多空 K 線型態：經得起回測檢驗嗎？

目錄

1. 把 K 線型態當成規則來測試，經得起檢驗嗎？
2. 常見的多空 K 線型態有哪些？
3. 如何用精確數字定義 K 線型態？
4. 哪些情境濾網讓型態值得測試？
5. 如何在扣除期貨成本後檢驗 K 線型態？
6. 為什麼單獨的 K 線型態是偏弱的證據？
7. 常見問題
8. 參考文獻

把 K 線型態當成規則來測試，經得起檢驗嗎？

多方與空方的 K 線型態，例如吞噬、錘子、流星與十字線，只要把每一種寫成精確的數字規則，就能進行回測。單獨使用時，證據偏弱：它們只用了一兩根 K 棒的資訊，而且定義各家不一。請搭配趨勢與波動率濾網、扣除期貨成本，並與經過濾的非型態 K 棒基準比較。

K 線是一種畫出單根 K 棒的方式，顯示它的開盤、最高、最低與收盤。實體是開盤與收盤之間的部分。影線（也叫上下影線）是實體上下方的細線，延伸到最高點與最低點。全距是從最低點到最高點的距離。

K 線型態（英文為 candlestick pattern）是由一根或數根 K 線構成的形狀，交易者把它視為價格接下來可能走向的訊號。在台灣的圖表上，上漲的 K 線通常是紅色，下跌的 K 線是綠色；美國的圖表通常相反。本文的規則使用開盤與收盤，因此兩種配色都適用。

常見的多空 K 線型態有哪些？

多數型態清單都從同樣幾種反轉形狀開始。每種形狀都只有在出現與其相反方向的走勢之後才有意義。下表列出常見的型態，以及各自應該出現的位置。

型態	K 線數	一般解讀	應該出現的位置
多頭吞噬	2	多方反轉	下跌之後
空頭吞噬	2	空方反轉	上漲之後
錘子	1	多方反轉	下跌之後
吊人	1	空方（與錘子形狀相同）	上漲之後
流星	1	空方反轉	上漲之後
倒錘子	1	多方（與流星形狀相同）	下跌之後
十字線	1	猶豫不決	任何位置；意義取決於情境

錘子與吊人的形狀相同，流星與倒錘子也是。區分它們的只有該 K 線之前的走勢。這就是為什麼沒有趨勢條件的型態測試，測的其實是和教科書不同的想法。

如何用精確數字定義 K 線型態？

型態必須做到讓電腦不需要任何主觀判斷，就能把每根 K 線標記為「是型態」或「不是型態」，才可以被檢驗。像「小實體」或「長影線」這類說法必須變成數字。有一個比率承擔了大部分的工作：

實體比率 = |C − O| ÷ (H − L)

其中 C 是收盤價，O 是開盤價，H 是最高價，L 是最低價。垂直線代表「取大小，忽略正負號」。實體極小時，比率接近 0；實體佔滿整個全距時，比率接近 1。上影線是最高價減去開盤與收盤中較高者。下影線是開盤與收盤中較低者減去最低價。

以下的門檻是一個合理的起點。它們是選擇，不是標準。

型態	條件範例
多頭吞噬	前一根 K 線收盤低於開盤。當根 K 線收盤高於開盤。當根開盤價等於或低於前一根收盤價。當根收盤價等於或高於前一根開盤價。
空頭吞噬	鏡像條件：前一根上漲，當根下跌，且當根實體包覆前一根實體。
錘子	實體比率不超過 0.3。下影線至少為實體的 2 倍。上影線不超過全距的 10%。
流星	實體比率不超過 0.3。上影線至少為實體的 2 倍。下影線不超過全距的 10%。
十字線	實體比率不超過 0.1。

期貨上有兩個細節要注意。第一，在流動性好的合約的盤中 K 棒上，下一根通常會在前一根收盤價或非常接近的位置開盤。如果嚴格的吞噬規則要求開盤價低於前一根收盤價，幾乎永遠不會觸發。允許「等於或低於」就能解決這個問題。第二，同樣的門檻在 5 分鐘與日線 K 棒上表現不同，所以每個時間週期要分別定義與測試。

哪些情境濾網讓型態值得測試？

沒有情境的型態，多半只是隨機的 K 棒形狀，所以要加上該型態理應需要的條件。趨勢、波動率、位置與交易時段是最重要的四項。清單要精簡，因為每多一個濾網，就多一個可能被配適到雜訊上的選擇。

濾網	多方型態的規則範例	為何有幫助
先前趨勢	收盤價低於 20 根 K 棒移動平均線	反轉型態需要有可以反轉的東西。
波動率	K 線全距至少為 14 根 K 棒 ATR 的 1 倍	排除只差一個跳動點就會改變形狀的微小 K 棒。
位置	K 線最低價是最近 10 根 K 棒的最低點	讓型態出現在短期極端位置。
交易時段	日盤與夜盤的 K 棒分開測試	夜盤通常較清淡，形狀的意義較小。

ATR（平均真實波幅）是近期 K 棒的平均大小，包含 K 棒之間的跳空。它在這裡很有用，因為能讓型態依目前的市況調整尺度。10 點的錘子在平靜的市場中算大，在快速的市場中則毫無意義。

波動率濾網對十字線最重要。在全距只有一兩個跳動點的清淡隔夜 K 棒上，幾乎每根 K 線都能通過「實體比率不超過 0.1」的規則。設定最小全距，可以在這些 K 棒淹沒結果之前先將它們排除。

如何在扣除期貨成本後檢驗 K 線型態？

測試型態時，要用你實際交易的方式，並且與基準比較，而不是與零比較。基準是在通過相同濾網、但不是型態的 K 棒上，進行相同的交易。如果型態在成本前就無法勝過基準，這個形狀就沒有增加任何資訊。

