805% 回測背後：三 EMA 趨勢策略與 Monte Carlo 模擬驗證實戰

2026年7月20日 · 來源頻道：Algo-trading with Saleh · #量化交易 #Python #Monte Carlo #回測

第 16 課・共 18 課

⚠️ 本站內容僅作教育用途，不構成投資建議。投資涉及風險，作出任何投資決定前請諮詢持牌專業人士。

回測做出 805% 回報的策略，究竟有多少是實力、多少是運氣？本課筆記整理自 Algo-trading with Saleh 的教學影片：講者 Saleh 把一套三條指數移動平均線 EMA 加 ADX 濾網的趨勢跟蹤策略交給 GPT 轉成 Python 代碼回測，標題的「805%」屬特定時段與倉位設定下的回測教學案例，並非實盤承諾。影片真正有價值的部分，是他用 Monte Carlo 模擬對回測結果做的兩重壓力測試——這套驗證思路，比策略本身更值得學。

學習重點

策略結構：三條 EMA（30、46、80）排列確認趨勢方向，ADX 高於 43 確認趨勢強度，4 小時圖波段操作，屬慢半拍的趨勢跟蹤，近似海龜策略的取態。
出場與倉位：止損設於入場價減 1.8 倍 ATR，止盈設於加 3.3 倍 ATR，贏的時候贏得比輸的多；每宗交易固定承受本金 5% 風險，必要時動用有限槓桿。
GPT 生成代碼要逐行覆核：模型會「加料」——自動寫出多餘的提前平倉邏輯與撤單方法，講者逐段核對後刪除，證明 LLM 產物不能直接信任。
Monte Carlo 模擬分兩層：交易順序洗牌測試運氣成分；以移動區塊拔靴法重組 K 線測試路徑依賴，兩者的中位數都比原始回測的單一數字更有參考價值。
解讀原則：忘掉原始回測與最佳 5%，直接問自己「中位數的結果我接不接受」；最差情境永遠存在，不必過度解讀，但最差 5% 仍不虧錢是強訊號。

詳細筆記

進場邏輯：慢半拍的趨勢跟蹤

講者先在 TradingView 上交代規則。時間框架定為 4 小時，標的為 BTC-USDT。第一步用 ADX 確認市場處於趨勢狀態，門檻設為 43——只在 ADX 高於 43 時才允許開倉。第二步用三條 EMA 判斷方向：週期分別為 30、46、80，當 30 線在 46 線之上、46 線又在 80 線之上，且現價處於三線之上，視為上升趨勢，只做多；排列完全相反則只做空。

講者坦言這是「慢半拍」的設計，性質接近海龜交易策略：不追求在趨勢起點進場，因為波段交易只要捕捉到趨勢的中段已足夠。他在圖上示範，整段升勢中策略只觸發兩宗交易，頻率極低。

三條 EMA 排列與 ADX 門檻（截圖出自原片（Algo-trading with Saleh））

出場與倉位：ATR 止損加 5% 風險

出場用 平均真實波幅 ATR 設定：止損為入場價減 1.8 倍 ATR，止盈為入場價加 3.3 倍 ATR，做空則加減互換。這個不對稱設計是策略的靈魂——贏的時候贏 3.3 個 ATR，輸的時候只輸 1.8 個，即使勝率只有四至五成，期望值仍為正數，不需要經常看對市。

倉位方面，因為交易頻率低，講者把每宗交易的風險定為本金的 5%。他特別解釋：若入場價與止損價的距離小於 5%，要令實際風險達到本金 5% 便須動用槓桿。他認為槓桿不一定等同危險——在固定風險框架下有限度使用，只是補足注碼的工具，關鍵在於風險百分比不變，而非倉位名義價值的大小。

用 GPT 把規則轉成 Python

講者把上述規則寫成一段提示詞，交給他自建的雲端 GPT（自訂指令針對 Jesse 框架的算法交易，他選用最便宜的模型）生成策略代碼，再貼進 Jesse 儀表板，並建議用 VS Code 這類編輯器逐行閱讀。生成的代碼結構如下：先以屬性定義各指標，Jesse 框架內寫法相當簡潔。

@property
def ema30(self):
    return ta.ema(self.candles, 30)

def should_long(self) -> bool:
    return (self.ema30 > self.ema46 > self.ema80
            and self.price > self.ema30
            and self.adx > 43)

（以上代碼摘錄自原片教學）

進場方法內設定市價單、ATR 止損，並用 Jesse 內建的 risk_to_qty 工具函數，按可用保證金與 5% 風險反推注碼，連手續費率也傳入計算。

def go_long(self):
    entry = self.price
    stop = entry - 1.8 * self.atr
    qty = utils.risk_to_qty(
        self.available_margin, 5,
        entry, stop, fee_rate=self.fee_rate)
    self.buy = qty, entry

