你有沒有試過，一套 AI炒外匯 系統回測時曲線漂亮得像教科書，一上實盤卻像換了個人，連連虧損？如果你點頭了，我想先告訴你：你不是策略寫得差，而是踩進了一個連專業機構都會反覆跌倒的坑，叫做過度擬合。我在課程裏教回測時，最常被學員追問的不是怎麼寫策略，而是「為什麼回測的數字到了實盤就全變樣」。這篇文章要做的，就是把回測與參數調優這條路上最會騙人的幾個陷阱攤開，並給你一套能拿去做樣本外驗證的方法，讓你的 AI 外匯系統經得起真實市場的摩擦。
回測好看、實盤卻虧：問題出在哪裏
回測的本質，是用過去的數據模擬一次交易。它沒有騙你，只是它模擬的世界比現實乾淨太多。當你把一套策略放進回測引擎，價格是齊全的、成交是即時的、點差是固定的，甚至你下單的每一筆都剛好成交在理想價。現實市場裏，這些優待一項都不存在。
落差的第一個來源，是回測只能回答「過去行不行」，卻被當成「未來行不行」的證明。過去那一段走勢，是已經發生、不會再變的事實；策略只要被反覆調整去貼合它，就一定能貼得很漂亮。這個貼合的過程，正是過度擬合的溫牀。你以為自己在找規律，其實是在背答案。
落差的第二個來源，是成本被低估。點差、滑點、隔夜利息，這些在回測裏常被忽略或只象徵性扣一點的小數目，累積一年下來足以把一個帳面盈利的策略打成虧損。我在帶學員做系統體檢時，幾乎每一次都能從「沒扣夠成本」這一個環節，找回一大截被高估的利潤。
理解這兩層落差之後，你才不會再把回測當成聖經，而是把它當成一個必須打折參考的起點。想先補足 AI炒外匯 的基礎認識，把策略邏輯與市場結構搞清楚，再看這一篇會順得多。接下來，我依序拆解回測的三個陷阱。
回測的第一個陷阱：倖存者偏差
倖存者偏差是回測裏最陰險的一種錯覺，因為它藏在你根本看不見的地方。你眼前只有那些「活下來的」數據，被淘汰的那一批早就消失在你的視野之外。
被刪掉的虧損貨幣對
最典型的例子，是回測時只挑了幾個現在看起來主流、流動性又好的貨幣對來跑。但你能挑出它們，正是因為它們活到了今天。十年前同樣熱門的某些交叉盤，可能早就因為流動性枯竭或波動結構改變而無人問津。你的策略只跑在贏家身上，自然容易得出漂亮的結論。
這個陷阱更隱蔽的版本，是數據供應商直接沒有收錄某些已經退市或被合併的標的。你看似「用了全市場的數據」，其實只看到了一個被過濾過的、傾向樂觀的樣本。策略在這個樣本上學到的東西，換到完整的真實世界裏，就會失效。
倖存者偏差的修正方法
要修正它，第一步是問數據的完整性：這份歷史數據有沒有包含當時所有可交易、後來被下架的標的。第二步是主動加入「失敗樣本」，也就是把那些曾經存在、後來消失的貨幣對納入回測。第三步，也是最實際的一步，是承認自己永遠只能看到部分世界，因此策略必須在樣本外也能站得住，而不是只靠樣本內的漂亮數字撐場面。
回測的第二個陷阱：樣本內與樣本外的落差
如果說倖存者偏差是數據的錯，那這個陷阱就是你自己親手挖的。你調參數時看到的數字，幾乎都來自同一批數據；你用這批數據訓練，又用這批數據驗證，當然好得不得了。
樣本內與樣本外是什麼
樣本內，是你用來開發策略、反覆調參的那一段數據。樣本外，是你刻意保留、從頭到尾都沒碰過的一段。兩者的差別，就像考試前已經看過試卷和沒看過試卷的差別。真正的功夫，要看你沒看過的那張卷。
關鍵在於，調參的過程本身就會產生一種隱性的「記憶」。你試過一百組參數，最後留下表現最好的那一組；這一百次嘗試裏，總有一次是純粹靠運氣好看的。你留下的，很可能就是那一次。這就是為什麼愈多輪調參，樣本外的落差往往愈大。
一個完整的落差算例
我用一個自己實測過、也常在課堂上舉的例子，把整個落差算給你聽。這是一個日內的 EUR/USD 策略，一年交易約 250 次，每次以 1 手計算，每點價值 10 美元。
