回測是什麼？股票回測入門與 6 個坑：我用 AI 回測台股 373 次踩過的
我曾經回測出一個台積電的策略，每筆交易的勝率 84%。
十筆有八筆是賺的，聽起來很厲害吧😎
結果仔細一看，裡面有一個專做短線的子策略，每筆平均毛賺 0.28%，但台股買賣一趟的手續費加證交稅是 0.585%。扣完之後，這個子策略每一筆平均其實虧 0.3%。那個 84% 的勝率，是一堆「小贏、但付不起成本」的交易堆出來的假象。
這就是回測最迷人、也最危險的地方：它很容易做出一個好看但假的數字。
TL;DR：回測（backtesting）就是把一套買賣規則，丟回過去的歷史資料裡模擬一遍，看它在過去會不會賺錢。 它能幫你在花真錢之前，先淘汰掉沒用的策略。但回測很容易騙人，最常見的 6 個坑是：沒算交易成本、偷看未來的資料（前視偏差）、只用還活著的股票（倖存者偏差）、資料本身有錯、過度擬合、修了 bug 沒重跑。我用 Claude Code 搭配 FinMind 資料，在台股登記了 188 個假設、跑了 373 次回測，這 6 個坑我全部踩過。
這篇會聊這些：
- 回測是什麼？用白話講
- 回測怎麼做：5 個步驟、要看哪些數字
- 股票回測的 6 個坑（每個都附我自己踩過的例子）
- 不會寫程式，怎麼用 AI 回測台股（附指令）
- 股票回測工具有哪些
- 常見問題
關於作者：我是工程師阿穆，寫程式十多年，這幾年在做 AI Agent 與自動化系統。這篇的例子全部來自我自己的台股研究專案，回測程式是我用 Claude Code 寫的，研究紀錄都有版本控制。
免責：本文數字全部是歷史回測，不代表未來表現，也不是投資建議。我不會公開自己的實盤本金、報酬與參數設定。
回測是什麼？
回測（backtesting）就是把一套交易規則套用到過去的歷史資料上模擬，算出它在過去的報酬、虧損和交易次數。 白話講，就是「用歷史資料考模擬考」。
想像你準備考學測，手上有過去十年的考古題。你會先拿考古題寫寫看，看自己的讀書方法考得怎麼樣，而不是直接上考場賭一把。
回測也是一樣：你有一個交易想法，例如「股價站上 200 日線就買、跌破就賣」，就把這條規則丟回過去十年的股價裡，假裝自己每一天都照著規則操作，最後算算看賺了多少、最慘的時候虧了多少。
所以回測回答的問題是：
如果我過去一直照這套規則做，結果會怎樣？
它不能回答「未來會不會賺」。考古題考得好，不代表正式考試一定考得好；但考古題考得很爛的讀書方法，大概也不用帶上考場了。回測最大的用處，是幫你便宜地淘汰掉爛策略。
新聞裡的「回測季線」是另一個意思
如果你是在新聞上看到「台股回測季線」「回測 47K」，那個「回測」是另一個意思：股價跌回去測試某條支撐線，例如季線（60 日均線）或某個整數關卡，看它守不守得住。
| 用法 | 意思 | 例句 |
|---|---|---|
| 回測（backtesting） | 用歷史資料模擬一套交易規則 | 「這個策略回測 10 年，年化 8%」 |
| 回測（價格） | 股價跌回某條線，測試支撐 | 「外資大賣，台股回測季線」 |
這篇講的是第一種。
回測怎麼做？5 個步驟
回測的流程是：把規則寫死、準備資料、逐日模擬交易、扣掉成本、看結果指標。 用我做過的台積電網格交易回測當例子：
- 把規則寫死：每跌 1% 買一批、那一批漲 1% 就賣，最多 20 批。規則要寫到「電腦能照做、不需要你判斷」的程度
- 準備資料：台積電 2020-01 到 2026-06 的每日收盤價，來源是 FinMind
- 逐日模擬：從第一天開始，每天檢查規則，該買就買、該賣就賣，記下每一筆交易
- 扣掉成本：手續費、證交稅一筆都不能少（後面會講為什麼這是第一大坑）
