回測

什麼是加密貨幣回測？

回測是指在投入真實資金前，使用歷史市場資料測試交易策略、投資組合規則、交易機器人或風險模型的過程。

在加密貨幣市場，回測有助於交易者了解策略在過去不同市場環境中的可能表現，例如牛市、熊市、盤整市場、流動性崩跌、資金費率飆升及波動事件。

加密貨幣回測可用於現貨交易、類期貨策略、套利模型、投資組合再平衡、DeFi 收益策略、強制平倉風險模型、質押配置規則或做市系統。

基本概念很簡單。

交易者撰寫規則，將規則套用至歷史資料，再衡量模擬結果。

例如，某項策略可能在移動平均線轉為上升時買入 Bitcoin，並在波動性高於特定水準時賣出。

回測會將這項規則套用至過去的價格，觀察策略當時會如何運作。

回測無法證明某項策略未來一定有效。

回測只會呈現策略在測試所採用的假設、資料、成本與市場條件下的表現。

CFTC AI 交易機器人警示提醒，AI、演算法與交易機器人都無法預測未來或突發的市場變化。

這項提醒很重要，因為許多加密貨幣詐騙會利用看似亮眼的回測，讓策略看起來比實際上安全。

為什麼回測在加密貨幣市場很重要

回測很重要，因為加密貨幣市場變化快速、波動劇烈、全球互通，且全天候開放。

理論上看似合理的策略，納入手續費、滑點、資金費率、Gas 成本與流動性限制後，可能就會失效。

略過回測的交易者，可能不了解策略虧損的頻率、回撤可能有多深，或策略對市場環境轉變有多敏感。

未經回測就推出交易機器人的開發者，可能要等到真實資金損失後才發現錯誤。

未經測試便追逐收益的 DeFi 使用者，可能低估智能合約風險、退出流動性的難度、無常損失或強制平倉風險。

回測有助於將交易構想轉化為可衡量的假設。

回測會要求交易者明確定義進場規則、出場規則、倉位規模、手續費、再平衡規則及風險限制。

這很有價值，因為模糊的交易構想容易令人相信，卻很難評估。

回測也會在實際交易開始前，建立策略預期表現的紀錄。

如果實際策略的表現與回測大不相同，交易者就能知道可能是情況發生變化，或模型設定有誤。

因此，回測是研究工具、風險工具，也是紀律工具。

回測如何運作

加密貨幣回測從策略規則開始。

規則必須明確到電腦或分析人員無須猜測即可執行。

下一步是收集歷史資料。

資料可能包括價格 K 線、訂單簿資料、成交紀錄、資金費率、未平倉量、錢包流向、Gas 費、質押獎勵、強制平倉事件、代幣解鎖或 DeFi 資金池儲備。

接下來是清理資料。

資料清理可能包括移除重複項目、檢查時間戳是否缺漏、調整交易代號變更、謹慎排除已下架資產，以及確認時區。

下一步是模擬交易。

模擬應在適用時納入手續費、滑點、延遲、訂單規模、資金費用、借貸成本、Gas 成本及執行失敗。

最後一步是衡量結果。

實用的結果指標包括總報酬、年化報酬、波動性、夏普比率、索提諾比率、最大回撤、勝率、虧損率、換手率、平均單筆交易、獲利因子、曝險及尾部損失。

良好的回測不只說明策略賺了多少，也會解釋策略如何獲利或虧損。

品質不佳的回測只呈現平滑的資產淨值曲線，卻不說明風險。

回測與前向測試

回測使用已存在的歷史資料。

前向測試則使用策略建立後產生的新市場資料。

前向測試可透過模擬交易、Demo 交易、影子交易或極小額的實盤交易進行。

兩者的差異很重要，因為回測可能意外受惠於事後資訊。

策略可能被調整到與過去價格走勢過度吻合。

前向測試有助於確認策略在開發時未使用的資料上，是否仍能正常運作。

認真的加密貨幣交易者不應只依賴回測。

較佳流程是先回測，再進行樣本外測試，接著前向測試，然後以小額交易，最後才考慮擴大規模。

這種分階段流程可降低從漂亮的歷史圖表直接進入實盤虧損的機率。

前向測試比回測慢，但往往更能反映真實情況。

回測與模擬交易

回測會將策略套用至過去的資料。

模擬交易則是在不承擔真實資金風險的情況下，將策略套用至即時或目前的市場環境。

回測能快速研究多年的市場歷史。

模擬交易則能揭露即時問題，例如訊號遺漏、執行延遲、訂單路由錯誤、API 錯誤、資料過期及情緒化決策。

策略可能通過回測，卻在模擬交易中失敗，因為實際執行比歷史模擬更困難。

模擬交易也能顯示交易者是否真的能遵守規則。

這很重要，因為如果價格快速變動時使用者總是推翻策略，策略就毫無用處。

回測與模擬交易應相互搭配。

