# 回測報酬率怎麼算？FinLab 回測引擎規則解析：還原價、T+1 成交與費稅內扣

台股研究 2022年11月24日 約 11 分鐘閱讀

回測報酬率怎麼計算？本文拆解 FinLab 回測引擎的規則：向後還原股價避免未來資訊、盤後訊號 T+1 收盤成交、手續費 0.1425% 與賣出證交稅 0.3% 預設內扣、權益曲線含未實現損益以複利連乘。再從真實回測取出一筆交易手算驗證，淨報酬與引擎輸出相差 0.00 個基點，並實測費率與換手率對年化報酬的侵蝕，附可下載驗證腳本。

手算驗證回測報酬

[![FinLab 回測報酬率計算五條關鍵規則：T+1 收盤成交、手續費 0.1425%、賣出證交稅 0.3%、複利含未實現損益、向後還原股價](https://r2.finlab.finance/blog/finlab-backtest-return-calculation/chart_rules_thumbnail.png)](https://r2.finlab.finance/blog/finlab-backtest-return-calculation/chart_rules_thumbnail.png)

依本文重跑

## 執行這個策略

複製提示詞，讓 AI 依照上方證據的資料、條件與風險檢查重跑一次。

告訴你的AI：

幫我設定 FinLab，重現這篇文章，請讀：https\://finlab.finance/setup?relatedUrl=/blog/finlab-backtest-return-calculation

[免安裝，開啟 FinLab Studio](https://studio.finlab.finance/chat?lang=zh\&research_context=%7B%22v%22%3A1%2C%22source_url%22%3A%22https%3A%2F%2Ffinlab.finance%2Fblog%2Ffinlab-backtest-return-calculation%22%7D)

自己用收盤價算的報酬率，常常跟 [FinLab 量化平台](https://ai.finlab.tw/)回測出來的數字對不上，差異多半卡在三件事：價格序列用錯（原始價與還原價）、成交時點誤會（訊號日當天與 T+1）、費稅沒有對齊（引擎預設已內扣）。這篇文章把回測程式 [sim](https://doc.finlab.tw/reference/backtest/#finlab.backtest.sim) 的報酬率計算規則逐條拆開，最後從真實回測取出一筆交易手算還原：手算淨報酬與引擎輸出相差 0.00 個基點。

## 關鍵規則速查表

| 規則   | 內容                                                           | 對應參數                           |
| ---- | ------------------------------------------------------------ | ------------------------------ |
| 成交時點 | 盤後訊號，下一個交易日（T+1）收盤價成交                                        | `trade_at_price`（預設 `'close'`） |
| 手續費  | 0.1425%（台股牌價，未打折），買進、賣出各收一次                                  | `fee_ratio`（預設 0.001425）       |
| 證交稅  | 0.3%，賣出時收；ETF 為 0.1%                                         | `tax_ratio`（預設 0.003）          |
| 價格序列 | 向後還原股價，除權息、減資、面額變更依官方開盤競價基準調整，ETF 分割依分割比率；現金增資不計認購權價值；歷史值不變動 | 資料表 `etl:adj_close`            |
| 報酬計算 | 複利連乘、含未實現損益，獲利全數再投入                                          | 權益曲線 `report.creturn`          |
| 滑價   | 未假設（可自行調高 `fee_ratio` 做壓力測試）                                 | 未內建                            |

文中每個績效數字都出自同一支腳本（[strategy.py](https://finlab.finance/blog/finlab-backtest-return-calculation/strategy.py)，[AI 輔助安裝流程](https://finlab.finance/setup) 後可重跑），資料區間 2018-01-02 至 2026-06-09。還在比較回測環境的讀者，[台股回測工具比較](https://finlab.finance/blog/taiwan-backtest-tools-comparison)整理了六種選項的成本處理差異；回測的定義與常見誤區，見[回測是什麼](https://finlab.finance/blog/what-is-backtesting)。

