獲利因子：公式、多少算好，以及 3 個常見陷阱
獲利因子是所有獲利交易的總和除以所有虧損交易的總和。高於 1.0，代表策略在測試中賺得比賠得多；成本後約 1.3 至 2.0，是許多系統化交易人接受的範圍。這個數字必須搭配交易筆數、最大的幾筆獲利、成本與回撤一起讀，才有意義。
作者 Soren Huang · 發佈 · 更新於 · 編輯原則
什麼是獲利因子？怎麼計算？
獲利因子是總獲利除以總虧損：所有獲利交易的總和，除以所有虧損交易的總和。高於 1.0，代表策略在測試期間賺得比賠得多。許多系統化交易人在成本後找的是約 1.3 至 2.0，但這個數字必須搭配背後的交易筆數，才有意義。
總獲利是每一筆以獲利平倉的交易的加總。總虧損是每一筆以虧損平倉的交易的加總，寫成正數。剛好以零平倉的交易，不算在任何一邊。想像月底的一家店：賣出商品進來的所有錢，除以付出去的所有錢。如果每付出 1.0 就進來 1.7，獲利因子就是 1.7。全文只有這一個算式：
獲利因子 = 總獲利 ÷ 總虧損
其中總獲利是獲利交易的總和，總虧損是虧損交易的總和，兩者都取自用舊價格跑固定規則的回測所產生的交易明細。其他一概不放進去：不放帳戶規模、不放口數，也不放花了多久時間。
假設性範例
一個策略平倉了 100 筆交易。60 筆獲利交易合計 $17,000。40 筆虧損交易合計 $10,000。獲利因子 = 17,000 ÷ 10,000 = 1.7。淨損益為 $7,000，這是兩個總和的差，不屬於比值本身。
同一份交易明細還能算出平均獲利、平均虧損與勝率，所以建議同時用免費的勝率計算機：期望值與損益兩平勝率跑一遍。後面的段落會說明，為何比值與金額必須一起看。
獲利因子多少算好？
成本（手續費與滑價）後約 1.3 至 2.0 的獲利因子，是許多系統化交易人接受的範圍；任何區間脫離背後的交易筆數與成本，都沒有意義。下表的區間是經驗豐富的交易人當作第一道篩選的經驗法則，不是定律。Pardo（2008）把獲利因子視為多項評估指標之一，要搭配交易筆數與回撤來讀，這個表也該這樣用。
| 獲利因子 | 成本後通常代表什麼 | 要檢查什麼 |
|---|---|---|
| 低於 1.0 | 策略在測試期間虧損 | 有沒有計入成本；成本前高於 1.0、計入成本後卻掉到其下的情況相當常見 |
| 約 1.0 至 1.3 | 優勢單薄；滑價小幅增加或換一段期間，就可能抹掉 | 用兩倍滑價重跑，並在樣本外的部分讀取 |
| 約 1.3 至 2.0 | 許多系統化交易人對有好幾百筆交易的策略所接受的範圍 | 交易筆數、最大的獲利、回撤相對於帳戶規模 |
| 筆數多而高於約 3.0 | 少見；多半是錯誤，而不是優勢 | 前視偏誤、漏算成本、同一根 K 棒成交，或交易筆數太少而無從判斷 |
同一個數字，兩種讀法會導向相反的決定。五年 800 筆日內交易、每筆都計入成本而得到的獲利因子 1.6，值得帶進下一關檢查。25 筆交易得到的 1.6，或在沒計手續費的回測中得到同一個數字，只是個線索，僅此而已。特別高的值最該懷疑：一千筆交易上獲利因子達 3.5 的策略，通常用了實際上成交不到的價格，例如在產生訊號的同一根 K 棒收盤價成交。
交易筆數少，或靠一筆大賺撐起來，獲利因子還能信嗎？
由幾十筆交易組成、或靠一兩筆離群大贏撐起來的獲利因子，只要一筆交易改變就可能大幅擺盪，所以相信它之前，先拿掉最大的獲利交易再重算。原因是單純的算術：總獲利是一個加總，而一個大項可能占去大半。拿掉那一項，比值可能從安心的水準掉到剛好略高於 1.0。
