量化交易的缺點與風險有哪些？2026 台股實證:過擬合、期間敏感與成本陷阱

量化交易的缺點與風險是什麼？

量化交易的真正風險不是「不會賺」,而是「把過去調得很漂亮、未來卻失效」。 它最危險的時刻,往往不是策略明顯虧錢,而是回測曲線漂亮到讓你深信不疑,於是把過去的巧合誤當成未來的規律。

換句話說,量化交易把「靠感覺買賣」升級成「靠規則與數據買賣」,確實去掉了情緒與隨意性;但它沒有去掉一個更隱蔽的問題:歷史只有一條,而你可以反覆對著這條歷史調參數,直到績效變好為止。調出來的漂亮,很可能只是把雜訊背了起來。理解量化交易的缺點,本質上就是理解「一段好看的回測,有哪些理由其實不可信」。這篇文章不談怎麼把報酬衝高,只談會讓你賠錢、會讓策略失效的那些坑,而且每一個坑,都用真實的台股回測數字佐證,不講空話。

想先看量化交易整套方法的全貌,可以從入門指南量化交易是什麼讀起;本文則專注在它的陰暗面。

量化交易的風險清單

下表把量化交易最常見的七類缺點與風險濃縮成一張表,每一項在後面都有獨立段落展開,並附真實台股數字。

風險類別	一句話說明	真實佐證(本文後文展開)
過擬合	in-sample 漂亮、實盤失效;對歷史過度優化	同規則調太多次=背雜訊;見過擬合段
期間敏感	同一套規則,換一段期間結論差很多	三因子策略 2020-2026 夏普 1.58、拉長到 2013-2026 掉到 1.28
因子失效	很多直覺因子其實沒用,挑錯就拖累整體	單因子歸因:低本益比夏普僅 0.05、月營收年增 0.25
交易成本與滑價	手續費、證交稅與滑點吃掉高週轉策略	台股賣出證交稅 0.3%、手續費 0.1425%
流動性與容量	策略有規模上限,資金一大就買不到價	小型股回測買得到、實單買不到
生存者偏誤 / 資料品質	下市股被剔除,歷史看起來比實際好	全額交割、下市、KY 股若沒處理會高估
紀律與心理	回撤時抱不住,人為中斷讓策略無效	最深回撤期才是策略真正的考驗

需要查任何名詞的精確定義,可參考詞彙表;想知道怎麼用一個分數同時衡量報酬與風險,可參考夏普比率工具頁。下面逐項展開。

1. 過擬合:回測越漂亮,越要懷疑

過擬合(overfitting)是量化交易的頭號風險,指的是策略對「過去那一段歷史」過度貼合,以至於它記住的是雜訊而不是規律,結果 in-sample(回測樣本內)績效很漂亮、out-of-sample(實盤或樣本外)卻失效。

它之所以難防,是因為它長得跟「好策略」一模一樣。你只有一條歷史資料,卻可以對著它反覆試:換因子、換參數、加濾網、調停損,只要試的次數夠多,總能湊出一條近乎完美的淨值曲線。問題是,那條曲線可能只是這 N 次嘗試裡運氣最好的一次。López de Prado 在《Advances in Financial Machine Learning》裡把這件事講得很白:在金融資料上,只要你嘗試的策略夠多,一定會有幾個純靠運氣就「顯著」的結果,而研究者通常只回報那個最漂亮的,從不揭露自己試了幾百次。

學術上對這個問題有正式的刻畫。Bailey、Borwein、López de Prado 與 Zhu(2014)在《The Probability of Backtest Overfitting》中提出「回測過擬合機率」這個量化指標:當你在固定一段資料上反覆比較大量策略設定、只挑回測最好的那個來上線,這個被挑中的策略在實盤裡「實際表現低於中位數」的機率會高得驚人。他們的結論很反直覺:回測的夏普比率越高,有時候反而代表你越可能是在過擬合,而不是越可能找到真策略。

實務上的訊號很單純:如果你必須把參數調到某個很精確的值、策略績效才好看,只要稍微挪動參數績效就崩,那它八成是過擬合。一個真正穩健的策略,對參數的小幅變動應該不敏感。關於 in-sample / out-of-sample 切分、限制回測次數等具體防呆做法,FinLab 在做量化投資會遇到的挑戰這篇有完整整理;而回測本身的原理與常見失真,可參考回測是什麼。

