量化回測入門：為什麼回測賺錢、實盤卻虧錢？

回測賺錢、實盤虧錢，最常見的原因有四個：回測沒算夠手續費和滑點，不小心用了當時還看不到的未來資料，引數被調得恰好貼合曆史，以及只拿今天還活著的幣做測試。把這幾個偏差逐一排除後，回測結果通常會大幅縮水，而這才更接近實盤的樣子。下面用 CCXT 拉取幣安 BTC/USDT 的真實日線，寫一個極簡的均線回測並實際執行，把每種偏差的影響用數字展示出來。

量化回測是什麼？能回答什麼、不能回答什麼？

回測是把一套事先寫清楚的買賣規則放到歷史行情裡逐根 K 線模擬執行，統計假如當時這樣做，結果會怎樣。它能幫你回答：

• 這套規則在過去的牛市、熊市、震盪市裡分別是什麼表現？
• 最壞的時候從高點回撤了多少？你能不能扛住？
• 交易頻率有多高？手續費會吃掉多少？

它不能回答的是：這套規則未來會不會賺錢。歷史只出現過一次，未來的行情不會照著重演。回測更大的價值在於排除：一套規則如果連在歷史上、算足成本之後都表現很差，就沒必要拿真錢去試。

第一步：怎麼用 CCXT 拉取真實 K 線資料？

先安裝依賴：pip install ccxt pandas。拉取公開行情不需要 API Key。CCXT 的入門用法見 CCXT Python 入門。

import time
import ccxt
import pandas as pd

exchange = ccxt.binance()                      # 公開行情，不需要 API Key
symbol, timeframe = "BTC/USDT", "1d"
since = exchange.parse8601("2021-01-01T00:00:00Z")
end = exchange.parse8601("2026-10-01T00:00:00Z")

rows = []
while since < end:
    batch = exchange.fetch_ohlcv(symbol, timeframe, since=since, limit=1000)
    if not batch:
        break
    rows += batch
    since = batch[-1][0] + 1                    # 從最後一根 K 線之後繼續拉
    time.sleep(exchange.rateLimit / 1000)       # 主動放慢，避免觸發頻率限制

df = pd.DataFrame(rows, columns=["ts", "open", "high", "low", "close", "volume"])
df = df.drop_duplicates("ts")
df = df[df["ts"] < end]
df["date"] = pd.to_datetime(df["ts"], unit="ms").dt.date
df.to_csv("btc_usdt_1d.csv", index=False)
print(len(df), "根日線", df["date"].iloc[0], "→", df["date"].iloc[-1])
print(df[["date", "open", "high", "low", "close"]].tail(3).to_string(index=False))

執行時的真實輸出：

2099 根日線 2021-01-01 → 2026-09-30
      date     open     high      low    close
2026-09-28 84472.01 84999.00 82563.00 83500.01
2026-09-29 83500.01 84563.99 82775.94 83663.66
2026-09-30 83663.66 85649.95 82956.11 83623.60

幾個要點：

• fetch_ohlcv 每根 K 線返回 6 個值：開盤時間（毫秒時間戳）、開、高、低、收、成交量。
• 幣安現貨 K 線介面單次最多返回 1000 根，所以要用 since 分頁循環。歐易 K 線介面單次上限更小，循環寫法相同。
• 幣安日線預設按 UTC 0 點切分。對比不同來源的資料時，要先確認時區一致。
• 截止時間設為過去的某一天，避免把還沒走完的當天 K 線也算進來。最後一根未收盤的 K 線價格還在變，混進回測會帶來錯誤。

