MultiCharts 策略怎麼開發？從找想法、寫程式、回測到自動下單的六步流程

目錄

1. MultiCharts 策略的完整流程是什麼？
2. MultiCharts 策略範例哪裡找？
3. MultiCharts 策略怎麼寫？PowerLanguage 的四個部分
4. MultiCharts 回測結果怎麼看？
5. MultiCharts 策略怎麼驗證、避免過度配適？
6. MultiCharts 怎麼自動下單？上線前要檢查什麼？
7. 常見問答
8. 參考文獻

MultiCharts 策略的完整流程是什麼？

一套可靠的 MultiCharts 策略流程有六個固定順序的步驟：找想法、寫成 PowerLanguage 規則、含成本回測、樣本外驗證、模擬帳戶自動下單、小部位上線。每一步都會淘汰一部分候選策略；順序一顛倒，過度配適的策略就會直接進到真錢帳戶。

過度配適是把策略調整到完全貼合某一段歷史價格，結果它描述的是那段價格裡的雜訊，而不是會重複出現的規律。整個流程可以想成招募員工：六關面試，每一關刷掉一些人，最後留下的才簽約。如果先簽正職再面試，面試就只剩形式。策略開發也一樣，先用真錢交易再回頭驗證，驗證就只剩形式。

1. 找想法。從內建訊號、公開規則或自己的盤中觀察出發，寫下一句話就能說清楚的進出場理由。說不清楚理由的想法在這一關淘汰。
2. 寫成 PowerLanguage 規則。把想法變成 MultiCharts 能執行的條件與下單指令，訊號在 K 棒收盤計算、下一根 K 棒成交。用到當根收盤價才成交的寫法在這一關淘汰。
3. 含成本回測。手續費與滑價從第一次回測就加進去。平均每筆獲利低於來回成本的策略在這一關淘汰。
4. 樣本外驗證。用沒參與調整參數的那段資料跑一次。樣本外轉負、或只靠一兩筆大單撐起來的策略在這一關淘汰。
5. 模擬帳戶自動下單。讓 MultiCharts 真的送單到模擬帳戶，逐筆比對成交價。成交價持續偏離回測假設的策略在這一關淘汰。
6. 小部位上線。以最小口數進真錢帳戶，持續記錄。實際結果脫離回測範圍的策略在這一關暫停。

MultiCharts 策略範例哪裡找？

策略範例有三個來源：MultiCharts 內建的訊號、經典書籍與公開規則、自己的盤中觀察；三者都只能當模板，參數範圍、停損與交易時段都要自己重新測試，不能照抄。

MultiCharts 安裝後就附有一批寫好的訊號，像是均線交叉、通道突破這類常見規則，在 PowerLanguage Editor 裡可以直接打開原始碼。這些訊號的程式已經能跑；預設參數是範例值，不是針對你交易的商品與時段測出來的，所以要用自己的商品與時段重測。

公開規則是第二個來源。通道突破、ATR 停損、開盤區間突破這些規則在書籍與論壇上有完整的文字說明，但多半沒有針對台指期或 NQ 的參數範圍，也很少交代成本。把文字規則寫成程式的過程本身就是一次重新思考：哪一根 K 棒算突破、停損掛在哪裡、收盤前要不要平倉。

第三個來源是自己的盤中觀察，例如「台指期日盤開盤後十五分鐘的區間，被突破後常會延續」。這類想法最貼近你實際盯盤的商品，但也最容易只記得成功的那幾天。把它寫成明確的規則，用十年資料跑一遍，才知道記憶是否可靠。

比較項目	內建訊號	經典公開規則	自己的盤中觀察
取得難度	低，軟體內已有	低到中，需要讀懂文字規則	高，要先把印象寫成規則
已有程式碼？	有	通常沒有，要自己寫	沒有
需要自己補的部分	參數範圍、停損、時段	參數範圍、停損、時段、成本	全部，包括規則本身的精確定義
常見陷阱	直接套用預設參數	沒含成本、只在作者的市場有效	只看一段行情、只記得贏的日子

