量化交易回測漂亮卻蝕錢？拆解過擬合與樣本外驗證三步

作者：小風｜Ace Fortune 領財智庫首席交易員兼 AI Trading Academy 專業導師

美國商品期貨交易委員會的統計顯示，約三分之二的零售外匯交易者每季錄得虧損（資料來源：CFTC）。同一市場日均成交超過五萬億美元（資料來源：IG Academy），機會處處，為何散戶始終難以持續獲利？愈來愈多人轉向 量化交易，希望用程式把歷史數據翻個徹底，找出一條漂亮的回測曲線。

我在 USIC 全美投資大賽連續五年參賽，見過不少參賽者遞交的回測報告完美得無可挑剔，實盤成績卻一敗塗地。問題往往不在策略本身，而在驗證方法。回測漂亮不代表實盤賺錢，這是每個量化交易者都要先跨過的一關，也是這篇文章要拆解的核心。

先認識過擬合這個陷阱，再看一個完整算例示範正確的驗證流程，最後學會一套三步方法，把任何策略放到陌生數據上考驗。看完之後，你再翻自己的回測報告，會看到許多從前忽略的細節。

回測漂亮，實盤卻蝕錢：過擬合是怎麼發生的

過擬合是指策略在歷史數據上表現極佳，換到未來卻嚴重失靈，因為它把歷史上的雜訊當成了規律。均線、RSI、布林帶，任何指標只要在參數上磨得夠久，都能在歷史數據上找到一段亮麗的走勢。這些走勢未必會重演，它只是恰好被參數捕捉到。

必須先澄清一點：回測不是沒有價值，否則我也不會拿它做教學示範。問題從來不在回測本身，而在使用方法。把回測當成驗證工具，它非常可靠；把回測當成預言書，它必然誤導。同一套策略，用對方法可以篩出真金，用錯方法只會得出自我欺騙的數字。

參數調校的過程，很像開車時只盯着倒後鏡。你反覆調整參數讓回測曲線向上，實際上是在倒着背誦一段已經走完的路。參數愈多、調整次數愈多，歷史數據上的表現就愈好，因為策略已經把這一段數據背了下來，而不是真正理解市場運行的規律。

我見過不少學員花幾個小時調參，把年化回報從 8% 拉到 20%，興奮得立即入金實盤，結果半年後帳戶縮水超過兩成。他們不是不努力，而是努力的方向錯了。回測報告愈完美，愈要懷疑背後藏了多少過擬合的成分。

過擬合通常有三個訊號可以辨認：勝率高得脫離常理、交易次數極少但單筆回報極大、參數稍微改動結果就天翻地覆。若你的回測報告同時符合三項，就要警惕這份成績單的真實性。把 量化交易 當作長期事業的人，遲早要學會與這三個訊號打交道。

過擬合還有一個更隱蔽的來源，叫做資訊洩漏。開發策略時若不小心用到未來數據，例如把當天的收盤價同時當作訊號和結果，回測會出現不可能的高勝率。實盤中這類訊號不可能提前取得，成績自然大幅回落。樣本外驗證不只是在防調參，也在防這類無心之失。把這三個訊號印在腦海裡，再漂亮的回測曲線也騙不了你。過擬合不是道德問題，而是統計上必然存在的風險。策略愈複雜，愈要接受這個風險的存在，並用流程去管理它。

完整算例：一套均線策略的樣本外驗證

雙均線交叉是最常用的趨勢策略之一，IG 交易學院的移動平均線課程 說明，移動平均線可用來捕捉趨勢的方向。以下算例用這套策略示範過擬合如何發生，數字純屬示範假設，並非真實市場數據。

策略假設如下：

• 標的：恒生指數 ETF，採用日線收盤價
• 策略：快線升穿慢線時買入，快線跌穿慢線時賣出
• 數據：2016 至 2025 共十年，前五年為開發段，後五年為樣本外段
• 目標：檢驗「優化後」的策略，在從未參與調參的數據上是否仍然有效

選擇恒指 ETF 作為示範標的，是因為香港投資者對恒指最熟悉，數據也容易取得。指數 ETF 的流動性高，回測結果較少受個股停牌、配股等事件干擾，適合用來展示方法論。換成任何其他市場，驗證邏輯完全一樣。

第一步，看開發段（2016 至 2020）的基礎表現。採用 20 日與 50 日均線參數，五年觸發 48 次買入訊號，28 勝 20 負，勝率 58%。平均每筆盈利 3.2%，平均每筆虧損 2.1%。每筆期望值為 0.58 乘 3.2% 減 0.42 乘 2.1%，即 1.86% 減 0.88%，等於 0.99%。48 筆合計 48 乘 0.99%，五年累計 47.5%，平均年化 9.5%。