- 看結果：報酬多少、最慘虧多少、跟「直接買進放著」比起來如何
那次回測的結論是：78 個月裡 77 個月有收入，總報酬 +41%，但同期間直接買進持有是 +611%。現金流很穩，但遠遠輸給什麼都不做。 沒有回測的話，我可能就靠「每個月都有錢進來」的感覺，一直用下去了。
回測要看哪些數字？
| 指標 | 意思 | 為什麼重要 |
|---|---|---|
| 年化報酬（CAGR） | 平均每年賺幾 % | 最基本，但只看它會被騙 |
| 最大回撤（MDD） | 從最高點到最低點，最慘虧掉幾 % | 決定你撐不撐得住。−62% 代表 100 萬一度只剩 38 萬 |
| 勝率 | 賺錢的交易佔幾成 | 很容易誤導，開頭那個 84% 就是例子 |
| 每筆期望值 | 扣成本後，平均每筆賺多少 | 比勝率誠實得多 |
| 對照組 | 跟買進持有、或隨機進場比 | 沒有對照組的報酬沒有意義 |
最大回撤這個數字，我在期貨槓桿回測那篇有實際體會：同一個策略開到 3.6 倍槓桿，年化從 +7.3% 變 +17.3%，最大回撤卻從 −22% 變成 −62%。報酬翻倍，但你很可能在 −62% 那天就砍在最低點了。
股票回測的 6 個坑（我都踩過）
股票回測最常見的 6 個坑是：沒算交易成本、偷看未來的資料、只用還活著的股票、資料本身有錯、過度擬合、修了 bug 沒重跑。 這 6 個坑每一個我都有真實的紀錄，順序大致是「越前面越常見」。
坑 1：沒算交易成本
台股買一趟、賣一趟的成本是：
| 項目 | 費率 |
|---|---|
| 手續費（買） | 0.1425% |
| 手續費（賣） | 0.1425% |
| 證交稅（賣出時收） | 0.3% |
| 來回合計（無折扣） | 0.585% |
0.585% 看起來很小，但如果你的策略每筆只想賺 1%、2%，成本就吃掉了一大半。
開頭那個 84% 勝率的策略就是這樣露餡的：裡面那個短線子策略目標只抓 +1.5%，毛賺 +0.28%／筆，扣完成本變成 −0.3%／筆，整池是虧的。後來把它改成目標 +6% 的波段，整套策略的每筆勝率掉到 73%，但每一池都真的有賺。勝率下降，才是還原真相。
期貨也一樣。我測過台指期「開盤區間突破」：開盤後 60 分鐘的區間被突破就順勢進場。扣成本前它是真的有效，毛報酬的 t 值有 5.29，每筆平均賺 4.1 點。但一趟來回的成本，微台約 5.4 點、小台約 3.4 點。140 種變化，扣完成本沒有一個是正的（用微台成本算）。
教訓：越短線的策略，越要先算成本。 很多網路上的回測截圖沒寫有沒有扣成本，看到的時候先問這一句。
坑 2：偷看未來的資料（前視偏差）
前視偏差（look-ahead bias）就是回測時用了「當時還拿不到」的資訊。 這是我覺得最容易踩、也最難發現的坑。
舉一個我測過的例子。有一個外匯課程主打「看美國 CFTC 的 COT 持倉報告，跟著大型投機者的方向做」，課程裡的圖看起來每次都對。
我叫 AI 拿 14 個市場、10 年的資料去驗證，發現：
- COT 持倉的增減方向，跟同一週價格方向一致的比例是 64.2%
- 但跟下一週一致的比例只有 50.4%，跟丟銅板差不多
原因是 COT 報告統計的是週二的持倉，週五才公布，你最快下週一才能進場。課程把報告數字畫在建立持倉的那根週 K 底下，看起來當然「每次都對」；但等你真的能下單的時候，資訊已經用完了。扣掉成本後，10 年都是負的。
台股最常見的前視偏差是月營收：月營收在每月 10 日前公布，如果你的回測在 9 月 1 日就用了 8 月的營收，就等於偷看了答案。我的規則是月營收一律視為次月 11 日才拿得到，財報也要等法定期限過了才能用。