回測研究長期歷史表現，模擬交易則檢驗目前的實際運作情況。

回測與實盤交易

實盤交易使用真實資金並進行真實執行。

因此，實盤交易與回測大不相同。

回測可能假設訂單會以 K 線收盤價成交。

實盤交易的成交價格可能較差，也可能完全無法成交。

回測可能假設流動性隨時充足。

實盤交易中，大額訂單可能會推動市場價格。

回測可能假設交易機器人始終正常運作。

實盤交易可能遇到伺服器停機、錢包錯誤、RPC 故障、API 限制及交易失敗。

回測可能忽略情緒。

實盤交易則會帶來恐懼、貪婪、懊悔與壓力。

回測的目的不是取代實盤交易的現實情況。

回測的目的是透過更充分的了解及更少的盲點，為實盤交易做好準備。

歷史資料

歷史資料是所有回測的基礎。

如果資料錯誤，即使程式碼完美無缺，回測結果也可能不正確。

加密貨幣歷史資料可能包括價格、K 線、交易、訂單簿、資金費率、代幣供應量、交易手續費、Gas 價格、流動性池狀態、借貸利率、預言機價格、驗證者獎勵及區塊鏈事件。

不同資料來源可能出現差異，原因包括時區選擇、K 線建立方式、遺漏的交易、代號變更、流動性差異或不良資料收集系統。

加密貨幣資料也分散在不同區塊鏈、錢包、協議與交易場所。

因此，資料品質管理比許多傳統市場更困難。

良好的回測應記錄資料來源、期間、頻率、缺漏資料處理規則及所有清理步驟。

如果回測未說明資料來源，交易者就應提高警覺。

歷史資料不只是一份試算表。

它是整個模擬過程的證據基礎。

資料品質

資料品質是指資料準確、完整、一致，且適合用於測試的策略。

低品質資料可能製造虛假獲利，或掩蓋實際虧損。

缺漏的 K 線可能使回測漏掉虧損。

錯誤的價格尖峰可能觸發虛假訊號。

倖存者偏差可能將失敗的代幣排除在資料集之外，使歷史結果看起來過於理想。

錯誤的時間戳可能讓策略使用當時實際上尚未取得的資訊進行交易。

未經調整的代幣遷移可能造成虛假的獲利或虧損。

若是緩慢運作的投資組合策略，以日 K 線進行回測可能可以接受。

但若是仰賴訂單簿行為的高頻策略，日 K 線可能毫無用處。

資料必須符合策略的交易風格。

更好的資料無法保證策略獲利，但劣質資料會使研究失去意義。

前視偏誤

前視偏誤是指回測使用了模擬交易當時尚未取得的資訊。

這是最危險的回測錯誤之一。

例如，策略可能在一天開始時買入代幣，卻把當天收盤價當成當時已知的價格。

另一個例子是使用未來的代幣上架資訊、未來的指數成分或未來的市值排名，來決定策略過去會持有哪些資產。

前視偏誤會讓策略看起來極為獲利，因為它暗中看到了未來。

在加密貨幣市場，前視偏誤可能來自鏈上資料時間戳、延遲的預言機資料、代幣解鎖日程，或包含未來分類資訊的清理後資料集。

若要避免前視偏誤，每個資料點都必須在模擬決策時間之前已經可用。

訊號應只根據過去與目前的資訊計算。

必須在訊號已知後才執行交易，而非提前執行。

含有前視偏誤的回測不是研究，而是意外的時光旅行。

倖存者偏差

倖存者偏差是指回測只納入存活至測試期間結束的資產。

這在加密貨幣市場是個重大問題，因為許多代幣會消失、失去流動性、遷移、遭到放棄，或在推出後崩跌。

如果回測只測試目前成功的代幣，可能會忽略真實交易者過去有機會買入、但後來失敗的代幣。

這會使策略報酬看起來遠勝於實際情況。

例如，若回測過去的小市值山寨幣時只納入目前仍活躍交易的代幣，結果可能看起來非常理想。

真實的回測應納入各歷史時點存在的資產，包括後來失敗或流動性枯竭的資產。

這項工作並不容易，因為歷史代幣範圍相當混亂。

然而，忽略這個問題可能造成錯誤的信心。

倖存者偏差對動能、產業輪動及市值排名策略尤其危險。

良好的加密貨幣回測應說明如何建立各時間點的資產範圍。

過度擬合

過度擬合是指策略過度貼合歷史資料進行調整，因此在新資料上的表現不佳。

交易者可能反覆測試多種指標、時間週期、停損、篩選條件及參數，直到某個組合看起來表現驚人。

問題在於，結果可能反映的是歷史隨機雜訊，而非真正的優勢。

《Federal Register》2024 年一項討論 FINRA 通訊規則的命令指出，假設性決策可能因事後資訊而經過最佳化，因此回測績效可能誤導投資人。

例如，《統計過度擬合與回測績效》等學術研究也提醒，反覆測試可能產生亮眼但不可靠的結果。

