程式交易數據品質決定回測成敗：髒數據三陷阱解析

有學員帶著一份回測報告走進課堂，策略是常見的雙均線交叉，勝率寫著 78%。他問我，為何這套程式交易系統一上實盤就完全不是那回事。我看了他下載數據的日期與來源，很快便找到原因：數據本身有問題。很多人把程式交易的成敗歸結於策略寫得好不好、參數調得準不準，卻忽略了所有回測、優化與訊號判斷，全部建立在一批數據之上。數據是髒的，策略再漂亮也是白算。

過去幾年，我在 AI Trading Academy 課堂上反覆見到同一個現象：學生從網上找到一份策略代碼，複製到回測平台，跑出亮麗的績效曲線，興奮一陣子，上實盤後卻屢屢失利。問題幾乎不在策略本身，而在餵給策略的數據。為了讓這個問題可以被記住、被討論，我把它整理成三個最常見的錯誤，命名為「髒數據三陷阱」：時間戳錯位、複權遺漏、幸存者偏差。三者只要中一個，回測結果就會失真，而這份失真的成績單，最終會原封不動帶進實盤。

為什麼數據品質是程式交易的第一道關卡？

交易者常有一種心態：策略好就夠了，數據隨便。我在課堂上問過不少學生，你的回測數據從哪裡來？十個有八個答不上來，或者說「從某個免費網站下載的」。下載本身沒有問題，問題在於他們從未檢查過這批數據是否可靠。

回測的邏輯其實很簡單：把一段歷史價格數據餵給一套規則，規則說買就買、說賣就賣，最後統計績效。策略只是規則，數據才是原料，原料出錯，成品必然出錯。更關鍵的是，這條鏈是連鎖的：資料源決定原始數據是否真實，清洗決定數據是否可用，回測結論影響策略參數，參數又直接帶到實盤。任何一環的偏差，都會被下一環放大。這就是為什麼我會把數據品質視為程式交易的第一道關卡。

我在 USIC 比賽中見過不少參賽者，策略邏輯寫得有板有眼，最後卻敗在回測與實盤的落差上。他們總以為是市場變了，很多時候其實是數據從來沒有乾淨過。

數據錯誤還有一個被低估的特性：它會在優化過程中被放大。參數優化本來就是在歷史數據上尋找最佳組合，如果數據本身帶有錯誤，優化器會把這些錯誤當作真實訊號，死命去貼合。結果是參數被調到恰好配合錯誤數據的形狀，換到乾淨數據上反而完全失效。這就是「連鎖影響」四個字的意思：源頭的一點雜質，會沿著資料源、清洗、回測、優化一路放大，最後變成實盤上的巨大落差。

同一個策略、兩種數據：勝率相差二十個百分點的算例

以下數字是教學示範，並非實際交易紀錄或回報預測。

假設一套 20 日與 50 日雙均線交叉策略，應用於 EUR/USD 日線，時間跨度二十年。交叉向上買入、交叉向下賣出，規則本身不複雜，這類工具的基本原理，可以參考IG 交易學院關於移動平均線的教學。

第一組測試用經過清洗的數據：時間戳完整、價格已前複權、沒有缺失或重複的交易日。回測共觸發約三百次交易，勝率 55%，盈虧比約 1.2，淨值曲線平滑向上。

第二組測試同一套代碼、同一個參數，一字不改，只把數據換成從免費網站下載的原始檔案：沒有複權、部分日期缺失、時間戳偏移。結果觸發交易多了三成，因為缺失日期令均線短暫失真，產生大量假訊號，勝率跌到 35%，與第一組相差二十個百分點。

再把兩組結果放在一起看。乾淨數據的淨值曲線回撤較淺，最大回撤約一成半；髒數據的曲線起伏明顯更大，因為假訊號集中在某些月份，造成短時間內的連續虧損。同一套規則，兩張成績單，策略的好壞完全被數據品質蓋過。不少人在第二組數據上反覆調參，以為自己在優化策略，其實只是在遷就錯誤數據。

同一個程式交易策略，同樣的二十年，只因數據品質不同，回測結論完全兩樣。只看第二組結果，這套策略會被當作不可用而放棄；只看第一組結果，又會高估它的實盤潛力。數據品質決定你看見的是哪一份成績單。

回測還有另一個常見疏漏：點差、佣金與滑價。不少人假設以收盤價成交，忽略真實交易成本。正如投委會的交易須知所提醒，交易涉及買賣差價與各項費用，回測假設愈貼近真實成本，結果才愈可信。

髒數據三陷阱之一：時間戳錯位

每根 K 線都帶有時間標記，標記正確，才能分辨「今天收市」與「昨天收市」。一旦時區、夏令時間或伺服器設定不一致，同一根 K 線會被貼上錯誤的日期，策略看到的就是錯位的行情。

外匯市場尤其容易中招。市場 24 小時運作，沒有交易所的開收市鐘聲，日線的劃分完全依賴平台設定。我見過有人從某個免費網站下載歷史數據，伺服器採用格林尼治時間，本地軟件卻以香港時間解讀，相差八小時。均線交叉明明發生在香港時間下午，系統卻把它算進前一天，進出場價全部錯位。