1. 固定定義與濾網，採用上方表格的內容，第一次測試期間不要更動。
2. 在下一根 K 棒的開盤進場。型態要到最後一根 K 線收盤時才算完成，所以在同一個收盤價成交，用的是你實際上無法成交的價格。
3. 先用簡單的出場，例如固定持有數根 K 棒。這樣可以在停損或停利加入自己的影響之前，衡量型態之後會發生什麼。
4. 扣除一買一賣（來回）的成本：手續費、交易所費用與稅，以及進場與出場雙邊的滑價。各項如何估算，請見回測中的交易成本。
5. 執行基準：使用相同的進場、出場、濾網與成本，但不加上型態條件。
6. 拆分結果：多單與空單分開、日盤與夜盤分開、較早與較晚的年份分開。
7. 把每個門檻稍微移動一點，例如影線取實體的 1.5、2 或 2.5 倍。真正的效應在數字小幅移動時會保持相近。

這種由規則、參數範圍與進出場條件組成的固定結構，正是 AlphaPrime（Valynox）的策略生成所圍繞的核心。每個研究想法都變成可以用同樣方式反覆檢驗的規則。

為什麼單獨的 K 線型態是偏弱的證據？

單獨的型態是偏弱的證據，因為它帶有的資訊很少，而且定義它的方式很多。每個原因都會讓最漂亮的測試結果高於你之後能夠預期的水準。

• 資訊很少。一兩根 K 線只描述了幾分鐘或幾天的交易。趨勢、波動率狀態或交易時段效應，通常更能解釋接下來的走勢。
• 自由選擇很多。影線倍數、實體比率、趨勢長度、ATR 設定與持有期間加在一起，會有數百種組合。把全部測一遍再留下最好的，就是一種搜尋，即使感覺不像。
• 乾淨的訊號很少。加上濾網之後，一個型態在每個市場與 K 棒週期上可能只會觸發幾十次。樣本小，就很容易找到運氣好的結果。
• 每筆的優勢很薄。預測小幅波動的型態，每個訊號都要付出完整的一買一賣（來回）成本，而盤中期貨的波動相對於這些成本來說很小。

關於交易規則的研究顯示了搜尋問題的規模。Sullivan、Timmermann 與 White（1999）指出，當許多技術規則在同一段價格歷史上嘗試時，最好的那一個光靠機率就可能看起來很強。他們用 White 的 Reality Check 來調整，這是一種考慮嘗試過多少規則的拔靴法（White, 2000）。Bailey 等人（2014）指出，研究者嘗試的變體越多，最佳回測就越可能是過度配適的。策略生成中的過度最佳化指南說明了如何讓搜尋保持誠實。

務實的做法是做樣本外檢驗。推進分析在一段期間選擇門檻，然後在下一段期間檢驗，並在整個歷史上重複進行。AlphaPrime 的策略檢驗可用自訂門檻執行推進分析，因此型態規則面對的標準與其他任何規則相同。

如果你使用 AlphaPrime，這代表：把型態、它的濾網與出場寫成固定規則，搭配真實的成本與下一根 K 棒成交，再讓未見過資料上的檢驗來決定這個型態是否留在策略中。

常見問題

最可靠的多方 K 線型態是什麼？

沒有任何 K 線型態有固定的可靠度。結果取決於確切的定義、市場、K 棒週期、濾網與交易成本。真正有用的問題是：你的定義，在你自己的市場上，扣除成本並在樣本外，是否勝過非型態 K 棒的基準。

回測時如何定義多頭吞噬型態？

前一根 K 線收盤低於開盤，當根 K 線收盤高於開盤。當根開盤價等於或低於前一根收盤價，且當根收盤價等於或高於前一根開盤價。再加上先前下跌的條件，例如收盤價低於 20 根 K 棒移動平均線，讓型態出現在它理應出現的位置。

K 線型態在盤中期貨圖表上有效嗎？

可以在盤中期貨 K 棒上測試，但定義需要調整。盤中 K 棒之間很少出現跳空，所以吞噬規則必須允許開盤價等於前一根收盤價。小型 K 棒應該用最小全距排除，而且相較於日線 K 棒，成本在每次小幅波動中佔的比例更大。

測試 K 線型態需要多少筆交易？

沒有確切的數字，但幾十筆交易對任何結論來說都是很薄的樣本。許多交易者希望每個測試區間（樣本內與樣本外）至少有 30 到 50 筆交易。如果濾網讓型態的訊號變得更少，在信任它之前，要用更多歷史資料或更多市場來測試。

K線型態是什麼意思？

K線型態是 candlestick patterns 的中文說法，例如吞噬、錘子、流星與十字線。在台灣的圖表上，上漲的 K 線通常是紅色，下跌的 K 線是綠色。用開盤與收盤寫成的規則，不論顏色如何都以相同方式運作。

參考文獻

• Bailey, D. H., Borwein, J., López de Prado, M., & Zhu, Q. J. (2014). Pseudo-Mathematics and Financial Charlatanism: The Effects of Backtest Overfitting on Out-of-Sample Performance. Notices of the American Mathematical Society, 61(5), 458–471.
• Sullivan, R., Timmermann, A., & White, H. (1999). Data-Snooping, Technical Trading Rule Performance, and the Bootstrap. The Journal of Finance, 54(5), 1647–1691.
• White, H. (2000). A Reality Check for Data Snooping. Econometrica, 68(5), 1097–1126.

AlphaPrime 在這裡能幫上什麼

策略生成會把研究想法轉成可檢驗的規則，包含進出場條件與參數範圍。AlphaPrime 的回測會批次評估這些規則，並納入手續費與滑價、下一根 K 棒成交以及交易時段。

看方案與價格