波段交易指標：該用哪些、如何檢驗

目錄

1. 波段交易者實際上會用哪些指標？
2. 趨勢、動能與波動指標各自做什麼？
3. 如何避免重複的指標？
4. 為什麼日 K 棒、持有期間與隔夜跳空會改變檢驗方式？
5. 哪種組合最好，又如何公平比較？
6. 樣本外與推進分析檢驗如何搭配？
7. 指標檢驗能告訴你什麼，不能告訴你什麼？
8. 常見問題
9. 參考文獻

波段交易者實際上會用哪些指標？

波段交易者多半用移動平均線判斷趨勢，用 RSI 或 MACD 判斷動能，用 ATR 或布林通道判斷波動。沒有哪一個指標是最好的。某個組合只有在扣除手續費與滑價後仍勝過較簡單的版本，在日 K 棒上以貼近實際的跳空成交來計算，且在建構時沒用過的資料上依然有效，才值得進一步研究。

波段交易是一種持倉數天到數週、捕捉價格一段走勢（即「波段」）的交易風格。它介於當沖與部位交易之間：當沖會在交易時段結束前平掉所有部位，部位交易則持有數個月。下面五個指標出現在大多數波段設定中，每個都有多數看盤平台採用的標準預設值。

指標	角色	衡量什麼	常見預設值	波段常見用法
移動平均線	趨勢	最近 N 根 K 棒的平均價格	20、50 或 200 根 K 棒	只順著趨勢方向交易
RSI	動能	最近上漲幅度與下跌幅度的比較，範圍 0–100	14 根 K 棒	在上升趨勢中買進回檔
MACD	趨勢與動能	快速與慢速指數移動平均線之間的差距	12、26、9	抓回檔之後的轉折時機
ATR	波動	K 棒的平均幅度，包含跳空	14 根 K 棒	設定停損距離與部位大小
布林通道	波動	以移動平均線為中心，依標準差（衡量收盤價通常偏離平均多遠的指標）決定距離所畫出的通道	20 根 K 棒，2 個標準差	找出價格過度延伸或波動平靜的時期

趨勢、動能與波動指標各自做什麼？

每種角色回答不同的問題，所以好用的波段設定會從每種角色各取一個指標。可以想成開車旅行：趨勢指標告訴你道路往哪個方向走；動能指標是車速表，顯示車子在加速還是減速；波動指標告訴你路有多顛簸，讓你知道該留多少空間。

• 趨勢回答「往哪個方向？」常見的過濾條件是：只有收盤價在 50 日移動平均線之上才做多。
• 動能回答「何時？」在上升趨勢中，RSI 短暫下探可以標示回檔進場點。
• 波動回答「要多遠？」以 ATR 的倍數設定的停損，在劇烈的市場中放寬、在平靜的市場中收窄，讓你每筆交易承擔的風險相近。

如何避免重複的指標？

同一類的兩個指標通常只是把同一個看法講了兩次，而不是兩個獨立的看法。許多指標由相同的輸入計算而來，所以會一起上升、一起下降。

• RSI、隨機指標與威廉指標（Williams %R）都在衡量收盤價相對於近期價格走勢的位置。在多數圖表上，它們幾乎在同樣的 K 棒到達極端值。
• MACD 與移動平均線交叉關係緊密。MACD 線等於 12 根 K 棒的 EMA 減去 26 根 K 棒的 EMA，所以它穿越零軸的時點，正好就是這兩條平均線交叉的時點。
• 布林通道與 ATR都在衡量波動。一個用收盤價的標準差，另一個用真實波幅，但它們在相同的時期擴張與收縮。

簡單的檢查方式：計算兩個訊號在相同 K 棒上一致的頻率。如果幾乎總是一致，就拿掉一個。重複的指標會讓圖表看起來比實際更有把握。在檢驗時，它們還會增加參數，而每多一個參數，最佳化程式就多一個擬合雜訊的途徑。

為什麼日 K 棒、持有期間與隔夜跳空會改變檢驗方式？

波段交易會經歷收盤、夜晚與週末，所以回測必須正確處理跳空與下一根 K 棒成交。當沖的檢驗可以忽略隔夜風險，波段的檢驗不行。AlphaPrime（Valynox） 回測可以選你要的資料週期，成交一律在下一根 K 棒，正好符合波段持倉過收盤和週末的測試需求。

1. 決定由哪個交易時段的收盤形成日 K 棒。期貨會跨越多個交易時段。以全時段建構的日 K 棒，與只用日盤建構的日 K 棒，開盤、最高、最低價，以及在某些市場的收盤價都可能不同，指標值也就不同。
2. 在下一根 K 棒執行。以今天收盤價計算出的指標，只能觸發下一根 K 棒的委託。如果檢驗在用來判斷的同一個收盤價成交，用的就是一個你實際上無法成交的價格。
3. 跳空時以開盤價成交。如果價格開在你的停損之外，實際成交會在開盤價或其附近，而不是停損價。
4. 處理合約轉倉。連續月序列把即將到期的合約接在一起。未經調整的轉倉會造成假跳空，可能觸發在實際交易的合約上從未發生過的移動平均線與 ATR 訊號。
5. 預期交易筆數很少。日 K 棒的波段策略交易頻率遠低於日內策略，因此需要許多年的歷史資料，結果才有意義。

