回測是什麼？2026 量化投資回測入門：怎麼做、有哪些陷阱（附台股實例）

回測是什麼？

回測，是把一套交易規則寫死、丟進過去的市場資料從頭跑一遍，看它在歷史上會賺多少、最慘賠多少，藉此在投入真錢之前先評估報酬與風險。

換個說法：你先把進出場規則講到電腦聽得懂——例如「每月初買進本益比最低的二十檔、跌破季線就出場」——再讓程式拿過去十年的台股資料，逐日照這套規則模擬，最後攤出一條淨值曲線，告訴你帳上是賺是賠、中間最深賠到哪裡。回測的價值不在「預測未來」，而在於把一個模糊的直覺，變成一條有報酬、有回撤、可以攤開來檢討的紀錄。它是評估策略的起點，不是終點，更不是保證書。

三十秒看懂回測

• 回測 = 規則化 + 歷史模擬 + 讀指標。 把盤感寫成明確規則，用歷史資料跑，再讀年化報酬、最大回撤、夏普值等數字。
• 回測最大的用途是「否證」。 它最值錢的時刻，往往不是證明某招會賺，而是照出某個聽起來很合理的直覺其實沒用——例如「外資賣超就反向買進」這種跟單法，攤開資料就站不住腳。
• 漂亮的曲線最危險。 同一段資料，參數調到績效變好為止，總能變出誘人的線；過度擬合、生存者偏差、前視偏誤、沒扣成本，都會讓回測比實際樂觀。
• 真實案例： FinLab 的法人策略回測裡，「逆向外資」這套直覺被回測照出年化報酬為 -11.2%（實際上虧錢），而換成「投信買超＋營收動能」後，年化報酬拉到 31.68%、夏普值約 0.99——同一個回測引擎，照出一個無效、驗證一個有效。
• 想看回測在整套方法裡的位置，從 pillar 文章量化交易是什麼讀起；名詞定義查詞彙表。

回測在量化流程裡的定位

量化交易的骨架，簡化成一句話是：先有假設 → 把假設寫成規則 → 用回測驗證 → 小額實單 → 監控與汰換。 回測卡在「驗證」這一格，是把主觀想法擋在真金白銀之前的那道閘門。

它的作用，是把「我覺得這招會賺」這種無法討論的說法，翻譯成「攤開過去十年的資料，這套規則會這樣」的可檢驗陳述。一旦寫成回測，兩個人就不用再憑感覺吵——數字攤在桌上，有報酬、有回撤、有勝率，能對著同一份結果討論哪裡好、哪裡有問題。這也是為什麼量化研究的工作，有很大一部分時間其實花在反覆回測、推翻自己的假設，而不是在追逐單一爆紅標的。

要注意，回測只是流程的一格，不是全部。一套策略就算回測好看，後面還有實單滑價、資金容量、心理承受度等關卡。回測過不了，後面免談；回測過了，也只是拿到下一關的門票。想完整理解這套流程怎麼從選股一路接到下單，可參考程式交易是什麼與台股選股方法總覽。

回測怎麼做：三個步驟

回測聽起來高深，拆開其實就三步。

第一步，規則化。 把腦中的想法寫成明確、沒有模糊空間、可以重複執行的條件。「買強勢股」不是規則，因為「強勢」沒定義；「買近 60 日漲幅前 20 名、且月營收年增率大於 20% 的股票」才是規則。規則化的過程本身就有價值——很多直覺一旦被逼著寫精確，就會發現根本講不清楚，那它八成也不是個能執行的策略。

第二步，歷史模擬。 把規則餵進程式，讓它拿一段歷史資料逐日跑：今天符合條件的就買、不符合的就賣，扣掉手續費與證交稅，記錄每天的持倉與淨值。在 FinLab，這一步只要 pip install finlab 取得真實台股資料，再呼叫 sim() 就能把想法跑成一份完整的回測報告（sim() 預設已扣台股手續費與賣出 0.3% 證交稅，這點對結果影響不小，務必確認有算進去）。

第三步，讀指標。 模擬完會吐出一份報告，重點是讀懂裡面的數字、而不是只看年化報酬那一格。下一節細談要看哪些。

要看哪些數字

一份回測報告會給你一堆指標，學會讀它們，比記住任何單一策略都重要。下面四類是最低限度要看的：

指標	它在回答什麼	怎麼看（參考，非保證）
年化報酬（CAGR）	平均每年複利成長多少	看數字也要看穩不穩，單一暴衝年份會美化它
最大回撤（MDD）	從高點到低點最慘賠多少	決定你抱不抱得住，回撤越深越考驗人性
夏普值 / 索提諾值	每承擔一單位風險換到多少報酬	風險調整後的成績，比單看報酬公允（夏普值常見以 1 為一個分水嶺，但要連同回測區間一起看）
勝率與賺賠比	多常做對、做對時賺多少	高勝率不等於賺錢，要搭配賺賠比一起看