（以上代碼摘錄自原片教學）

持倉期間再提交止盈與止損單，做空邏輯完全鏡像。

def update_position(self):
    if self.is_long:
        sl = self.position.entry_price - 1.8 * self.atr
        tp = self.position.entry_price + 3.3 * self.atr
        self.stop_loss = self.position.qty, sl
        self.take_profit = self.position.qty, tp

（以上代碼摘錄自原片教學）

值得留意的是講者的覆核過程：模型自作主張加入了 update_position 提前平倉條件與 should_cancel_entry 撤單方法，兩者都不是他要求的功能，他逐一指出後刪除。他的取態是：代碼寫得醜但邏輯正確可以保留，邏輯多餘或出錯必須動手——LLM 生成的交易代碼不覆核就跑回測，是新手常犯錯誤。

回測結果：逐年拆開再合併

講者在 Jesse 回測頁面把 2021 年至 2025 年 9 月（影片拍攝時間）逐年分段運行，再開基準比較頁並排檢視。2021 年的結果：14 宗交易、回報 +78%、最大回撤僅 -3%、勝率 71%、平均盈虧比 1.44、平均持倉 265 小時、Sharpe ratio 接近 2、Calmar ratio 5.63。2022 年熊市仍有 +67%，之後各年繼續造好。他提醒平均持倉動輒逾百小時，短線操作者會很難受，這是策略的性情成本。

分段回測中部分年份跑輸「買入並持有」BTC 的基準，講者的解法是直接放大注碼：把 risk_to_qty 算出的數量乘以 1.5 或 2。他的理由是最大回撤低於自身風險承受度，有放大空間；但他同時警告，放大注碼等於放大風險，策略失效時虧損同步放大。乘大 1.5 倍後跑 2021 年初至 2025 年 9 月的整段回測：回報 +1,425%、最大回撤 -27.9%、勝率 54%、盈利因子 1.4、平均持倉 118 小時、Sharpe ratio 1.61，共 112 宗交易，已計手續費。標題的 805% 與這個 1,425% 屬不同注碼設定的產物，解讀時須分清。

整段回測績效：112 宗交易、+1,425%、最大回撤 -27.9%（截圖出自原片（Algo-trading with Saleh））

Monte Carlo 模擬：本課最有價值的部分

講者明言，展示這個策略的主因不是回測數字，而是它的 Monte Carlo 模擬結果。他用自己發布的腳本配合 Jesse 運行，設定 200 次模擬、12 個 CPU 核心並行，數分鐘完成。

為甚麼要做？單一回測只是一條路徑：交易按歷史實際順序發生，回撤與 Sharpe ratio 都帶有「順序運氣」。若連贏變成連輸，權益曲線的形狀會完全不同。Monte Carlo 的精神是以大量隨機重組，把單一結果變成結果分佈，再問：這個分佈我接不接受？

做法一：交易順序洗牌。取回測產生的同一批交易，隨機打亂先後次序，重新畫出權益曲線。由於交易本身不變，所有模擬的最終權益完全相同，改變的只有中途的最大回撤與 Sharpe ratio 等路徑指標。原回測最大回撤 20.29%，洗牌後中位數達 32.6%，最佳 5% 為 17%，最差 5% 高達 84.7%。講者的解讀：最差情境在任何策略的洗牌中都很極端，不必當真；重點是中位數 32.6% 已明顯差於原回測的 20%，這才是「正常運氣」下應預期的回撤。

交易順序洗牌結果：原回撤 20.29%，中位數 32.6%（截圖出自原片（Algo-trading with Saleh））

做法二：K 線路徑重組。這一層更進取：不只洗牌交易，而是基於真實 K 線生成全新的模擬數據再重新回測。講者用的方法叫移動區塊拔靴法 Moving Block Bootstrap——把真實 K 線切成區塊再隨機重拼，保留局部波動結構之餘改變整體路徑，等於讓策略在大量「平行時空」的市況中接受壓力測試。他特意選 2022 至 2023 年做模擬期，因為該段同時包含一個熊市與一個牛市。實務細節：200 次模擬只有 138 次有效，部分模擬數據會產生不合理價格（例如負值）令回測報錯，講者表示屬正常，不需要全部模擬成功才有可讀的結果。

