如何回測交易策略：步驟、免費工具與常見錯誤

目錄

1. 如何正確回測一個交易策略？
2. 第一次執行前應該決定什麼？
3. 規則需要精確到什麼程度？
4. 需要多少資料、什麼樣的資料？
5. 回測應該計入哪些成本？
6. 委託單應該在何時、以什麼價格成交？
7. 免費回測軟體能做什麼？
8. 哪些錯誤會讓回測看起來比實際更好？
9. 如何解讀最初的結果？
10. 如何用策略從未見過的資料來測試？
11. 回測無法告訴你未來的哪些事？
12. 常見問題
13. 參考資料

如何正確回測一個交易策略？

把規則寫到電腦能照著執行的程度。用乾淨的歷史資料測試。計入貼近現實的手續費與滑價。只在你實際可能成交的價格成交。然後用建構策略時從未用過的資料檢查結果。免費工具處理單次測試沒有問題，真正困難的是誠實地測試大量變體。

回測是一種模擬：把固定的交易規則套用在歷史價格上，記錄這些規則會產生的交易。飛行模擬器是個不錯的比喻。重播過去天氣的模擬器，能顯示飛機如何應付已經發生過的風暴，卻無法顯示明天的風暴。回測的運作方式相同。它有用，是因為規則面對的是真實的過去行情；它有限制，也是同樣的原因。

正確的回測依下列六個步驟、按此順序進行：

1. 規則：定義進場、出場、停損與部位大小，不留任何主觀判斷的空間。
2. 資料：選定市場、K 棒週期、交易時段與日期範圍，並檢查資料是否有錯誤。
3. 成本：設定每口或每股的手續費、交易所費用與滑價。
4. 執行假設：決定每張委託單在何時、以什麼價格成交。
5. 執行：以這些固定的設定跑一次測試。
6. 檢視：閱讀交易明細、回撤與逐年結果，然後用未見過的資料測試。

第一次執行前應該決定什麼？

在執行測試之前，先決定所有會改變結果的設定。看到結果之後才調整的設定，會變成擬合的一部分。

規則需要精確到什麼程度？

規則要寫到兩個人照著做會下出相同的交易。「趨勢看起來很強時買進」不是規則。「當 20 根 K 棒均線收在 50 根 K 棒均線之上時，於下一根 K 棒開盤買進」才是規則。要包含出場與停損。許多策略之間的差異，在出場方式上比進場方式更大。

需要多少資料、什麼樣的資料？

使用足夠長的歷史，涵蓋上漲、下跌與盤整的時期，並且至少包含一次劇烈的殺盤。對期貨而言，要決定各個合約月份如何接合。連續月是把相繼的合約月份接成一條走勢的價格序列，而接合時的調整方式會改變過去的價格。做股票回測時，要使用已針對股票分割與股息調整的價格，並納入後來下市的公司。把它們排除在外稱為倖存者偏差，會讓過去的結果看起來比實際更好。回測資料品質：缺漏、壞跳動點、時區與轉倉這篇指南詳細說明各項檢查。另外也要決定你的 K 棒只涵蓋日盤，還是涵蓋全時段。用日盤 K 棒測試、卻在隔夜持倉的策略，是另一個不同的策略。

回測應該計入哪些成本？

滑價是回測所假設的價格與你實際成交價格之間的差距。市價單與停損單通常成交得比觸發價更差。進場與出場都要計入成本。然後把成本與平均每筆損益比較，詳見回測中的交易成本：手續費、滑價與平均每筆損益。

委託單應該在何時、以什麼價格成交？

下一根 K 棒成交的意思是：根據某根 K 棒收盤計算出的訊號，在下一根 K 棒成交，因為你得知訊號時，那個收盤已經結束了。也要決定停損單與限價單如何成交。常見的做法是：限價單只有在價格穿越限價時才成交，只是碰到並不算。

免費回測軟體能做什麼？

免費回測軟體適合在圖表上一次測試一個想法。當你想測試大量變體、保留紀錄，並預留資料做誠實的檢驗時，事情就變得比較困難。

免費選項	擅長之處	需要預先考量
TradingView 策略測試器	在圖表的商品與 K 棒週期上執行 Pine Script 策略。會顯示績效摘要與交易明細。手續費與滑價在策略屬性中設定。預設情況下，從某根 K 棒收盤發出的委託單，在下一根 K 棒開盤成交。	每份報表只涵蓋目前的輸入值。可用的歷史長度取決於方案與 K 棒週期。
試算表	適合簡單的日 K 規則，每一項計算都看得到。	盤中資料與 K 棒內的停損需要大量手動作業。
開源 Python 函式庫	免費且靈活，能測試任何你寫得出來的規則。	成交與成本的邏輯要自己撰寫並檢查。
圖表回放（手動測試）	一根一根 K 棒地訓練你的眼力與執行。	速度慢，也很難以完全相同的方式重複。

無論使用哪一種免費工具，都要檢查三件事。成本有開啟嗎？訊號是在下一根 K 棒成交嗎？你能否保留一段調整參數時絕不去看的資料？如果你是手動嘗試變體，也要記下你試了多少個。這個數字之後會很重要。

這些工具也能搭配使用。在 AlphaPrime（Valynox）找到的策略，可以匯出為 Pine Script v6 原始碼，在 TradingView 的策略測試器中執行，作為獨立的第二次檢查。AlphaPrime 也能匯出到 MultiCharts、TradeStation 與 NinjaTrader。支援平台匯出頁面列出了這四個平台。不同程式之間的資料來源與成交規則各不相同，因此要比較兩邊的交易明細，而不只是比較總數。

