ICT Order Block 信號引擎完整教學：從理論到 10 項增強、從回測到實盤對齊

點解要寫呢篇文？

今時今日量化交易嘅入場門檻低咗好多 — 一台機、一份歷史數據、一段 PineScript / Python 就可以跑 backtest。但門檻低唔代表容易贏錢。大部分自己寫嘅策略，落到實盤都係輸。

我喺 signals_module.ict_ob 入面寫咗一個信號引擎，目標係將 「ICT Order Block」呢套結構性交易理論，用 Python 向量化實現出嚟，並且做咗 10 項比原始 PineScript 更強嘅增強。呢篇文係一份 完整教學：你讀完之後，應該能夠

1. 講清楚咩係 Order Block（OB）、點解佢可以預測反轉
2. 知道呢個引擎由邊兩層組成（Brain + Hands）以及點解要分
3. 列出 10 個增強項目同埋每個解決咗咩問題
4. 自己改 StrategyConfig 嘅參數、做 backtest、睇結果
5. 知道實盤部分點由 MT5 接入、點保證同回測一致

成篇文會用 XAUUSD（M5）做主場景 — 因為呢個引擎就係為黃金交易設計嘅。

本文對應源碼：signals_module.ict_ob/

重點文件：signals.py（信號生成）, config.py（策略參數）, backtest/engine.py（回測）, live/engine.py（實盤）

1. 背景：XAUUSD 同算法交易

XAUUSD 即係倫敦 / 紐約場內交易嘅現貨黃金（以美元計價）。佢同一般股票好唔同：

• 24 小時交易（週一至週五，幾乎無停）
• 點差小、流動性高（倫敦 + 紐約合併時段）
• 波動大（單日 ±20-50 美元好常見）

呢啲特性令 XAUUSD 好適合用 M5（5 分鐘 K 線）做短線策略，亦都係 ICT Order Block 呢套結構性理論最常見嘅應用對象。

黃金嘅長線升值趨勢，加上 M5 級別嘅短線波動，提供咗一個 「順大趨勢、抓短線回測」 嘅天然策略舞台。

1.1 點解要自己寫？

呢個引擎屬於第三種。底層邏輯 100% 公開；想改任何一行（例如想加入宏觀新聞過濾、想用 M1 改做 H1），都可以喺幾分鐘內改完再 backtest。

算法交易嘅本質唔係「電腦幫你揀股」，而係 「將你嘅交易規則變成可以重複執行嘅代碼」。

2. 咩係 Order Block（OB）？

呢個理論源自 ICT（Inner Circle Trader）。核心觀念：

當一筆大資金（機構、莊家）想喺某個位置快速買入或賣出，佢哋會留低一組特殊嘅 K 線。

之後價格回測呢個區域嘅時候，往往會再次被呢筆資金承接 — 呢個區域就叫做 Order Block。

OB 同傳統 Support / Resistance（支撐 / 阻力）好相似，但有兩個關鍵分別：

1. OB 係由「特定 K 線結構」識別出嚟，唔係由主觀判斷劃線
2. OB 有「壽命」 — 被突破之後就失效（叫做 *Mitigation*），唔可以再用

Order Block 係「有根有據」嘅支撐阻力 — 唔係畫一條線就當係位。

2.1 兩種 OB

#### Bullish OB 嘅「Base Candle」範例

所謂 Base Candle，意思係「OB 嘅邊界由呢根 K 線定義」。Bullish OB 嘅 Base Candle 一定係一根 陰燭（close < open），因為佢代表「跌市入面最後一擊」。

引擎入面就係用類似嘅邏輯：偵測到 Pivot Low 之後，向前搜尋最多 5 根 K 線，搵最近嘅一根陰燭做 Base Candle。

#### Bearish OB 嘅 Base Candle 範例

Bearish OB 嘅 Base Candle 一定係一根 陽燭（close > open） — 代表「升市入面最後一擊」。

2.2 點樣量化「找 OB」呢個動作？

PineScript 嘅 ta.pivothigh() / ta.pivotlow() 函數喺 Python 必須自己寫。我哋嘅實現（見 signals.py）：

def _detect_pivot_high(highs, left=2, right=2):
    # bar i 為 Pivot High 若其 high 嚴格大於左 left 根 + 右 right 根嘅 high
    # 喺 i + right 嗰根（確認 bar）先返回值
    # 其餘 bar 為 NaN
    ...

