反轉 K 線型態：如何檢驗它們能否預測轉折

目錄

1. 哪些 K 線型態代表反轉訊號？
2. 在檢驗中，什麼才算反轉？
3. 如何量測型態之後的後續報酬？
4. 如何做樣本外檢驗並計算假訊號？
5. 有沒有最佳的反轉 K 線型態？
6. 常見問題
7. 參考文獻

哪些 K 線型態代表反轉訊號？

常見的反轉 K 線型態有鎚子線、流星線、吞噬型態、貫穿線、烏雲罩頂，以及晨星與夜星。要檢驗它們，就把每種型態和先前的趨勢都寫成明確規則，量測型態出現後固定持有期間的報酬，與同一趨勢中的一般 K 棒比較，再用較晚的資料重複一次。

反轉 K 線型態是由一到三根 K 棒組成的形狀，傳統上出現在趨勢尾端，被解讀為趨勢可能轉向的跡象。光憑形狀並不能算反轉型態。鎚子線和吊人線長得一模一樣，由這根 K 棒之前的趨勢決定它叫什麼名字、指向哪個方向。這些型態看的是 K 線形狀，其他技術指標大多來自計算。

型態	方向	K 棒數	形狀	先前所需趨勢
鎚子線	看多	1	實體小且靠近區間頂部，下影線至少約為實體的兩倍，上影線很短或沒有	下跌
倒鎚子線	看多	1	實體小且靠近區間底部，上影線長	下跌
多頭吞噬	看多	2	先是一根下跌 K 棒，接著一根上漲 K 棒，其實體完全包住第一根的實體	下跌
貫穿線	看多	2	先是一根下跌 K 棒，接著一根上漲 K 棒，開盤低於第一根，收盤高於第一根實體的中點	下跌
晨星	看多	3	一根長下跌 K 棒，其下方一根小實體 K 棒，再接一根上漲 K 棒，收盤明顯深入第一根的實體	下跌
流星線	看空	1	實體小且靠近區間底部，上影線長，下影線很短或沒有	上漲
吊人線	看空	1	形狀與鎚子線相同	上漲
空頭吞噬	看空	2	先是一根上漲 K 棒，接著一根下跌 K 棒，其實體完全包住第一根的實體	上漲
烏雲罩頂	看空	2	先是一根上漲 K 棒，接著一根下跌 K 棒，開盤高於第一根，收盤低於第一根實體的中點	上漲
夜星	看空	3	一根長上漲 K 棒，其上方一根小實體 K 棒，再接一根下跌 K 棒，收盤明顯深入第一根的實體	上漲

十字線，也就是開盤與收盤幾乎相等的 K 棒，也常被列入。單獨出現時它只顯示猶豫不決，而不是方向，所以多數檢驗把它當作星線型態的一部分，而不是獨立訊號。若想了解更廣的 K 線家族，包括延續型態，請見多空 K 線型態的檢驗。

在檢驗中，什麼才算反轉？

可檢驗的反轉需要在看任何結果之前先寫好兩條規則：型態之前的趨勢是什麼，以及型態之後價格必須走多遠、多快。少了這兩條，每張圖都可以被解讀成成功，因為你總能在某處找到一次反彈。

趨勢過濾是判斷型態出現前市場是上漲還是下跌的規則。持有期間是型態之後你量測的固定 K 棒數。平均真實波幅（ATR）是 K 棒完整區間的平均大小，包含與前一根收盤之間的任何跳空。它適合當作尺規，因為 50 點的波動在平靜的一年和劇烈的一年意義完全不同。

把檢驗寫成編號步驟，例如：

1. 趨勢過濾。看多型態要求收盤低於 20 根 K 棒的移動平均，且低於 10 根 K 棒前的收盤。看空型態則把兩個條件反過來。
2. 用數字寫出型態規則。以鎚子線為例：下影線至少是實體的兩倍，上影線至多是實體的四分之一，實體位於區間的上三分之一。
3. 進場。型態要等最後一根 K 棒收盤才能確定，所以檢驗在下一根 K 棒的開盤進場，而不是在該收盤價進場。
4. 持有期間。事先選定，例如 5、10 和 20 根 K 棒，並全部報告。
5. 反轉門檻。只有在持有期間內價格朝先前趨勢的反方向至少走了 1 個 ATR，才算一次反轉。

要決定如何處理跳空。經典的貫穿線、烏雲罩頂和星線型態要求 K 棒之間有跳空。在幾乎全天交易的期貨上，兩根盤中 K 棒之間出現真正的跳空很罕見。跳空多半出現在交易時段開盤或週末之後。如果你拿掉跳空條件，請寫下來，因為你現在檢驗的是另一種、出現更頻繁的型態。

如何量測型態之後的後續報酬？

量測型態之後的平均走勢，再減去同一趨勢中一般 K 棒之後的平均走勢；只有差額才屬於這個型態。後續報酬是從進場到固定 K 棒數之後收盤的價格變化，並以型態預測的方向來計算。

基準是所有通過相同趨勢過濾、但沒有出現型態的 K 棒。它很重要，因為市場在下跌之後本來就常常反彈。因為鎚子線之後價格上漲就稱讚鎚子線，就像因為病人感冒後痊癒就稱讚某種藥，而多數感冒本來就會自己好。你需要知道沒有這種藥時病人多快復原。

真正重要的計算只有一個：

優勢 = R_pattern − R_baseline

其中 R_pattern 是型態之後的平均後續報酬，R_baseline 是同一趨勢中一般 K 棒之後的平均後續報酬，兩者都使用相同的持有期間，且都以 ATR 為單位。優勢就是型態額外帶來的部分。