假設性範例
一個波段策略平倉了 20 筆交易。總獲利為 $30,000，但光是一筆交易就賺了 $14,000。總虧損為 $15,000。獲利因子 = 30,000 ÷ 15,000 = 2.0。拿掉那筆 $14,000 的獲利：總獲利降到 $16,000，總虧損仍是 $15,000，獲利因子 = 16,000 ÷ 15,000 = 1.07。二十筆交易裡的一筆，撐起了整個結果。
一個兩分鐘就能做完的檢查：
- 把交易明細依損益排序，最大的獲利排最前面。
- 依序拿掉最大的一筆、兩筆、三筆獲利交易，每次都重新計算總獲利 ÷ 總虧損。
- 事先寫下，最大的三筆拿掉之後，你能接受的最低值。許多交易人希望它仍高於約 1.2。
- 策略過不了這條線，就視為尚未證明，而不是不好。它需要更多筆交易，才能判斷好壞。
我們自己用 AlphaPrime（Valynox）跑的這次回測，是小樣本的一個典型例子。它測試的是一條替代規則，而不是獲利因子本身：一條以標準指標組成的 HiLo Activator 規則，作為 NQ 日 K 棒唯一的進場與出場，期間 2019-01-02 至 2025-06-30，多空皆做，一口，沒有停損、停利與濾網。所示這次回測，是搜尋試過的 1,024 個候選策略中唯一留下的，依報酬相對回撤挑選。事後挑出留下的那一個，會讓數字顯得好看，這裡沒有任何內容表示這條規則賺到了這筆錢，也不表示讀者可以預期同樣的結果。
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。
| 數字 | 結果 |
|---|---|
| 淨損益（已平倉交易） | $109,290 |
| 最大回撤 | $116,305 |
| 交易筆數 | 33 |
| 勝率 | 69.7% |
| 獲利因子 | 1.703 |
| 平均每筆損益 | $3,311.82 |
| 持倉時間占比 | 95.08% |
獲利因子 1.703，落在許多交易人接受的範圍內。約六年半 33 筆的交易筆數卻不在。樣本這麼小，兩三筆交易換個出場方式，比值就可能朝任一方向大幅變動；最大回撤 $116,305 也大於淨損益 $109,290。這正是上面「檢查最大獲利」要先做的情形。Bailey、Borwein、López de Prado 與 Zhu（2014）提供了另一個要多看一眼的理由：只展示許多候選策略中最好的那個時，它的結果有一部分是篩選造成的，而交易筆數越少，這一部分可以越大。在 AlphaPrime 的績效報表裡，摘要數字與完整交易明細在同一個畫面上，不必離開報表，就能找出最大的獲利交易，再用手算重做一次除法。
獲利因子與期望值：差在哪裡？
獲利因子是沒有金額刻度的比值，期望值則是每筆交易的平均金額，所以兩個獲利因子相同的策略，賺的錢可能相差甚遠。期望值是淨損益除以交易筆數，也就是賺賠相抵後，一筆平均交易值多少。比值告訴你策略把虧損轉成獲利的效率；期望值告訴你每筆交易值多少錢；交易頻率告訴你多常能收到。三者缺一不可。
假設性範例
策略 A：總獲利 $17,000，總虧損 $10,000，100 筆交易。獲利因子 1.7，淨損益 $7,000，期望值每筆 $70。策略 B：總獲利 $170,000，總虧損 $100,000，2,000 筆交易。獲利因子 1.7，淨損益 $70,000，期望值每筆 $35。比值相同，每筆金額少一半，交易筆數卻是二十倍。哪個比較好，要看 2,000 筆交易的成本與滑價，是否讓這 $35 完整保留，下一節會談。