呢個函數係 O(n × (left + right))，全向量化，200K 根 K 線大約 0.5 秒。

3. 引擎架構：Brain + Hands

呢個引擎採用 混合架構（Hybrid Architecture）：

• Brain（大腦層） — signals.py

- 純函數、無狀態、向量化

- 輸入 DataFrame，輸出帶信號嘅 DataFrame

- 回測同實盤 共用同一份代碼

• Hands（執行層） — backtest/engine.py + live/engine.py

- 物件導向、有狀態、逐 bar 迭代

- 處理訂單、持倉、摩擦成本

- 兩種引擎分別對應回測同實盤

MT5 / CSV Data
      ↓
┌───────────────────────────────┐
│  Brain (signals.py)           │
│  prepare_data()               │
│  detect_order_blocks()        │
│  generate_signals()           │
│  ─── 純函數、無狀態 ───         │
└──────────┬────────────────────┘
           ↓  DataFrame with signal/sl/tp
┌──────────┴────────────────────┐
│  Hands                        │
│  ┌─ BacktestEngine (回測)     │
│  │  • 逐 bar 模擬成交          │
│  │  • 計算手續費 + 滑點         │
│  │  • 統計勝率、Sharpe、MDD    │
│  └─ LiveEngine (實盤)         │
│     • POST 訂單到 trading API  │
│     • MT5 持倉超時自動關倉      │
└───────────────────────────────┘

3.1 點解要分 Brain 同 Hands？

呢個係呢個引擎嘅 最重要嘅架構決定。原因有三：

1. 可測試性 — Brain 係純函數，可以喺 Jupyter 一步步驗證；Hands 係 I/O 邊界，最難寫 test，所以要 keep 佢薄
2. 一致性保證 — 回測同實盤調用同一份 generate_signals()，保證行為 100% 一致
3. 效能優化空間 — Brain 可以用 numpy/pandas 全面向量化；Hands 必須逐 bar 迭代（模擬真實成交），所以佢哋嘅優化策略完全唔同

設計原則：The Brain 不持有任何狀態，The Hands 不做任何指標計算。

4. 信號生成流程（Brain 層）

成個 Brain 層分三步，每步都係一個獨立函數。

4.1 `prepare_data()` — 計算技術指標

輸入原始 OHLCV DataFrame，輸出加咗以下列嘅 DataFrame：

全部用 pandas / numpy 計算，唔使用 for 迴圈，100K 根 K 線 < 1 秒。

4.2 `detect_order_blocks()` — 偵測 OB

呢一步係 PineScript 邏輯嘅 Python 化，並且 做咗 1 個關鍵增強：雙向偵測。

原始 PineScript 只偵測 Bearish OB（睇空機會）。本引擎加埋 Bullish OB（睇多機會），兩個都用同一套 pivot 偵測邏輯：

搜尋窗口由 base_candle_search 參數控制（預設 5），即係最多向前 5 根 K 線搵 Base Candle。搵唔到就放棄，唔會強行用更遠嘅 K 線。

4.3 `generate_signals()` — 生成交易信號

最複雜嘅一步。逐 bar 迭代，根據當前價、活躍 OB 列表、各過濾器決定出唔出信號。

for i in range(start_i, n):
    atr_val = atr_arr[i]
    # 1. OB 失效檢查（mitigation）
    # 2. OB 過期檢查
    # 3. 趨勢過濾
    # 4. 時段過濾
    # 5. 成交量過濾
    # 6. RSI 過濾
    # 7. Displacement 過濾
    # 8. 做多：價格回測活躍 Bull OB 區域
    # 9. 做空：價格回測活躍 Bear OB 區域

呢個迴圈表面睇似 O(n × active_OB_count)，但因為：

• 用 numpy 預提取列（避免 df.iloc[i] 嘅 Series 開銷）
• OB 列表喺每次失效 / 過期時都會 shrink
• 早停：一旦該 bar 出咗做多信號，就唔再嘗試做空

