量化回測讀判力

Lesson 0

起點：一份清單，不是一份驗證

awesome-systematic-trading（GitHub 12,436 顆星）把量化交易的入門資源攤開成四類：套件與函式庫 97 個、策略 40+ 個（標 Sharpe、波動率、再平衡頻率）、書單 55 本、影片訪談 23 支。

加密貨幣工具排行最實用的五個：ccxt（100+ 交易所統一 API，建議先裝這個當基礎）、Freqtrade、Jesse、Hummingbot、Cryptofeed。

先立這條規矩

這份清單的角色是「工具與研究題目的索引」，不等於任何一項已經過獨立驗證。後面十六堂課，是把「怎麼從一個想法走到能上實單」的完整流程攤開，這份清單只是其中一站。

Lesson 1

量化交易的完整流程

量化交易不是預測價格，核心是：在明確條件下，重複執行具有正期望值的決策，並控制錯誤時的損失。

Hypothesis研究假設

→

Data當時可取得的資料

→

Signal何時觸發訊號

→

Position方向與部位大小

→

Execution實際如何成交

→

Evaluation扣成本後是否仍有價值

任何一層說不清楚，漂亮的回測都可能沒有意義。Lesson 2 到 8，就是把這六格逐一放大來看。

Lesson 2

Hypothesis：報酬從哪裡來

研究假設必須回答四個問題：這個現象為什麼可能存在？誰提供了你的報酬？為什麼它不會立即被套利消失？什麼情況下應該失效？

「RSI 低於 30 就買」不是完整假設，只是指標規則——它沒有說明報酬來源。常見的 alpha 來源有五種：

Risk premium（風險溢酬）——承擔別人不願承擔的風險
Behavioral bias（行為偏誤）——過度反應、反應不足
Structural constraint（結構限制）——基金再平衡、被迫交易
Information diffusion（資訊擴散）——資訊尚未立即反映
Liquidity provision（流動性提供）——承接短期買賣壓力

追問

若說不出合理機制，策略較可能只是 data mining（資料探勘）湊出來的結果——這也是 Lesson 11「防止 overfitting」要處理的核心問題。

Lesson 3

Data：只能用當下已知的資訊

回測只能使用交易當下已經知道的資料。策略在時間 t 做決策，只能用「當時已公開、已確定」的資訊——不能用 t 之後才形成、公布或修訂的資料。

最低限度要定義：市場與商品、資料頻率、時區、交易日曆、價格是否經 corporate action（公司行動）調整、是否包含已下市商品、資料何時真正發布。

由此衍生三個最常見的資料偏誤：

Survivorship bias（倖存者偏誤）——資料只留下活到現在的標的，倒閉、下市的沒算進去，績效系統性偏高
Look-ahead bias（前視偏誤）——用了在當時時間點根本還不存在的資訊，例如財報標示為第一季不代表季末當天就已公開，用當日收盤價決定「以同一個收盤價成交」也是典型例子
Selection bias（選擇偏誤）——先看過結果才把策略放進清單，清單本身就是倖存者

Lesson 4

Signal：把想法寫成無歧義規則

訊號必須完全沒有語意模糊。「NVDA 強勢突破 opening range 就買」是模糊版本，無法回測。

可回測版本要定義清楚：使用哪個時間窗的哪個價格欄位定義關卡（例如美東時間 09:30–09:44 這 15 根 1-minute bars 的最高價，定義 opening-range high）；突破多少才算（例如收盤價高於該高點 0.1%）；在哪根 K 棒成交（例如訊號 K 棒之後的下一根開盤）；一天最多觸發幾次；缺資料或 trading halt（暫停交易）時如何處理。

陷阱

某根 K 棒 high 是 101、close 是 100.8：策略看到 close 突破 100.5 後，不可能回頭用該根 K 棒的 100.5 成交。策略若無法寫成明確規格，就無法可靠回測。

Lesson 5

Position：部位怎麼決定

訊號只回答「想不想交易」，position sizing（部位配置）回答「承擔多少風險」。即使訊號完全相同，不同 sizing 也會產生完全不同的 drawdown。

常見方法：固定股數、固定資金比例、固定單筆風險、volatility targeting（波動率目標）、portfolio risk allocation（投資組合風險配置）。

以固定單筆風險為例：資金 100,000 美元、每筆最大風險為帳戶的 0.5%（=500 美元）、進場價 100 美元、stop 設在 98 美元（每股風險 2 美元）：

Shares = 風險金額 ÷ 每股風險 = 500 ÷ (100 − 98) = 250 股

Lesson 6

Execution：回測怎麼假設成交

回測不能假設每次都以理想價格成交。需要定義：market 或 limit order、訊號產生後何時送單、用 next-bar open、VWAP 還是其他成交模型、未成交與部分成交如何處理。

