回測可以信嗎？上實單前的六項檢查
回測是規則在舊價格上、依所列成本與成交設定交出的紀錄，不是預測。要依序通過六項檢查才可信：沒有前視偏誤或資料錯誤、成本符合實際、樣本外交易筆數足夠、做過推進分析、沒有過度最佳化跡象，以及小額前瞻測試。
作者 Soren Huang · 發佈 · 更新於 · 編輯原則
目錄
回測可信嗎？通過六項檢查才算
回測可信嗎？必須依固定順序通過六項檢查：沒有前視偏誤或資料錯誤、成本符合實際、樣本外交易筆數足夠、做過推進分析、沒有過度最佳化跡象，以及小額前瞻測試。回測是規則在舊價格上、依所列成本與成交設定交出的紀錄，不是預測。任何一項檢查失敗，策略就回到研究階段。
順序有其道理。第 1 項檢查出現洩漏，之後每個數字都失去意義；第 2 項檢查的成本錯誤，會改變哪些策略能進入第 3 項檢查。期貨回測的定義說明回測這份紀錄本身；回測軟體比較列出工具必須讓你設定的項目，否則六項檢查根本無法執行。
檢查 1：回測有沒有偷看未來，或用了錯誤資料？
多數在實單中崩潰的回測，用了交易者當時不可能拿到的資訊。前視偏誤，是指規則讀到了當時尚不存在的價格：在給出訊號的那根 K 棒上直接成交、會重繪過去數值的指標、連續月中留下的轉倉跳空、觸發停損的異常報價。先做一根 K 棒位移測試：每個訊號改在下一根 K 棒的開盤價成交，而不是訊號 K 棒的收盤價，再比較兩份報表。結果因此崩掉，代表原本有洩漏。常見的洩漏來源，列在回測中的前視偏誤。
檢查 2：結果扣掉手續費與滑價後還成立嗎？
把未扣成本的平均每筆損益，與完整的一買一賣成本相比；優勢若與成本相近，多一個跳動點的滑價就會消失。從第一次執行起，就把手續費、交易所費用與滑價放進搜尋；事後才加，會淘汰大部分入圍者，白白浪費搜尋時間。免費的勝率計算機可算出平均每筆損益還剩多少。
假設性範例
未扣成本的平均每筆損益 $90。一買一賣的手續費與費用 $30。每邊各一個跳動點的滑價，每跳動點價值 $10：$20。平均每筆淨損益 $40。若滑價加倍成 $40，淨額降到 $20，不到未扣成本數字的四分之一。
檢查 3 與 4：樣本外要多少筆交易才夠，為什麼推進分析能給你更多？
用已完成的交易筆數、而不是年數，來衡量歷史中未動過的那一段，因為平均每筆損益的不確定度，只會隨交易筆數的平方根縮小。樣本外（OOS）資料，是從未參與選擇規則或設定的那段歷史。兩年的樣本外資料，月度波段規則只有二十四筆交易，日內規則卻有一千筆；日期相同，證據的分量差距極大。只有一條公式：
平均每筆損益的不確定度 = 單筆交易的離散程度 ÷ √N
單筆交易的離散程度，是單筆結果通常偏離平均多遠；N 是樣本外交易筆數；√N 是它的平方根。樣本外交易有幾百筆是可行的目標；不到約 30 筆只是線索，不是結果。
推進分析是這樣一種測試：在一個區間內最佳化設定，原封不動套用到接下來的區間，往前推進再重複，最後把各測試段接成一條曲線。這條接起來的曲線，是你唯一真正可能交易到的一條；它包含的樣本外交易，比同一段歷史只切一次來得多；也能看出重新選出的設定，在區間往前推進時是否持續有效（Pardo，2008）。在 AlphaPrime（Valynox）中，推進分析是策略檢驗的其中一步；通過門檻在搜尋開始前就已寫定，策略一旦沒過前面的檢查，後面的檢查就停止。
檢查 5：如何看出過度最佳化？
最佳結果出自大規模搜尋，會被搜尋本身美化，所以要先做參數高原測試、以蒙地卡羅重排交易順序，並確認獲利分散在不同時期，才去讀標題數字。下列這次執行測的是 NQ 日 K 棒，期間 2019-01-02 至 2025-06-30，多空皆做，一口，以艾爾德射線的空頭力道（Bears Power）規則作為替代規則，而非主題本身；它是 1,024 次嘗試中，依報酬相對回撤而留下的那一個候選策略；事後挑出留下的那一個會美化它，讀者不能預期得到這些數字。