200K 根 K 線嘅 M5 數據（≈ 2 年）全跑一次，30 秒 → < 1 秒。

5. 10 項增強（相比原始 PineScript）

呢個引擎相比原本 PineScript 嘅版本，做咗 10 項有意義嘅增強。每一項都係為咗解決一個具體嘅交易問題，唔係為加而加：

5.1 OB 評分系統（重點講）

呢個係最實用嘅增強。_score_ob() 函數將 OB 質量量化為 0-1 分數，由四個維度加權：

最低分數門檻由 min_ob_score 控制（預設 0.3）。分數低過門檻嘅 OB 直接跳過，唔考慮入單。

評分系統嘅好處：將「呢個 OB 睇起上來 OK 唔 OK」呢個主觀判斷，變成一個 0-1 嘅數字。Backtest 嗰陣可以單獨比較「分數 > 0.6 嘅 OB」嘅勝率，量化驗證邊類 OB 真係比較好。

5.2 增強項目嘅開關

所有 10 項增強都係 可開可關。StrategyConfig 入面有對應 bool 參數，預設值如下：

use_displacement_filter = True   # ON — 預設開
use_fvg_filter          = False  # OFF — 預設關（信號太疏）
track_mitigation        = True   # ON
use_ob_scoring          = True   # ON
use_trend_filter        = True   # ON
use_session_filter      = True   # ON
use_rsi_filter          = False  # OFF
use_volume_filter       = True   # ON

想做 A/B 測試？用 --no-scoring 跑一次 backtest，再用預設跑一次，比較兩個結果。run.py 嘅 CLI flags 全部對應呢啲參數。

6. `StrategyConfig`：所有可調參數

呢個 dataclass 集中管理所有策略參數，回測同實盤共用同一份設定，避免「回測贏錢、實盤輸錢」嘅常見陷阱。

6.1 信號參數

6.2 過濾器開關

（見上節 5.2）

6.3 執行參數（Hands 層）

啟用實盤前，記得係 dry_run = True 跑一兩日，確認信號出嘅頻率、SL/TP 嘅距離都係你想要嘅。signal_ob_score 欄位會寫入實際 OB 評分，dump 出嚟對圖睇非常有幫助。

7. Backtest 引擎（Hands — 回測）

BacktestEngine 接收信號 DataFrame，逐 bar 模擬真實交易。重點設計：

7.1 訂單生命週期

@dataclass
class Order:
    direction: int          # 1 = 做多, -1 = 做空
    entry_price: float      # 入場價（已加滑點）
    sl_price: float
    tp_price: float
    exit_price: float = 0.0
    exit_bar: int = 0
    exit_reason: str = ""   # 'SL' / 'TP' / 'TIMEOUT' / 'CLOSE'
    pnl: float = 0.0        # 已扣手續費 + 滑點
    ob_type: str = ""       # 'BULL' / 'BEAR'
    ob_score: float = 0.0

每一筆交易都係一個 Order 物件，記錄 入場、出場、盈虧、原因、對應 OB 資料。get_trades_df() 會將全部訂單轉成 DataFrame，方便 dump 出嚟做後期分析。

7.2 出場優先順序

逐 bar 檢查出場條件，嚴格優先順序：

1. 止損（SL）  — 即刻出場，最高優先
2. 止盈（TP）  — 即刻出場
3. 超時        — 持倉超過 max_holding_bars 強制平倉
4. 反向信號    — ⚠️ 當前版本唔支持加倉或反手

注意：當同一根 bar 同時觸及 SL 同 TP（極端行情），會先當 SL 出場（悲觀假設），呢個係回測最常見嘅偏差源之一。真實市場可能會成交喺 SL 同 TP 之間嘅中間價。

7.3 績效指標

get_results() 自動計算：

想知策略有冇 overfit？ 將 M5 數據切兩段（前 70% 做訓練，後 30% 做驗證），比較兩段嘅 PF 同 Sharpe。如果差距大過 30%，好大機會 overfit。