坑 3：只用還活著的股票（倖存者偏差）
想像你要研究「什麼樣的學生考得上台大」，結果只去問現在在台大念書的人。答案一定很漂亮，因為沒考上的人根本不在你的樣本裡。
股票也一樣。如果只用「現在還在交易」的股票回測，那些中途下市、跌到消失的公司都被排除了，結果自然偏好看。這叫做倖存者偏差（survivorship bias）。
我自己有兩份股價資料：
- 研究用：2010 年起 2,594 檔上市櫃普通股，連後來下市的都算進去，下市就用最後一天的收盤價出場
- 每日快取：只有近 2 年、沒有下市股，給盯盤程式用
第二份我直接在專案的 instruction 檔裡標了「不可用於研究」，讓 AI 每次開工都先讀到，不會拿錯資料。
坑 4：資料本身有錯
這個坑很少人講，但我踩了好幾次。你的回測再嚴謹，資料錯了，結果就是錯的。
- 減資的假暴漲：我抽查資料時發現，有些股票一天漲了 50%～130%，最大 +133%。逐筆看下去，幾乎都是減資停牌兩週後復牌。我用的還原股價只還原股利、沒還原減資，所以股東價值沒變，價格卻像是一天暴漲。如果你的策略在找「突然創新高的股票」，就會一直買到這種假訊號
- 數字溢位：2010 年初有一段資料，股數卡在 2,147,483,647，這是電腦 int32 整數的上限。結果台積電有 19 天的市值只有真值的 1/12
- 期貨換月的假獲利：期貨每個月換約，回測要把不同月份的合約接成一條連續價格。常見的「比例還原」會把換月那天真實的漲跌一起抹掉，讓跨月的部位憑空多出獲利。這個 bug 的來龍去脈，我寫在AI 寫程式的 7 個坑
教訓：回測最可怕的 bug，是讓結果變好看的 bug。 結果變差你會去查，結果變好你只會開心。所以看到太好的結果，先抽查資料。
坑 5：過度擬合
過度擬合（overfitting）就是策略「背」住了過去的答案，而不是學會了規律。
就像考前把考古題的答案全背下來，考古題每次 100 分，正式考試一題都不會。參數調越多、條件疊越多、試的組合越多，就越容易「剛好」找到一組在過去很漂亮的設定。
我自己踩過的例子：我測過「外資連賣 5 天、而且賣超金額創 3 年極端」的時候進場做多。在開發期（2010–2019），60 天後的勝率是 80%，同期隨便買是 68%，看起來很有東西。
但勝率只多了 12 個百分點，沒達到我事先登記的 15 個百分點門檻，照規矩不能進下一階段。因為它是那一批裡最強的，我同意破例，拿 2020–2023 年的資料再驗證一次。結果：勝率 58%，比隨便買的 69% 還低。 多頭裡外資大賣確實是好買點，但 2022 年空頭時，連三次買在下跌的半山腰。
還有一個更嚇人的數字：我把股票代號隨機打亂當作安慰劑，理論上這時候什麼特徵都不該有效，但我的篩選標準還是放行了 19.4% 的假特徵。你測得越多，假的好結果就越多。
學術界也有一樣的提醒：Harvey、Liu 與 Zhu 的 〈...and the Cross-Section of Expected Returns〉 主張，在資料被這麼多人挖過之後，新因子的 t 值至少要超過 3.0 才可信，而不是一般的 2.0。
坑 6：修了 bug，沒有重跑結論
坑 4 的期貨換月 bug 修好之後，我叫 Claude 把之前所有的網格實驗用正確的價格重跑一次：
| 修 bug 前 | 修 bug 後 | |
|---|---|---|
| 基準年化 | +7.0% | +6.0% |
| 移動停利年化 | +7.8% | +6.7% |
| 移動停利讓空窗縮短 | 7 → 4 個月 | 7 → 6 個月 |
方向都還在，但幅度變小了。這些數字的細節在網格交易進階手法實測。