第一步，樣本內回測，也就是常見的、還沒扣足成本的漂亮數字。勝率 62%，也就是 250 次裏約 155 次賺、95 次虧。假設平均獲利 19 點、平均虧損 12 點，毛利是 155 乘 19，等於 2945 點；毛虧是 95 乘 12，等於 1140 點。兩者相減，淨利約 1805 點，換算成金額是 18050 美元。以 10 萬美元本金計，年化約 18%，Sharpe 比率落在 1.5 附近。這組數字，就是多數人會興沖沖拿去上實盤的依據。
第二步，把同一套策略原封不動，丟進一段完全沒參與調參的樣本外數據，同樣一年約 250 次。勝率從 62% 掉到 48%，也就是 120 次賺、130 次虧。假設平均獲利縮到 19 點、平均虧損擴到 17 點，毛利是 120 乘 19，等於 2280 點；毛虧是 130 乘 17，等於 2210 點。相減只剩 70 點，約 700 美元，年化已經從 18% 崩到接近損益兩平，Sharpe 比率只剩 0.4 左右。
第三步，再補上真實成本。假設平均點差 0.6 點，加上滑點 0.6 點，每筆交易合計約 1.2 點摩擦。250 筆乘 1.2 點，就是 300 點，等於 3000 美元。樣本外那 70 點的微利，扣掉這 300 點之後變成倒虧 230 點，也就是虧 2300 美元。一個回測年化 18% 的策略，樣本外再扣成本，實際是虧錢的。
這三步的每一項數字，都是我用經驗值與實測區間推算的示範，不是任何機構公布的統計，但它們指向的結論非常明確：回測裏的漂亮數字，在樣本外與成本的雙重擠壓下，可能連損益兩平都守不住。這就是我反覆提醒學員，AI炒外匯 的回測永遠要打折看的原因。
回測的第三個陷阱：忽略點差與滑點
點差與滑點，是兩個不起眼卻每天在啃你利潤的角色。回測引擎默認的理想成交，把它們都藏起來了。
點差與滑點如何吃掉盈利
點差是買價與賣價之間的固定差距，你每次進出都得先跨過這道門檻。滑點是實際成交價偏離你期望價的那段距離，在市況快、流動性稀薄的時候尤其嚴重。兩者疊加，就是你每一次交易都要付的隱形入場費。
上面那個算例已經顯示，單筆 1.2 點的摩擦，一年就能吃掉 300 點的利潤。對一個本來就只賺 70 點的樣本外策略，這筆費是致命的。我見過不少學員在回測時只扣 0.1 點、甚至完全不扣，實盤卻被真實的點差與滑點打得措手不及。想進一步理解如何控制這類風險，可參考IG 交易學院關於控制風險的說明，把止損與倉位管理的原則先打好底。
參數調優為何愈多愈危險
很多人以為，參數調得愈細，策略就愈精準。我自己的體會恰恰相反：調參愈多，你離真實市場往往愈遠。因為每一次調參，都是在用過去的數據「雕琢」你的策略，讓它愈來愈貼合那一段唯一的歷史。
參數數量與樣本外衰減的經驗門檻
我根據自己帶過的學員案例與實測，整理出一條經驗門檻，供你參考，這不是官方數據，而是實戰觀察。策略的可調參數少於 10 個時，樣本外的衰減通常還在可接受的範圍，因為策略相對簡單，沒有太多空間去背答案。參數一旦膨脹到 50 個以上，樣本外的衰減幾乎是必然的，而且往往來得又猛又快，回測與實盤的落差大得驚人。
道理很直白：參數就是策略的「記憶容量」。容量愈大，它愈能把過去那段數據的每一個細節都記住，包括那些純屬巧合的雜訊。你把雜訊也當成規律學了進去，樣本外自然會還你顏色。主流教程大多教你「多調參數讓回測更好看」，我這篇要反過來提醒你：參數愈多，危險愈大。
簡單策略為何樣本外更穩
既然參數愈多愈危險，那方向就很清楚了：往簡單走。一個只有三、五個參數的簡單策略，樣本外往往比一個五十個參數的複雜模型更穩，不是因為它更聰明，而是因為它沒有能力去記住歷史的雜訊。
我常拿兩個策略給學員對比：一個用幾條移動平均線加一個濾網，參數不超過五個；另一個把一堆指標、自訂因子全塞進去，參數破百。回測時後者漂亮得多，一上樣本外，前者卻穩穩地守住，後者一瀉千里。這個現象在量化圈子裏其實是老生常談，只是很少有人在教學裏把它的數字門檻講清楚。想系統了解不同 AI炒外匯 策略路線的取捨，可先讀一讀這篇關於 AI 外匯模型路線選擇的整理，把簡單與複雜的分界線看清楚。