來源：AlphaPrime 產品引擎（CPU），2026-10-31 執行。NQ 日線，2019-01-02 至 2025-06-30，多空都做，1 口，每筆手續費 $20、滑價 $10。
| 項目 | 結果 |
|---|---|
| 淨利（已平倉） | $130,510 |
| 最大回撤 | $86,105 |
| 交易筆數 | 227 |
| 勝率 | 52.86% |
| 獲利因子 | 1.229 |
| 平均每筆 | $574.93 |
| 持有部位時間 | 55.42% |
過度最佳化，是把規則調得和某一段歷史貼得太近，以致它描述的是那一段的雜訊。三項測試能讓它現形。第一，跑相鄰的設定：回看期間在 20 有效、在 18 與 22 失效，是尖峰，不是高原。第二，用免費的交易用蒙地卡羅模擬器重排交易順序，讀回撤的範圍，而不是單一數值；若要同時跑多個策略，應以投資組合回測與合併後的回撤為規劃依據。第三，數有幾個季度貢獻了獲利。Bailey 等人（2014）指出，搜尋試的變體越多，最佳者被高估得越多；Bailey 與 López de Prado（2014）則提出依試驗次數對夏普比率打折的方法。更多在信任策略之前先設法打破它的方法，見交易策略的穩健度測試。
檢查 6：為什麼要先小額前瞻測試，再以完整部位交易？
以最小口數做一段短期的實單或模擬運行，把回測中關於成交、滑價與交易時段時點的假設，變成量到的數字。前瞻測試，是把固定下來的規則，放到規則寫成時尚不存在的價格上執行。開始之前先寫好容忍範圍：例如，實單扣除成本後的平均每筆損益，必須維持在回測數字的一定比例之內；量到的滑價不得高於檢查 2 所用的數值。累積到足以判讀的交易筆數後，依這個容忍範圍比較回測與實單結果。在範圍內，就提高到原訂的部位大小；在範圍外，帶著量到的成本回到檢查 2。
下一步：拿出你最信任的策略，把每一次成交從訊號 K 棒的收盤價，改到下一根 K 棒的開盤價，再比較兩份報表。這一根 K 棒的位移就是檢查 1，不花任何成本，只要幾分鐘。
常見問題
回測賺錢，實單就會賺錢嗎？
不會。回測是規則在舊價格上、依所列成本與成交設定交出的紀錄，不是預測。六項檢查靠移除洩漏、正確計入成本、用未動過的資料評分、以小額度量真實成交，來縮小回測與實單結果之間的落差。
回測要有多少筆交易才可靠？
數樣本外交易筆數，不要數年數。平均每筆損益的不確定度隨交易筆數的平方根縮小，所以筆數多四倍，不確定度才減半。樣本外有幾百筆交易是可行的目標，而推進分析能從同一段歷史產生更多筆。
如何分辨過度最佳化與真正的優勢？
跑相鄰的設定：相鄰設定一致的高原，比單一尖峰是更好的跡象。確認獲利分散在各季度，讀蒙地卡羅的回撤範圍而不是單一數值，並依搜尋試過的變體數量，把最醒目的結果打個折扣。
回測到底可靠嗎？
作為規則在過去價格上、依你設定的成本、交易時段與成交規則所做之事的紀錄，回測是可靠的；作為對未來結果的預測，則不可靠。把報表當成有待檢查的證據，讓六項檢查決定它有多大的分量。
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., & 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.
- Pardo, R. (2008). The Evaluation and Optimization of Trading Strategies (2nd ed.). John Wiley & Sons.