教訓：回測程式修了 bug，之前所有的結論都要重跑。 不要只修程式、不回頭檢查結論。
怎麼避開這些坑？我給 AI 的 5 條規矩
避開回測陷阱的重點，是在看到結果之前，就先把規矩定好。 這是我寫在研究專案 instruction 檔裡、讓 AI 每次開工都先讀的規則：
- 資料切三段：開發期 2010–2019、驗證期 2020–2023、封存期 2024 以後。開發期過了才能跑驗證期，封存期要我同意、而且只看一次
- 先登記再回測：跑之前先把假設、規則、過關標準寫進一份
HYPOTHESES.md，寫完才准跑。看完結果才想到的點子，要標「事後」、可信度打折 - 只用當時拿得到的資訊：收盤出訊號、隔天開盤成交；一字漲停買不到、一字跌停賣不掉；每個策略都跑一次前視檢查，把資料截斷到換股日前一天重算，結果要一模一樣
- 成本一律扣：股票來回 0.585%，期貨另外算手續費、期交稅和滑價
- 參數用市場慣用值，不做參數搜索：微調參數結果就天差地別的，直接捨棄
坑 5 那個外資策略，就是規則 2 在保護我：因為門檻是事先寫好的，我很清楚那次是「破例」，結果失敗的時候也不會自己騙自己。
怎麼寫這種 instruction 檔，可以參考 Agent Instruction：怎麼寫 AI Agent 的「憲法」。
不會寫程式，怎麼用 AI 回測台股？
用 AI 回測台股，最簡單的組合是 Claude Code ＋ FinMind：FinMind 提供台股資料，Claude Code 幫你寫回測程式、跑程式、整理結果。 你只要用中文把規則和規矩講清楚。
資料怎麼接，可以先看 FinMind 是什麼？台股 API 免費額度與 Python 教學；Claude Code 怎麼接 FinMind，可以看 用 Claude Code 建台股追蹤系統。
接好之後，可以直接照抄這段指令，把第一行換成你自己的策略：
幫我回測這個台股策略：股價站上 200 日均線就買進，跌破就賣出，標的 0050。
回測規矩：
1. 資料用 FinMind 的還原股價，期間 2010-01-01 到 2019-12-31（先不要碰 2020 以後的資料）
2. 收盤出訊號、隔天開盤價成交，不能用當天收盤價成交
3. 每筆交易扣成本：買 0.1425%、賣 0.1425% + 證交稅 0.3%（ETF 證交稅是 0.1%）
4. 跟「同期間買進持有」比較
5. 輸出：年化報酬、最大回撤、交易次數、勝率、每筆扣成本後的平均報酬，以及逐年報酬表
6. 跑之前先把規則寫成一份文件給我確認，確認後才跑
7. 結果太好的話，先抽查有沒有偷看未來資料、或資料本身有異常，再告訴我
最後兩條最重要：先確認規則再跑，可以避免 AI 理解錯你的策略；結果太好先抽查，則是在防坑 2 和坑 4。
如果你的策略涉及選股（例如「每個月買殖利率最高的 20 檔」），記得再加一條：「股票池要包含後來下市的股票」，不然就會掉進坑 3。不過 FinMind 的 TaiwanStockInfo 股票清單不會列出全部已下市的股票（我自己就另外補了 58 檔），這部分可以叫 AI 幫你查怎麼補。
我實際讓 AI 做選股研究的完整過程，寫在 AI 選股實測：我讓 AI 回測 140 個台股策略，裡面有更多可以照抄的指令。
股票回測工具有哪些？
回測工具大致分三類：看盤軟體內建的回測、量化平台、以及自己寫程式（或叫 AI 寫）。
| 類型 | 例子 | 適合誰 | 限制 |
|---|---|---|---|
| 看盤軟體內建 | TradingView 策略測試器、XQ 全球贏家選股中心 | 想快速測技術指標的人 | 規則受限於平台語法；選股要注意股票池有沒有含下市股 |