前向測試與樣本外驗證的正確做法
知道了陷阱，還要知道怎麼逃。答案不是放棄回測，而是補上樣本外測試與前向測試這兩道保險，讓策略的成績建立在沒看過的數據上。
如何做前向測試
樣本外測試，是把數據按時間切成兩段：前段用來開發，後段封存起來完全不動，開發完成後再打開後段做驗證。關鍵是，驗證結果如果不理想，你不能回頭改參數再驗一次，因為一旦回頭改，那段樣本外就又被你「污染」成樣本內了。
前向測試則更接近真實：把策略放到未來一段你尚未經歷的行情上，用模擬或小資金實跑，逐日記錄它的表現。前向測試的每一步都發生在策略誕生之後，沒有回頭修改的空間，因此它是最接近實盤的一次彩排。這兩道關卡都過了，你才勉強有資格談上實盤。
我自己的習慣是，任何策略在動用真金白銀之前，至少要通過一段完整樣本外加一段前向測試，而且兩段都必須扣足點差與滑點。缺一樣，我寧可它留在紙上。這個標準也許嚴格，但它幫我躲掉過太多「回測很猛、實盤很痛」的教訓，也是我對 AI炒外匯 始終抱持敬畏的原因。
我的回測清單
講了這麼多，最後把我實際在用的檢查清單列給你。它不複雜，但能擋掉絕大多數新手坑。
進回測前，先確認數據是否包含已退市的標的，避免倖存者偏差。開發策略時，預先封存一段樣本外數據，全程不碰。調參時，把參數數量記在心上，超過五十個就該警惕。回測結果出來後，第一件事是扣足點差、滑點與隔夜利息，再看淨數字。上實盤前，補一段前向測試，用模擬或小資金實跑。
這份清單的精神只有一句話：讓策略的每一分成績，都經得起沒看過的數據檢驗。我在課堂上讓學員照這份清單走一遍，多數人都能立刻看出自己過去哪一步出了問題，也更能理解 AI炒外匯 是一門講究紀律與驗證的功夫，而不是靠回測圖好看就能賺錢的捷徑。進階路上，還有兩個盲點值得你留意，一是AI 炒外匯常見的認知盲點，二是央行干預時 AI 系統的應對，都能幫你補上驗證之外的另一半功課。
常見問題
問：回測數字很好，但實盤一上就虧，最常見的原因是甚麼？
答：絕大多數是過度擬合。策略在開發時反覆調參去貼合同一段歷史，加上成本沒扣足，導致回測與實盤落差巨大。先補樣本外測試，再扣足點差與滑點，通常就能看出真正的問題。
問：樣本內和樣本外，到底要留多少比例才合理？
答：沒有絕對標準，但常見做法是把整段數據按時間順序切分，用較早的一段開發，保留較晚的一段做樣本外驗證，比例約七三或六四。重點不是比例，而是樣本外那段從開發到驗證都完全沒被碰過。
問：參數愈多，真的愈容易出事嗎？
答：以我的實測經驗，參數少於 10 個時樣本外衰減通常較溫和，膨脹到 50 個以上幾乎必然衰減。參數就是策略記住歷史雜訊的容量，容量愈大愈容易把巧合當規律。
問：點差和滑點該在回測裏扣多少？
答：不能用理想值。你應該用自己券商的實際報價與成交紀錄，統計出平均點差與滑點，再回填到回測裏。以日內策略為例，單筆一點多的摩擦，一年累積下來就可能把微利吃成虧損。
問：在香港做槓桿外匯，除了回測，還要注意甚麼？
答：先確認平台受監管。可參考IFEC 關於槓桿式外匯的基本認識 了解產品特性，並查閱CFTC 的外匯詐騙警示，遇到保證獲利或拒絕出金的訊號就要停手。回測做得再好，平台不合規也枉然。
問：前向測試和樣本外測試，哪個更重要？
答：兩者互補，缺一不可。樣本外測試用封存的歷史數據驗證，前向測試用未來的實時行情驗證。後者更接近實盤，但耗時；前者快卻仍受數據範圍限制。我的做法是兩道都過，才考慮上真金白銀。
立即 WhatsApp 聯繫小風團隊免費諮詢：+852 5378 5383
網站：https://aitrading.ace-fortune.com/forex-trading
投資涉及風險，過往表現不代表未來回報。本內容僅供教育參考，不構成任何投資建議。