加密貨幣策略特別容易過度擬合，因為交易者可以測試大量代幣、指標、時間週期及市場環境。

具有許多可調整參數的策略，可能與歷史資料完美吻合，卻在實盤中立即失效。

降低過度擬合的一種方法，是讓策略規則保持簡單。

另一種方法是採用樣本外測試與走勢前推分析。

最謹慎的做法是：在證明極為完美的回測穩健可靠之前，先將其視為可疑結果。

樣本內與樣本外測試

樣本內測試使用開發與調整策略時採用的資料期間。

樣本外測試使用未曾用於建立策略的另一段資料期間。

這種區隔有助於確認策略學到的是實際模式，還是只記住某段歷史期間。

例如，交易者可能使用 2019 至 2022 年的資料開發策略，再用 2023 至 2025 年的資料進行測試。

如果策略在樣本內表現良好，卻在樣本外失敗，可能已經過度擬合。

如果策略在兩段期間都表現合理，穩健性可能較高。

樣本外測試成功仍不代表未來一定成功。

它只能比單靠樣本內測試成功提供更有力的證據。

加密貨幣市場結構變化迅速，因此只要可行，樣本外期間也應涵蓋不同市場環境。

良好的策略不應只依賴某個完美的歷史區間。

走勢前推測試

走勢前推測試是一種反覆使用某段期間訓練或調整策略，再於下一段期間測試的方法。

這更貼近實際交易，因為交易者做出未來決策時，只掌握過去的資料。

例如，模型可能使用 6 個月的資料訓練，再於接下來 1 個月交易。

接著，時間窗口向前移動，並重複此流程。

近期一項2026 年關於交易成本下以機器學習交易 Bitcoin 的研究採用了走勢前推流程，發現交易成本可能讓天真的預測型策略從帳面獲利轉為扣除成本後虧損。

這對加密貨幣市場尤其重要，因為交易成本與換手率可能左右結果。

走勢前推測試有助於交易者研究策略如何因應不斷變化的市場環境。

它也能揭露模型是否需要過度頻繁地重新調整才能維持效用。

只有在不斷調整參數後才有效的策略，可能相當脆弱。

走勢前推分析並不完美，但比在單一長期歷史期間測試一個最佳化模型更貼近現實。

交易成本

交易成本是加密貨幣回測在實盤交易中失效的主要原因之一。

成本可能包括交易手續費、價差、滑點、資金費用、借貸利率、Gas 費、跨鏈橋費用、驗證者費用、提領手續費及交易失敗成本。

頻繁交易的策略在未計入成本前可能看似獲利，計入成本後卻變成虧損。

高頻交易、套利、當沖及做市回測尤其常見這種情況。

應根據每項資產與各個時間區間，以符合現實的方式估算成本。

流動性稀薄的小市值代幣，不應採用與流動性極高的主流資產相同的成本假設。

DeFi 兌換應納入價格影響與 Gas 成本。

類衍生品策略應納入資金費用與強制平倉風險機制。

上文連結的 2026 年走勢前推研究顯示，納入成本考量的交易篩選對加密貨幣策略設計至關重要。

扣除成本前獲利的回測只是起點；扣除成本後的回測才是重點。

滑點

滑點是預期交易價格與實際成交價格之間的差異。

市場變動、流動性稀薄，或訂單規模相較於可用市場深度過大時，都可能產生滑點。

在加密貨幣市場，波動性飆升、新聞事件、強制平倉、流動性較低的時段及 DeFi 資金池失衡時，滑點可能很大。

假設所有交易都以 K 線收盤價成交的回測，可能完全忽略滑點。

這會讓策略看起來比實際更好。

滑點應根據訂單規模、價差、交易量、訂單簿深度、流動性池深度及市場波動性估算。

小額散戶交易的回測，與大型基金規模交易的回測可採用不同假設。

滑點不是枝微末節。

對高換手率的加密貨幣策略而言，滑點可能決定最終是獲利還是虧損。

每項嚴謹的回測都應呈現納入滑點假設前後的結果。

手續費與 Gas 成本

手續費是交易、轉帳、跨鏈、質押、借貸或與智能合約互動時支付的直接成本。

在中心化訂單簿交易中，手續費可能包括掛單方與吃單方手續費。

在 DeFi 中，費用可能包括兌換手續費、流動性提供者費用、Gas 費、跨鏈橋費用及交易優先費用。

Gas 成本對鏈上策略尤其重要。

忽略 Gas 費的 DeFi 回測，可能讓小額交易或頻繁再平衡看起來有利可圖，實際上卻不是如此。

Gas 費也可能隨市場環境大幅變動。

在低費用期間有效的策略，可能在網路壅塞時失效。

若策略仰賴鏈上執行，回測應納入浮動的 Gas 費假設。

對 Ethereum 類網路及其他智能合約區塊鏈而言，執行成本是策略的一部分。

