回測入門：驗證策略的科學方法
「這個策略很厲害，我看圖看出來的！」這是台股討論區最常出現的句子。但「看出來」和「統計驗證」之間，有一道深深的鴻溝。人類的大腦極擅長在雜訊中找到「規律」，即使那個規律根本不存在——心理學家稱之為模式識別偏差（Pattern Recognition Bias）。
回測（Backtesting） 就是為了解決這個問題而存在的。它的核心思想非常簡單：用過去的歷史資料，模擬你的策略如果在當時被執行，結果會是如何。如果策略在過去有效，那麼（在一定假設下）它在未來也可能有效；反之，如果策略在過去就表現欠佳，那麼拿真錢去賭它，大概率是賠錢的。
然而，回測並不是萬靈丹。許多投資人做了回測，卻因為方法不當、陷入各種統計陷阱，最終得出誤導性的結論。本文將帶你從零開始理解回測的正確做法，以及那些你必須避開的致命坑洞，讓你的策略驗證過程真正有意義。
回測的基本流程
一個嚴謹的回測過程包含以下六個步驟：
步驟一：明確定義策略規則
在開始任何回測之前，你必須把策略「完全書面化」，也就是用清晰、無歧義的語言或程式碼描述每一個決策點：
- 進場條件：什麼時候買進？（例如：5 日均線向上穿越 20 日均線，且成交量為前五日均量的 1.5 倍以上）
- 出場條件（停利）：什麼時候獲利了結？（例如：股價上漲 8% 後出場）
- 出場條件（停損）：什麼時候認輸出場？（例如：股價下跌 4% 後出場）
- 部位規模：每次買多少股？固定金額還是固定比例？
- 同時持有股數上限：最多持有幾支股票？
- 是否考慮除息日、停牌日等特殊情況？
關鍵原則：規則必須在回測開始前就全部定義好，不能在看到回測結果後再回頭修改。這是最常見的「事後偏差」來源。
步驟二：準備乾淨的歷史資料
資料品質直接決定回測結果的可信度。台股回測常用的資料來源包括：
| 資料來源 | 特色 | 適用情境 |
|---|---|---|
| 台灣證券交易所（TWSE）官網 | 免費，有日 K 資料 | 初階回測 |
| Yahoo Finance Taiwan | 免費，Python 可直接抓取 | 個人研究 |
| 財報狗、CMoney API | 付費，資料較完整 | 進階回測 |
| TEJ 台灣經濟新報 | 學術級資料，最完整 | 機構/學術研究 |
資料清洗要點：
- 處理股票分割、配股除息的還原（調整後收盤價）
- 排除已下市股票（避免倖存者偏差，詳見後文）
- 確認節假日、停牌日的處理方式
步驟三：選擇適當的回測期間
回測期間的選擇至關重要。太短的回測期間樣本數不足，統計意義低；太長的期間可能包含市場結構已根本改變的時代。
建議：
- 至少涵蓋 一個完整的多空循環（台股大約 3-7 年）
- 盡量包含至少一次大幅修正行情（例如 2008 金融海嘯、2020 新冠急跌、2022 熊市）
- 若策略是日線操作，至少需要 3-5 年資料，取得 100 筆以上有效交易
步驟四：執行回測並記錄每筆交易
回測工具的選擇因技術能力而異：
- Excel / Google Sheets：手動計算，適合簡單策略，耗時但直觀
- Python（backtrader, zipline, vectorbt）：自動化回測，靈活強大，需要程式基礎
- TradingView Pine Script：在圖表上直接回測，視覺化效果好
- 專業平台（如 MetaTrader、QuantConnect）：功能完整，學習曲線較高
每筆交易記錄應包含：進場日期、進場價格、出場日期、出場價格、獲利/虧損金額、獲利/虧損百分比、持有天數。
步驟五：分析回測績效指標
單看「總報酬率」是不夠的，必須評估多個面向：
| 指標 | 說明 | 參考標準 |
|---|---|---|