時間戳錯位最難察覺，因為數據看起來完整，畫在圖上依然平滑。它不會令回測崩潰，只會令結果悄悄失真，令人誤以為策略不行，或者誤以為策略很行。對以收盤價觸發訊號的程式交易系統來說，這八小時足以顛倒一筆交易的成敗。

髒數據三陷阱之二：複權遺漏

第二個陷阱主要出現在股票與指數相關的策略。上市公司派息、拆股、供股時，股價會出現人為跳動。如果歷史數據沒有做前複權，價格線會出現斷層，均線與支撐位的計算全部失真。

最常見的後果是虛高回報。假設一檔股票一拆三，未複權的歷史價格顯示股價由三十元跌到十元，系統可能當作一次大幅下挫而買入，實則股東資產總值不變。用未複權數據回測，勝率與回報都會被高估，實盤自然對不上。

以派息為例再說明一次。一檔股票派發每股二元股息，除息日開市價會相應下調。如果數據未複權，系統會把這個自然調整誤讀成價格下跌，繼而錯誤發出買入訊號。一年派息幾次，這類假訊號就出現幾次，長期累積，勝率與盈虧比都被扭曲。前複權的做法，是把過去所有價格按派息與拆股比例向後調整，讓歷史價格與當前價格在同一基準上比較，訊號才不會被人為跳動干擾。

外匯與黃金看似沒有股息，容易令人忽略複權問題。實際上外匯有掉期利息，期貨合約有展期成本，指數在成份股調整時亦會出現跳空。處理這些細節的功夫，不亞於股票複權。資料源如果不主動說明處理方式，預設就要當作未複權看待。

髒數據三陷阱之三：幸存者偏差

許多免費數據庫只收錄仍然存在的股票，已經除牌、停牌或退市的公司會被直接刪走。回測時你只看見存活下來的股票，那些倒下的公司彷彿從未存在過，這個陷阱對以選股為核心的策略特別致命。

香港市場對這個陷阱特別敏感。細價股長期停牌、除牌、被收購合併的個案不少。一套篩選策略，如果只在今天仍然存在的股票上回測，表現自然亮麗；同一套篩選規則放回當年的全量名單，那些已消失的公司會立刻拉低勝率。差別有多大？視乎市場與期間，足以讓一個「可接受」的策略變成「不可用」。

我在課堂上常舉一個例子：把一隊只保留仍存活學生名單的班級拿來統計平均分，成績自然好看，卻看不出多少人中途退學。數據庫也一樣，刪走失敗者的名單，回測只剩下成功的故事。要避開這個陷阱，就要確認資料源包含已除牌的歷史標的，而不是只有今天的成份股。

還有一層比較隱晦的影響：指數成份的更替。恒生指數成份股定期檢討，表現不濟的公司會被換走，加入表現較好的公司。指數的歷史數據看起來一直向上，實際是依靠不斷換血維持的。以指數成份作為選股池的策略，如果沒有意識到名單一直在變，很容易把「換血效應」誤當成自己的選股能力。這個問題連部分專業數據庫都未必處理得乾淨，更不用說免費來源。

免費與付費資料源比較：五步清洗行動清單

不同資料源的品質差異很大，選擇前先認清定位：

資料源	複權與除牌處理	時間戳品質	適合用途
免費網站下載	多數未處理	參差	學習與概念驗證
券商平台內置	視乎供應商	較佳	與實盤對照
專業付費數據	完整處理	穩定	正式回測與開發
自建採集報價	需自行處理	可控	高頻與特殊策略

選好資料源之後，每次跑回測前先過五步清洗檢查：

第一步，檢查時間戳。抽樣比對幾天的收市時間與收市價，確認與香港時間一致。

第二步，檢查缺失與重複。統計每日 K 線數量，出現零根或兩根的日子要逐一處理。

第三步，確認複權方式。問清楚資料源是前複權、後複權還是未複權，以「前複權」為優先。

第四步，核對除牌名單。確認歷史數據包含已除牌標的，留意測試前後期名單是否一致。可以取一年前的名單與今日名單對比，看看有多少公司已經消失，消失的比例愈高，幸存者偏差愈嚴重。

第五步，用一段已知行情驗證。對比幾日大市指數與個股高低位，確認數據與真實行情吻合。

如果資料源來自來歷不明的平台，訂購或開戶之前，可以先查閱證監會無牌公司警示名單，確認對方不是被點名的可疑機構。

回到開頭的心態：策略好就夠了，數據隨便，到底行不行？答案很直接。回測的本質，是把歷史數據餵給策略。資料源決定原料是否真實，清洗決定原料是否乾淨，策略只是在乾淨原料之上做運算。原料髒了，再好的廚師也煮不出好菜。把「髒數據三陷阱」寫成一張紙貼在電腦旁：時間戳對了嗎？複權做了嗎？名單完整嗎？每次跑回測之前先過這一關。市面上的教程都在教你寫策略代碼，卻很少人提醒你，數據才是第一道關卡。這正是我希望你在程式交易路上最早學會的一課。