如果策略預期獲利低於交易成本，就不適合實盤交易。

資金費率

資金費率是永續合約市場中多頭與空頭交易者之間的資金費用。

忽略資金費率的衍生品策略，可能產生誤導性的結果。

例如，價格走勢可能讓多頭倉位看似獲利，但資金費用卻侵蝕了大部分報酬。

空頭倉位可能因資金費用而受益，卻因價格走勢而虧損。

加密貨幣交易者的持倉方向變化快速，因此資金費率可能大幅波動。

只要可行，永續合約回測就應納入歷史資金費率。

如果缺少歷史資金資料，回測應明確說明所採用的假設。

資金費率也必須套用在正確的時間戳。

資金費率設定錯誤可能扭曲報酬，尤其是持倉數天或數週的策略。

在加密貨幣衍生品回測中，資金費率不是可有可無的資料。

流動性

流動性衡量策略能否在不大幅影響價格的情況下進出倉位。

如果回測假設能以歷史價格不限量成交，低流動性代幣也可能呈現亮眼報酬。

實際上，若要買賣有一定規模的資產，可能難以避免大幅滑點。

小市值山寨幣、NFT 相關資產、DeFi 治理代幣、新代幣發行及跨鏈資產尤其需要留意流動性。

真實的回測應根據歷史交易量、訂單簿深度或資金池流動性限制訂單規模。

也應考量市場承壓時流動性是否消失。

只在交易極小金額時才有效的策略，可能無法擴大規模。

這不代表策略毫無用處，但會限制其承載能力。

承載能力是指在績效開始惡化前可投入的資金量。

良好的回測不只應估算報酬，也應估算承載能力。

市場環境

市場環境是指具有鮮明市場特徵的一段期間。

加密貨幣市場環境可能包括牛市、熊市、盤整市場、高波動性崩跌、低波動性累積、流動性擴張、流動性收縮及減半後週期。

在某種市場環境下表現良好的策略，可能在另一種環境中失效。

趨勢追蹤策略可能在強勁的單向走勢中表現良好，卻在震盪市場中受挫。

均值回歸策略可能適用於區間盤整環境，卻在突破行情中失效。

套利策略可能適用於市場分散的情況，但市場效率提高後，套利空間可能縮小。

只要可行，回測就應依不同市場環境拆分結果。

這有助於交易者了解策略預期在哪些情況下有效，又可能在哪些情況下受挫。

單一報酬數字會隱藏太多資訊。

市場環境分析有助於將回測轉化為風險認知。

風險指標

風險指標有助於說明策略報酬背後的風險。

只看總報酬並不足夠。

某項策略即使讓資金翻倍，過程中若曾虧損 80%，對多數使用者而言仍可能無法接受。

實用的風險指標包括最大回撤、波動性、下行偏差、夏普比率、索提諾比率、卡瑪比率、風險值、預期短缺、勝率、虧損率、平均虧損、尾部損失及水下時間。

最大回撤呈現測試期間從高點到低點的最大跌幅。

水下時間則呈現策略低於先前高點的持續時間。

夏普比率以波動性比較超額報酬，但若報酬並非常態分布，結果可能有誤導性。

索提諾比率較著重下行波動性。

加密貨幣的尾部風險很重要，因為市場崩跌可能突然而且跌幅深。

良好的回測應同時呈現報酬與承受的損失。

回撤

回撤是投資組合從高點跌至後續低點的幅度。

回撤是最重要的回測指標之一，因為它顯示交易者必須承受多大的損失。

高報酬、高回撤的策略，在心理上可能難以持續執行。

例如，回測可能呈現長期獲利亮眼，卻曾出現 70% 的回撤。

許多使用者可能會在策略恢復之前就放棄。

回撤對槓桿策略也很重要，因為大幅虧損可能觸發強制平倉。

在 DeFi 中，回撤可能導致抵押品遭強制平倉或必須緊急提領。

回測應呈現最大回撤、平均回撤、回撤持續時間及恢復時間。

報酬最高的策略不一定是最佳策略。

通常，較好的策略是使用者實際能承受其波動的策略。

夏普比率

夏普比率是常見的風險調整後報酬指標。

它以波動性比較超額報酬。

較高的夏普比率通常代表策略每承受一單位波動性，就能取得較高報酬。

然而，夏普比率用於加密貨幣時有其限制。

加密貨幣報酬可能呈現偏態、肥尾，且受到市場環境影響。

策略在平靜期間可能有良好的夏普比率，卻仍可能遭遇罕見的大額虧損。

過度擬合，或只累積小額獲利卻掩蓋尾部風險的策略，也可能使夏普比率偏高。

例如，每天賺取小額獲利、卻偶爾大幅虧損的策略，在崩盤發生前可能看起來很穩定。

夏普比率應搭配回撤、尾部風險及壓力測試指標使用。

沒有任何單一指標能完整說明加密貨幣策略。

壓力測試

壓力測試用於檢查策略在困難或極端環境下的表現。