| 問題 | 獲利因子 | 期望值 |
|---|---|---|
| 內含什麼 | 只有總獲利與總虧損 | 淨損益與交易筆數 |
| 單位 | 無；純比值 | 每筆的金額 |
| 能反映部位大小嗎 | 不能；口數加倍，它不變 | 能；口數加倍，它也加倍 |
| 能反映交易頻率嗎 | 不能 | 不能；要自己乘以每年交易筆數 |
| 典型用途 | 在大量候選策略間快速篩選 | 比較每筆的優勢與每筆的成本 |
用這一對數字的實用做法：先以獲利因子篩選候選策略，因為在幾百次回測之間能迅速比較，再把存活者的期望值與一筆交易的一買一賣成本相比。期望值只比一買一賣成本高一點的策略，不論獲利因子怎麼說，都離歸零只差一次不利成交。
手續費與滑價如何改變獲利因子？
成本讓每筆獲利變小，同時讓每筆虧損變深，所以小額交易為數眾多的策略，獲利因子掉得最快；只在最後才加入成本的回測，會高估獲利因子。手續費是券商與交易所按每口收取的費用。滑價是回測假設的價格與真實委託單可能得到的價格之間的差。兩者都從每筆交易扣掉固定金額，而固定金額對一筆 $40 的交易，傷害遠大於對一筆 $4,000 的交易。
這個機制在除法的兩邊都起作用。總獲利縮小，因為每筆獲利都少了成本；總虧損變大，因為每筆虧損都多了成本；一些小額獲利變成虧損，從分數的上方移到下方。分子減少、分母增加的比值，掉得極快。
假設性範例
策略 C 每年約交易 50 次：成本前總獲利 $19,000，總虧損 $10,000，獲利因子 1.9，平均每筆損益 $180。每筆一買一賣成本 $30，30 筆獲利與 20 筆虧損各扣一次後，總獲利降到約 $18,100，總虧損升到約 $10,600，所以獲利因子約為 1.7。策略 D 每年約交易 2,000 次：成本前總獲利 $152,000，總虧損 $80,000，獲利因子 1.9，平均每筆損益 $36。同樣的一買一賣 $30，用在 1,200 筆獲利與 800 筆虧損，留下總獲利約 $116,000、總虧損約 $104,000，獲利因子約 1.1，還沒把變成虧損的小額獲利算進去。
由此得出三項設定。從第一次回測起就把手續費與滑價放進去，而不是排名之後才加，免得小額交易大量的候選策略因錯誤的原因浮到最上面；怎麼挑數字，見回測裡的手續費、滑價與平均每筆交易。把滑價加倍重跑一次，再讀獲利因子；從 1.6 掉到 1.1 的策略，原本就靠便宜的成交。並且用你實際交易市場的成本項目：台股現股當沖自有一套手續費與稅項，用期貨式成本算出的獲利因子，說明不了股票當沖規則。
獲利因子沒有告訴你什麼？
獲利因子不考慮交易順序、回撤、槓桿與持倉時間，所以獲利因子不差的策略，仍可能賠光有槓桿的期貨帳戶。它是一個總和除以另一個總和。把同樣的交易洗成任何順序，兩個總和都不會變，但帳戶從第一筆到最後一筆之間走的路徑，卻可能完全不同。
假設性範例
十筆交易：六筆獲利，分別為 +$4,000、+$3,000、+$3,000、+$3,000、+$2,000 與 +$2,000；四筆虧損，分別為 −$3,000、−$3,000、−$3,000 與 −$1,000。總獲利 $17,000，總虧損 $10,000，獲利因子 1.7，最終獲利 $7,000，順序怎麼排都一樣。把虧損分散在獲利之間，從高點起的最深下跌約 $3,000。若先放三筆 $3,000 的虧損，第一筆獲利還沒到，帳戶已經少了 $9,000。同樣十筆交易、同樣的獲利因子，回撤卻是三倍。