7.4 摩擦成本

回測一定要加 手續費 + 滑點，否則勝率會被高估。

呢個引擎每筆交易計兩次手續費（開倉 + 平倉），仲會根據方向加滑點：

• 做多入場：close + slippage（悲觀假設）
• 做多出場：SL/TP 價原值（已是最壞價）
• 做空入場：close - slippage
• 做空出場：SL/TP 價原值

XAUUSD 0.01 手嘅單，手續費加滑點大約 $0.3-0.5。如果平均 PnL 唔夠呢個數，策略基本上唔可能賺錢。

8. 實盤引擎（Hands — 實盤）

LiveEngine 繼承 LiveEngineBase，共享 MT5 連接、主循環、bar 時間追蹤等基礎設施。佢只負責 ICT OB 策略特有嘅嘢：

8.1 與回測嘅對齊保證

回測贏錢 + 實盤輸錢 = 99% 係因為回測同實盤嘅邏輯唔一致。呢個架構嘅核心承諾就係「消除呢類偏差」。

8.2 實盤主循環

while True:
    if new_bar_formed():
        df = mt5.copy_rates_from_pos(symbol, M5, 0, lookback_bars)
        df = prepare_data(df, **cfg.get_prepare_kwargs())
        df = detect_order_blocks(df, **cfg.get_signal_kwargs())
        df = generate_signals(df, **cfg.get_signal_kwargs())
        signal = df.iloc[-1]["signal"]
        if signal != 0 and not has_position():
            send_signal(signal, sl, tp)  # POST 到 trading API
    time.sleep(poll_interval)

每 poll_interval 秒（預設 5）檢查一次有冇新 M5 bar 形成，有就先 call 一次 Brain，最後一根嘅 signal 唔等於 0 就出單。

8.3 強制測試模式

StrategyConfig 內有兩個測試專用參數：

force_signal: bool = False
force_direction: str = "BUY"

設 force_signal = True 之後，第一根新 bar 會自動發送一個合成的 force_direction 信號（無視所有 OB 偵測）。用嚟測：

• trading API 通訊有冇問題
• MT5 訂單執行流程通唔通
• 風險管理（持倉上限、單筆金額上限）有冇生效

正式上線前一定要 set dry_run = True 跑 2-3 日，期間唔會真出金，但所有信號同訂單 log 都會寫入。

9. 點樣自己跑一次

9.1 環境準備

# 確保用 native Python 3.10
& "C:\Users\Rick\AppData\Local\Programs\Python\Python310\python.exe" -m pip install MetaTrader5 pandas numpy

9.2 跑回測

# 用模擬數據（預設）
& "C:\Users\Rick\AppData\Local\Programs\Python\Python310\python.exe" -m signals_module.ict_ob.backtest.run

# 用真實 MT5 數據
& "C:\Users\Rick\AppData\Local\Programs\Python\Python310\python.exe" -m signals_module.ict_ob.backtest.run --data data/data_XAUUSD_M5.csv

# 調整盈虧比
& "C:\Users\Rick\AppData\Local\Programs\Python\Python310\python.exe" -m signals_module.ict_ob.backtest.run --reward-ratio 3.0

# 關閉部分過濾器做 A/B 測試
& "C:\Users\Rick\AppData\Local\Programs\Python\Python310\python.exe" -m signals_module.ict_ob.backtest.run --no-displacement --no-scoring

9.3 跑實盤

# 預設 dry_run = True（推薦先用呢個跑 2-3 日）
& "C:\Users\Rick\AppData\Local\Programs\Python\Python310\python.exe" -m signals_module.ict_ob.live.run

# 真實出金模式（⚠️ 真錢）
& "C:\Users\Rick\AppData\Local\Programs\Python\Python310\python.exe" -m signals_module.ict_ob.live.run --no-dry-run

9.4 結果點睇

跑完 backtest 之後，get_results() 會 print 一個矩陣。重點睇呢 4 個數字：

總交易次數       → < 50 = 樣本太少，結論唔可靠
勝率             → > 45% + PF > 1.3 = 初步合格
最大回撤 (MDD)   → < 20% = 風控合格
夏普比率         → > 1.0 = 風險調整後回報合理