加密貨幣壓力測試可能模擬價格突然崩跌、流動性缺口、區塊鏈壅塞、穩定幣脫鉤、資金費率飆升、預言機延遲、跨鏈橋延遲或交易所停機。

壓力測試與一般回測不同，因為它著重於可能出錯的情況。

歷史壓力測試使用過去實際發生的事件。

合成壓力測試則建立可能尚未發生的假設情境。

兩者都很有用。

歷史測試顯示策略如何應對已知危機。

合成測試則檢查策略能否承受歷史樣本以外的情況。

SEC 加密資產投資人警示提醒，加密資產投資可能具有極高波動性與投機性。

壓力測試是在承擔資金風險前，正視這種波動性的方法之一。

情境分析

情境分析會研究策略在特定市場情境下的表現。

例如，交易者可能測試 Bitcoin 在一天內下跌 25%、同時山寨幣流動性下降且 Gas 費上漲時會發生什麼情況。

另一個情境可能測試穩定幣脫鉤、借貸利率飆升且 DeFi 提領變慢時的影響。

另一個情境可能測試長期盤整市場中趨勢訊號不斷失效的情況。

情境分析有助於交易者思考超出一般情況的風險。

它可能揭露一般回測忽略的隱藏依賴。

例如，某項策略看似是山寨幣策略，實際上可能依賴穩定幣流動性。

某項策略的主要訊號看似是價格動能，實際上可能依賴低廉的 Gas 費。

情境分析對加密貨幣尤其有用，因為市場結構風險可能突然出現。

良好的回測會詢問市場表現不佳時會發生什麼，而不只看市場正常運作時的情況。

DeFi 回測

DeFi 回測是使用歷史智能合約、流動性及市場資料測試鏈上策略的過程。

例如流動性提供、借貸、收益耕作、流動性質押、金庫策略及自動再平衡。

DeFi 回測比單純的價格回測更困難，因為智能合約狀態不斷變化。

流動性池策略需要歷史儲備、手續費、代幣價格、流動性提供者份額及無常損失計算。

借貸策略需要歷史利率、抵押品價值、強制平倉門檻、預言機行為及資金使用率。

金庫策略需要納入存入規則、提領規則、績效費、智能合約風險及再平衡邏輯。

也必須納入 Gas 成本，因為鏈上策略可能需要大量交易。

忽略交易失敗、MEV、預言機延遲及流動性退出狀況的 DeFi 回測，可能不切實際。

DeFi 回測功能強大，但比基礎現貨交易測試需要更深入的資料建模。

策略的品質取決於其背後的鏈上假設。

MEV 與回測

MEV 是最大可提取價值（Maximal Extractable Value）的縮寫，指透過排序、插入或排除區塊鏈交易取得的價值。

如果策略依賴鏈上執行，MEV 就可能影響回測。

DeFi 套利回測可能假設交易者能掌握價格差異。

但在實際市場中，其他搜尋者可能會先一步取得套利機會。

兌換交易可能遭夾擊，或以比預期更差的價格執行。

套利交易者也可能輸給速度更快的機器人。

忽略交易排序的回測可能高估獲利能力。

對鏈上策略而言，執行優先順序、區塊納入、Gas 競價、私有交易路由及市場競爭都很重要。

MEV 使加密貨幣回測更像基礎設施競爭，而非單純測試訊號。

如果回測假設鏈上機會都能完美執行，就應謹慎看待。

套利回測

套利回測測試的是試圖從不同市場或區塊鏈的價格差異中獲利的策略。

加密貨幣套利可能涉及現貨市場、永續合約、資金費率、流動性池、跨鏈橋或預言機差異。

套利回測容易做得看似有利可圖，卻很難做得貼近現實。

模擬必須納入手續費、延遲、轉帳時間、資金費率、借貸成本、成交失敗、庫存限制、區塊鏈最終性、跨鏈橋延遲及資金鎖定。

歷史 K 線上出現的價格差異，未必能在即時交易中掌握。

其他交易者或機器人可能已先取得機會。

網路壅塞可能導致結算失敗。

跨鏈橋可能需要很長時間才能轉移資金。

套利回測應使用高品質且附有時間戳的資料，並採用保守的執行假設。

只在未計入成本或延遲前獲利的策略，通常不是真正的套利優勢。

交易機器人回測

交易機器人回測是在連接真實帳戶或錢包前，測試自動化策略。

機器人回測應採用與實際機器人完全相同的規則。

如果實際機器人設有限制訂單規模的規則，回測也應納入。

如果實際機器人在高波動時會暫停，回測就應模擬該規則。

如果實際機器人使用停損，回測就應根據真實的價格路徑計算停損。

機器人回測也應納入訂單失敗、API 速率限制、資料過期、部分成交及重新連線延遲等操作問題。

CFTC 警告，詐騙者會推銷交易機器人及加密資產交易方案，並宣稱報酬高得不合理或保證獲利。