## 還原股價：為什麼你抓的歷史價格跟 FinLab 不一樣

> **還原股價**：把除權息、減資、股票分割等公司事件造成的價格跳空補回去的序列，讓跨越這些事件的報酬率可以相除計算；台股與美股補回的算法不同，見下文。更多名詞定義見[量化名詞解釋](https://finlab.finance/glossary)。

原始收盤價在除權息日會跳空下跌，但這個下跌不是虧損，股東拿到了股息。0050 在 2018-01-02 到 2026-06-09 之間有 17 個這類調整事件，兩種序列算出的「報酬」天差地遠：原始收盤價累積 +25.3%，向後還原價累積 +558.5%（來源：finlab `price:收盤價` 與 `etl:adj_close`，2026-06-09 快照）。原始價連方向都不可信，0050 在 2025-06-18 還有一次一股拆四股。兩個真實事件的對照：

| 事件              | 日期         | 前一交易日原始價 |   當日原始價 |   原始價漲跌 |  還原價漲跌 |
| --------------- | ---------- | -------: | ------: | ------: | -----: |
| 一股拆四股           | 2025-06-18 | 188.65 元 | 47.57 元 | -74.78% | +0.86% |
| 除息（現金股利 1.00 元） | 2026-01-22 |  71.85 元 | 71.80 元 |  -0.07% | +1.34% |

拆股當天原始價看似崩盤 74.78%，除息當天市場其實上漲 1.34%、原始價卻顯示 -0.07%；用原始價回測，這些假跳空都會被當成真實損益。

[![0050 原始收盤價與向後還原價對照：2018 到 2026 累積報酬 25.3% 對 558.5%，除息日原始價跳空、還原價連續](https://r2.finlab.finance/blog/finlab-backtest-return-calculation/chart_adjusted_price.png)](https://r2.finlab.finance/blog/finlab-backtest-return-calculation/chart_adjusted_price.png)

### 向後還原的數學

FinLab 的還原價是「向後還原」：以資料的第一個交易日為基準往後推，每遇到一次調整事件，就把事件日之後的價格乘上一個調整因子，歷史值一旦算出就永遠不變。台股還原價（`etl:adj_close`）的調整因子用證交所與櫃買中心公告的數字計算：

```math
F_t = \frac{C^{pre}_t}{B_t}, \qquad P^{adj}_t = P_t \times \prod_{s \le t} F_s
```

其中 `P_t` 是當日原始收盤價，`C^{pre}_t` 是公告的事件前收盤價，`B_t` 是公告的開盤競價基準（櫃買中心的減資與面額變更用「開始交易基準價」）；ETF 分割則用分割比率，沒有事件的日子 `F_t = 1`。一般相鄰的兩個交易日、事件前收盤價就是前一天收盤價時，事件日的還原報酬化簡成

```math
\frac{P^{adj}_t}{P^{adj}_{t-1}} = \frac{P_t}{B_t}
```

也就是當天收盤價相對競價基準的漲跌。式子只用到 `t` 與之前的資訊，昨天算出的還原價，明天重算仍是同一個數字。這套算法有三個容易誤會的地方。

**競價基準是公告值，跟實際開盤價無關。** 證交所以前一天收盤價減掉息值得到除息參考價，再依升降單位取整成開盤競價基準（見證交所〈[淺談證券市場除息作業](https://www.twse.com.tw/staticFiles/product/publication/0001002580.pdf)〉）。取整可能往上也可能往下，所以還原價隱含的配息跟實際現金股利可能有小幅落差，不等於把現金股利精確再投入。以[中華電](https://finlab.finance/stocks/2412) 2020-07-02 除息為例（數字來自證交所[除權除息計算結果表](https://www.twse.com.tw/zh/announcement/ex-right/twt49u.html)）：前收盤 116.5 元、現金股利 4.226 元、參考價 112.27 元，競價基準取整為 112.5 元，當天實際開盤 111.5 元、收盤 114.0 元。還原價當天報酬是 114.0 ÷ 112.5 − 1 = +1.33%，隱含配息 4.0 元；以未取整的參考價 112.27 元算是 +1.54%，以收盤價把 4.226 元全數再投入算則是 (114.0 + 4.226) ÷ 116.5 − 1 = +1.48%。