MultiCharts 策略怎麼寫？PowerLanguage 的四個部分

一支 PowerLanguage 策略由輸入參數、變數、進出場條件、下單指令四個部分依序組成；訊號在 K 棒收盤計算、下一根 K 棒成交，這個簡單的寫法就是避免偷看未來價格的第一道防線。

可以把一支策略想成一張食譜：輸入參數是可以調整的份量，變數是切好備用的食材，進出場條件是「什麼時候下鍋」，下單指令是「用什麼鍋、煮幾人份」。

1. 輸入參數。之後要最佳化的數字，例如回看期、停損點數、進場時段。每多一個輸入參數，最佳化器就多一個可以轉動的旋鈕，也就多一個貼合雜訊的機會。三到五個通常夠用。
2. 變數。每根 K 棒重新計算的中間值，例如通道上緣、ATR、今天的開盤區間。把它們獨立出來，條件式才好讀、好檢查。
3. 進出場條件。什麼時候做多、什麼時候做空、什麼時候出場。每一條條件都要能用一句話說明理由。
4. 下單指令。用市價單還是停損單、幾口、什麼時候送出。MultiCharts 的下單指令預設是針對下一根 K 棒，這正是我們要的。

訊號計算與成交的時間點是整支程式裡最容易出錯的地方。偷看未來價格是指策略在決定時用了當下還拿不到的價格，例如用當根 K 棒的收盤價決定、又用同一個收盤價成交。MultiCharts 預設在 K 棒收盤時計算一次訊號，下單指令對下一根 K 棒生效，所以只要不特地去改這個設定、不在條件式裡引用當根收盤之後才知道的值，大部分的洩漏就自然避開了。其他常見的洩漏點與一根 K 棒的自我檢查，整理在回測中的前視偏差與常見洩漏。

如果你的規則是在 MultiCharts 之外產生的，匯入後要逐步確認四個部分都對上，尤其是下單指令的成交時點與口數，步驟整理在把策略匯入 MultiCharts 後逐步比對。

MultiCharts 回測結果怎麼看？

看回測報告先看四個數字：淨利對最大回撤的比例、交易次數、獲利因子、平均每筆獲利對來回成本的倍數；這四個數字合起來，比年化報酬率單獨一個數字能說明更多問題。

下面用 AlphaPrime (Valynox) 跑的一次 NQ 日線回測來示範怎麼讀。先把這次回測測了什麼說清楚：市場是 NQ（Nasdaq-100 期貨），日線，期間 2019-01-02 到 2025-06-30，多空都做，1 口，每筆 20 美元手續費與 10 美元滑價。它測的是一個替代規則，不是本文的主題：只用線性回歸規則進出場，沒有停損、沒有獲利目標、沒有濾網。搜尋總共試了 1,024 個變體，依報酬對回撤留下一個候選，表裡的數字就是留下來的那一個。事後從上千個裡挑出最好的一個，數字一定會比真實能力好看；這些數字不代表線性回歸規則賺了這些錢，也不是讀者可以預期的結果。

第一個數字是淨利對最大回撤。最大回撤是權益曲線從某個高點掉到之後最低點的最大金額，也就是你在這段期間裡最痛的一次帳面虧損。這次回測淨利 150,865 美元、最大回撤 111,615 美元：淨利只比最大回撤高出一截，表示六年半裡有一段時間，帳戶吐回了大部分之前賺的錢。真實帳戶能不能撐過那一段，比淨利本身更值得問。

第二個數字是交易次數。127 筆分在六年半裡，平均幾週才一筆，屬於低頻策略。筆數少，每一筆的運氣成分對總結果的影響就大；用來做統計判斷時要把它當成線索，而不是結論。

第三個數字是獲利因子。獲利因子是所有獲利交易的總金額除以所有虧損交易的總金額；1.355 表示每虧 1 元，同時賺回 1.355 元。這個數字高於 1 才有討論的價值，但越接近 1，成本或滑價多算一點就可能把它推到 1 以下。