第二步，開始調參，過擬合由此產生。把參數改為 10 日與 30 日，訊號增至 60 次，38 勝 22 負，勝率 63%。平均每筆盈利 3.5%，平均每筆虧損 1.9%。每筆期望值為 0.63 乘 3.5% 減 0.37 乘 1.9%，即 2.21% 減 0.70%，等於 1.52%。60 筆合計 60 乘 1.52%，五年累計 91.1%，平均年化 18.2%。回測數字幾乎翻倍，看起來非常吸引，但這正是陷阱的開端。

第三步，把兩組參數分別放到樣本外段（2021 至 2025）作盲測，這段數據從未參與調參。優化版 10/30 觸發 52 次訊號，24 勝 28 負，勝率僅 46%。平均每筆盈利 2.2%，平均每筆虧損 2.9%。每筆期望值為 0.46 乘 2.2% 減 0.54 乘 2.9%，即 1.01% 減 1.57%，等於負 0.54%。52 筆合計虧損 28.1%，平均年化負 5.6%。

同一段時間，基礎版 20/50 觸發 46 次訊號，24 勝 22 負，勝率 52%。平均每筆盈利 2.6%，平均每筆虧損 2.3%。每筆期望值為 0.52 乘 2.6% 減 0.48 乘 2.3%，即 1.35% 減 1.10%，等於 0.26%。46 筆合計 11.9%，平均年化 2.4%。

把四行數字放在一起看，結論非常清晰。回測年化 18.2% 的優化版，在樣本外虧掉 28.1%；看似平庸的基礎版，反而在兩段數據中都錄得正回報。回測數字愈漂亮，愈要先問一句：它經得起陌生數據的考驗嗎？不少 量化交易 新手最常犯的錯，就是把回測報告當成實盤成績單。

上述算例為了讓對比清晰，只用了兩段數據。實際執行樣本外三步時，會把數據切成開發段、驗證段、盲測段三部分，前兩段用於逐步確認，最後一段才是真正的審判。原理完全相同，只是把過擬合攔截得更早。接下來把這套方法完整拆開。

樣本外三步：驗證任何策略的固定流程

樣本外三步，是我驗證任何策略都會執行的固定流程。把歷史數據切成不重疊的段落，只准在第一段調參，其餘段落純粹考驗，這樣才能分辨策略的優劣真假。

第一步，數據分段。開發段用來找參數，驗證段用來初步確認，盲測段用來最後審判，三段嚴禁混用。時間比例可參考五比二比三，開發段佔一半，驗證段兩成，盲測段三成。分段的意義，是讓策略永遠有一份沒有答案的考卷。

分段比例不是死規矩，五比二比三只是一個起點。資金量較小的帳戶可以參考三七比例，把開發段收窄，讓驗證段和盲測段擁有更多數據；若策略依賴較長的歷史週期，例如長線趨勢跟隨，則要確保每段都至少包含一次完整的牛熊交替。判斷標準只有一條：任何一段數據，都不能短到無法分辨規律與雜訊。

第二步，盲測執行。調參只准在開發段進行，參數定案後，一次過在驗證段和盲測段運行，期間不得回頭修改。每一次回頭改參數，盲測段就失去價值，因為你已經看過答案。嚴格執行這個規則，是整套方法的核心。

盲測與紙上交易不同。紙上交易仍會受主觀判斷影響，例如因為「感覺好像要升」而提前下單，盲測則完全交由程式執行，減少人為干擾。自動化執行有一個額外好處，就是訊號觸發時不會因為猶豫而錯失入場時機。

第三步，重複確認。同一套流程換另一段歷史再跑一次，或換另一個市場的數據，若結論方向一致，策略才算通過考驗。一個只在單一數據上有效的策略，不足以支撐實盤信心。樣本外三步走完，剩下的才值得放進 量化交易 帳戶。

重複確認還有另一個用途，就是比較不同市況的表現。一個策略若在上升市表現突出，下跌市卻大幅虧損，即使樣本外數字整體為正，也要清楚它的適用範圍。把勝率和期望值按市況拆開統計，你會發現很多策略只在特定環境下有效。這不是壞事，關鍵在於你知不知道什麼時候該停手。

我在 AI Trading Academy 教課時，第一課就教樣本外三步。我自己做量化交易的第一年，也曾經跳過這個流程，把大量時間花在調參上，直到真正領悟這三步的價值，才不再被回測數字迷惑。它省下的不只是時間，還有實盤的真金白銀。