**現金增資不計認購權價值。** 現金增資除權時，競價基準若等於前收盤價，調整因子就是 1，還原價不補回這次除權的跳空，也不計入認購權的價值或認購要繳的股款。[玉山金](https://finlab.finance/stocks/2884) 2017-04-14 與 2023-04-07 兩次現金增資除權，參考價是 18.51 元與 25.16 元，競價基準都等於前收盤價（18.80 元、25.45 元），還原價當天報酬就是原始價的漲跌 -1.33% 與 -1.77%。用台股還原價回測，這類除權跳空會直接算進報酬。

**美股用另一套口徑。** 美股的 `us_price:adj_close` 與 `us_fund_price:adj_close` 以同一分割基準的收盤價，加上當天的每股現金股利 `D_t` 計算：

```math
\frac{P^{adj}_t}{P^{adj}_{t-1}} = \frac{P_t + D_t}{P_{t-1}}
```

這等於在除息日以收盤價把股利全數再投入。例如 QQQ 2025-03-24 前收盤 480.84 美元、收盤 490.66 美元、配息 0.71571 美元，還原價當天報酬是 (490.66 + 0.71571) ÷ 480.84 − 1 = +2.19%。這是報酬的計算口徑：股利實際在發放日才入帳，也沒有扣股利預扣稅等個人稅負，跟券商帳戶的現金紀錄不會逐筆相同。

### 向前還原為什麼不能拿來回測

另一派做法是「向前還原」（yfinance 的 Adj Close 屬於此類）：錨定在最新收盤價，把整段歷史等比例縮放，

```math
P^{fwd}_t = P^{adj}_t \times \frac{P_T}{P^{adj}_T}
```

其中 `T` 是你下載資料的那一天。問題就在這個 `T`：時點 `t` 的向前還原值，取決於 `t` 之後發生的所有配息與分割，歷史數值滲入了未來資訊，而且每次下載都會變。用真實的 0050 資料示範：同樣是 2018-01-02 這一天，在 2025-06-10 下載算出的向前還原價是 64.19 元，在 2026-06-09 下載變成 15.72 元，相差 4.08 倍（主因是中間那次拆股）。

[![向前還原股價的不穩定示範：同一段 0050 歷史在兩個下載日算出的數值相差 4.08 倍，向後還原則不隨下載日改變](https://r2.finlab.finance/blog/finlab-backtest-return-calculation/chart_forward_adj.png)](https://r2.finlab.finance/blog/finlab-backtest-return-calculation/chart_forward_adj.png)

影響有兩層：一是可重現性，今天跑的回測，下個月重跑連輸入價格都不一樣；二是凡把「價格水準」當訊號的策略（如股價低於 50 元），向前還原的歷史價位已被未來資訊改寫，訊號本身就洩漏了未來。[用線性代數理解回測框架](https://finlab.finance/blog/what-is-backtesting)也據此強調價格矩陣要固定。

## 訊號日與進出場日：T+1 收盤成交

FinLab 的資料是日週期盤後資料，訊號盤後算出，最快下一個交易日才買得到，所以引擎規定：訊號日的下一個交易日，以收盤還原價成交。一筆真實交易的時間線（取自下文的示範策略）：

| 事件    | 日期             | 說明                    |
| ----- | -------------- | --------------------- |
| 進場訊號日 | 2026-04-30（週四） | 盤後資料產生買進訊號            |
| 實際進場日 | 2026-05-04（週一） | 下一個交易日（5/1 連假），以收盤價成交 |
| 出場訊號日 | 2026-05-29（週五） | 月底再平衡，個股被換出           |
| 實際出場日 | 2026-06-01（週一） | 下一交易日，以收盤價成交          |