第四個數字是平均每筆獲利對來回成本的倍數。平均每筆 1,187.91 美元，相對於每筆 20 美元手續費與 10 美元滑價的假設，倍數很高，是這張表裡最安心的一格。這個檢查在高頻策略上才會露出問題，下面用台指期的例子說明。

還有一格值得多看一眼：持倉時間比例 86.09%，表示這個規則大部分時間都在場內。這段期間 Nasdaq 整體走高，一個幾乎一直持倉的多空規則，結果有一部分會跟著指數本身的漲幅走。這不是錯，但它提醒你去看多單與空單分開的績效，才知道規則本身貢獻了多少。

MultiCharts 策略怎麼驗證、避免過度配適？

驗證的關鍵有四件事：把資料切成樣本內與樣本外、做 walk-forward 滾動視窗、檢查相鄰參數是否表現相近，以及記住自己測過多少個變體，因為測過的變體越多，最好的那一條回測曲線就越可能是運氣。

樣本外是指策略在調整參數時完全沒碰過、只拿來跑一次並讀結果的那段資料。像學生考試：樣本內是講義，樣本外是考卷；事先看過考卷的學生考高分，分數說明不了任何事。切法與需要多少筆樣本外交易，寫在樣本內與樣本外怎麼切、多少才夠。

為什麼測得越多越危險？想像一千個人同時丟十次銅板，總會有幾個人連丟十次正面；你選出丟得最好的那個，並不代表他會丟銅板。策略搜尋也一樣，上面那次 NQ 回測從 1,024 個變體裡留下一個，留下的那一個有一部分是規律、一部分是在這段歷史裡剛好湊對的運氣。Bailey、Borwein、López de Prado 與 Zhu（2014）證明，只要試的變體夠多，即使規則完全沒有預測力，也一定能找到一條樣本內很漂亮的曲線；同一群作者在 2017 年進一步給出計算「最好的那一個其實是過度配適」的機率的方法。

Walk-forward 是把「樣本內最佳化、樣本外只測試」沿著時間重複做的方法：在一段視窗上選參數，用選好的參數在緊接的下一段只跑不調，再往前滾動一段，重複到資料用完，最後把每一段的樣本外結果串接成一條曲線。這條串接曲線的每一筆交易，用的都是當時就能決定的參數，所以它是整份報告裡唯一「當年真的交易得到」的結果。Pardo（2008）把這套做法寫成完整的操作流程。MultiCharts 的 Walk-Forward Optimizer 可以執行這個流程；視窗長度與切法的選擇，整理在walk-forward 分析：唯一能真正交易到的回測數字。

第三個檢查是相鄰參數。把回看期從 10 跑到 40，把每個值的淨利畫成長條圖：穩健的規則會出現一片相鄰數值都差不多的高原，過度配適的規則則只有一根孤立的高柱，左右鄰居都很差。市場不會剛好只在回看期等於 23 時有效，24 就失效；那根高柱多半是雜訊。

第四件事是記帳：寫下你測過幾個變體。手動最佳化很容易低估這個數字，因為每改一次停損、每換一個時段都算一個變體。

這四個檢查最好在搜尋開始前就把通過門檻寫下來，而不是看完結果再決定。AlphaPrime 的策略驗證就是依照事先設定的門檻依序跑樣本內外、walk-forward 等檢查，候選策略在哪一關失敗就停在那一關，後面的資料不會被它多看一眼。

MultiCharts 怎麼自動下單？上線前要檢查什麼？

自動下單先在模擬帳戶跑至少數十筆交易，逐筆比對成交價與回測假設的滑價，確認合約月份、交易時段與券商連線設定一致後，再以最小部位上線並持續記錄。

在 MultiCharts 裡，自動下單是在圖表上開啟自動交易（Automate Order Execution），並選一個券商連線設定；台灣的期貨商多數提供模擬帳戶，MultiCharts 本身也有 Paper Trader 可以在沒有真實連線時模擬成交。模擬帳戶的價值不在獲利數字，而在三個回測裡看不到的東西：單子有沒有送出、成交價離觸發價多遠、斷線後策略的部位狀態對不對。

