歷史回測

以每日 position 訊號搭配 finlab.backtest.sim，即可快速完成回測並產生選股清單與風險/報酬分析。

快速上手

台股美股 ETF / 基金

from finlab import data
from finlab import backtest

# 只買入價格小於 6 元的股票
close = data.get('price:收盤價')
position = close < 6

# 回測，每月底(M)重新調整股票權重
report = backtest.sim(position, resample='M', name="價格小於6的股票")

from finlab import data
from finlab import backtest

data.set_market('us_fund')
close = data.get('price:adj_close')
position = close[['SPY', 'QQQ']].pct_change(126).is_largest(1)

report = backtest.sim(position, resample='M', name="美股 ETF 動能")

讓 AI 幫你寫策略

想嘗試更多策略但不確定語法？安裝 FinLab Skill 後，AI 編程助手可幫你撰寫進出場條件、選擇調倉頻率、設定停損停利。

套用大盤濾網

股票部位與只有 TAIEX 欄位的大盤表格直接做 position & mk，會因沒有共同股票欄位而得到零欄位部位。請先取出以日期為索引的 Series，放在股票部位右側，讓訊號套用到每一檔股票：

tx = data.get('taiex_total_index:收盤指數')
risk_on = (tx > tx.average(60))['TAIEX']
risk_on = risk_on.reindex(position.index, method='ffill').fillna(False).astype(bool)
filtered = position & risk_on
report = backtest.sim(filtered, resample='W', upload=False)

ffill 只沿用過去訊號；初期尚無大盤訊號的日期視為不持有。sim() 需要至少一個股票欄位與一列日期；全現金策略可以保留股票與日期，將部位設為 False 或 0。

顯示策略回測結果

report.display()

查看下一期部位與換股時機

report.weights 是目前這一期的目標部位；report.next_weights 是依目前資料算出的下一個換股邊界目標部位。換股邊界前，next_weights 與換股的 enter／exit actions 可能每天改變；它們是下一期的預覽，不代表今天就要下單。

以美股 resample='W' 為例，週換股邊界預設是週日。2026-09-22 看到 next_weights.name 為 2026-09-27 只是預覽；最後的名單要等 09-25（週五）收盤資料齊全後重跑確認，回測於下一個交易日 09-28 成交，成交價格依 trade_at_price 決定。假日會改變最後一個交易日與成交日。美股目前依換股標籤當日的市場收盤時間判斷到期，所以 is_rebalance_due() 要到週日 16:00（美東時間）才回傳 True，不是週五收盤。

不用自行比較日期，可以直接查換股是否到期：

print(report.is_rebalance_due())  # True：換股已到期
print(report.next_weights)
print(report.actions)

False 表示換股尚未到期；True 只表示換股時間已到，不保證報告包含最新收盤資料，也不表示委託已成交，到期時仍要用最新資料重跑 sim()。停損停利動作另用 report.is_stop_triggered() 判斷。

台股日頻有可用交易日曆時，依交易日曆的換股期間判斷到期；同一頁也說明為何實單的 PortfolioSyncManager.update() 要每次排程都執行，而不是只在到期時呼叫。

取得策略交易紀錄

交易紀錄重點欄位

report.get_trades()

* exit_sig_date:出場訊號產生日。 * entry_sig_date:進場訊號產生日。 * entry_date:進場日。 * exit_date:出場日。 * period:持有天數。 * position: 持有佔比。 * return:報酬率。 * mdd:持有期間最大回撤。 * mae:持有期間最大不利幅度。 * g_mfe:持有期間最大有利幅度。 * b_mfe:mae發生前的最大有利幅度。

顯示波動分析圖

report.display_mae_mfe_analysis()

策略流動性風險檢測

from finlab.analysis.liquidityAnalysis import LiquidityAnalysis

# 交易紀錄進出場成交張數大於1000張的比例, 成交金額大於1000000元的比例，檢測資金部位胃納量
report.run_analysis(
    LiquidityAnalysis(required_volume=100000, required_turnover=1000000)
)

更多範例

創新高策略

from finlab import data
from finlab.backtest import sim

# 創 250 天新高的股票
close = data.get('price:收盤價')
position = close == close.rolling(250).max()

# 回測，每月(M)調整一次，選出當天創新高股票
sim(position, resample='M', name="創年新高策略")

高 RSI 技術指標策略

from finlab import data
from finlab.backtest import sim

# 選出 RSI 最大的 20 檔股票，每週調倉
rsi = data.indicator('RSI')
position = rsi.is_largest(20)

# 回測，每月(M)調整一次
report = sim(position, resample='W', name="高RSI策略")

乖離率 + 財報濾網

from finlab import data
from finlab.backtest import sim

# 下載 ROE 跟收盤價
roe = data.get("fundamental_features:ROE稅後")
close = data.get('price:收盤價')

position = (
    (close / close.shift(60)).is_largest(30)  # 選出乖離率前 30 名的股票
    & (roe > 0)  # 選出 ROE 大於 0 的股票
)