成交價可用 `trade_at_price` 改成開盤價：

顯示程式碼

```
from finlab import data
from finlab.backtest import sim
 
# 市值資料，首次執行會自動引導登入
mv = data.get('etl:market_value')
 
# 每月選市值前 5 大，等權持有（僅為示範計算規則，不是推薦策略）
position = mv.is_largest(5)
 
# 預設以 T+1 收盤還原價成交；改用 T+1 開盤價成交：
report = sim(position, resample='M', trade_at_price='open')
```

開盤價與收盤價不能混用，所以「今日尾盤買進、明日開盤賣出」這種回測目前做不到；兩種價格序列對進出場的影響，[客製化回測價格序列的比較](https://finlab.finance/blog/custom-backtest-price-series)有實測。當沖、隔日沖等依賴盤中資料的策略也不在支援範圍；訊號到自動下單的完整流程，見[程式交易入門](https://finlab.finance/tools/program-trading)。

## 交易成本的數學：費稅怎麼進到報酬率

一筆完整的買進賣出，引擎的淨報酬計算是

```math
r_{net} = \frac{P_{exit}}{P_{entry}} \times (1 - f) \times (1 - f - t) - 1
```

其中 `f` 是手續費率（預設 0.001425，買進端收一次、賣出端收一次），`t` 是證交稅率（預設 0.003，只在賣出端收）。舉個示例（示意性數字）：假設股價不漲不跌，`P_{exit} = P_{entry}`，淨報酬是 `(1-0.001425)(1-0.001425-0.003)-1 \approx -0.584\%`。名目上三筆費用相加是 0.585%，乘法精算約 0.584%，差異來自賣出端費用作用在已扣買進手續費的基數上。

一個常被誤解的細節：月頻再平衡不等於整個部位砍掉重買。我們檢視引擎原始碼後確認，費稅只對「實際買賣的差額」計收，連續留在持股名單內的股票只有權重微調的部分被收費，所以低換手策略的實際成本遠低於「每月來回 0.585%」的粗估。

### 成本侵蝕實算：同一套規則，三檔費率

兩個換手率不同的策略各跑三次，只改 `fee_ratio`，其餘設定相同（證交稅固定 0.3%，2018-01 至 2026-06 每月再平衡，數據出自文末可下載腳本的實跑結果）：

| 年化報酬 CAGR                   | 手續費打 6 折（0.0855%） | 牌價（0.1425%） | 雙倍（0.285%） |
| --------------------------- | ----------------: | ----------: | ---------: |
| 市值前 5 等權（年單邊換手約 85.5%）      |            22.48% |      22.31% |     21.91% |
| 60 日動能前 5 等權（年單邊換手約 786.5%） |            22.37% |      21.24% |     18.45% |

低換手策略從打折到雙倍費率，年化只差 0.57 個百分點；高換手的動能策略同樣變化，年化掉了 3.92 個百分點。高換手策略不扣成本的回測，結論可能整個翻盤。

[![手續費敏感度實測長條圖：低換手策略三檔費率年化報酬差 0.57 個百分點，高換手策略差 3.92 個百分點](https://r2.finlab.finance/blog/finlab-backtest-return-calculation/chart_cost_erosion.png)](https://r2.finlab.finance/blog/finlab-backtest-return-calculation/chart_cost_erosion.png)

學術研究對這件事有大樣本證據：[Novy-Marx & Velikov (2016)](https://doi.org/10.1093/rfs/hhv063) 檢驗 23 種知名異常報酬策略，發現扣掉交易成本後，高換手策略的超額報酬大多明顯縮水甚至消失；[Frazzini, Israel & Moskowitz (2018)](https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3229719) 則用近一兆美元的機構實際成交資料說明，真實交易成本得用真實成交紀錄校準，且隨下單規模上升。落到個人操作上：回測費率設成自己的券商方案，並把換手率當成本槓桿來管理。