四個盲點，以及各自該用什麼補上：
- 交易順序。用最大回撤，並把交易明細洗牌許多次來補；免費的交易用蒙地卡羅模擬器能就貼上的交易損益清單做洗牌。Magdon-Ismail 與 Atiya（2004）指出，即使平均每筆損益不變，預期的最深下跌也會隨回測長度增加，所以獲利因子不錯的長期回測，仍然要讀它的回撤。
- 回撤相對於帳戶規模。上面的 NQ 回測，獲利因子 1.703，一口的最大回撤 $116,305。帳戶撐不撐得過這段下跌，取決於帳戶，而不是比值；怎麼據以決定口數，見期貨槓桿下保證金對回測回撤的影響。
- 槓桿。獲利因子在一口與十口時相同。追繳保證金卻不同。機制見保證金交易的槓桿、追繳保證金與回測風險。
- 持倉時間。同一次回測有 95.08% 的時間持有部位，所以結果涵蓋了這段期間幾乎每一次跳空與隔夜行情。一條只有十分之一時間持有部位、獲利因子相同的規則，承擔的是另一種風險，占用資金的方式也不同。
搭配交易筆數一起讀、對照最大的幾筆獲利檢查、在成本後計算，並與最大回撤和口數並列，獲利因子才配得上報表第一個數字的位置。單獨看，它只是一個總和除以另一個總和，僅此而已。
下一步用你上一次回測的交易明細，花十分鐘就能做完：算出總獲利 ÷ 總虧損，拿掉最大的三筆獲利再算一次，然後把同一策略的滑價加倍重跑。如果兩次改動之後，數字仍高於你事先寫下的那條線，就通過了第一道篩選，可以進入樣本外檢驗。
常見問題
獲利因子怎麼計算？
把每筆獲利交易加總，得到總獲利。把每筆虧損交易以正數加總，得到總虧損。總獲利除以總虧損。獲利交易合計 $850、虧損交易合計 $500，獲利因子就是 1.7。用手續費與滑價之後的結果，因為成本前的值可能高出許多。
交易策略的獲利因子多少算好？
許多系統化交易人對有幾百筆交易的策略，接受成本後約 1.3 至 2.0。介於 1.0 與 1.3 之間的值偏薄，滑價小幅增加就可能抹掉。筆數多卻高於約 3.0 的值，多半是前視偏誤、漏算成本或同一根 K 棒成交的跡象，而不是優勢，所以先檢查回測設定。
交易筆數少時，獲利因子可靠嗎？
單看並不可靠。只有幾十筆交易時，一筆大額獲利就可能占總獲利的大半，拿掉它，獲利因子可能從 2.0 掉到接近 1.0。把交易明細排序，拿掉最大的三筆獲利再重算。結果撐得住，這個數字才值得繼續帶著走；撐不住，策略就需要更多筆交易才能判斷。
獲利因子與期望值有什麼差別？
獲利因子是總獲利除以總虧損，是沒有單位的比值。期望值是淨損益除以交易筆數，也就是一筆平均交易值多少錢。兩個策略的獲利因子可以同為 1.7，一個每筆賺 $70，另一個每筆賺 $35。把期望值與一筆交易的一買一賣成本相比；比值看不出成本之後還剩下什麼。
獲利因子高於 1，策略還是可能賠錢嗎？
可以，只要回測漏掉了手續費與滑價。成本讓每筆獲利縮小、每筆虧損加深，所以成本前 1.2 的獲利因子，成本後常常掉到 1.0 以下，尤其是一天交易好幾次的策略。一律讀成本後的值。
參考文獻
- Pardo, R. (2008). The Evaluation and Optimization of Trading Strategies (2nd ed.). John Wiley & Sons.
- 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.
- Magdon-Ismail, M., & Atiya, A. F. (2004). Maximum Drawdown. Risk, 17(10), 99–102.