哪些錯誤會讓回測看起來比實際更好？

多數虛高的回測，來自三種錯誤：前視偏差、忽略成本與過度最佳化。這三者都把結果往同一個方向推：向上。

錯誤	表現	如何避免
前視偏差	訊號用的是某根 K 棒的收盤，交易卻在同一個收盤價成交。或是測試在一天結束之前就用了當天的最高價。	在下一根 K 棒成交。只使用做決定的那一刻已經確定的數值。
忽略成本	許多小額交易，加上平滑的權益曲線。	在第一次執行前設定好手續費與滑價。把滑價加倍再跑一次。
過度最佳化	參數非常特定，稍微移動一點結果就崩潰。	讓規則保持簡單，檢查鄰近的參數值，並用未見過的資料測試。

前視偏差是指在測試中使用了下單當時尚未取得的資訊。過度最佳化是把策略調整得過度貼合過去的資料，以致捕捉到的是隨機雜訊，而不是會重複出現的規律。試的變體越多，過度最佳化就越嚴重。Bailey 等人（2014）指出，當測試的組合夠多時，其中一個一定會在建構它所用的資料（樣本內期間）上看起來很強，即使資料中根本沒有真正的規律。

如何解讀最初的結果？

先看交易明細與回撤，再看淨損益。只靠少數幾筆交易或某一年堆出來的大額總數，說明不了什麼。

• 交易筆數：幾十筆交易只能給出非常粗略的估計。交易越多，估計越穩定。
• 扣除成本後的平均每筆損益：它應該是一買一賣（來回）成本的數倍，這樣成交變差時才不會被吃光。
• 最大回撤：權益從高點跌到之後低點的最大跌幅。問問自己，用真錢的話你撐得過去嗎。
• 逐年與多空方向的結果：把多單與空單分開來看。如果一個策略的獲利全都來自某一年或某一個方向，它就依賴那段時期。
• 最大幾筆交易：拿掉最好的兩三筆交易，看看剩下什麼。

期望值是策略平均每筆交易的賺賠金額。計算方式如下：

期望值 =（W × 平均獲利）−（L × 平均虧損）

其中 W 是獲利交易所占的比例，例如 40% 就是 0.40。L 是虧損交易所占的比例，以此例就是 0.60。平均獲利與平均虧損以扣除成本後的金額計算。勝率與期望值計算器可以根據你的交易明細算出這些數字。

如何用策略從未見過的資料來測試？

開始之前，先留出一段歷史。把完成的策略在這段資料上只跑一次，不更動任何東西。樣本外資料是你在設計或調整策略時，策略從未見過的歷史，也是回測最接近全新開始的方式。

一段未見過的期間只是一次測試。推進分析則會重複這個循環：在一個視窗上調整，在下一個視窗上測試，向前推進，再把未見過的各段接成單一結果。如果你打開了未見過的資料、修改規則後再測一次，它就不再是未見過的了。

研究者把這個問題稱為資料窺探。White（2000）描述了一種檢定：在把搜尋規模納入考量之後，檢驗搜尋中找到的最佳規則是否勝過基準。夏普比率是平均報酬除以報酬的波動幅度，是衡量每單位風險報酬的分數。Harvey 與 Liu（2015）說明了如何依據測試的變體數量下調這個分數。

回測無法告訴你未來的哪些事？

回測告訴你的是，固定的規則在過去價格的某一條路徑上如何表現，並不會告訴你下一條路徑會是什麼樣子。

• 市場變化：波動、流動性與其他交易人的行為會隨時間改變。交易所規則與交易時間也會改變。
• 你的實際成交：快市、較大的委託量，以及跨越休市時段的跳空，成交可能比你設定的任何假設都更差。
• 資料中沒有的事件：歷史中從未出現過的衝擊類型，是沒有被測試到的。
• 你自己：回測會在每一次回撤中跟隨每一個訊號。真人可能在連續第五次虧損後就停手了。

如果你使用 AlphaPrime，這代表：AlphaPrime 的回測會以你自己的歷史 K 棒資料評估每一個候選策略，並計入手續費、滑價、下一根 K 棒成交，以及你所選的交易時段。上述每個步驟都是只需固定一次的設定，因此在任何候選策略被排名之前，所有候選策略適用的是同一套規則。

常見問題

我可以免費回測交易策略嗎？

可以。TradingView 等圖表平台內建策略測試器，試算表適合簡單的日 K 規則，開源 Python 函式庫則能測試任何你寫得出來的規則。無論用哪一種，都要開啟手續費與滑價、讓訊號在下一根 K 棒成交，並保留一段資料做最後的測試。

回測需要多少筆交易？

交易越多，對平均每筆損益的估計越穩定。幾十筆交易是非常粗略的下限，參數很多的策略則需要更多。也要檢查這些交易是分散在不同年份，而不是集中在某一段期間。

回測獲利就代表策略會賺錢嗎？

不會。回測顯示的是固定規則在過去價格上、在你所假設的成本下如何表現。當結果在策略從未見過的資料上依然成立、鄰近的參數值給出相近的結果，而且在滑價加倍後仍然有效時，結果才比較可信。

回測中的前視偏差是什麼？

前視偏差是指在測試中使用了下單當時尚未取得的資訊。最常見的情況，是在產生訊號的同一根 K 棒收盤價成交。改在下一根 K 棒成交就能消除它。

參考資料

• 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.
• 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.

AlphaPrime 在這裡能幫上什麼

策略檢驗會針對未見過的資料加入推進分析，而績效報表會顯示權益、回撤、交易明細、各期間績效，以及多空分析。

看方案與價格