## 權益曲線：複利連乘、含未實現損益

回測儀表板上的權益曲線，是把每天的組合報酬連乘起來：

```math
V_t = V_0 \prod_{i=1}^{t} (1 + r_i)
```

`r_i` 是組合第 `i` 天的報酬，已含當天發生的費稅。兩個關鍵性質：

1. **複利**：獲利全數再投入，部位隨權益放大，[年化報酬（CAGR）](https://finlab.finance/glossary/cagr)由此而來。
2. **含未實現損益**：持股每天用收盤還原價評價，漲跌即時反映在曲線上，不等賣出才認列，所以權益曲線和「已實現損益」的加總是兩回事。

示範策略（每月持有市值前 5 大、等權）2018-01 至 2026-06 的權益曲線換算成指標：CAGR 22.31%、日夏普 1.05、最大回撤 -32.59%（來源：finlab `sim()` 預設費稅實跑，統計取 2018-01-02 至 2026-06-09 的權益曲線計算）。再次強調，這個策略只是規則驗證的教具，集中持股 5 檔的回撤與個股風險都偏高；以績效為目標的策略設計，見[多因子選股實測](https://finlab.finance/blog/multi-factor-stock-selection-beat-0050)與[量化交易 Python 教學](https://finlab.finance/blog/python-quant-trading-tutorial)。

完整互動式回測報告（月報酬熱力圖、交易明細）可在下面操作：

[report strategy](https://r2.finlab.finance/blog/finlab-backtest-return-calculation/report_strategy.html)

## 逐欄讀一份回測報告

報告打開後別只盯著年化那一格，每一個分頁都在回答不同的問題。用上面這份示範策略（每月持有市值前 5 大、等權，2018-01 至 2026-06）的數字逐欄走一遍，你之後讀任何一份 `sim()` 報告都會更快抓到重點。

**權益曲線（淨值走勢）。** 這是報告最上面那條主線，把每天的組合報酬複利連乘，起點設為 1。它同時把策略與 0050 含息基準畫在一起，看的是兩件事：策略長期有沒有把基準甩開，以及上漲過程順不順。這份示範策略的權益曲線換算成年化報酬是 CAGR 22.31%，意思是這條線平均每年複利長大約 22%；但年化是「整段抹平」後的單一數字，曲線的形狀同樣重要，中途陡降的段落要配著下面的回撤一起看。

**月報酬熱力圖。** 把每個月的報酬攤成一張年×月的方格表，綠深代表當月賺得多、紅深代表賠得多。它的用途是看報酬「分布得均不均」：如果年化好看卻是靠某一兩個月暴衝撐起來，熱力圖會立刻露餡，那種策略換到沒有那兩個月的行情就現出原形。逐月攤開也比較容易看出策略在什麼季節、什麼市況下特別吃虧。

**交易明細。** 每一筆買賣的進場日、出場日、進出場還原價與單筆損益都列在這裡，是把總體數字拆回單筆的地方。下一節的手算驗證，就是從這張表取出最後一筆已平倉交易（3711 [日月光投控](https://finlab.finance/stocks/3711)）來對帳。讀交易明細時，順手看勝率與單筆賺賠的分布，比只看一個總報酬更能判斷這套規則是穩定賺小錢還是靠少數大單，這部分的深入分析可參考 [MAE / MFE 分析](https://finlab.finance/blog/mae-mfe-analysis-guide)。