兩個容易踩的觀念坑：第一，報酬要配著回撤一起看。年化報酬亮眼、但最大回撤接近腰斬的策略，多數人實際上抱不住，半路就停損出場，根本領不到那個漂亮年化。第二，勝率高 ≠ 賺錢。一套勝率 70% 的策略，如果做對只小賺、做錯就大賠，長期照樣是輸的——這也是為什麼要把勝率和賺賠比綁在一起判讀。想更深入理解單筆交易的賺賠結構與停損停利怎麼影響整體績效，可參考 MAE / MFE 分析。

還有一個重點：這些數字全是「過去」的描述，是參考，不是對未來的保證。 一條漂亮的回測曲線，只代表「如果歷史原封不動重演，這套規則會這樣」。歷史不會重演到那麼乾淨，所以回測的角色比較像體檢報告——告訴你這套策略的體質與弱點在哪，而不是替你蓋一張保證書。

多少算好？先別問這個

新手最常問「夏普值要多高才算好策略」，但這問題本身就埋著陷阱。在回測這件事上，比「數字多高」更該先問的是「這個數字可不可信」——因為一條看起來完美的曲線，太容易做出來了。

同一套資料，只要你不斷調參數試到績效變好為止，總能湊出一條誘人的線；參數調得越多、試得越久，做出漂亮回測的機率越高，但那條線跟未來的關係也越薄。學界對這件事有過嚴肅的量化分析：Bailey, Borwein, López de Prado & Zhu（2014） 在《Pseudo-Mathematics and Financial Charlatanism》一文指出，只要你在同一份資料上反覆試夠多組策略，光靠運氣就能挑出一條夏普值很高、但樣本外完全失效的回測——白話說，試的次數越多，那個「最好」的結果就越可能是噪音，而不是真本事。Harvey, Liu & Zhu（2016） 在《… and the Cross-Section of Expected Returns》進一步點出，學界與業界翻遍資料找出的「有效因子」多到不合理，很多是大量重複測試下的假陽性；他們主張，當你試過很多組設定，傳統的顯著門檻要拉得更嚴，否則你只是在向歷史資料的隨機波動致敬。

兩篇的共同結論很實用：真正決定回測可不可信的，不是那條曲線本身，而是你「為了找到它試了幾次」。 所以與其追問夏普值幾分才算好，不如先盤點：這個結果是第一次跑就有，還是調了五十組參數才湊出來的？這也是下兩節的主軸。

常見陷阱

回測會失真，幾乎都來自下面這幾類，每一個都會讓數字比實際樂觀：

• 過度擬合（overfitting）： 把策略調到剛好貼合歷史的每個轉折，看起來無懈可擊，其實是在背答案，換到沒看過的行情就原形畢露。這是上一節兩篇文獻講的核心問題。怎麼用機率角度判斷一條曲線是真有效還是運氣好，可讀回測過擬合機率。
• 生存者偏差（survivorship bias）： 如果你的資料只剩「活到今天」的公司，那些下市、被清算、全額交割的股票早被剔除，你等於一開始就只在贏家堆裡挑，回測自然偏樂觀。嚴謹的回測要明確交代股票池怎麼定義、排除了哪些類別。
• 前視偏誤（look-ahead bias）： 用了當下根本還拿不到的未來資料。最典型的是財報與月營收——你必須用「公布日當天才可得」的資料來進場，而不是用財報期間結束就馬上拿到，否則回測等於開了天眼。
• 沒扣交易成本： 手續費、證交稅、滑價一旦不計，高週轉策略的帳面報酬會被嚴重高估。台股賣出要扣 0.3% 證交稅，換股越頻繁，這筆成本吃掉的就越多。
• 樣本太短： 只測了兩三年、剛好是一段多頭，很難分清是策略有效還是大盤抬轎。回測區間要夠長、最好跨過多空，結論才站得住。

盲點：怎麼不被自己的回測騙到

陷阱列得出來，難的是這些陷阱多半是「你騙自己」——是研究者在不知不覺中讓回測變好看，而不是別人來騙你。幾個實務上能降低自欺機率的習慣：

樣本內外切分。 把資料切成兩段：一段「樣本內」拿來調策略，另一段「樣本外」鎖起來，調完才拿出來驗收。如果一套策略在沒看過的樣本外資料一樣站得住，它是真本事的機率才高。誠實的做法是直接揭露「本文是全段 in-sample、未做樣本外」，而不是假裝嚴謹——很多 AI 量產的策略文，指標一堆、語氣很篤定，但完全不交代這件事。

控制你試了幾次。 呼應上面兩篇文獻：你在同一份資料上試過的參數組合越多，挑出來那個「最好」的越可能是運氣。少試、把假設想清楚再測，比暴力掃參數健康得多。想量化「試這麼多次、這個結果還能信幾分」，可看回測過擬合機率與資訊係數 IC這類衡量因子預測力的方法。

壓低週轉、誠實算成本。 換股別太頻繁，否則手續費和證交稅會把帳面報酬吃掉一大塊；回測時把成本、甚至滑價加倍再測一次，看結論還在不在。

對「好到不像話」保持懷疑。 遇到年化高得離譜、回撤又淺的策略，第一反應該是「是不是哪裡偷看了未來資料」，而不是「我發財了」。多數高得反常的回測，問題出在前視偏誤或沒扣成本。