2. 期間敏感:同一套規則,換一段期間結論差很多

如果過擬合是「對參數過度貼合」,期間敏感就是它的孿生兄弟:對「你剛好選到的那段歷史」過度貼合。這是量化交易缺點裡最容易被忽略、也最容易自我欺騙的一個。原因在於,大多數人回測時只挑了一段他們覺得「有代表性」的期間,而那段期間往往剛好是策略表現最好的那幾年。

用 FinLab 在台股的真實回測來看這件事最清楚。我們拿同一個三因子複合策略(品質+動能+低波,屬於多因子選股那一類的合成思路),完全不改規則,只改回測的起訖時間:

回測期間	夏普比率	年化報酬(CAGR)
2020-2026(近六年)	1.58	21%
2013-2026(全期)	1.28	15.8%

(以上數字為 FinLab 以 finlab 套件實跑台股的回測結果,已內扣手續費與證交稅;完整策略規格與兩段期間的詳細數據見Python 量化交易教學,同類合成思路與單因子拆解可再參考多因子選股策略與 pillar 頁量化交易。)

同一套規則、同樣的因子、同樣的選股邏輯,只因為把起點從 2020 年往前拉到 2013 年,夏普比率就從 1.58 掉到 1.28,年化報酬從 21% 降到 15.8%。差距並非策略本身「變差了」,而是 2020-2026 這段台股整體偏多頭,把策略的成績墊高了;一旦把 2013 到 2019 那段相對震盪、有空頭的期間也算進來,真實的長期樣貌就浮現了。

這組數字的教訓很硬:只看一段漂亮回測,會系統性地高估一個策略。 當你在別人的文章或課程裡看到「夏普 1.5、年化 20%」這種數字,先別急著問真的假的,該問的是「這是哪一段期間?有沒有把空頭年份算進去?」。同一套規則,2020 起算和 2013 起算可以講出兩個不同的故事,而能拉長期間、把不利年份也納入的那一個,才比較接近你實盤真正會遇到的。本文這組對照的方法與完整脈絡,可在 pillar 頁量化交易是什麼延伸閱讀。

3. 因子失效:很多直覺因子其實沒用,挑錯會拖累整體

第三個缺點,是把「聽起來很合理的因子」當成「有效的因子」。量化交易讓你可以用任何可量化的特徵來選股,但「能量化」不等於「有預測力」。很多投資人憑直覺認定有效的因子,實際單獨拿去回測,績效平庸甚至接近零。

下面是 FinLab 在台股做的單因子歸因(回測 2013-2026、月頻、每月選排名前 30 檔),把幾個常被當成「選股金律」的因子各自單獨測一遍,看它們各自能換到多少夏普比率:

單因子	夏普比率(2013-2026)	直覺 vs 現實
營收創新高	0.95	真正有效,基本面動能有領先性
低波動	約 0.5	中等,穩但報酬有限
月營收年增率	0.25	比想像中弱很多
低本益比	0.05	幾乎沒有區別力,接近零

(上表為 FinLab 以 finlab 套件實跑的單因子歸因:回測區間 2013-2026、月頻換股、各因子單獨選分數最高的 30 檔所得的夏普比率,已內扣交易成本。想了解多個因子如何合成互補、提升整體穩定度,可參考多因子選股策略與 pillar 頁量化交易。)

最刺眼的是「低本益比」。很多人深信「買便宜的股票」是穩賺的價值投資金律,但單獨用「本益比低」去選台股,2013-2026 的夏普比率只有 0.05,等於幾乎沒有任何選股效果。連「月營收年增率」這個常被掛在嘴邊的成長指標,單獨用也只有 0.25。相對地,「營收創新高」有 0.95、低波動約 0.5,才是真正有貢獻的。

