Skip to content

Data Science › 應用領域 › Finance › 交易策略與回測

交易策略與回測 (Trading Strategies and Backtesting) ​

投資組合分析問「一組資產的配置是否合理」;交易策略問「什麼時候進出場,規則長期跑起來會怎樣」。好的交易研究先把整條鏈定義清楚,而不是先追求漂亮的報酬曲線:

text
資料 → 指標 (indicator) → 訊號 (signal) → 部位 (position) → 回測 → 基準比較 → 風險檢視

回測紀律(look-ahead bias、過擬合、樣本外驗證、多重比較)是這篇最可遷移的部分:同樣的錯誤也出現在任何從歷史資料挑規則的研究中。

交易 vs 投資 ​

交易投資
持有期短長
關注短中期趨勢、反轉、波動基本面、現金流、企業品質
方向常可做多也可做空多半只做多
影響資料頻率、可容忍的周轉率、該看的基準與風險指標
邏輯假設例子
趨勢追蹤 / 動能 (divergence)目前的方向會延續均線、突破
均值回歸 (convergence)偏離終究會回來RSI、布林通道、配對交易

指標是市場資料的特徵工程 ​

技術指標不是預言機,而是把歷史價格、成交量、波動轉成較容易觀察的訊號:這個指標在摘要什麼資訊?對哪種市場狀態敏感?和決策規則是什麼關係?不同頻率下的型態可能完全不同:日資料上的訊號不能直接搬到週資料或小時資料。

類型例子用途
趨勢簡單 / 指數移動平均(SMA、EMA)方向與強度;有落後、盤整時反覆被洗 (whipsaw)
動能 / 擺盪RSI:> 70 偏熱、< 30 偏冷常當成均值回歸的進場時機過濾,而不是單獨決定方向
波動布林通道(均線 ± k 倍標準差)、ATR價格偏離程度

組合訊號常比單一指標穩:用長週期均線定義大方向(regime filter,例如只在 SMA50 > SMA200 時做多),再用短週期擺盪指標找進場時機(entry timing)。

python
import pandas as pd
import numpy as np

px = prices["adj_close"]                                # 用調整後價格(股利與分割)
sma50, sma200 = px.rolling(50).mean(), px.rolling(200).mean()

delta = px.diff()
gain = delta.clip(lower=0).ewm(alpha=1/14, adjust=False).mean()
loss = (-delta.clip(upper=0)).ewm(alpha=1/14, adjust=False).mean()
rsi = 100 - 100 / (1 + gain / loss)                     # Wilder 平滑的 14 日 RSI

signal = ((sma50 > sma200) & (rsi < 30)).astype(int)    # 多頭環境中的超賣 → 做多
position = signal.shift(1).fillna(0)                    # 關鍵:今天的訊號明天才能交易
ret = px.pct_change().fillna(0)
cost = 0.001 * position.diff().abs().fillna(0)          # 每次換手的交易成本(10 bp)
strat = position * ret - cost
bench = ret                                             # buy-and-hold

shift(1) 是回測最重要的一行:用收盤價算出的訊號,最快只能在下一根 K 棒執行。忘了它,就是用未來資訊交易 (look-ahead bias),績效會漂亮得不真實。

訊號不等於策略 ​

同一個 price > SMA 訊號可以對應全倉持有 / 空手、持有 50% / 轉現金、做多 / 反手做空等不同策略。從訊號到策略還要定義:

層內容
Indicator從資料算出的特徵
Signal根據條件判斷該不該動作
Rule怎麼下單、加碼、減碼、出場、取消掛單;目標部位或權重、再平衡頻率、能否做空、與其他風控條件的連動

真正的複雜度通常藏在執行邏輯。

工具用途
Python btSelectWhere() 依訊號選資產、WeighTarget() 把訊號轉成權重、Backtest() / run() 執行
Python vectorbt、backtrader向量化 / 事件驅動回測
R quantmod取得與瀏覽金融時間序列(getSymbols())
R TTR技術指標(SMA()、RSI())
R quantstrat把 indicator、signal、rule 串成交易系統

基準 ​

沒有基準,很多策略看起來都比實際有說服力。

基準回答
同一資產的 buy-and-hold主動規則是否真的有額外價值?
大盤指數(S&P 500)是否勝過市場?
參數更少的簡單策略複雜度是否值得?

只比基準多一點報酬,卻換來更深的回撤、更多周轉、更差的穩定性,通常不值得。

回測後要看什麼 ​

面向指標
賺多少總報酬、CAGR、日 / 月 / 年平均報酬
波動多大日 / 月 / 年波動、Sharpe、Sortino
最痛多深最大回撤、平均回撤
壞時期多久回撤持續天數、回復時間
極端最好 / 最差的日、月、年
交易層級勝率 (percent positive)、平均賺賠比、獲利 / 回撤比、周轉率

投資人常不是死在單日波動,而是死在長時間回不來。指標定義見 投資組合與風險。

系統勝率平均賺賠比失敗方式
趨勢追蹤常不高較高靠少數大行情拉起整體績效;盤整期間持續小虧
均值回歸常較高較低多數時候小賺,遇到單邊趨勢時大傷

低勝率不一定是壞策略,高勝率也不代表尾部風險可接受:要連同報酬形狀一起看。

先看圖 ​

第一輪檢視先看價格與指標疊圖、訊號 / 部位時間線、累積損益、回撤路徑(R 的 chart.Posn()、add_TA())。很多回測錯誤不是統計問題,而是欄位用錯、訊號偏移一根 K 棒、規則沒照想像執行;這些看圖比看摘要表更早發現。

參數最佳化與過擬合 ​

SMA 20、50、100 哪個好?逐一回測再挑歷史最好的一組,很容易只是把雜訊當成規律。

健康做法理由
先用領域直覺縮小參數範圍減少嘗試次數
減少自由參數每多一個參數就多一個過擬合的機會
把最佳化當成敏感度分析好策略在參數附近應該平穩,而不是只有一個尖峰
保留樣本外期間、做 walk-forward在訓練窗選參數 → 在下一段測試 → 往前滾動
計入嘗試過的策略數試了 100 組參數,最好那組的 Sharpe 必然被高估;用 deflated Sharpe ratio 或多重比較校正,見 多重檢定

這和 ML 的資料洩漏、超參數調整後在測試集報告分數是同一類問題,見 資料洩漏、交叉驗證(時間序列要用前向切分)。

常見錯誤 ​

錯誤後果
訊號沒有延後一期look-ahead bias
用原始收盤價算長期報酬除息與分割造成假的漲跌
只用現存股票回測存活者偏差
只看樣本內最佳參數過擬合
不和基準比、只報絕對報酬高估價值
忽略交易成本、滑價、流動性高周轉策略在現實中虧損
把指標當因果解釋它只是歷史模式摘要
不同頻率、不同市場狀態直接套用同一組規則規則失效

很多「看起來有效」的策略問題不在數學,而在研究設計太寬鬆。