1. 模擬帳戶開啟自動下單。用和回測完全相同的策略檔與設定，連到模擬帳戶，讓它自己跑。
2. 累積數十筆成交。筆數太少時，一兩次異常就會讓判斷偏掉；低頻策略要有耐心等。
3. 比對成交價與回測滑價假設。把每筆實際成交價減去策略的觸發價，算出平均滑價。若平均滑價高於回測設定，回到回測把滑價調成實測值重跑，看策略是否還過第三關。
4. 確認合約月份、時段、券商連線設定一致。回測多半用連續合約，實際下單卻送到特定月份，換月前後要確認圖表商品與下單商品是同一個；圖表的交易時段範本要和交易所的實際時段相同；券商連線設定裡的口數與回測一致。逐項比對的清單在從產生的策略到 MultiCharts 的 PowerLanguage 比對清單。
5. 最小部位上線並記錄。第一口真錢只是為了取得真實成交資料。把每筆成交、每次斷線、每次手動介入都記下來，三個月後和回測的平均每筆、勝率、最大回撤範圍對照。

如果你評估的不只是 MultiCharts，不同平台在不寫程式的情況下能自動執行到什麼程度差異很大，不寫程式也能自動交易的平台差異一文按功能逐項整理。選擇平台時，上面五個步驟能不能在那個平台上一步不漏地做完，比介面好不好看重要。

下一步可以今天就做：打開你 MultiCharts 裡最舊的一支策略的績效報告，數一數交易次數，再回想這支策略的參數你前後改過幾次。把這兩個數字寫在策略檔的第一行註解裡，之後每次看它的回測曲線，先讀這兩個數字再讀曲線。

常見問答

MultiCharts 策略回測要用多長的資料？

用交易筆數而不是年數來決定。樣本外至少要有幾十筆已平倉交易才看得出平均每筆是否站得住，幾百筆以上比較可靠；低頻策略需要更多年的資料，或改用 walk-forward 把同一段歷史產生更多筆樣本外交易。資料同時要涵蓋趨勢、盤整、劇烈波動與清淡等不同行情，不然策略可能只是因為資料全是多頭而通過。

參數最佳化之後，怎麼確認不是過度配適？

做三件事：用最佳化時沒用到的樣本外資料跑一次，看平均每筆是否還是正的；把被選中參數的相鄰數值也跑一遍，看表現是否相近而不是只有一個值有效；寫下這次最佳化總共試了多少個組合，組合越多，對最好那一個的折扣要越大。三項都過，再進模擬帳戶。

MultiCharts 自動下單要先在模擬帳戶跑多久？

以交易筆數計，至少幾十筆成交，而不是固定幾週。每一筆都把實際成交價和策略的觸發價相減，算出平均滑價，再和回測裡設定的滑價比較。同時確認下單的合約月份、圖表時段與券商連線設定都和回測一致。平均滑價高於回測假設時，先回到回測把滑價改成實測值重跑，而不是直接上線。

不會寫 PowerLanguage 也能做 MultiCharts 策略嗎？

可以從 MultiCharts 內建的訊號開始，這些訊號已經寫好，只要調整輸入參數就能回測。進一步可以讀懂內建訊號的四個部分（輸入參數、變數、進出場條件、下單指令），再修改條件式。也有工具能把搜尋出來的策略匯出成 PowerLanguage 等平台的策略原始碼，匯入 MultiCharts 後，仍然要走一次含成本回測、樣本外驗證與模擬帳戶這三關，不能因為程式是現成的就跳過。

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.
• Bailey, D. H., Borwein, J., López de Prado, M., & Zhu, Q. J. (2017). The Probability of Backtest Overfitting. Journal of Computational Finance, 20(4), 39–69.
• Pardo, R. (2008). The Evaluation and Optimization of Trading Strategies (2nd ed.). John Wiley & Sons.