K 線重組模擬表：淨利中位數 93.4%、回撤中位數 -28.4%（截圖出自原片（Algo-trading with Saleh））

怎樣解讀？ K 線重組的結果：原回測淨利 412.6%、最大回撤 -20.3%、Sharpe ratio 1.98；模擬中位數淨利 93.4%、回撤 -28.4%、Sharpe ratio 1.13；最差 5% 的 Sharpe ratio 為 0.04。講者的判讀框架有三條。第一，忘掉原始回測與最佳 5%，直接讀中位數：中位回撤 -28% 在他 -30% 的風險承受度之內，代表「即使沒有原回測那麼好運」仍可接受。第二，檢查原始回測是否落在最佳 5% 之內——若是，代表單一回測有極端好運之嫌；本例 Sharpe ratio 原值 1.98 略低於最佳 5% 的 2.01，未算離譜。第三，留意最差 5% 是否仍然為正：本例最差 5% 的 Sharpe ratio 為 0.04，雖接近零但未變負，他視之為策略長期運行大概率有利的佐證。他最後補上必要的一句：交易沒有必勝，模擬通過不代表保證賺錢，他只是喜歡看到的賠率。

補充：前向表現

講者透露此策略早於一年多前已在其頻道與網站發布（名為 TrendSwingTrader V2 的進階版本），因此 2024 年與 2025 年初至 9 月的結果，相當於策略發布後才產生的數據：兩段時期策略仍然獲利。這可視為一種現實世界的前向測試，雖非嚴謹的樣本外設計，但總比純粹事後回測多一分說服力。

🙏 覺得內容有用？本站所有內容免費提供，使用推薦碼開戶就是支持我們繼續營運的最大鼓勵：

ZA Bank 邀請碼 P20923 —— 你享 HKD 2,000 迎新獎賞，本站獲得營運支持。 立即開戶 → （聯盟連結｜投資涉及風險，受條款及細則約束，此資料僅可於香港境內分發）

MT5 可行性速評

項目	評估
邏輯可移植性	完全可移植：EMA、ADX、ATR 均有 MQL5 內建指標函數，三線排列與門檻判斷只是簡單比較；ATR 倍數止損止盈與固定風險百分比注碼（按止損距離反推手數）亦是標準寫法，無任何框架依賴。
平台限制	策略本身無障礙，但 MT5 無內建 Monte Carlo 工具：交易洗牌可自行讀取回測交易紀錄後在 EA 外處理，K 線路徑重組（Moving Block Bootstrap）則幾乎必須離線用 Python 完成，再將合成數據匯入自訂品種回測，工程量不小。
評級	✅ 可直接移植——進出場與倉位邏輯全部有現成函數，半日內可完成 EA；唯本課核心價值（Monte Carlo 驗證）須在 MT5 以外進行，驗證流程要另建。
MQL5 寫法提示	見下方示意。

// 示意：三 EMA 排列 + ADX 濾網 + ATR 出場（非完整 EA）
int hEma30 = iMA(_Symbol, PERIOD_H4, 30, 0, MODE_EMA, PRICE_CLOSE);
// EMA46、EMA80 同法；ADX 用 iADX、ATR 用 iATR 建 handle 後 CopyBuffer
bool uptrend = ema30[0] > ema46[0] && ema46[0] > ema80[0] && close > ema30[0];
double sl = entry - 1.8 * atr[0];          // 止盈用 entry + 3.3 * atr[0]
double lots = RiskToLots(0.05 * equity, entry, sl);  // 須自寫

注意：MT5 回測同樣會過度擬合，參數 43、30/46/80、1.8/3.3 在任何平台都一樣有被歷史數據「度身訂造」的風險。

欣利克的看法

概念釐清：Monte Carlo 不是樣本外驗證。洗牌與重組的都是同一段歷史，它回答「這段歷史裏運氣佔多少」，不能回答「未來市況改變後策略是否仍有效」。市場結構一旦轉變（例如趨勢市變長期橫行），兩百次模擬的中位數也幫不上忙，兩種驗證要分開做、不可互相替代。
防坑檢查一：805% 的構成。這個數字來自 2021 年初至 2025 年 9 月的 BTC-USDT 4 小時圖回測，條件是每宗交易承擔 5% 本金風險、動用槓桿、遇上加密貨幣大趨勢年代；片內另一個 +1,425% 則是把注碼再乘大 1.5 倍的版本。標題數字與片內數字不一致，本身就提醒讀者：回測回報對注碼設定極度敏感。
防坑檢查二：驗證做得幾認真？ Monte Carlo 確實是原片唯一較嚴謹的驗證環節，值得肯定；但參數（43、30/46/80、1.8/3.3）如何得出全無交代，也沒有參數敏感度分析。至於樣本外，策略一年前已公開發布、2024 與 2025 年仍錄得盈利，勉強可當前向測試看待，是此片少見的加分位。
常見誤區：勝率五成多不等於平庸。此策略的設計是「贏 3.3、輸 1.8」的不對稱盈虧比，54% 勝率配合 1.4 盈利因子已屬健康；反過來說，平均持倉逾百小時的耐性成本與 -28% 級別的回撤，才是多數人實際執行時放棄的原因，紙上數字與執行紀律之間的距離不可低估。
時效提醒。文內所有績效數字均為講者截至 2025 年 9 月對單一品種（BTC）的回測或模擬結果，距今已有相當時間，亦未涵蓋手續費以外的滑點與流動性變化，引用時務必註明時段。