這說明兩件事。第一,挑錯因子不只是「沒幫助」,而是會主動拖累整體:你把資金配到一個夏普 0.05 的因子上,等於用一個無效訊號稀釋掉有效訊號。第二,因子是會失效的:一個今天有效的因子,可能因為太多人用、或市場結構改變而衰退。Harvey、Liu 與 Zhu(2016)在《…and the Cross-Section of Expected Returns》裡做過一次大規模的因子普查,指出學術文獻中被宣稱「顯著」的因子高達數百個,但在嚴格的多重檢定校正之下,絕大多數根本撐不住,因為大家都只回報跑出來好看的那些,沒回報試了多少個沒用的。換句話說,「有論文支撐」也不保證一個因子在你的市場、你的期間真的有效。想用統計量化一個因子到底有沒有預測力,可參考資訊係數 IC這篇。

4. 交易成本與滑價:高週轉策略會被一刀一刀吃掉

回測曲線之所以常常比實盤漂亮,一個最具體、最不浪漫的原因就是:成本。台股每一筆交易都有真實成本:買賣各收手續費 0.1425%(可向券商打折),賣出時還要再付證交稅 0.3%。這些數字單看很小,但對一個高週轉(turnover)的策略來說,一年來回幾十次,成本是會複利吃掉報酬的。

舉個直覺的算法:假設一個策略每個月換一次股,一年來回 12 次,每次來回光是買進手續費、賣出手續費加證交稅就接近 0.6% 上下(尚未計入打折與滑價),一年下來摩擦成本就可能侵蝕掉好幾個百分點的報酬。一個沒扣成本時看起來年化 20% 的策略,扣完成本可能只剩十幾趴;如果這個策略還特別愛追高頻訊號、天天進出,成本甚至可能把超額報酬全部抹平。

這也是為什麼回測「有沒有誠實扣成本」是判斷一篇量化文章可不可信的試金石。FinLab 的回測引擎 sim() 預設就已經內扣台股手續費與證交稅,所以本站文章裡的夏普與報酬數字,都是扣成本後的結果。

除了明面的手續費與稅,還有一個回測幾乎都低估的隱形成本:滑價(slippage)。回測假設你能用收盤價(或某個理想價)成交,但實盤下單時,你的買單會推高價格、賣單會壓低價格,成交價往往比理想價差一截,尤其是流動性差的股票。滑價無法精確預估,它取決於你的資金規模與當下成交量,而這就直接接到下一個風險。

5. 流動性與容量:策略有規模上限

量化策略有一個常被新手忽略的天花板:容量(capacity),也就是這套策略最多能容納多少資金而不破壞自己的績效。

問題出在流動性。很多漂亮的回測,績效其實是靠小型股、低流動性股堆出來的。這些股票回測時「買得到」(因為回測只是在歷史價格上記一筆),但實盤時你真的下大單,根本買不到那個價:成交量太小,你一買就把價格頂上去,一賣就把價格砸下來。對幾十萬資金或許還好,對幾千萬、上億的資金,光是進出場的滑價就能把超額報酬吃光。

這代表同一套策略,在不同資金規模下是不同的策略。一個散戶用 50 萬跑得很漂亮的小型股策略,放大到法人的 5 億完全跑不動。所以評估一個量化策略時,除了報酬與夏普,還要誠實面對:它的成交標的夠不夠大?週轉率高不高?如果你的資金成長了,它還撐得住嗎?一個負責任的回測應該交代是否做了流動性過濾、有沒有估算容量;沒估的話,至少要誠實標明「未估算容量」,而不是假裝這個問題不存在。

6. 生存者偏誤與資料品質:歷史比你看到的更殘酷

量化交易的一切建立在資料上,所以資料品質本身就是風險來源。其中最經典的陷阱是生存者偏誤(survivorship bias):如果你的回測股票池只包含「今天還活著、還在交易」的股票,那些中途下市、被全額交割、合併消失的公司就被悄悄剔除了,而這些往往正是賠最慘的。回測等於只在「活下來的贏家」裡選股,績效自然被系統性墊高,看起來比真實歷史樂觀。