第二步：怎麼寫一個最簡單的均線回測？

規則只有一句：短期均線在長期均線上方時持有 BTC，否則持有 USDT。程式碼裡刻意把成本和成交時機寫成引數，方便後面演示它們的影響。

import pandas as pd

df = pd.read_csv("btc_usdt_1d.csv", parse_dates=["date"])

def backtest(df, fast, slow, cost=0.0015, lookahead=False, start=None, end=None):
    """極簡均線回測（教學用）：快線在慢線上方就持有，否則空倉。
    cost = 單邊手續費 0.1% + 滑點 0.05%，每次買入或賣出各扣一次。
    start/end 只擷取統計區間，均線仍用完整資料計算，避免區間開頭沒有均線。"""
    d = df.copy()
    d["fast"] = d["close"].rolling(fast).mean()
    d["slow"] = d["close"].rolling(slow).mean()
    d["signal"] = (d["fast"] > d["slow"]).astype(int)
    if lookahead:
        # 錯誤示範：用當天收盤價算出的訊號，去吃當天的漲跌（未來函式）
        d["pos"] = d["signal"]
        d["ret"] = d["close"].pct_change()
    else:
        # 正確做法：今天收盤出訊號，明天開盤才成交；收益按“開盤到下一個開盤”計算
        d["pos"] = d["signal"].shift(1)
        d["ret"] = d["open"].shift(-1) / d["open"] - 1
    d = d.dropna(subset=["slow", "ret"])
    if start:
        d = d[d["date"] >= start]
    if end:
        d = d[d["date"] < end]
    trades = d["pos"].diff().abs().fillna(d["pos"])   # 倉位變化一次 = 成交一次
    strat = d["pos"] * d["ret"] - trades * cost
    equity = (1 + strat).cumprod()
    years = len(d) / 365
    return {
        "總收益": float(round((equity.iloc[-1] - 1) * 100, 1)),
        "年化": float(round((equity.iloc[-1] ** (1 / years) - 1) * 100, 1)),
        "最大回撤": float(round((equity / equity.cummax() - 1).min() * 100, 1)),
        "成交次數": int(trades.sum()),
    }

def buy_and_hold(df, start=None, end=None):
    d = df
    if start:
        d = d[d["date"] >= start]
    if end:
        d = d[d["date"] < end]
    equity = d["close"] / d["close"].iloc[0]
    return {"總收益": float(round((equity.iloc[-1] - 1) * 100, 1)),
            "最大回撤": float(round((equity / equity.cummax() - 1).min() * 100, 1))}

if __name__ == "__main__":
    s = "2021-07-01"   # 留出前 180 天給均線“預熱”
    print("統計區間", s, "→", df["date"].iloc[-1].date(), "（單位：%）")
    print("一直持有         ", buy_and_hold(df, start=s))
    print("MA20/60 不計成本 ", backtest(df, 20, 60, cost=0, start=s))
    print("MA20/60 計入成本 ", backtest(df, 20, 60, start=s))
    print("MA20/60 未來函式 ", backtest(df, 20, 60, lookahead=True, start=s))
    print("MA5/20  不計成本 ", backtest(df, 5, 20, cost=0, start=s))
    print("MA5/20  計入成本 ", backtest(df, 5, 20, start=s))

把它儲存為 backtest.py，執行時的真實輸出：

統計區間 2021-07-01 → 2026-09-30 （單位：%）
一直持有          {'總收益': 149.6, '最大回撤': -76.6}
MA20/60 不計成本  {'總收益': 135.9, '年化': 17.7, '最大回撤': -48.1, '成交次數': 41}
MA20/60 計入成本  {'總收益': 121.8, '年化': 16.4, '最大回撤': -48.9, '成交次數': 41}
MA20/60 未來函式  {'總收益': 167.6, '年化': 20.6, '最大回撤': -44.3, '成交次數': 41}
MA5/20  不計成本  {'總收益': 93.5, '年化': 13.4, '最大回撤': -62.3, '成交次數': 113}
MA5/20  計入成本  {'總收益': 63.3, '年化': 9.8, '最大回撤': -63.5, '成交次數': 113}

先看清楚這些數字說明了什麼、沒說明什麼：兩組均線規則在這段區間裡的總收益都低於一直持有，回撤更小是因為一部分時間空倉。這只是一段特定歷史的結果，換一個起點、換一個幣，結論都可能反過來。下面幾節逐一拆解輸出裡的差異。