真實 finlab 台股實例：回測怎麼照出無效策略

講再多原理，不如看一個真的被回測照出來的例子。FinLab 的法人策略回測就示範了回測最有價值的一面——否證一個流行的直覺。

很多人相信「外資都在割韭菜，反著做就能賺」。這聽起來很合理，但合不合理不該用嘴吵，該丟進回測。那篇文章把「外資連續賣超就反向買進」寫成明確規則跑回測，結果這套逆向外資策略的年化報酬是 -11.2%——不是少賺，是實際上虧錢，夏普值只有 0.15。回測在這裡的作用不是幫你賺錢，而是幫你在賠真錢之前，先證明這個聽起來很順的直覺根本不成立。原因也很清楚：外資賣超只占當天成交的一小部分，又常來自匯率避險、ETF 被動調整等與基本面無關的理由，本身不帶可靠的方向資訊。

接著那篇文章換了個方向：跟著對台股研究更深、持股更集中的投信走。單純跟投信買超，年化報酬約 17.5%、夏普值約 0.6，已明顯優於逆向外資；再疊上「月營收創 12 個月新高、年增率大於 20%」的基本面篩選後，整體年化報酬拉到 31.68%、夏普值約 0.99、最大回撤約 -45%。

這個對照之所以值得記住，是因為它同時演示了本文的每一個重點：同一個回測引擎，照出一個無效策略（逆向外資）、驗證一個相對有效的策略（投信＋營收）；而那個有效策略也誠實揭露了最大回撤接近腰斬、未計滑價與容量、存在生存者偏差等限制——這正是一份不騙人的回測該有的樣子。數字怎麼算、Python 程式碼長什麼樣、風險怎麼揭露，完整版都在法人策略回測。

想再看更多用真實台股資料跑回測的範例，可參考多因子選股打敗 0050、三因子模型分析、融資維持率擇時與肯特納通道等策略文，每一篇的數字都附可下載程式碼，自己就能重現。

常見問題（FAQ）

回測是什麼？

回測是用歷史資料模擬一套交易策略過去的表現，在投入真錢之前，先評估它的報酬與風險。它把模糊的盤感變成一條可檢討的淨值曲線，最大的用途之一是「否證」——照出某個聽起來合理的直覺其實沒用。

回測怎麼做？

三步：先把進出場規則寫成明確、可重複的條件；再餵進一段歷史資料讓程式逐日模擬、扣掉手續費與證交稅；最後讀年化報酬、最大回撤、夏普值、勝率等指標。在 FinLab 用 pip install finlab 取得真實台股資料、呼叫 sim() 就能跑出一份回測報告。

回測要看哪些數字？

至少四類：年化報酬（CAGR）看長期成長、最大回撤（MDD）看你抱不抱得住、夏普值看風險調整後的效率、勝率搭配賺賠比看交易結構。重點是配著一起看——光看年化報酬最容易被誤導。

回測績效好就代表未來會賺嗎？

不代表。回測只描述過去，是參考而非保證。一條漂亮曲線很可能是過度擬合、生存者偏差或前視偏誤的產物。要先排除這些陷阱、用樣本外資料檢驗、再小額起步，才比較踏實。

什麼是過度擬合？為什麼這麼危險？

過度擬合是把參數調到剛好貼合歷史、等於在背答案。Bailey, Borwein, López de Prado & Zhu（2014）指出，只要在同一份資料上試夠多組策略，光靠運氣就能挑出一條夏普值很高、樣本外卻失效的回測。試的次數越多，那個「最好」的結果越可能是噪音。

怎麼判斷一份回測可不可信？

先問它「為了找到這個結果試了幾次」。第一次跑就有，比調五十組參數才湊出來可信得多。再看它有沒有做樣本內外切分、有沒有誠實扣成本、回測區間夠不夠長、有沒有交代排除哪些股票（生存者偏差）。Harvey, Liu & Zhu（2016）提醒，試得越多，可信的門檻就要拉得越嚴。

為什麼一定要扣交易成本？

台股賣出要扣 0.3% 證交稅，加上手續費與可能的滑價，換股越頻繁、成本吃掉的報酬越多。不扣成本的回測會嚴重高估高週轉策略；FinLab 的 sim() 預設已含手續費與證交稅，但你要確認有把它算進去、別只看未扣成本的數字。

回測過了就可以直接上實單嗎？

不建議。回測只是流程的一格，過了只是拿到下一關門票。後面還有實單滑價、資金容量、心理承受度等關卡。實務上會先小額實單跑一段、確認回測與實際落差可接受，再逐步加碼，而不是看到漂亮回測就重押。關於回測與實盤之間為什麼會有落差、又該如何縮小，可進一步參考回測的局限與實盤落差。

---

投資有風險，過去績效不代表未來表現。本文所引用之回測數字（年化報酬 -11.2%、31.68% 等）皆出自 FinLab 既有公開文章之台股回測，附可下載程式碼可自行重現；本內容僅供教學參考，不構成投資建議，請依個人風險承受度審慎評估。

最後更新:2026-06｜作者:FinLab 量化研究團隊