**績效指標（CAGR、夏普、最大回撤）。** 報告會把整段表現濃縮成幾個關鍵數字，三個最該先讀的是：年化報酬 CAGR 22.31%，回答「平均每年複利賺多少」；日夏普 1.05，回答「每承擔一單位波動換到多少報酬」，夏普常以 1 為一個粗略分水嶺，但要連同回測區間一起看；最大回撤 -32.59%，回答「從高點到低點最慘縮水多少」，這個數字決定你抱不抱得住。報酬要永遠配著回撤一起讀：這份示範策略集中持股 5 檔，年化 22.31% 的代價就是回撤一度深達 -32.59%，多數人未必扛得住。各指標的定義與常見誤區，見[回測是什麼](https://finlab.finance/blog/what-is-backtesting)；夏普值怎麼算、多少算好，見[夏普值計算器與台股 ETF 排行](https://finlab.finance/tools/sharpe-ratio)。

## 手算驗證：一筆真實交易，從還原價到淨報酬

規則講完，驗證它。從示範策略的回測報告取出最後一筆已平倉交易：3711 日月光投控，訊號日 2026-04-30 進場、2026-05-29 出場，單獨放進 `sim()` 跑一筆完整買賣，手算對帳：

顯示程式碼

```
import pandas as pd
from finlab import data
from finlab.backtest import sim
 
close = data.get('price:收盤價')
adj = data.get('etl:adj_close')
 
# 單獨持有 3711：訊號區間 2026-04-30 到 2026-05-28，5/29 訊號出場
single = pd.DataFrame(False, index=close.index, columns=['3711'])
single.loc['2026-04-30':'2026-05-28', '3711'] = True
 
report_single = sim(single)
engine_net = report_single.creturn.iloc[-1] - 1   # 引擎淨報酬
 
# 手算：T+1 收盤還原價的價差，乘上買進費率與賣出費稅
gross = adj['3711'].loc['2026-06-01'] / adj['3711'].loc['2026-05-04']
hand_net = gross * (1 - 0.001425) * (1 - 0.001425 - 0.003) - 1
```

逐步攤開每個數字（皆為文末可下載腳本的輸出）：

| 步驟         | 計算                                     |          累積報酬 |
| ---------- | -------------------------------------- | ------------: |
| 進場價        | 2026-05-04 收盤還原價 748.7333（原始價 525.0 元） |             — |
| 出場價        | 2026-06-01 收盤還原價 857.1213（原始價 601.0 元） |             — |
| 價差報酬       | 857.1213 ÷ 748.7333 − 1                |     +14.4762% |
| 扣買進手續費     | × (1 − 0.001425)                       |     +14.3131% |
| 再扣賣出手續費    | 賣出端費用作用在同一基數                           |     +14.1502% |
| 再扣證交稅 0.3% | × (1 − 0.001425 − 0.003) 完成賣出端         | **+13.8072%** |

引擎權益曲線的終值是 1.138072，淨報酬 +13.8072%，與手算相差 0.00 個基點。這段期間 3711 沒有除權息，所以原始價比值（601 ÷ 525）與還原價比值同為 +14.4762%；若持有期間跨過除息日，原始價會把除息跳空算成虧損，要用還原價計算價差。

[![單筆交易報酬手算拆解階梯圖：3711 價差報酬 14.4762% 經買進手續費、賣出手續費與證交稅後淨報酬 13.8072%，與回測引擎輸出相差 0.00 個基點](https://r2.finlab.finance/blog/finlab-backtest-return-calculation/chart_trade_waterfall.png)](https://r2.finlab.finance/blog/finlab-backtest-return-calculation/chart_trade_waterfall.png)