使用者應對只展示完美回測截圖的機器人保持懷疑。

真正的機器人應提供透明的假設、風險限制及實盤績效追蹤。

回測是開發機器人的必要步驟，但不能證明機器人安全。

機器學習回測

機器學習回測會測試使用資料產生交易訊號或投資組合決策的模型。

機器學習可分析許多特徵，包括價格動能、波動性、訂單流、鏈上活動、情緒、資金費率及總體經濟變數。

然而，機器學習也會提高過度擬合風險。

具有許多特徵的模型可能找到只因偶然而存在的模式。

加密貨幣資料集雜訊多、非定態，且受到市場結構變化影響。

這代表在某一期間有效的模型，可能在另一期間失效。

機器學習回測應使用適用於時間序列的驗證、樣本外測試、走勢前推測試、特徵洩漏檢查及交易成本模型。

上文連結的 2026 年 Bitcoin 走勢前推研究發現，如果預測轉化成太多高成本交易，光有預測準確度仍然不夠。

這項啟示普遍適用於加密貨幣機器學習。

模型必須在扣除成本後仍能實際交易，而不只是統計上有趣。

執行風險

執行風險是指策略的編碼或模擬方式導致回測結果改變的風險。

即使使用相同策略，兩個回測引擎仍可能因手續費、訂單時間、缺漏資料、倉位規模或四捨五入方式不同，而產生不同結果。

近期一項2026 年關於投資組合回測執行風險的研究探討了不同引擎如何因實作細節產生可衡量的差異，尤其是納入交易成本時。

這對加密貨幣很重要，因為細微差異可能造成重大影響。

在 K 線收盤時進場的機器人，與在下一根 K 線開盤時進場的機器人並不相同。

每天複利累積獲利的策略，與採用固定倉位規模的策略也不同。

代幣數量四捨五入錯誤的 DeFi 回測，可能扭曲報酬。

在錯誤時間套用資金費用的回測，可能產生虛假結果。

程式碼審查、單元測試、獨立重現及清楚文件有助於降低執行風險。

回測必須能夠重現，才能值得信任。

執行假設

執行假設定義了回測中的交易執行方式。

內容包括委託類型、成交價格、成交機率、價差、滑點、延遲、部分成交、最低訂單規模及交易失敗。

常見的不良假設是每個訊號都能以最佳可見價格不限量成交。

在加密貨幣市場，這種假設很少符合現實。

較貼近現實的回測可能假設市價單會跨越價差、限價單可能無法成交，而較大的訂單會產生更多滑點。

執行假設應符合策略實際交易方式。

長期的每月再平衡策略，不需要像高頻套利機器人那樣詳細建模。

DeFi 兌換策略必須模擬資金池價格影響與 Gas 費。

使用停損的策略必須模擬盤中價格路徑，而不只看每日收盤價。

許多看似吸引人的回測，正是在執行假設這個環節變得更貼近現實、也不再那麼亮眼。

倉位規模

倉位規模決定每筆交易使用多少資金。

即使訊號良好，倉位規模過於激進仍可能導致虧損。

如果回測在幸運期間採用不切實際的複利方式，微弱的訊號也可能看似獲利。

加密貨幣倉位規模應考量波動性、流動性、最大回撤、相關性、槓桿及強制平倉風險。

固定規模的倉位較容易理解。

依權益百分比配置倉位，會讓獲利與虧損複利累積。

波動率目標倉位會在波動性上升時降低曝險。

風險平價倉位會平衡不同資產的曝險，但在市場承壓、相關性上升時可能失效。

回測應清楚說明倉位規模的計算方法。

策略績效往往與進場訊號同樣受到倉位規模影響。

再平衡規則

再平衡規則定義投資組合何時回到目標權重。

加密貨幣投資組合回測可能每天、每週、每月、每季再平衡，或在配置比例超出指定範圍時再平衡。

頻繁再平衡可以改善風險控管，但會增加交易成本與稅務成本。

在 DeFi 中，頻繁再平衡也可能提高 Gas 成本與智能合約曝險。

回測應採用交易者實際能執行的再平衡頻率。

每次再平衡也應納入符合現實的交易規模與成本。

依賴免費每日再平衡而表現良好的策略，可能在計入真實手續費與滑點後失效。

再平衡規則應簡單到能在市場承壓時遵循。

良好的再平衡回測會說明風險控管與成本之間的取捨。

再平衡是投資組合規則，不是創造報酬的萬靈丹。

基準

基準是用來評估策略是否創造價值的參考標準。

在加密貨幣市場，基準可能是持有 Bitcoin、持有以市值加權的主流資產組合、持有穩定幣、採用簡單移動平均規則，或追蹤基本的買入並持有投資組合。

策略應與公平的基準比較。

如果策略承擔高山寨幣風險，卻只與現金比較，可能會產生誤導。

如果策略使用槓桿，基準也應考量風險水準。

