「我的均線策略在過去十年的回測中，年化報酬率高達 50%，這套系統是不是完美無缺了？」
「為什麼同樣的邏輯，在回測軟體裡會賺錢，但一掛上實單就開始不斷虧損？」
當我們完成了 專屬程式交易系統的開發與邏輯構思 後，系統會進入實驗室階段。許多人在第一次按下回測按鈕，看到獲利曲線呈現完美的 45 度角向上時，往往會興奮得睡不著覺。
但真實的金融市場，從來就不存在完美的直線。一份看起來完美無瑕的回測報告，通常隱藏著未被發現的系統性錯誤。我們必須學會用最嚴苛的標準來審視自己的策略。這篇文章將帶領我們走過正確回測的標準步驟，教我們如何解讀報表背後的真相，並避開那些會讓帳戶瞬間歸零的陷阱。
正確回測的 3 大實戰步驟
要得到一份有參考價值的回測報告，我們在操作 MultiCharts、XQ 或 Python 等程式交易軟體 時，必須嚴格遵守以下三個步驟。
確保數據的純淨與連續性 (Data Quality)
回測的第一步是確認我們餵給電腦的歷史數據是否正確。
如果我們測試的是股票市場，最大的問題通常是「除權息」與「股票分割」。例如，蘋果 (AAPL) 曾經進行過多次股票分割，如果我們的報價源沒有進行「還原權值」的處理，電腦會誤以為股價在一夜之間暴跌了 75%，進而觸發錯誤的 停損與風險管理機制。我們必須確保使用的是高品質、已還原的歷史 K 線。
納入真實的交易摩擦成本 (Friction Costs)
這是新手最常忽略的致命傷。真實市場的交易不是免費的，我們必須在回測系統中強制扣除兩大成本：
- 手續費與交易稅： 每一筆進出場都必須扣除券商手續費。
- 滑價 (Slippage)： 當市場劇烈波動時，我們送出的市價單通常不會在理想的價格成交。我們必須在系統中設定，每筆交易強制退讓幾個跳動點（Ticks）作為滑價成本。如果一個策略在扣除滑價後就由盈轉虧，代表這套系統極度脆弱。
樣本外測試 (Out-of-Sample Testing)
我們絕對不能把過去 10 年的數據全部拿來開發策略。正確的做法是將數據切成兩半。
例如，我們只使用 2014 年到 2020 年的數據（樣本內）來尋找 趨勢追蹤型策略 的最佳均線參數。開發完成後，我們將這套鎖定參數的系統，套用到 2021 年到 2024 年從未見過的數據（樣本外）上。如果策略在樣本外的表現依然穩健，我們才能初步判定這套邏輯具備真實的預測能力。
回測結果如何解讀？4 大核心數據指標
當我們設定好嚴格的環境並跑出報表後，我們不應該只看「總淨利」，而應該專注於以下四個決定生死的數據。
最大連續虧損 (Maximum Drawdown, MDD)
這是整份報表中最重要的指標。MDD 代表在過去的歷史中，帳戶從最高點滑落到最低點的「最痛幅度」。
如果我們投入 100 萬，報表顯示 MDD 是 -40%，這意味著我們在未來執行這個策略時，必須要有心理準備看著帳戶蒸發 40 萬。如果這個幅度超過了我們的心理承受極限，我們就必須重新調整 資金分配與停損設定。
勝率與盈虧比 (Win Rate vs. Payoff Ratio)
勝率（賺錢的次數比例）與盈虧比（平均獲利 / 平均虧損）必須搭配著看。
一個勝率只有 35% 的策略，只要它的盈虧比高達 3 以上（每次賠 1 塊，但賺 3 塊），它依然能為我們長期累積龐大的財富。我們必須理解自己策略的屬性，才能在連續虧損時保持客觀的信仰。
期望值 (Expectancy)
期望值衡量的是「我們每一次出手，平均能賺多少錢」。
公式為：期望值 = (勝率 * 平均獲利金額) – (敗率 * 平均虧損金額)。
一個能上線實戰的系統，其期望值必須是大於零的絕對正數，且必須大到足以涵蓋未來可能發生的額外 系統穩定性與網路延遲風險。
交易總次數 (Number of Trades)
這攸關統計學上的意義。如果一份十年回測報表只有 15 次交易紀錄，這代表樣本數太少，其獲利可能只是出於運氣，完全不具備統計學上的說服力。我們通常要求回測的交易次數至少要在數百次以上。
回測最容易踩中的 3 大致命陷阱
即使我們看懂了報表，實務上仍有三個隱形的黑洞，會讓我們的回測完全失效。
未來函數 (Look-ahead Bias)
這是程式碼邏輯最嚴重的錯誤。意思是我們在運算今天的買賣訊號時，不小心用到了「明天才會知道的數據」。例如，我們設定「如果今天的收盤價大於明天的開盤價就買進」。這在歷史數據上當然百戰百勝，但在真實世界中，我們不可能預知明天的開盤價。
生存者偏差 (Survivorship Bias)
如同在 如何設計適用於股票的程式交易策略 中提到的，如果我們用 S&P 500 現在的成分股名單，去回測過去 20 年的績效，我們會得到驚人的高報酬。因為我們測試的都是「活到現在的超級強者」，而那些在過去 20 年間破產下市的公司（例如雷曼兄弟），早就被剔除在名單之外了。這會嚴重高估策略的真實獲利能力。
曲線擬合與過度優化 (Curve Fitting)
這是量化交易員最難跨越的心魔。當我們發現策略績效不好時，我們會不斷地微調參數，甚至加入無數個濾網，直到歷史資金曲線變得完美無瑕。
這種為了迎合過去數據而量身打造的系統，極度脆弱。一旦未來的市場節奏產生微小的改變，這套系統就會立刻崩潰。
結語：擁抱不完美，追求穩健
回測的目的，從來就不是為了打造一個「勝率 100%、永遠不賠錢」的神話系統。
正確的回測，是為了讓我們看見系統的極限與盲點。當我們把滑價、手續費、最壞的連續虧損都攤在陽光下，而這套系統依然能展現出正期望值時，我們才算真正拿到了一把可以在金融市場中長期生存的武器。
在剛才提到的三個陷阱中，最具毀滅性、也最難以察覺的，就是「過度優化」。我們該如何判斷自己的策略是不是已經走火入魔了？
延伸閱讀： 歷史績效越完美的策略，在未來通常死得越快。深入拆解過度優化的致命風險。
什麼是過度優化 (Over-optimization)？如何避免程式交易的致命陷阱？