手續費和滑點會吃掉多少回測收益？

手續費是每次成交按金額收取的費用。截至 2026 年 10 月，幣安和歐易普通使用者現貨單邊費率在 0.1% 左右，具體以帳戶內顯示為準，規則見 交易手續費怎麼算。

滑點是你預期的成交價和實際成交價之間的差距。回測裡假設按開盤價成交，但真實下單時，市價單會吃掉訂單簿上的多檔掛單，行情劇烈波動時成交價會更差；交易對越冷門、單筆金額越大，滑點越明顯。限價單可以控制價格，代價是可能不成交，見 限價單和市價單的區別。

示例裡把兩者合計按每次成交 0.15% 扣除。對照輸出：

• MA20/60 五年多成交 41 次，計入成本後總收益從 135.9% 降到 121.8%。
• MA5/20 成交 113 次，同樣的成本讓總收益從 93.5% 降到 63.3%，差了 30 個百分點。

成本的影響和成交次數成正比。很多回測裡看起來很漂亮的高頻規則，一旦把手續費和滑點算進去，收益就所剩無幾甚至轉為虧損。所以回測時成本只能往高估，不能往低估。可以用 手續費計算器 先估一下自己的實際費率。

什麼是未來函式？為什麼它會讓回測虛高？

未來函式是指回測在某個時間點用到了當時還不可能知道的資訊。示例裡 lookahead=True 的寫法就是一個典型錯誤：

• 均線用的是當天收盤價，收盤那一刻才算得出訊號；
• 但程式碼讓這個訊號去吃當天從開盤到收盤的漲跌，等於開盤時就已經知道了收盤價。

同樣的 MA20/60 引數，同樣計入成本，正確寫法總收益 121.8%，帶未來函式的寫法變成 167.6%，憑空多出約 46 個百分點。真實交易中這部分收益根本不存在。

常見的未來函式還有：

• 用當根 K 線的最高價或最低價判斷「是否觸發」，又按更有利的價格成交；
• 用全部資料計算的均值、標準差去做標準化，等於提前知道了未來的分佈；
• 使用事後被修正過的資料，例如事後才確定的指數成分或已經調整過的歷史價格。

檢查方法很簡單：對每一筆模擬成交，問自己「在這個時刻，我真的能拿到計算訊號所用的全部資料嗎？」示例裡的正確寫法是用 shift(1) 把訊號推遲一根 K 線，今天收盤出訊號，明天開盤成交。

什麼是過擬合？樣本外檢驗怎麼做？

過擬合是指你不斷調整引數，直到它們恰好貼合這段歷史，記住的是過去的偶然波動，而不是能延續的規律。引數越多、試的組合越多，越容易找到一組「歷史上很好看」的引數。

檢驗辦法是樣本外檢驗：把資料切成兩段，只用前一段（樣本內）挑引數，引數定死後，再在後一段（樣本外）跑一次。下面把 2021 年 7 月到 2024 年底作為樣本內，2025 年以後作為樣本外，測試 19 組均線引數：

from backtest import df, backtest, buy_and_hold

IN_S, IN_E = "2021-07-01", "2025-01-01"     # 樣本內：只用這段挑引數
OUT_S = "2025-01-01"                        # 樣本外：引數定死之後才看

rows = []
for fast in [5, 10, 20, 30]:
    for slow in [30, 50, 100, 150, 200]:
        if fast < slow:
            ins = backtest(df, fast, slow, start=IN_S, end=IN_E)
            out = backtest(df, fast, slow, start=OUT_S)
            rows.append((f"MA{fast}/{slow}", ins["總收益"], out["總收益"]))

by_in = sorted(rows, key=lambda r: r[1], reverse=True)
by_out = sorted(rows, key=lambda r: r[2], reverse=True)
print(f"共測試 {len(rows)} 組引數")
for name, i, o in by_in[:3]:
    print(f"{name:9s} 樣本內 {i:+7.1f}%  樣本外 {o:+6.1f}%  樣本外排名 {by_out.index((name, i, o)) + 1}")
print("樣本內(2021-07~2024)一直持有", buy_and_hold(df, start=IN_S, end=IN_E))
print("樣本外(2025~2026-09)一直持有", buy_and_hold(df, start=OUT_S))