如果策略頻繁交易，基準也應納入符合現實的成本。

基準有助於回答一個重要問題。

策略是否創造了價值，還是只因承受上漲市場曝險而受益？

許多加密貨幣策略在牛市期間看起來表現良好，因為幾乎所有資產都在上漲。

良好的基準會顯示策略在考量風險與成本後，是否優於較簡單的替代方案。

回測報告

回測報告應說明策略、資料、假設、結果及風險。

報告應列出測試期間、資產、資料來源、手續費、滑點、訂單假設、倉位規模及再平衡規則。

報告應呈現扣除成本後的結果。

報告應呈現回撤，而不只是報酬。

報告應依年度或市場環境呈現績效。

報告應呈現交易筆數與換手率。

報告應呈現對關鍵參數的敏感度。

報告應說明已知的弱點。

只呈現資產淨值曲線上升的報告並不完整。

嚴謹的報告應讓人更容易發現缺陷，而不是更難發現。

回測與法規

從法規與行銷角度來看，回測績效可能涉及敏感問題。

向客戶或投資人展示回測結果時，視司法管轄區與具體事實而定，可能會被視為假設性績效或廣告。

SEC 行銷合規常見問題說明，投資顧問廣告若呈現績效結果，必須符合特定要求。

《Federal Register》關於 FINRA 通訊規則的命令指出，回測績效可能增加誤導投資人的風險，因為事後資訊可能讓假設性投資決策獲得最佳化。

這對加密貨幣市場很重要，因為交易機器人、訊號銷售者、網紅及策略供應商經常宣傳歷史績效。

用於私人研究的回測，與用於公開募資或銷售策略的回測並不相同。

任何行銷加密貨幣回測績效的人，都應了解適用法規並避免誇大宣稱。

如果銷售者宣傳回測，卻沒有清楚說明假設與風險，使用者就應提高警覺。

回測績效不等於經審計的實盤績效。

過去的模擬績效絕不可被呈現為保證的未來報酬。

回測詐騙

回測詐騙會利用歷史圖表，讓交易系統看起來安全、自動且有利可圖。

詐騙者可能展示沒有任何回撤的完美資產淨值曲線。

詐騙者可能隱瞞手續費、滑點、交易失敗及虧損期間。

詐騙者可能只選擇表現最好的歷史區間。

詐騙者可能意外或故意使用未來資料。

詐騙者可能聲稱 AI 機器人已經過回測，因此不可能虧損。

CFTC 警示指出，宣稱 AI 建立的演算法、交易訊號、加密貨幣套利演算法或機器人能帶來高額或保證報酬，是常見的詐騙警訊。

使用者應要求提供經驗證的實盤績效、完整方法、風險指標、程式碼審查及清楚的成本假設。

使用者也應避免將私鑰或完整帳戶控制權交給機器人銷售者。

回測可用於研究，但若缺乏背景資訊，也可能被用來欺騙他人。

常見回測錯誤

常見錯誤之一是忽略交易成本。

另一個錯誤是忽略滑點。

第三個錯誤是不小心使用未來資料。

第四個錯誤是只測試存活至今的資產。

第五個錯誤是最佳化過多參數。

第六個錯誤是只依總報酬評估策略。

第七個錯誤是忽略回撤與尾部損失。

第八個錯誤是假設流動性無限。

第九個錯誤是忽略稅務與再平衡成本。

第十個錯誤是回測結束後，直接投入大量實盤資金。

這些錯誤很常見，因為回測工具讓策略測試看起來很容易。

難處不在於產生圖表。

難處在於讓圖表貼近現實。

加密貨幣回測的最佳實務

使用可靠來源提供的乾淨資料。

記錄資料來源、期間及清理規則。

使用特定時間點的資料，避免前視偏誤。

測試資產選擇策略時，應納入已下架或失敗的資產。

在適用時納入交易手續費、滑點、價差、資金費率、Gas 成本及執行失敗。

採用樣本外測試與走勢前推測試。

策略規則應保持簡單且容易說明。

針對關鍵參數執行敏感度測試。

將策略與公平的基準比較。

研究回撤，而不只看報酬。

投入有一定規模的實盤資金前，先進行前向測試。

絕不可將回測視為未來獲利的承諾。

回測的優點

回測的第一項優點是培養紀律。

回測會要求交易者明確定義規則，而不是憑情緒交易。

第二項優點是提高風險意識。

回測能顯示回撤、連續虧損、波動性及尾部事件。

第三項優點是分析成本。

回測能顯示手續費、滑點、資金費用及 Gas 費是否會侵蝕預期獲利。

第四項優點是比較策略。

交易者可以在相同假設下比較多種方法。

第五項優點是做好操作準備。

開發者可以在實際部署前發現程式碼與執行問題。

第六項優點是建立有所節制的信心。

符合現實的回測有助於使用者遵循計畫，但絕不應使人盲目自信。

回測的限制

第一項限制是未來可能與過去不同。