名詞解釋

蒙地卡羅模擬 Monte Carlo Simulation：以大量隨機重組評估策略結果分佈的壓力測試方法，本課核心工具。
指數移動平均線 EMA：對近期價格權重較高的均線，本策略用 30、46、80 三線排列判斷趨勢。
平均趨向指數 ADX：量度趨勢強度的指標，本策略以 43 為開倉門檻。
平均真實波幅 ATR：量度每支 K 線平均波幅的指標，用於設定止損止盈距離。
回測 Backtesting：以歷史數據檢驗交易規則的過程，其結果只是單一路徑。
樣本外驗證 Out-of-Sample：用策略開發時未見過的數據檢驗表現，與 Monte Carlo 屬不同層次的驗證。
最大回撤 Drawdown：權益由高位回落的最大幅度，Monte Carlo 洗牌後變化最劇烈的指標。
夏普比率 Sharpe Ratio：量度每單位風險換取多少回報，解讀模擬中位數時的關鍵指標。
盈虧比 Risk-Reward Ratio：預期盈利與虧損的比例，本策略以 3.3 對 1.8 的不對稱設計彌補勝率。
倉位管理 Position Sizing：按固定風險百分比反推注碼的方法，本課配合有限槓桿使用。
槓桿 Leverage：以按金放大名義倉位的機制，在固定風險框架下屬中性工具。
過度擬合 Overfitting：參數被歷史數據度身訂造、令回測虛高的陷阱。
MT5 MetaTrader 5：MetaQuotes 開發的多資產交易平台，支援 EA 自動交易與策略回測。
MQL5 語言：MT5 平台的程式語言，語法接近 C++，用於編寫 EA 與自訂指標。

常見問題 FAQ

Monte Carlo 模擬結果漂亮，就代表策略將來一定賺錢嗎？

不代表。模擬重組的仍是同一段歷史數據，它能量度該段歷史中的運氣成分與路徑依賴，但無法預測市場結構轉變。講者本人也強調交易沒有保證，模擬中位數可接受只代表「賠率合理」，與「未來必賺」是兩回事；樣本外驗證與前向測試仍須另行補做。

交易順序洗牌後最終權益不變，做這個測試有甚麼意義？

意義在於回撤與風險指標。同批交易換個順序，最終賺的一樣多，但中途的最大回撤可以由 -20% 變成 -33% 甚至更深。若你的風險承受度或強制平倉線處於兩者之間，同一策略在「不好運的順序」下已足以令你出局。洗牌測試正是把這種順序運氣量化，讓你按中位數而非原回測來設定倉位與心理預期。

MT5 用家怎樣做 Monte Carlo 驗證？

MT5 沒有內建工具，常見做法是離線處理：先在策略測試器跑出回測，匯出交易紀錄後用 Python 或試算表做交易順序洗牌；至於 K 線路徑重組，可用 Python 的移動區塊拔靴法生成合成價格序列，再以 MT5 自訂品種功能匯入重新回測。流程比 Jesse 一條腳本繁瑣，但概念完全一樣。

勝率只有五成多的策略值得研究嗎？

值得，因為盈利取決於勝率與盈虧比的乘積，而非單看勝率。本策略贏時賺 3.3 倍 ATR、輸時蝕 1.8 倍 ATR，勝率即使低於五成，期望值仍可以是正數。反而要留意的是執行層面：平均持倉過百小時、交易稀疏，能否長期遵守規則不提早離場，才是這類策略真正的門檻。

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=_aGRboYs5xA

🏦 ZA Bank 開戶優惠

本站所有內容免費提供。多使用網站的推薦碼，就是對我們繼續製作優質內容的最大鼓勵和支持 🙏

去 ZA Bank 開戶，享價值 HKD 2,000 迎新獎賞，仲有機會享 USD 30 指定美股兌換券！

💛 全線上開戶，無需前往分行
💛 無最低存款要求，零賬戶管理費
💛 24x7 銀行服務

專屬邀請碼：P20923

立即開戶 → （聯盟連結）

投資涉及風險。受條款及細則約束。此資料僅可於香港境內分發或傳閱。