三種常被忽略的隱藏成本：

Fees——交易所／券商手續費
Slippage——滑價，實際成交價跟想下單的價格之間的落差；再加上 bid–ask spread（買賣價差）與 market impact（市場衝擊）
Funding／borrow cost——資金成本或借券成本，尤其做空、槓桿、永續合約策略特別重要

沒扣這三項的回測，等於沒把運費算進去的網購比價——看起來划算，結完帳不是那回事。合理的最簡成交模型通常是：訊號於本根 K 棒收盤確認，最早於下一根 K 棒成交。

Lesson 7

組裝：一個策略的最小規格

把 Lesson 2 到 6 的答案填進同一張表，才算是一個可以開始實作的策略。以一個假設性的 NVDA ORB（開盤區間突破）為例：

市場: NVDA，美股正常交易時段
資料: 1-minute OHLCV，美東時間，納入拆股處理
Opening range: 09:30–09:44
進場: 09:45 後第一根收盤價高於 opening-range high 0.1% 的 K 棒，於下一根 K 棒開盤買進
部位: 每筆最多承擔帳戶淨值 0.5% 的風險
出場: 初始 stop 為 opening-range low，或 15:45 強制平倉，以先發生者為準
成本: 每次成交加入 spread、commission 與 slippage
限制: 每天最多交易一次；不持倉過夜；交易暫停日不交易
驗證: 依時間切割 train／validation／test，另與 buy-and-hold 及隨機進場比較

Lesson 8

Evaluation：績效怎麼算、跟誰比

Sharpe = (策略報酬 − 無風險利率) ÷ 報酬的標準差——每承受一分波動，換到多少超額報酬。清單裡 40+ 策略，沒有一個 Sharpe 超過 1：

策略	類別	Sharpe	波動率
Overnight Seasonality in Bitcoin	加密	0.892	20.8%
Asset Growth Effect	股票	0.835	10.2%
Short Term Reversal Effect in Stocks	股票	0.816	21.4%
Reversal During Earnings-Announcements	股票	0.785	25.7%

不同策略若採用不同期間、risk-free rate、交易成本、年化方式，Sharpe 不能直接橫向排名比較。單一指標也永遠能被優化到好看卻沒有意義，要一起看：

Sortino——只算下檔波動，不懲罰「往上噴」的波動
Calmar——報酬 ÷ 最大回撤
Drawdown duration——套牢多久才回本，不只是賠多深
Tail risk——黑天鵝情境下會多慘
策略間 correlation——手上一堆策略會不會其實都在賭同一件事

最重要的比較：跟 benchmark 比

NVDA 多頭策略表現很好，可能只是因為 NVDA 本身長期上漲、策略大部分時間持有 NVDA——真正報酬來自 beta，不是訊號本身。要比較：buy and hold、相同曝險比例的 buy and hold、隨機但相同持有時間的進場、簡單規則基準。

Lesson 9

回撤、換手率、容量

三個決定「這個策略在真實世界能不能活下去」的數字。

Max drawdown——策略最慘會賠掉多少；你抱不抱得住，決定策略能不能撐到均值回歸那天
Turnover——換手率，換手越高吃掉的交易成本越兇，跟 Lesson 6 直接連動
Capacity——策略能裝多少資金；機構版本測出來的 Sharpe，你的小資金不見得吃得到，你的小資金能做的滑價假設也未必適用機構規模

Lesson 10

Out-of-sample／Walk-forward

問一句話就能戳破大部分「漂亮回測」：這個 Sharpe 是在沒看過的資料上測出來的，還是在同一段歷史資料上反覆調參調出來的？

反覆調參的回測，本質上是拿到答案卷練習過後，自己再出一張考卷替自己打分數——數字當然好看。Walk-forward 測試（用一段資料訓練、下一段沒碰過的資料驗證，滾動前進）才是比較誠實的檢驗方式。

Lesson 11

防止 Overfitting 的進階檢驗

Walk-forward 只是第一關。更嚴謹的做法要處理「你到底試了幾次」這件事。

Train／validation／test 三段切割——訓練找規則、驗證挑參數、測試只用一次做最終確認，三段資料互不重疊
Parameter sensitivity（參數敏感度）——把參數微調 ±10% 績效就崩潰，代表策略是在某個巧合的參數點被「調」出來的，不是真的有效
Multiple testing／data snooping——同一份資料上測過越多參數組合或越多策略，純粹靠運氣冒出一個「看起來很好」的機率就越高，必須針對「試了幾次」做校正
Deflated Sharpe Ratio（DSR）——把觀察到的 Sharpe，依「測試過幾次」「報酬分布是否常態（偏態、峰度）」「樣本長度」打折，估出真實 Sharpe 大於零的機率
Probability of Backtest Overfitting（PBO）——估計「你挑出來的最佳策略，樣本外表現輸給候選組中位數」的機率，直接衡量挑選過程本身有沒有過擬合