第二項限制是歷史資料可能不完整或不正確。

第三項限制是成本與流動性可能改變。

第四項限制是實盤市場的執行比模擬困難。

第五項限制是策略規則可能過度擬合。

第六項限制是回測可能忽略操作失敗。

第七項限制是加密貨幣法規、代幣經濟學及市場結構可能快速變化。

第八項限制是回測無法完整模擬恐慌、貪婪或使用者行為。

第九項限制是智能合約與跨鏈橋風險可能不會反映在價格資料中。

第十項限制是亮眼的歷史報酬仍可能只是隨機運氣。

只有在了解回測限制時，回測才有用。

相關加密貨幣術語

交易機器人是根據規則或訊號自動下單的軟體。

滑點是預期交易價格與實際成交價格之間的差異。

資金費率是永續合約市場中多頭與空頭交易者定期支付的費用。

回撤是投資組合從高點跌至後續低點的幅度。

過度擬合是指策略過度貼合歷史資料調整，因此在新資料上失效。

前向測試是使用新的即時市場資料測試策略，而不只依賴過去資料。

模擬交易是在不投入真實資金的情況下模擬實盤交易。

夏普比率是以波動性比較超額報酬的風險調整後報酬指標。

流動性是指資產在不造成大幅價格影響的情況下進行交易的容易程度。

DeFi 是使用智能合約建立的去中心化金融應用。

常見問題

加密貨幣回測是什麼意思？

加密貨幣回測是指在投入真實資金前，使用歷史加密貨幣市場資料測試交易策略、機器人或投資組合規則。

回測獲利能保證未來獲利嗎？

不能。市場、成本、流動性及交易者行為都可能改變，因此回測獲利無法保證未來獲利。

為什麼加密貨幣回測在實盤交易中會失敗？

加密貨幣回測經常因忽略手續費、滑點、資金費率、Gas 成本、流動性限制、過度擬合及執行問題而失效。

什麼是前視偏誤？

前視偏誤是指回測使用了模擬交易當時尚未取得的資訊。

回測中的過度擬合是什麼？

過度擬合是指策略過度貼合歷史資料調整，因此在新資料上的表現不佳。

什麼是樣本外測試？

樣本外測試是使用未曾用於建立或調整策略的資料測試策略。

什麼是走勢前推測試？

走勢前推測試會反覆使用一段歷史期間訓練或調整策略，再於下一段期間測試。

回測應納入滑點嗎？

應該。實際成交價格可能劣於歷史訊號價格，因此回測應納入滑點。

DeFi 策略需要採用不同方式回測嗎？

需要。DeFi 策略必須納入鏈上資料、Gas 成本、流動性池行為、智能合約假設、預言機行為及交易失敗模擬。

什麼是良好的回測指標？

沒有任何單一指標足以評估策略，因此使用者應檢視報酬、回撤、波動性、夏普比率、換手率、勝率、尾部損失及不同市場環境下的績效。

AI 交易機器人有回測就值得信任嗎？

不值得。即使 AI 機器人有回測，仍需要透明的假設、實盤驗證、風險控管；對保證報酬的說法也應保持高度懷疑。

使用回測最謹慎的方式是什麼？

最謹慎的做法是將回測視為研究步驟之一，之後再進行樣本外測試、前向測試、小額實盤部署及持續監控。

結論

回測是加密貨幣交易者、機器人開發者、投資組合管理者及 DeFi 策略建構者最重要的工具之一。

使用者可以在承擔真實資金風險前，使用歷史資料測試策略規則。

良好的回測能揭露回撤、連續虧損、成本敏感度、流動性限制及市場環境弱點。

回測也有助於使用者比較策略並避免情緒化交易。

然而，回測並不能證明未來績效。

加密貨幣市場波動劇烈、分散且持續變化。

歷史資料可能不完整、成本可能被低估、流動性可能消失，實盤執行也可能失敗。

回測最大的危險包括前視偏誤、倖存者偏差、過度擬合、不切實際的執行假設及忽略交易成本。

這些問題可能讓表現不佳的策略看起來非常強大。

符合現實的加密貨幣回測應納入手續費、滑點、資金費率、Gas 成本、流動性限制、倉位規模、回撤及樣本外驗證。

DeFi 策略也應在適用時納入智能合約狀態、資金池流動性、Gas、MEV、預言機行為及交易失敗。

機器學習策略應採用走勢前推測試及嚴格的資料洩漏控管。

交易機器人回測應納入 API 故障、資料過期及部分成交等操作問題。

回測最有用的方式，是讓人更難相信一項策略，而不是更容易推銷它。

嚴謹的回測應挑戰假設，並在市場揭露弱點前先找出問題。

加密貨幣使用者應記住，回測是準備工具，不是預測機器。

回測可以改善決策，但無法消除風險。

較佳做法是謹慎回測、進行前向測試、小額起步、監控實盤結果，並且絕不信任承諾保證報酬的策略。