除了命中率，也要看獲利與虧損的大小。型態可能比基準更常猜對，卻因為虧損筆數的金額較大而賠錢。勝率與期望值計算器可以把勝率、平均獲利和平均虧損換算成每筆的預期結果，讓你直接拿它和一買一賣（來回）的成本比較。那個來回成本可以取自 AlphaPrime（Valynox） 回測裡的手續費與滑價，對你測試的每一種型態變體一視同仁。

如何做樣本外檢驗並計算假訊號？

在資料較早的部分凍結所有規則，再在你沒看過的較晚部分只執行一次；在那裡仍保有優勢的型態，比任何樣本內數字都更有價值。樣本外資料是指從未參與選擇規則、門檻或持有期間的歷史。

假訊號是指型態之後價格沒有達到反轉門檻，或繼續朝先前趨勢的方向前進。在兩半資料中分別計算。如果假訊號在樣本外大幅增加，代表規則是針對前半段調出來的。

檢查項目	好的跡象	壞的跡象
兩半的優勢	樣本內與樣本外皆為正，且大小相近	樣本內很大，樣本外接近零或為負
鄰近設定	在 5、10 和 20 根 K 棒，以及略有不同的影線比例下，優勢相近	優勢只出現在單一持有期間
扣除成本後	優勢仍明顯大於一買一賣（來回）的成本	優勢大約只有一個跳動點的滑價
交易分布	結果來自多年間的許多筆交易	少數幾筆大額交易貢獻了大部分結果
假訊號	兩半的比例相近	後半段比例大增

單一次切分仍可能只是運氣。推進分析會在多個視窗重複切分，讓型態必須一再通過考驗。AlphaPrime的策略檢驗內建推進分析，以及你自行設定的門檻。

也要計算你的變體數量。十種型態、三種趨勢過濾、四種持有期間和兩種影線比例，就已經有 240 種組合。即使 240 個都沒有真正的優勢，其中最好的那個看起來也會很漂亮。Sullivan、Timmermann 和 White 對大量技術交易規則套用資料探勘檢定，顯示最佳規則必須對照整個搜尋範圍來評斷，而不能單獨看它。White 的 Reality Check 以及 Harvey 和 Liu 的研究遵循相同的概念。平減夏普比率是依你嘗試過的變體數量來修正結果的一種實用方法。

有沒有最佳的反轉 K 線型態？

沒有；從某一個市場、K 棒週期和期間得出的反轉型態排名，不能直接套用到另一個。「最佳反轉 K 線型態」的清單通常來自單一資料集、沒有基準，所以它們呈現的是某一次發生了什麼，而不是型態額外增加了什麼。

結果會因具體原因而改變：

• 市場。指數期貨、債券期貨和金屬期貨在下跌之後的習性各不相同。
• K 棒週期。5 分鐘 K 棒上的鎚子線反映的是幾分鐘的交易；日 K 棒上的則反映整個交易時段。
• 交易時段。包含夜盤或交易時段開盤的 K 棒，其區間與跳空和只含日盤的 K 棒不同。
• 期間。型態可能在某個波動環境中有效，到了下一個就消退。
• 成本。持有期間短，每筆交易的波動就小，成本佔去其中很大的比例。

比較經得起考驗的做法，是把型態當作完整規則組中的一個條件：趨勢過濾、型態、下一根 K 棒進場、明確的出場，以及貼近現實的成本。然後檢驗的是整個規則組，而不是孤立的 K 線。如果沒有任何版本在樣本外勝過基準，那也是有用的答案。它讓你免於交易一個只在圖表上看起來有說服力的形狀。

如果你使用 AlphaPrime，這代表：把反轉想法當作研究構想，轉成可檢驗的交易規則，寫明進場與出場條件、參數範圍和成本。然後讓含推進分析的檢驗來決定哪些候選策略留下來審視。

常見問題

最可靠的反轉 K 線型態是哪一個？

沒有任何單一型態在所有地方都可靠。結果取決於市場、K 棒週期、交易時段和你檢驗的年份。唯一的辦法，是把型態之後的走勢與同一趨勢中一般 K 棒之後的走勢比較，並扣除成本，使用你設定規則時沒用過的資料。

反轉 K 線型態在期貨上有效嗎？

它們可以像在任何市場一樣在期貨上檢驗，但有幾個細節不同。幾乎全天交易的期貨很少在盤中 K 棒之間出現跳空，所以要求跳空的型態除非放寬規則，否則會變得很罕見。請檢驗你實際會交易的版本，並納入手續費與滑價。

檢驗需要多少次型態出現？

越多越好，因為樣本小時，少數幸運的交易就能決定結果。許多交易者希望兩半資料各至少有數十次出現，最好超過一百次。如果型態太罕見，就用更長的歷史、更多市場，或較不嚴格的定義，並記錄這個選擇。

反轉 K 線出現後，應該等待確認嗎？

等下一根 K 棒朝新方向收盤是不同的規則，所以要當作獨立的變體來檢驗。確認通常會濾掉一些假訊號，但進場價格較差。用同一個基準比較兩個版本，並把兩者都算作你試過的變體。

哪個 K 棒週期最適合 K 線反轉訊號？

沒有普遍最佳的 K 棒週期。較短的 K 棒訊號較多，但每筆交易的波動較小，因此成本的影響更大。用相同的規則和以 K 棒數計的持有期間檢驗每個 K 棒週期，只保留在樣本外仍站得住腳的那一個。

參考文獻

• 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.
• Harvey, C. R., & Liu, Y. (2015). Backtesting. The Journal of Portfolio Management, 42(1), 13–28.
• Bailey, D. H., & López de Prado, M. (2014). The Deflated Sharpe Ratio: Correcting for Selection Bias, Backtest Overfitting and Non-Normality. The Journal of Portfolio Management, 40(5), 94–107.