這次對帳同時驗證了 T+1 進出場日與收盤還原價成交兩條規則。

## 回測方法與限制

本文所有回測的口徑：

| 項目    | 本文設定                                                                                                                       |
| ----- | -------------------------------------------------------------------------------------------------------------------------- |
| 交易成本  | 手續費 0.1425%（敏感度測試另跑 0.0855% 與 0.285%）、賣出證交稅 0.3%，`sim()` 預設內扣                                                              |
| 滑價    | 未假設                                                                                                                        |
| 股票池   | 全上市櫃；示範策略依市值取前 5 大                                                                                                         |
| 流動性過濾 | 未做（示範策略選出的本來就是市值最大的權值股，非刻意過濾）                                                                                              |
| 排除類別  | 未排除金融股、KY 股；ETF 不在 `etl:market_value` 個股池內                                                                                 |
| 前視偏差  | 市值與價格皆為當日盤後可得資料，訊號一律 T+1 成交                                                                                                |
| 權重    | 等權，未設單檔上限（5 檔集中持股，個股風險高）                                                                                                   |
| 周轉率   | 市值前 5 約 85.5%／年（單邊估算）、動能前 5 約 786.5%／年                                                                                     |
| 樣本內外  | 全段 in-sample，未做樣本外測試；本文驗證計算規則而非策略效度，過擬合議題見[量化投資的過擬合挑戰](https://finlab.finance/blog/quant-investing-challenges-overfitting) |

**2026-11 更正：** 上一版誤將美股還原價公式 `(P_t + D_t) / P_{t-1}` 套用於台股，並稱台股還原價已處理增減資。本版已在「向後還原的數學」一節更正相關算法與現金增資的處理，並將 0050 在 2026-01-22 的配息由推算的約 1.01 元改為公告的 1.00 元。文中回測數字未變動。

## 常見問題 FAQ

### 回測報酬率跟實際下單為什麼不一樣？

三個主因：回測以收盤價整筆成交，實單會有滑價與部分成交；費率沒改成自己的券商折扣，成本就失準；資金大到影響市場價格時，回測假設失真。上線前用小額或模擬單比對成交價差。

### 回測有算滑價嗎？

沒有，`sim()` 未內建滑價假設。實務上可把 `fee_ratio` 調高當壓力測試，如本文的雙倍費率情境。

### 可以用開盤價回測嗎？

可以，`sim(position, trade_at_price='open')` 改為 T+1 開盤價成交。開盤價與收盤價不能在同一次回測中混用。

### 支援當沖或隔日沖回測嗎？

不支援。資料為日週期盤後資料，盤中進出的策略需要 tick 或分 K 資料。

### ETF 的證交稅怎麼設？

台股 ETF 證交稅是 0.1%，與個股的 0.3% 不同。策略標的全是 ETF 時設 `sim(position, tax_ratio=0.001)`，否則報酬會被多扣。

### 除權息的股息有算進報酬嗎？

有，不需要另外加回股息，但台股是近似值。台股還原價以公告的開盤競價基準補回除權息跳空，競價基準經過取整，隱含的配息跟實際現金股利可能有小幅落差；現金增資除權時競價基準若等於前收盤價，就不補回。美股還原價則是在除息日以收盤價把現金股利全數再投入。兩者都跟券商帳戶實際入帳的時間與金額不完全相同，也不含個人稅負，算法見「向後還原的數學」一節。

### 回測獲利有再投入嗎？

有，權益曲線以複利連乘計算，已實現與未實現損益都即時反映、全數滾入下一期部位。

### 手續費可以依券商折扣調整嗎？

可以，例如 6 折設 `sim(position, fee_ratio=0.001425 * 0.6)`。本文實測顯示低換手策略對折扣不敏感，高換手策略差距明顯。

## 下載與驗證

| 檔案                                                                                                              | 說明                               |
| --------------------------------------------------------------------------------------------------------------- | -------------------------------- |
| [strategy.py](https://finlab.finance/blog/finlab-backtest-return-calculation/strategy.py)                       | 本文全部數字的重現腳本：還原價對照、費率敏感度、單筆交易手算驗證 |
| [report\_strategy.html](https://r2.finlab.finance/blog/finlab-backtest-return-calculation/report_strategy.html) | 示範策略完整互動式回測報告                    |