⚠️ 任何一項唔合格都唔好上實盤。M5 嘅 1-2 年數據，回測出嚟 PF < 1.2、Sharpe < 0.8 嘅策略，落到實盤 99% 會輸。

10. 點樣自己改呢個引擎

引擎嘅設計鼓勵兩類修改：

10.1 加新過濾器

最常見嘅修改。例如想加「外匯新聞事件過濾」：

1. 喺 StrategyConfig 加 use_news_filter: bool = False
2. 喺 generate_signals() 加一段（接收新聞日曆 DataFrame 做額外 input）
3. 唔通過就直接 continue

呢個改動只影響 Brain 層，Hands 層完全唔使動。

10.2 換時間框架

預設係 M5。想試 M15 / H1：

1. StrategyConfig.symbol 同 timeframe 改值
2. 重新 backtest 一次（唔使改代碼）
3. 留意 ob_max_age、pivot_left_bars 等需要按 TF 比例調整

例如 M15 嘅 ob_max_age 應該由 50 改成 17（約等於 M5 × 50 / 15 ≈ 167 K 線 / 15 ≈ 11，實際 17-25 比較好）。

10.3 加新出場規則

例如想加入「移動止損（Trailing Stop）」：

1. 喺 BacktestEngine._check_exit() 加新條件
2. 計算 trailing SL（例如每根 bar 將 SL 移近 entry + 0.5× ATR）
3. 重新 backtest，比較結果

⚠️ 改 Hands 層嘅嘢要特別小心 — backtest 同實盤嘅偏差最容易從呢度產生。改完一定要喺 dry_run = True 嘅實盤跑幾日。

11. 常見陷阱

11.1 Look-Ahead Bias（偷看未來）

規則：Brain 層所有計算，必須只用第 i 根同之前嘅數據。

呢個引擎已經嚴格遵守（所有 numpy 提取都係 [i]，唔係 [i+1]）。但如果你自己加新功能（例如想用「下一根 K 線嘅 high 嚟做 SL」），就會破壞呢個保證。

11.2 Overfit

最容易中招嘅地方係 StrategyConfig 調參。如果你係 backtest 完之後再改參數、再 backtest、再改⋯⋯ 跑 100 輪之後揀最好嗰個，咁個結果係 揀選偏差（selection bias），唔係真實表現。

好習慣：用 walk-forward 驗證。將數據切成多段，每段用前段做訓練、後段做驗證，最後攞全部驗證段嘅平均結果。

11.3 信號太疏 / 太密

如果 generate_signals() 跑出嚟 100 根 K 線先出一個信號，統計意義唔夠。

如果 10 根 K 線就出 5 個信號，過度交易、手續費食晒。

理想頻率（XAUUSD M5 一年數據）：

• 出信號：~ 100-300 筆
• 平均持倉：~ 10-30 根 K 線（50-150 分鐘）

11.4 LiveEngine 同 BacktestEngine 行為唔一致

如果發現實盤表現明顯差過回測，第一步就係 dump 實盤最後 50 根 K 線出嚟，跑一次 backtest 比較。99% 嘅時候你會發現：

• 數據有 NaN
• 時間窗口唔同
• 有交易時段被 skip
• 某個過濾器喺實盤入面被關咗

12. 結語

呢個引擎嘅 真正價值 唔係「自動幫你賺錢」 — 任何聲稱可以嘅嘢都係騙局。真正價值係：

1. 將一套交易理論完整代碼化，方便研究同迭代
2. 嚴格分層架構，回測同實盤行為一致
3. 10 項增強項目，每項都對應一個具體交易問題
4. 可讀、可改、可審計 — 所有邏輯攤開喺 4 個 Python 檔案入面

寫算法交易系統，本質係寫一份 「你自己嘅交易決策書」。

如果你寫嘅代碼連你自己都睇唔明，咁個策略根本唔可能持續改進。

下一步可以做嘅事：

• 將呢個引擎 port 到 TradingView PineScript（用 mcp_tradingview_* tools 自動寫 + 測）
• 將 M5 改做 M15，比較兩個 TF 嘅 Sharpe
• 加 walk-forward 驗證腳本，做更嚴格嘅樣本外測試
• 同 外匯新聞日曆 對接做事件過濾

記住：策略迭代係終身嘅事。呢個引擎只係起點，唔係終點。