| 量化平台 | FinLab 等台股量化平台 | 會一點 Python、想做選股研究 | 進階功能多半要付費 |
| 自己寫程式 | Python 搭配 backtrader、vectorbt | 工程師 | 要自己處理資料、成本、前視檢查 |
| AI 幫你寫 | Claude Code ＋ FinMind | 不會寫程式、但規則講得清楚的人 | 規矩要你自己定，AI 不會主動幫你防坑 |
不管用哪一種，上面那 6 個坑都一樣存在。工具只會照你的規則算，不會告訴你規則有沒有作弊。
常見問題
回測是什麼意思？
回測（backtesting）是把一套交易規則套用到過去的歷史資料上模擬，看它在過去的報酬、虧損和交易次數，用來在投入真錢之前評估策略。新聞裡的「回測季線」則是另一個意思，指股價跌回季線附近，測試支撐守不守得住。
回測賺錢，實盤就會賺錢嗎？
不一定。回測只代表「過去照這套規則做的結果」，而且很容易因為沒算成本、偷看未來資料、倖存者偏差或過度擬合而高估。比較可靠的做法是：只在一段資料上開發，再用另一段沒碰過的資料驗證，兩段都過了才算有點可信。即使如此，未來的市場也可能改變。
回測要用幾年的資料？
越長越好，至少要涵蓋一次完整的多頭和空頭。台股的話，2020 年 3 月疫情崩跌和 2022 年的空頭都是很好的壓力測試。我自己的研究用 2010 年以後的資料，切成開發、驗證、封存三段。
回測的年化報酬怎麼算？
年化報酬（CAGR）＝（期末資產 ÷ 期初資產）^（1 ÷ 年數）− 1。例如 100 萬回測 10 年後變成 200 萬，年化報酬是 2^(1/10) − 1 ≈ 7.2%。記得要用扣完成本的期末資產來算，不然會高估。
ETF 或 0050 回測怎麼做？
ETF 回測最重要的是用還原股價（把配息加回去），不然會低估報酬。另外 ETF 的證交稅是 0.1%，比個股的 0.3% 低。如果是定期定額，要模擬每個月固定日期、固定金額買進，並且把手續費的最低收費算進去。
有免費的回測工具嗎？
TradingView 免費版就能用策略測試器；FinMind 免費註冊後每小時 600 次的額度，也夠用 AI 回測單一標的或 ETF。要做全市場選股回測、或需要還原股價這種進階資料，通常就要付費方案。
結語
回測對我來說，最大的價值不是找到會賺錢的策略，而是便宜地發現自己的想法是錯的。188 個假設跑下來，絕大多數都沒過；但每一個沒過的，都是我沒有拿真錢去學的一課。
AI 讓回測的門檻低到一句話就能開始，但也讓「做出好看但假的數字」變得更容易。所以規矩一定要先定好，而且要寫下來，讓 AI 每次都照著做。
希望這篇對你有一丁點兒的幫助～這些坑都是我自己踩過的，希望你不用再踩一次 😄
如果你想學怎麼用 AI 從「研究、回測」一路做到「自動下單、安全上線」，我正在把整套做法整理成一門課，想搶先知道開課消息的話，加我的 LINE 跟我說一聲「交易課」就好～
延伸閱讀：
- AI 選股實測：我讓 AI 回測 140 個台股策略，只有 2 種活下來
- 網格交易回測：用台積電 6 年資料實測，99% 的月份有收入，卻輸給買進持有
- 網格交易進階手法實測：移動停利有效、RSI 過濾是毒藥
- 期貨槓桿開幾倍才安全？同一個策略開 1、2、3 倍回測
- AI 寫程式的 7 個坑：我用 Claude Code 寫自動交易程式，真實修過的 bug
喜歡這篇文章嗎？
📧 訂閱 Newsletter — 新文章直接寄到你信箱
🎬 追蹤我的 YouTube — 看 AI / 工具實作影片
💬 加我的 LINE — 想上交易課、或有問題隨時問我
🧵 追蹤 Threads — 平常的工程隨筆
掰掰～👋