[AI 輔助安裝流程](https://finlab.finance/setup) 免費註冊就能重跑這些數字；回測在量化流程中的整體位置，見[量化交易完整指南](https://finlab.finance/tools/quant-trading)。對計算規則還有疑問，歡迎到 [Discord 社群](https://discord.gg/tAr4ysPqvR)討論，平台進階功能見[方案說明](https://ai.finlab.tw/pricing)。

***

## 延伸閱讀

* [台股回測工具怎麼選？六大工具完整比較](https://finlab.finance/blog/taiwan-backtest-tools-comparison)
* [基礎回測框架介紹：用線性代數理解選股運作原理](https://finlab.finance/blog/what-is-backtesting)
* [客製化選股策略回測價格序列：進出場時間點比較](https://finlab.finance/blog/custom-backtest-price-series)
* [程式交易入門指南](https://finlab.finance/tools/program-trading)

**投資警語：本文僅供教學參考，不構成投資建議。文中示範策略僅用於驗證回測計算規則，集中持股 5 檔、最大回撤達 -32.59%，並非推薦組合；所有數據為歷史回測模擬，過去績效不代表未來表現，投資有風險，請審慎評估自身風險承受能力。**

最後更新：2026-11｜回測區間：2018-01-02 \~ 2026-06-09｜作者：FinLab 量化研究團隊（經量化研究員審閱）

![韓承佑](https://finlab.finance/people/cheng-yu-han-avatar.jpg)

韓承佑

創辦人 & 量化研究員

韓承佑是 FinLab 創辦人，也是開源 Python 量化套件 finlab 的作者，長年投入台股與美股的量化策略研究、回測與教學。

[在 GitHub 上追蹤 →](https://github.com/koreal6803) [在 LinkedIn 上連結 →](https://www.linkedin.com/in/cheng-yu-han/)

FinLab AI

### 想建立自己的策略？

用自然語言描述你的選股想法，AI 自動驗證、回測、給你答案

[免費開始](https://finlab.finance/#get-started)

## 更多教學與觀念研究

[查看全部](https://finlab.finance/blog/category/education)

* [![可轉債對股價影響：台股 1,441 次發行回測，掛牌後一年平均落後全市場 7.9%](https://r2.finlab.finance/blog/convertible-bond-stock-price-impact/chart_listing_car.png) 可轉債對股價影響：台股 1,441 次發行回測，掛牌後一年平均落後全市場 7.9% 年化報酬 7.8% · 台股](https://finlab.finance/blog/convertible-bond-stock-price-impact)
* [![除息捕捉策略回測：美股 31,843 次除息日，價差存在但付不起成本](https://r2.finlab.finance/blog/dividend-capture-strategy-backtest/chart1_capture_equity_202611.png) 除息捕捉策略回測：美股 31,843 次除息日，價差存在但付不起成本 年化報酬 — · 美股](https://finlab.finance/blog/dividend-capture-strategy-backtest)
* [![美股公司行動事件回測：配息調升、拆股、納入 S\&P 500，六種訊號全輸 QQQ](https://r2.finlab.finance/blog/us-corporate-actions-event-backtest/chart1_events_equity_202611.png) 美股公司行動事件回測：配息調升、拆股、納入 S\&P 500，六種訊號全輸 QQQ 年化報酬 — · 美股](https://finlab.finance/blog/us-corporate-actions-event-backtest)
* [![暫停交易是什麼？台股 311 次暫停交易回測，恢復後追漲、抄底都輸 0050](https://r2.finlab.finance/blog/trading-halt-resume-backtest/chart_summary_sharpe.png) 暫停交易是什麼？台股 311 次暫停交易回測，恢復後追漲、抄底都輸 0050 年化報酬 — · 台股](https://finlab.finance/blog/trading-halt-resume-backtest)

來源：https://finlab.finance/blog/finlab-backtest-return-calculation｜資料日期：2018-01-02/2026-06-09｜頁面更新：2026-11-04