台股還有幾個特別需要小心的類別:全額交割股、已下市股、KY 股(海外註冊來台上市)、ETF 與金融股。如果回測沒有妥善處理這些,結果就會失真。

另一個更隱蔽的資料陷阱是前視偏差(look-ahead bias):在回測的某一天,用到了那一天還不可能知道的資訊。最典型的就是財報與月營收:財報有公布日,月營收每月 10 號才公告,如果你在回測時用「財報所屬季度的最後一天」就拿來選股,等於偷看了未來,因為那份財報當時根本還沒公布。正確做法是用「資料實際可得的日期」對齊,財報延遲也要納入考量。前視偏差製造出來的績效是純粹的幻覺,實盤一毛都拿不到。關於這些失真機制,回測是什麼有更系統的整理。

7. 紀律與心理:回撤時抱不住,再好的策略都白搭

最後一個風險,不在程式碼裡,在人身上。量化交易常被當成「無情緒交易」的代名詞,但真相是:策略沒有情緒,執行策略的人有。

再好的策略都會有回撤(drawdown)期。一個長期夏普很高的策略,中途照樣可能連續幾個月甚至一兩年虧錢、或從高點回落兩三成。回測時你看著淨值曲線,那段回撤只是圖上一個小凹陷,三秒就滑過去了;但實盤時那是你真金白銀的帳戶連續數月泛綠,每天看每天痛。絕大多數策略失效,問題不在策略本身,而在人:在最深的回撤期受不了,手動停掉或亂改規則,結果剛好錯過後面的反彈,把一個本來會賺的策略,親手變成虧的。

這也是為什麼「最大回撤」是評估策略時必看的數字之一:它不只是風險指標,更是「你撐不撐得住」的壓力測試。在上線一套策略前,先誠實問自己:如果它連續虧 12 個月、帳戶從高點掉 30%,我還抱得住嗎?抱不住的話,再高的回測夏普對你都沒有意義。

散戶 vs 法人:量化交易的結構性劣勢

談量化交易缺點,還得誠實面對一個現實:散戶和法人站在不一樣的起跑線上。

法人(投信、外資、自營、專業量化團隊)在幾個維度上結構性領先:他們有更乾淨、更完整、更即時的資料源;有專職研究人力反覆驗證因子;有更低的交易成本與更好的下單通道;有更大的容量去分散到更多標的。散戶則普遍受限於資料品質、單打獨鬥的研究量能、相對較高的摩擦成本,以及容易被情緒左右的紀律問題。換句話說,上面七點裡,散戶幾乎每一點都更吃虧。

但這不代表散戶沒有空間,而是說散戶要清楚自己的相對劣勢在哪、不要拿石頭砸自己的腳:不要去玩需要超高頻、超低延遲、超大容量才划算的賽道(那是法人的主場),而是專注在自己反而有優勢的地方:資金小、容量不是問題,可以做法人因為規模太大而做不了的小型股策略;沒有交代績效的壓力,可以拉長持有、忍受短期回撤。想知道散戶用對工具能補上多少差距,可參考工具比較頁FinLab vs 量化通 QuantPass與FinLab vs TEJ,看不同方案在資料、成本、易用性上的取捨。

如何降低這些風險?五個務實做法

量化交易的缺點無法歸零,但可以管理。以下是把上面七類風險壓下來的務實做法:

1. 做樣本外測試(out-of-sample)。 把資料切成兩段:用前段研究、調參數,留後段完全不碰,只在最後驗證一次。如果策略在沒看過的後段也站得住,過擬合的機率就低很多。

2. 限制參數與回測次數。 參數越少、越粗(例如用 60/120/240 這種整數而非精調到 63 日),越不容易過擬合;同時誠實記錄你總共試了幾個版本,試越多次,挑中的那個越可能是運氣。

3. 用含息基準對照。 把策略和含息 0050(報酬指數)放在同一張圖、同一段期間比。很多「看起來會賺」的策略,其實只是跟著大盤漲,根本沒有超額報酬。同口徑、同期間的對照,才看得出策略到底有沒有 alpha。

4. 跨期間做穩健性檢查。 像本文第 2 點那樣,把策略放到不同期間(多頭段、空頭段、震盪段)各跑一次,看結論是不是只靠某一段多頭撐起來的。對期間穩健的策略,才比較可能在未來站得住。

5. 季度重跑、持續監控。 策略不是上線就一勞永逸。每季用最新資料重跑一次,觀察因子是否衰退、績效是否偏離回測;一旦明顯偏離,寧可暫停檢討,也不要硬抱著一個可能已經失效的策略。