# 回測，每月(M)調整一次
report = sim(position, resample='M', name="乖離率和ROE濾網策略")

常見錯誤與解決方法

大盤擇時：False 的日期空手

timing 是日期索引的布林 Series 時，position[timing]、position & timing 與 position *= timing 都保留每個日期，False 的日期部位歸零，sim() 在這些日期空手：

以下沿用前面策略的 close 與 position（FinlabDataFrame）。

from finlab.backtest import sim

timing = close["0050"] > close["0050"].rolling(20).mean()
position *= timing
report = sim(position, upload=False)  # 不設定 resample，讓擇時訊號每日生效

FinlabDataFrame 會自動將 timing 按日期套用到每檔股票，False 時部位歸零，不必手動 reindex 或轉型。若兩者日期不同，會依既有對齊規則沿用前一筆訊號。

錯誤 1：策略無任何交易記錄

現象：回測完成但無任何交易，get_trades() 回傳空 DataFrame

close = data.get('price:收盤價')
position = (close > 100) & (close < 110)  # 條件過嚴
report = sim(position, resample='M')

trades = report.get_trades()
print(len(trades))  # 0

原因： - 進場條件過於嚴格，導致 position 幾乎全為 False - 資料日期範圍過短，無足夠交易日觸發進場 - 篩選後的股票池過小或不存在

解決方法：

from finlab import data
from finlab.backtest import sim

close = data.get('price:收盤價')
position = (close > 100) & (close < 110)

# 檢查進場訊號統計
entry_stats = position.sum(axis=1)  # 每日進場股票數
print("=== 進場訊號統計 ===")
print(f"平均每日進場股票數：{entry_stats.mean():.2f}")
print(f"最大進場股票數：{entry_stats.max()}")
print(f"最小進場股票數：{entry_stats.min()}")
print(f"有進場訊號的交易日數：{(entry_stats > 0).sum()} / {len(entry_stats)}")

# 如果平均進場數 < 1，表示條件過嚴
if entry_stats.mean() < 1:
    print("\n⚠️ 警告：進場條件過嚴，平均每日不到 1 檔股票")
    print("建議：")
    print("1. 放寬價格區間（如 80-120 元）")
    print("2. 使用 .is_largest(N) 確保固定檔數")
    print("3. 檢查資料完整性（data.get() 是否正常）")

    # 修正範例：使用 is_largest() 確保固定檔數
    ma20 = close.average(20)
    position_fixed = (close > ma20).is_largest(30)  # 固定選出 30 檔
    print("\n✅ 改用固定檔數策略：")
    print(f"   平均每日進場股票數：{position_fixed.sum(axis=1).mean():.2f}")

# 執行回測並檢查結果
report = sim(position, resample='M', name="測試策略")
trades = report.get_trades()

if len(trades) == 0:
    print("\n❌ 錯誤：策略無任何交易記錄")
    print("請檢查上方的進場訊號統計，確認條件是否過嚴")
else:
    print(f"\n✅ 回測成功，共 {len(trades)} 筆交易")
    print(f"   持有期間：{trades['entry_date'].min()} ~ {trades['exit_date'].max()}")

進階診斷：

# 檢查特定時間點的持倉狀態
import pandas as pd

# 隨機抽樣 10 個交易日檢查
sample_dates = position.index[:: len(position) // 10][:10]
for date in sample_dates:
    stocks = position.loc[date][position.loc[date]].index.tolist()
    print(f"{date}: {len(stocks)} 檔股票 - {stocks[:5]}...")

# 檢查是否有股票「從未」進場
never_entered = position.sum(axis=0) == 0
print(f"\n從未進場的股票數量：{never_entered.sum()} / {len(position.columns)}")

錯誤 2：KeyError - 日期索引錯誤

現象：執行回測時拋出 KeyError，錯誤訊息顯示某個日期不存在

report = sim(position, resample='M')
# KeyError: Timestamp('2023-05-01 00:00:00')

原因： - 使用多個資料源時，日期索引範圍不一致 - position 的日期範圍超出資料可用範圍 - 使用 shift() 或 rolling() 導致前期資料缺失

解決方法：

from finlab import data
from finlab.backtest import sim
import finlab

# 方法 1：使用 truncate_start 對齊起始日期
finlab.truncate_start = '2020-01-01'  # 只回測 2020 年後的資料

close = data.get('price:收盤價')
volume = data.get('price:成交股數')