| 年化報酬率 | 平均每年報酬 | >15% 算良好 |
| 勝率 | 獲利交易佔比 | 因策略而異，不是越高越好 |
| 盈虧比 | 平均獲利/平均虧損 | >1.5 為佳 |
| 最大回撤（MDD） | 峰值到谷底的最大跌幅 | <20% 為佳 |
| 夏普比率 | 超額報酬/波動度 | >1.0 算合理 |
| 卡爾瑪比率 | 年化報酬/最大回撤 | >1.0 算合理 |
| 交易筆數 | 足夠的樣本數 | 至少 50-100 筆 |
步驟六：進行樣本外驗證
這是最關鍵也最常被忽略的步驟。將歷史資料分成兩段：
- 樣本內資料（In-Sample）：用來開發和優化策略（例如 2015-2020 年的資料）
- 樣本外資料（Out-of-Sample）：保留起來，等策略定稿後才用來驗證（例如 2021-2024 年的資料）
如果策略在樣本外資料上仍然表現良好，可信度大幅提升；若樣本外表現遠遜於樣本內，則很可能是過度最佳化（詳見後文的「過擬合」問題）。
台股回測實例：20 日均線穿越策略
讓我們用一個具體例子走過完整回測流程。
策略定義：
- 標的池：台灣 50 成分股
- 進場：5 日均線向上穿越 20 日均線（黃金交叉），且當日成交量 > 10 日均量
- 停利：股價上漲 10%
- 停損：股價下跌 5%
- 部位規模：每筆投入資金 5%（20 等分）
- 同時最多持有 5 支股票
回測期間：2018 年 1 月 ～ 2023 年 12 月（含 2020 年新冠崩盤、2022 年熊市）
假設回測結果如下：
| 指標 | 結果 |
|---|---|
| 總交易筆數 | 187 筆 |
| 勝率 | 43% |
| 平均獲利 | +9.2% |
| 平均虧損 | −5.1% |
| 期望值/筆 | +1.04% |
| 年化報酬率 | 14.7% |
| 最大回撤 | −18.3%（2022 年） |
| 夏普比率 | 0.93 |
這個策略整體表現合格——勝率不高但期望值為正，最大回撤在可接受範圍，年化報酬超過大盤長期平均。但在下結論之前，我們還需要進行樣本外驗證，並且仔細檢查是否存在以下常見陷阱。
回測常見陷阱：讓你的結論失真的六大元凶
陷阱一：前視偏差（Look-Ahead Bias）
定義：在回測中使用了「當時不可能知道」的未來資訊。
台股常見範例：
- 用「當日收盤價」決定當日進場，但實際上收盤才知道收盤價，無法在收盤時同時成交
- 用「當日最高價」或「當日最低價」決定停損，但日內無法精確在最高/最低點操作
- 財報數據在公告後才能使用，但回測卻用了「公告前」就已知道的財報數字
修正方式：使用「下一日開盤價」進出場，模擬「看到訊號後隔天才能執行」的真實情境。
陷阱二：倖存者偏差（Survivorship Bias）
定義：只用「現在還存在」的股票做回測，忽略了在回測期間已經下市、合併或重組的股票。
影響：現在還存在的股票，往往是表現較好的股票。如果只對這些股票回測，會人為地拉高策略的勝率和報酬，因為你排除了所有最終消滅的輸家。
台股現實：台灣每年都有若干股票下市（財務危機、主動申請下市、SPAC 合併等）。2015 年台灣上市公司家數約 860 家，如果只用 2024 年現有的 970 家公司去做 2015 年的回測，就已經排除了那些在這 9 年間倒閉的公司。
修正方式：使用包含已下市股票的完整歷史股票池，或者至少只對大型績優股（倒閉風險較低）進行回測，並在解讀結果時承認此限制。
陷阱三：滑價與交易成本未計入
定義：真實交易中，進出場的實際成交價通常與你預期的「訊號觸發價」有所差距（稱為滑價），加上手續費和交易稅，實際報酬低於回測結果。
台股交易成本（以日線交易為例）：
- 買進手續費：約 0.1425%（券商可打折至 0.05% 左右）