ATR 在這裡很有用，因為它的波幅包含了跳空。依ATR 設定停損與部位大小的停損，會為該市場常見的跳空留出空間。

哪種組合最好，又如何公平比較？

一般來說沒有最好的指標組合，只有在你的市場、K 棒週期與交易成本下表現最穩的那一個。要找出來，請用相同的資料、相同的執行規則與相同的交易成本檢驗每個組合，並且一定要納入一個簡單的基準。

基準通常就是只用趨勢過濾。如果加入 RSI 和布林通道後，扣除交易成本仍沒有明顯勝過「在 50 日平均線之上做多」，那些多出來的指標就只是裝飾。請以每個版本的淨平均每筆損益來評斷：

淨平均每筆損益 = 毛平均每筆損益 減去 一買一賣（來回）成本

毛平均每筆損益是扣除成本前的總結果除以交易筆數。一買一賣（來回）成本是進場與出場的手續費與規費，加上兩邊的滑價。多加的進場條件往往會增加波動較小的交易，而交易成本最先吃掉的就是小波動。

你測試了多少種組合，與哪一種勝出同樣重要。Sullivan、Timmermann 與 White（1999）指出，當許多技術交易規則在同一份資料上檢驗時，其中最好的那個可能純粹因為運氣而看起來很強。請記錄你試過的每一個版本。在 AlphaPrime中，策略生成讓你把指標、參數範圍以及進場與出場條件設為搜尋空間，而 AlphaPrime 的回測會用相同的手續費、滑價、下一根 K 棒執行與交易時段評估每個候選策略。

樣本外與推進分析檢驗如何搭配？

你在某一段歷史上挑出的組合，必須用它沒看過的歷史來檢驗。樣本外資料是指策略的規則與設定並非依據它所挑選的資料。推進分析是一種檢驗，會反覆在一段歷史窗口上調整策略，然後在下一個窗口上原封不動地交易。

1. 在看任何結果之前，先固定指標類型、參數範圍、交易成本與排名指標。
2. 保留最近的一段歷史，不要動它。
3. 對其餘部分執行推進分析。讓每個樣本內窗口長到足以包含有用的交易筆數，通常至少 30 到 50 筆。以日 K 棒來說，這代表窗口要有好幾年。
4. 檢查有多少個樣本外窗口是正的、所選參數在各窗口之間是否相近，以及結果在滑價加倍後是否仍然成立。
5. 最後才執行保留的期間，而且只跑一次。

推進分析與窗口選擇的指南對窗口有更詳細的說明。AlphaPrime 的策略檢驗包含推進分析，有基礎、標準與完整等級，也可自訂門檻。Bailey、Borwein、López de Prado 與 Zhu（2014）說明了這一步為何重要：試驗次數夠多之後，即使策略沒有優勢，也很容易找到極好的樣本內結果。

指標檢驗能告訴你什麼，不能告訴你什麼？

謹慎的檢驗可以排除某個組合，但不能證明某個組合未來會有效。請用結果來縮小名單，而不是預測報酬。

謹慎的檢驗能告訴你	謹慎的檢驗不能告訴你
每筆交易的優勢是否足以涵蓋貼近實際的交易成本	該優勢明年是否會持續
新增的指標是否比較簡單的基準更好	這個型態為何存在，或是否只是運氣
過去的回撤與跳空虧損有多大	下一次回撤的大小
結果在規則建構時沒用過的資料上是否成立	你的歷史中沒有出現過的市場狀態會如何表現

如果你使用 AlphaPrime，這代表：每種角色各定義一個指標作為搜尋空間，在每次評估中都保留交易成本（一律以下一根 K 棒成交），並讓推進分析檢驗決定哪些組合留在策略資料庫中。請拿每個結果與你也測試過的最簡單基準比較。

常見問題

波段交易最好的指標是什麼？

沒有哪一個指標適用於所有市場與 K 棒週期。多數波段交易者會組合趨勢指標（例如移動平均線）、動能指標（例如 RSI 或 MACD）與波動指標（例如 ATR）。合適的組合，是在你自己的市場中，扣除交易成本並在樣本外資料上勝過簡單基準的那一個。

波段交易策略該用幾個指標？

兩到三個很常見：一個管趨勢、一個管時機、一個管停損距離。每多一個指標，就多一些參數，也多一些擬合雜訊的途徑。只有在它衡量了其他指標沒有衡量的東西，並且在公平比較中改善了淨平均每筆損益時，才加入它。

波段交易指標用哪個 K 棒週期最好？

日 K 棒是最常見的選擇，因為波段交易持續數天到數週。有些交易者會用 4 小時或 60 分鐘 K 棒來抓進場時機。無論用哪個 K 棒週期，都要以下一根 K 棒執行、貼近實際的跳空成交，以及對每個版本相同的交易成本來檢驗。

為什麼波段交易的回測需要這麼多歷史資料？

日 K 棒的波段策略交易筆數相對較少，所以短短的歷史資料樣本太小，無法判斷。推進分析的每個窗口也需要足夠的交易筆數，以日 K 棒來說，代表每個窗口要好幾年。更長的歷史也涵蓋更多趨勢、盤整與高波動的時期。

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.
• 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.