2022 年在熊市中仍然向好；2023 年只與市場打和；2024 年不錯；2025 年首季輕微虧損——他補充指 2025 年初受關稅消息影響，他所知的大部分策略（包括人手交易）同期都表現欠佳。

他其後展示一個「按最新市況優化」的付費版本 V2：在 2024 年美國大選前後的橫行市中仍能獲利，2022 年的整固段亦表現較佳，整體數字明顯較好。但難得的是他同時講明代價——市況不斷變化，按最新市況調參數看似合理，卻會增加策略過度擬合、未來失效的風險。他的結論是兩個版本可同時運行：原版在趨勢市較好、V2 在橫行市較好，兩者相關性低。他進一步解釋組合邏輯：若兩個策略都只在升市賺錢、橫行市齊齊虧損，橫行一到便雙倍受傷；反之，一個擅長趨勢、一個擅長整固，虧損時段便可互相抵銷，整個組合才有機會在不同市況下都站得住——這就是「策略組合」而非「單一神策略」的思路。片末他亦重申，影片目的是示範如何寫策略，不是提供買賣訊號。（註：付費版策略與交易所註冊連結屬講者的商業推廣，本筆記不轉載。）

截圖出自原片（Algo-trading with Saleh）：2024 年約 12 個月的淨值曲線（紫）對照 BTC-USDT（黃），共 67 宗已平倉交易。

MT5 可行性速評

int adx_h = iADX(_Symbol, PERIOD_CURRENT, 14);
double diplus[], diminus[], adx[];
CopyBuffer(adx_h, PLUS_DI, 0, 1, diplus);
CopyBuffer(adx_h, MINUS_DI, 0, 1, diminus);
CopyBuffer(adx_h, MAIN_LINE, 0, 1, adx);
// 升勢條件：diplus[0] > diminus[0] && adx[0] > 50
// 再以 iCCI、iMA 檢查回調與均線方向，用 ATR×3.5 設 SL/TP

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、ATR 倍數、均線周期全是可調參數，換平台不解決方法論問題，樣本外驗證與分年檢驗一項都不能少。

欣利克的看法

• 防坑檢查一：116% 的構成要拆開看。這個數字來自「倉位乘五倍＋6 倍槓桿上限」的回測，而不是訊號本身的邊際。未乘倍數前，2024 年 30 分鐘圖約 +50%、15 分鐘圖約 +22%——才是策略訊號的「原材料」成績。任何把槓桿放大後的回測報酬當策略實力的講法，都要先除回倍數再比較。
• 防坑檢查二：剝頭皮對成本極度敏感。策略止蝕止盈同為 3.5 倍 ATR、盈虧比約 1:1，利潤完全依賴勝率；而 15 分鐘圖交易頻密，手續費、買賣差價與滑點的輕微變化，足以把 1:1 盈虧比的微弱優勢全數吞掉。原片以加密貨幣永續合約回測，費率假設與實際 Taker 費用的差距，讀者需自行核實。
• 防坑檢查三：參數擬合的痕跡。ADX 閾值（圖解用 30、程式用 50）、CCI 分界、均線 25／50、ATR 3.5 倍、倉位乘五倍——每一個都是看著回測結果調出來的。講者自己就示範了後果：加入均線過濾後，原本最好的 1 小時圖由 +21.8% 變成 -19.3%。同一改動在不同框架上效果相反，是過度擬合的經典警號。
• 觀點比較——值得肯定之處：Saleh 主動做分年檢驗（2021–2025）、承認 2023 年平庸與 2025 年首季虧損，更明言付費版「按近期市況優化」會增加過度擬合風險——這種坦白在策略教學頻道中並不常見。但影片附帶付費策略與交易所註冊推廣，存在利益關係，閱讀其績效宣稱時應把這點計算在內。
• 時效提醒：回測數據截至 2025 年首季，講者亦指出 2025 年初市況受關稅消息擾動、屬特殊時期；截至 2026 年中，市場結構與費率環境已有變化，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

• 動向指標 DMI：由 DI+ 與 DI− 組成的趨勢方向指標，兩線誰在上方決定多空，是本策略的方向來源。
• 平均趨向指數 ADX：量度趨勢強度而不分方向；本策略要求 ADX 高於閾值才確認趨勢有效。
• 順勢指標 CCI：量度價格偏離均值程度的震盪指標，±100 為常用分界；本策略以其超賣／超買訊號捕捉順勢回調。
• 簡單移動平均線 SMA：過去 N 期收市價的算術平均；本策略用 25／50 快慢線作第三重方向確認。
• 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 3.5 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改動成效。
• 最大回撤 Drawdown：淨值由高位回落的最大幅度；講者以 -30% 為上限，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；講者承認付費版按近期市況優化即有此險。
• 槓桿 Leverage：以保證金放大購買力；片中倉位乘五倍後的 116% 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與分年兩種對照方式。

常見問題 FAQ

Trend Wave Rider 的核心邏輯是甚麼？

一句話概括：「強趨勢中的回調入場」。先用 DMI 的 DI+／DI− 判斷趨勢方向，再用 ADX 確認趨勢有足夠強度，然後等 CCI 進入超買或超賣區（即順勢中的逆向回調）才入場，最後以 SMA 25／50 的排列作最終確認。四個條件同時成立才開倉，止蝕止盈各設於入場價加減 3.5 倍 ATR。

116% 的回測報酬可以當真嗎？

數字本身屬回測教學案例，但它的構成要拆開看：講者先把每單風險定為保證金的 5%，見回撤偏低後把倉位數量乘以五倍，並將槓桿上限設為 6 倍——116% 是槓桿放大後的讀數，不是訊號本身的邊際。未放大前，2024 年 30 分鐘圖約 +50%、15 分鐘圖約 +22%。此外回測涵蓋的參數全是看著結果調校出來的，未來能否重現並無保證。

為何講者不用表現最好的 30 分鐘圖，反而選 15 分鐘圖？

他的理由是持倉時間。15 分鐘圖的平均持倉時間顯著較短，對他而言心理上較易承受。這反映策略選擇不單是數字比較：一個數字稍遜但你能如實執行的版本，往往好過一個回測亮麗但持倉過久、令你半途干預的版本。不過要留意，兩者的差距本身也可能是參數擬合的產物。

學這條影片最大的收穫是策略本身嗎？

不是，是開發流程。影片完整示範了「單一指標起步 → 逐重加過濾 → 每次改動重跑多時間框架對照 → 調整倉位 → 分年檢驗 → 坦白交代弱點」的循環，連「加均線後 1 小時圖由盈轉虧」這類反直覺結果都照實展示。策略本身會過時，這套驗證紀律與對過度擬合的自覺，才是可以長期帶走的部分。

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=l6rfqbd5ets