回測勝率92%、實盤三個月歸零:一張對帳單，揭開竹工程師的「過度最佳化」陷阱

程式交易最危險的不是市場，是那條漂亮到不真實的回測曲線。

假設有一位在竹科工作的工程師，我們姑且叫他阿哲。月薪12萬、年薪加上分紅超過200萬，寫了十年C++，去年決定把職業技能帶進期貨市場:用Python串接永豐金證券的Shioaji API，透過Telegram Bot接收部位警示與停損通知，自動下單台指期。三個月後，帳戶淨值歸零。

問題不在程式。他的程式碼乾淨、邏輯嚴謹、斷線重連都處理好了。問題在那張回測報告:三年資料、勝率92%、最大回撤不到8%、夏普比率逼近4。

這種數字，在量化圈有個通俗的說法——太漂亮了，漂亮到像是在考試前看過考卷。

關鍵一:92%勝率，是「挑參數挑出來的」

阿哲用的是常見的開源回測框架Backtrader，策略本身不複雜:均線交叉加RSI過濾，進出場規則明確。真正的災難發生在最佳化階段。他把均線週期從5天掃到60天、RSI門檻從20掃到40，每個組合跑一次回測，最後挑出表現最好的那一組參數。

這在統計上叫多重比較問題。假設你測試了500組參數，就算策略本身毫無預測能力，純靠運氣也會出現幾組「看起來很賺」的組合。Backtrader內建的參數掃描功能讓這件事變得太容易——工具沒有錯，錯的是把「歷史資料上的最佳解」直接當成「未來的最佳解」。

業內普遍的做法是樣本外測試:用2019到2021年的資料挑參數，再用2022到2023年、策略從沒「見過」的資料驗證。阿哲跳過了這一步，因為Telegram頻道上的分享文也多半跳過這一步。

關鍵二:倖存者偏差，藏在每一行精心篩選過的資料裡

第二個坑更隱微:look-ahead bias（前視偏差）。台指期某種過濾條件用到「當日收盤價」，但收盤價在盤中根本還沒發生——回測引擎老實地照做，於是策略在歷史資料裡像是能預知未來。這類bug不會報錯，只會讓績效變好，所以特別難抓。

還有一個台灣散戶程式交易特有的坑:交易成本。台指期一口的手續費加交易稅，換算成點數大約是來回5、6點。短週期策略一天進出數次，成本會以一種回測報告上看不太出來的方式侵蝕獲利。阿哲的回測設了滑價，但設得太樂觀。

關鍵三:歸零的不是策略，是槓桿

期貨的原始保證金制度，讓12萬本金可以操作名目價值超過百萬的部位。回測裡8%的回撤，在實盤加了槓桿、遇到一次台指期單日波動超過2%的日子，就是斷頭的距離。加上程式停損設在固定點數、沒有隨波動度調整，三月那一週的連續跳空，把三個月的帳面獲利連同本金一次收回。

數學上這叫路徑依賴:回測報酬率是路徑的加總，但帳戶存活取決於路徑上最深的那一個坑。

解方不神祟，但沒人想做

走樣本外測試、用Walk-forward Analysis讓參數定期滾動重估、把參數從「一個最佳解」改成「一個平坦區間」（如果參數稍微偏移績效就崩掉，那組參數本身就是脆弱的）、回測成本抓實盤的兩倍——這些都是量化圈的常識，也都很無聊。它們不會讓勝率變成92%，只會讓勝率回到55%附近，然後讓你有機會真的活在市場裡。

阿哲的故事是假設的，但歸零的帳戶每天都在真實發生。開源工具把門檻降到了工程師的一個週末，卻沒有把風險知識一起打包進pip install。

下一個打開Backtrader、覺得自己回測曲線漂亮到可以辭職的人，會不會就是你？