# 檢查日期範圍
print(f"收盤價日期範圍：{close.index[0]} ~ {close.index[-1]}")
print(f"成交量日期範圍：{volume.index[0]} ~ {volume.index[-1]}")

# 方法 2：手動對齊日期索引
common_dates = close.index.intersection(volume.index)
close_aligned = close.loc[common_dates]
volume_aligned = volume.loc[common_dates]

print(f"對齊後日期範圍：{common_dates[0]} ~ {common_dates[-1]}")

# 方法 3：使用 try-except 捕捉錯誤
try:
    position = (close > close.average(20)) & (volume > 1000)
    report = sim(position, resample='M')
    print("✅ 回測成功")

except KeyError as e:
    print(f"❌ 日期索引錯誤：{e}")
    print("\n可能原因：")
    print("1. 使用 rolling() 或 average() 導致前期資料缺失")
    print("2. 多個資料源的日期範圍不一致")
    print("\n解決方法：")
    print("1. 設定 finlab.truncate_start 統一起始日期")
    print("2. 使用 .dropna() 移除缺失值")

    # 自動修正：移除缺失值
    position_cleaned = position.dropna(how='all', axis=0)  # 移除全為 NaN 的列
    position_cleaned = position_cleaned.fillna(False)  # 將 NaN 填充為 False

    print(f"\n✅ 已自動移除缺失值，重新回測...")
    report = sim(position_cleaned, resample='M')
    print(f"   回測期間：{position_cleaned.index[0]} ~ {position_cleaned.index[-1]}")

進階診斷：檢查 position 完整性

import pandas as pd

# 檢查 position 的缺失值
missing_info = position.isna()
print("=== Position 缺失值統計 ===")
print(f"總缺失值數量：{missing_info.sum().sum()}")
print(f"全部為 NaN 的列（日期）數量：{missing_info.all(axis=1).sum()}")
print(f"全部為 NaN 的欄（股票）數量：{missing_info.all(axis=0).sum()}")

# 顯示前幾個有缺失值的日期
missing_dates = missing_info.any(axis=1)
if missing_dates.sum() > 0:
    print(f"\n前 5 個有缺失值的日期：")
    for date in position.index[missing_dates][:5]:
        na_count = position.loc[date].isna().sum()
        print(f"  {date}: {na_count} 檔股票缺失")

錯誤 3：忘記設定 resample 導致每日調倉

現象：回測結果報酬率極低，交易次數異常多

report = sim(position, upload=False)  # ❌ 未設定 resample
trades = report.get_trades()
print(len(trades))  # 數千筆交易

原因： - 未設定 resample 參數，預設為每日調倉 - 每日調倉會產生大量交易成本（手續費 + 證交稅） - 實際上大多數策略不應該每日頻繁調倉

解決方法：

from finlab import data
from finlab.backtest import sim

close = data.get('price:收盤價')
position = close > close.average(20)

# ❌ 錯誤：未設定 resample（每日調倉）
report_daily = sim(position, name="每日調倉")
trades_daily = report_daily.get_trades()

# ✅ 正確：設定合理的調倉頻率
report_monthly = sim(position, resample='M', name="每月調倉")
trades_monthly = report_monthly.get_trades()

# 對比交易次數與績效
print("=== 調倉頻率對比 ===")
print(
    f"每日調倉：{len(trades_daily)} 筆交易，年化報酬 {report_daily.stats['annual_return']:.2%}"
)
print(
    f"每月調倉：{len(trades_monthly)} 筆交易，年化報酬 {report_monthly.stats['annual_return']:.2%}"
)

# 通常每月調倉的績效會比每日調倉好（交易成本較低）
if report_monthly.stats['annual_return'] > report_daily.stats['annual_return']:
    print("\n✅ 建議使用「每月調倉」，可大幅降低交易成本")

常用調倉頻率：

# 週線策略（適合短線）
report = sim(position, resample='W', name="每週調倉")

# 月線策略（最常用，適合上班族）
report = sim(position, resample='M', name="每月調倉")

# 季線策略（適合長線）
report = sim(position, resample='Q', name="每季調倉")

# 自訂調倉頻率（如每 20 個交易日）
report = sim(position, resample='20D', name="每 20 日調倉")

參考資源

• API Reference - backtest - sim() 完整參數說明
• 策略優化指南 - 找出最佳調倉頻率與停損停利參數
• 完整策略開發流程 - 從研究到實盤的完整流程
• 風險管理完整指南 - 停損停利實戰技巧
• 常見問題 FAQ - 更多疑難排解