樣本外三步之所以有效，道理很簡單。過擬合的策略只記得開發段的走勢，一遇上陌生數據便原形畢露。這套方法把陌生數據制度化，讓每套策略都必須在看不見答案的考卷上作答，作弊的空間自然被壓縮到最小。它不局限於量化交易，任何靠歷史數據做決策的系統都適用，定期定額買賣、指數輪動，都可以用同樣的邏輯，先驗證再執行，避免被漂亮的回顧蒙蔽。

回測之外的陷阱：槓桿、成本與來路不明的平台

通過樣本外驗證，只是第一步。量化交易 落地時，還有三個陷阱會侵蝕成果，分別是槓桿、成本與平台。

槓桿把風險和回報同時放大。根據 投委會關於槓桿式外匯的基本認識，開倉按金最低為合約價值 5%，槓桿比率最高 20 倍，輕微的價格變動即會產生高比例的盈虧。一套年化回報 9% 的策略，配上高槓桿，可能變成可觀收益，也可能蝕穿本金，方向完全不由策略決定。槓桿的可怕之處，在於虧損比例超過 100% 時，帳戶會直接爆倉，再好的策略也無法翻身。計算倉位時，把單筆最大虧損設為帳戶的 1% 至 2%，是紀律的底線。

成本是另一個被低估的項目。點差、滑點、隔夜利息逐筆累積，回測若不把這三項算進去，得出的淨回報只是幻覺。以每筆成本 10 美元計算，每天執行 5 筆，一年 250 個交易日，成本就是 10 乘 5 乘 250，等於 12,500 美元。若本金只有 50,000 美元，這筆成本佔本金 25%，策略的年化毛利必須超過 25%，帳戶才會有淨增長。把成本寫進回測的每一筆交易，淨回報數字才值得參考。策略交易愈頻繁，成本侵蝕愈明顯，每筆看似微小，一百筆累積下來，足以吃掉大部分毛利。

平台風險最容易被忽略，後果卻最嚴重。市場上不少打着量化旗號的 AI 自動交易、跟單系統，聲稱提供穩賺策略。證監會定期公布無牌公司及可疑網站名單，證監會警示名單 中便包括以 AI 交易為賣點的公司，例如 2026 年 7 月新登錄的 Finoryx AI。開戶或購買策略之前，先查證平台是否持牌，是比回測更基本的一課。我見過有學員把資金存入來歷不明的平台，最終連本金都取不回。

即使平台宣稱在海外持牌，只要以香港投資者為銷售對象，也應查證其是否獲得證監會認可。無牌公司的名單不時更新，定期查閱，比開戶時只查一次更穩妥。把查證平台當成跟回測一樣重要的流程，才不會被華麗的宣傳話術牽着走。

策略、槓桿、成本、平台，四個環節都要過關，量化投資才談得上穩健。任何一個環節出錯，再漂亮的回測也救不了帳戶。

常見問題

問：回測做得很漂亮，為什麼實盤表現完全不一樣？

答：最常見的原因是過擬合。策略被反覆調參後，把歷史雜訊當成了規律，換到新數據便失靈。用樣本外三步重新驗證，能過濾掉大部分虛假訊號。再把驗證結果與實盤逐筆對照，找出差距的真正來源，才決定策略去留。

問：回測需要多長時間的數據才夠？

答：沒有絕對標準，但至少要涵蓋一輪完整的升跌週期，讓策略經歷不同的市況。更重要的是數據分段，開發段與盲測段嚴格分開，時間愈長、市況愈複雜，結論愈可信。十年數據通常比兩年數據更穩健，前提是每一段都經歷過升與跌。

問：策略參數是不是愈多愈好？

答：剛好相反。參數愈多，過擬合的空間愈大。樣本外三步的核心，就是看複雜的策略在陌生數據上是否仍然有效。多數時候，簡單的策略比花巧的版本更耐用。把每次調參的參數和結果記錄成日誌，一段時間後回顧，會發現真正提升表現的參數往往只有兩三個，其餘都是在配合數據演戲。

問：樣本外表現差，是不是代表策略完全沒用？

答：未必。可能策略本身無效，也可能只是市況不合適。先檢查盲測段的虧損是否集中在單一市況，再用更長的歷史重複驗證，不要單憑一段結果下定論。同時查交易日誌，看虧損是否與某類新聞或經濟數據同步出現。

問：量化交易新手應該從哪一步開始？

答：先學懂樣本外三步，再做任何策略。很多人第一步就買回測軟體，把時間花在調參上，最後得到一份漂亮的虛假報告。通過驗證後，先跑三個月模擬帳戶，再用小額實盤逐步確認。想系統化入門，可以參考 量化交易 服務頁的內容，從驗證方法開始建立基本功。

準備好將交易自動化？

立即 WhatsApp 聯繫小風團隊免費諮詢：+852 5378 5383

網站：https://aitrading.ace-fortune.com/quantitative-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。