- 賣出手續費：約 0.1425%
- 證券交易稅（賣出時）：0.3%
- 單次來回總成本：約 0.6%（含折扣手續費）
如果你的策略每筆平均獲利只有 2%，交易成本就佔了 30%，實際獲利大幅縮水。短線策略（幾天就進出一次）受交易成本影響最大。
修正方式：在回測程式中明確加入交易成本，包括手續費、交易稅，以及每筆設定 0.1-0.3% 的滑價假設。
陷阱四：流動性假設問題
定義：回測中假設你能在任何時間以任何數量成交，但現實中小型股的流動性有限，大量買進會推高股價，大量賣出會壓低股價。
台股情境：某支市值 10 億元的小型股，日成交量只有 500 萬元。如果你的策略要投入 200 萬元買這支股票，相當於買進該股四成的日成交量，市場衝擊成本極高，回測中的「漂亮進場價」根本無法在現實中實現。
修正方式：限制策略只交易流動性足夠的股票（例如每日成交金額 > 5,000 萬元），或者設定每筆投入金額不超過標的股日均成交量的 10%。
陷阱五：過度配適歷史（Over-fitting，過擬合）
這是最嚴重也最常見的問題，重要性足以單獨成文（本系列下一篇將詳述），在此簡要介紹：
當你對策略參數反覆調整，讓它完美「符合」歷史資料，你可能只是在「描述過去」而不是「預測未來」。例如，你不斷嘗試各種均線組合（3/15、5/20、8/21、10/30……），直到找到在歷史資料上表現最好的那組，但這組參數可能只是巧合地「記住」了歷史，在未來的新資料上效果可能很差。
陷阱六：心理執行差距（Implementation Gap）
即使回測完美，真實交易中你還面臨一個無法在電腦上模擬的挑戰：你的心理狀態。
回測中的「停損」是自動執行的，但真實交易中，當你看著股票跌到停損點時，「再等一下」的念頭會無比強烈。這種差異會讓真實交易的平均虧損遠大於回測中的數字，嚴重侵蝕期望值。
如何進行有效的前向驗證（Walk-Forward Testing）
比單純的樣本外測試更嚴謹的做法是滾動式前向驗證（Walk-Forward Optimization）：
- 取前 3 年資料（樣本內）優化策略參數，找出最佳設定
- 用接下來 1 年資料（樣本外）驗證這組參數的真實表現
- 滾動往前一年，重複步驟 1-2
- 比較每段樣本外期間的表現，評估策略的穩健性
這個方法能更真實地模擬「邊學邊用」的真實投資過程，也能發現策略是否只在特定市場環境（如大多頭）才有效。
台股回測的實用工具推薦
免費工具
- TradingView（免費版）：圖表回測，Pine Script 可寫自動策略，適合技術分析策略
- Python + yfinance + pandas：免費抓取台股歷史資料，程式化回測
- FinLab（台灣，有免費方案）：專為台股設計的回測平台，內建財報資料
付費工具
- Tejwin（台灣經濟新報）：學術級資料，含已下市股、財報資料，適合嚴謹研究
- FinMind（台灣開源，部分付費）：API 形式提供台股資料，CP 值高
- CMoney：散戶常用，有視覺化回測功能，資料較完整
結語：回測是起點，不是終點
回測是把交易從「憑感覺」提升到「有依據」的重要工具，但它永遠只是決策的參考，而不是保證獲利的保證書。
一個好的回測告訴你：「在過去的歷史條件下，這個策略大概能賺多少、風險大約多大。」但未來的市場環境永遠和過去不完全相同——新的監管政策、市場結構變化、流動性條件改變，都可能讓一個「完美」的回測策略在現實中失靈。
因此，正確的態度是：用嚴謹的回測排除明顯不可行的策略，再以小部位真實驗證，觀察實際績效是否接近回測預期。只有當模擬與現實相符，才算是真正通過考驗、值得加大規模的策略。在台股市場中，這份嚴謹的態度，是散戶投資人與專業機構之間最核心的差距之一。