這五步沒辦法保證賺錢,但能大幅降低「被一段漂亮回測騙進場、然後實盤失效」的機率,而那正是量化交易最大的缺點本身。

常見問題 FAQ

Q1:量化交易會賠錢嗎? 會。量化交易不是穩賺工具,它只是把交易決策系統化、紀律化。任何策略都有回撤期,都可能連續虧損;遇到策略失效或市場結構改變時,照樣會賠錢。量化的價值在於讓你用數據評估風險、用紀律執行,而不是消除虧損的可能。任何宣稱「量化穩賺、量化是印鈔機」的說法都該高度警惕。

Q2:量化交易最大的缺點是什麼? 最大的缺點是過擬合與期間敏感,也就是「把過去調得很漂亮、未來卻失效」。因為歷史只有一條,你可以反覆對著它調參數、選期間,直到績效好看為止,但調出來的漂亮很可能只是背了雜訊。本文用真實台股回測示範:同一套三因子規則,2020-2026 夏普 1.58,拉長到 2013-2026 卻掉到 1.28。

Q3:量化交易適合散戶嗎? 適合,但要認清相對劣勢。散戶在資料品質、研究量能、交易成本上不如法人,所以不該去玩需要超高頻、超大容量的賽道。散戶的優勢在於資金小、容量不是問題,可以做法人因規模太大而做不了的策略,也沒有短期績效壓力、能忍受回撤。用對工具(免寫程式、台股資料齊全的平台)能補上不少差距。

Q4:過擬合(overfitting)是什麼? 過擬合指策略對歷史資料過度貼合,記住的是雜訊而非規律,導致 in-sample(回測)很漂亮、out-of-sample(實盤)卻失效。典型訊號是:必須把參數調到某個很精確的值績效才好,稍微挪動就崩。Bailey 等人(2014)用「回測過擬合機率」正式刻畫了這個問題:在大量策略中只挑回測最好的上線,它實盤表現低於中位數的機率很高。

Q5:為什麼我的回測很漂亮,實盤卻不行? 最常見的四個原因:一是過擬合(對歷史過度優化);二是沒誠實扣成本(手續費 0.1425%、證交稅 0.3%、滑價);三是流動性問題(回測買得到、實單買不到價);四是前視偏差或生存者偏誤(用到未來資訊,或股票池剔除了下市股)。回測與實盤的落差,幾乎都來自這四類。

Q6:量化交易的因子是不是越多越好? 不是。很多直覺因子其實沒有預測力,挑錯反而拖累整體。本文的台股單因子歸因顯示:低本益比夏普僅 0.05、月營收年增率 0.25,幾乎沒效;而營收創新高有 0.95 才真正有貢獻。加進無效因子等於用雜訊稀釋有效訊號。Harvey 等人(2016)也指出,學術上宣稱顯著的數百個因子,經嚴格多重檢定後絕大多數撐不住。

Q7:怎麼判斷一篇量化文章的回測可不可信? 看它有沒有誠實揭露方法:有沒有扣交易成本與證交稅?用的是哪一段期間、有沒有把空頭年份算進去?有沒有做樣本外測試?有沒有跟含息 0050 同口徑對照?有沒有交代流動性與容量?只給漂亮數字、不交代方法的文章,可信度要打折。

Q8:量化交易和程式交易、技術分析有什麼不同? 量化交易是用數據與統計驗證來做交易決策的總稱;程式交易強調用程式自動執行(可以是量化的,也可以是把技術指標寫成自動下單);技術分析則是用價量型態判斷進出,本身不一定經過嚴格統計驗證。三者會重疊,但核心差別在於「決策依據有沒有經過可重現的數據驗證」。各名詞精確定義見詞彙表。

延伸閱讀

• Python 量化交易教學:從 pip install 到第一個台股回測
• 量化交易職涯:量化交易員薪水、工作內容與入行門檻
• 富途牛牛能做量化交易嗎?台股量化的真相與替代方案
• 量化交易是什麼?台股量化入門與平台比較

---

投資有風險,過去績效不代表未來表現,本文僅供教學參考,不構成投資建議。

最後更新:2026-06｜作者:FinLab 量化研究團隊