連結 Lesson 2

說不出機制的策略，最容易死在這一關——沒有 hypothesis 撐腰的規則，很難分辨「真訊號」跟「測了很多次剛好中一次」。

Lesson 12

發表即衰減（Post-publication decay）

學術策略一旦發表、被大量複製，超額報酬通常會衰減甚至消失——市場會把它套利掉。

清單上的 Sharpe，是「論文發表當下」那次回測的值，不是「你今天照做」還能拿到的報酬。策略區的表格也只是舊版快照，完整實作要去 paperswithbacktest.com，部分內容需要付費。

Lesson 13

策略組合與風險管理

單一策略驗證過關，不代表放進投資組合後行為一樣。

Volatility targeting（波動率目標）——依近期實現波動率反向調整部位大小，讓風險貢獻不隨市場波動狀態亂跳
Correlation 與 conditional correlation——平常看起來低相關的策略，往往在市場壓力時相關性同步飆高，分散效果剛好在最需要的時候消失
Portfolio-level drawdown——組合回撤不等於各策略回撤的簡單平均，要用合併後的權益曲線重新模擬
同一因子的不同外觀——幾個「看起來不同」的策略，可能其實都只是同一個風險因子（例如都在賭 BTC beta）包裝成不同規則，會一起崩

Lesson 14

工具怎麼選

不看 GitHub star 數。看三件事：

維護狀態——最後一次 commit 是什麼時候，超過兩年直接跳過
資料品質——資料源可不可信、有沒有處理除權息／前視問題
Execution realism——模擬撮合有沒有貼近真實市場（滑價模型、訂單簿深度）

工具本身也在腐爛

97 個工具裡，Zipline、Quantopian 相關工具特別明顯已無人維護。清單常見分類：vectorized 回測框架（速度快、假設較粗，如 vectorbt）vs event-driven 框架（貼近真實下單流程，較慢，如 Backtrader）；加密貨幣則靠 ccxt 統一交易所 API、Freqtrade 做完整實盤機器人。清單不會替你篩掉腐爛的部分，這件事要自己做。

Lesson 15

從研究到實單：Paper Trading Checklist

通過 Lesson 8–13 的檢驗，還不等於可以直接下真錢。

Research checklist——足夠長的 out-of-sample 歷史、walk-forward 穩定、扣完真實成本後 Sharpe 仍為正、drawdown 在能接受的範圍、容量對得上你打算投入的資金規模
Acceptance criteria——上線前先訂死門檻：最低 OOS Sharpe、最大可接受 drawdown、最少獨立交易筆數、與既有組合的相關性上限
Shadow／paper account——用即時資料跑策略、產生假設性（或極小額真實）交易，先抓實作 bug 跟資料源落差，再投入完整資金
Live vs backtest divergence monitoring——持續追蹤實單的 Sharpe、滑價是否偏離回測假設；如果實單滑價持續超出回測假設，就要重新檢驗
何時淘汰策略——用事先訂好的 drawdown／時間門檻判斷，而不是「現在正在賠錢」；如果 Lesson 2 找到的報酬機制本身已經結構性改變（法規、市場微結構變化），也是淘汰訊號

Lesson 16 · 綜合演練

把整套流程，套在清單裡分數最高的那個策略上

Overnight Seasonality in Bitcoin——清單裡 40+ 策略中 Sharpe 最高：0.892，波動率 20.8%。現在用前面十六課的問題，逐項過一遍。

檢查項	公開清單有揭露嗎	該去哪裡查
Hypothesis 機制（Lesson 2）	未揭露	日曆效應通常歸類 behavioral bias／structural constraint（例如亞洲時段機構下單模式）——原始論文有沒有講清楚機制
Out-of-sample／walk-forward（Lesson 10）	未揭露	回原始論文或 paperswithbacktest.com 的完整實作
Overfitting／multiple testing（Lesson 11）	未揭露	日曆效應類最容易撞上——是先篩出「有效果」的時段/幣種才發表的嗎？
Fees／slippage／funding cost（Lesson 6）	未揭露	自行拿交易所實際費率＋（若用永續合約）funding rate 重算——「隔夜」策略最怕被 funding cost 吃掉大半優勢
Max drawdown／capacity（Lesson 9）	未揭露	自己拿歷史資料重跑回測
Post-publication decay（Lesson 12）	未揭露	日曆效應一旦公開，套利者會直接卡在那個時間點進出，是 decay 風險最高的一類

結論：0.892 不是答案，是「值得繼續問下去的起點」。清單能給你的到此為止，剩下六格「未揭露」——外加把它組成一個像 Lesson 7 那樣的完整規格、跑過 Lesson 15 的上線檢查——才是真正要花時間的地方。