執行時的真實輸出：

共測試 19 組引數
MA5/150   樣本內  +242.6%  樣本外   -1.7%  樣本外排名 8
MA5/100   樣本內  +210.6%  樣本外  +12.4%  樣本外排名 3
MA10/150  樣本內  +180.7%  樣本外   +1.0%  樣本外排名 6
樣本內(2021-07~2024)一直持有 {'總收益': 179.3, '最大回撤': -76.6}
樣本外(2025~2026-09)一直持有 {'總收益': -11.6, '最大回撤': -53.0}

樣本內排第一、收益 242.6% 的 MA5/150，到樣本外變成了 -1.7%，在 19 組裡只排第 8。如果你只看樣本內結果就拿它去實盤，期望和現實會差得很遠。另外注意，樣本外這段 BTC 一直持有是虧損的，市場環境已經和樣本內完全不同。

做樣本外檢驗時要守住幾條規矩：

• 樣本外只能看一次。 看了樣本外結果再回去改引數，樣本外就變成了樣本內，檢驗失去意義。
• 引數越少越好。 兩個引數的規則已經能試出 19 種組合，再加上止損、倉位、過濾條件，組合數量會成倍增加，過擬合的機會也隨之增加。
• 看引數附近是否穩定。 好的引數附近的組合也應該表現接近；如果只有某一個數字特別好、旁邊的都很差，多半是巧合。
• 可以滾動檢驗。 把時間切成多段，依次用前一段挑引數、後一段檢驗，看結果是否持續穩定。

什麼是倖存者偏差？為什麼回測要算上已下架的幣？

倖存者偏差是指你只用今天還存在、還活躍的幣做回測，那些中途暴跌、下架的幣天然被排除在外，結果就會整體偏樂觀。比如「回測過去三年市值前 20 的幣」，如果用的是今天的前 20 名名單，就等於提前知道了三年後誰會留下來。

交易所的交易對列表本身就在不斷變化。下面這段程式碼統計幣安當前列出的現貨 USDT 交易對狀態：

import ccxt

binance = ccxt.binance()
markets = binance.load_markets()
usdt_spot = [m for m in markets.values() if m["spot"] and m["quote"] == "USDT"]
inactive = [m for m in usdt_spot if not m["active"]]
print("幣安現貨 USDT 交易對", len(usdt_spot), "個，其中當前不可交易", len(inactive), "個")

幣安現貨 USDT 交易對 770 個，其中當前不可交易 254 個

截至 2026 年 10 月實測，這 254 個交易對的狀態都是 BREAK，幣安文件對它的定義是交易對當前不可交易。下架、遷移等情況都會讓交易對停在這種狀態，而很多行情網站和排行榜根本不會顯示它們。做多幣種回測時，選幣規則要用當時就能知道的資訊，比如按每個時間點的歷史成交額篩選，而不是按今天的排名。

一份回測結果至少要檢查哪些專案？

把上面的內容整理成一張清單。看自己或別人的回測時，逐項核對：

最後一項是回測永遠模擬不完的部分：實盤中程式可能因為網路或時間戳報錯漏掉一次成交，限價單可能掛著不成交，極端行情裡交易所可能暫停交易。這些都要靠在幣安現貨測試網或歐易模擬交易里長期執行來發現，常見報錯的處理方法見 交易所 API 常見報錯怎麼解決。

如果你只是想按固定節奏買入，不一定需要自己寫回測和程式，交易所自帶的定投和網格工具也許就夠用，兩者的取捨見 交易所機器人和自己寫程式怎麼選。更多 API 與量化教程見 識途量化專欄。

本文僅供學習參考，不構成投資建議。交易所的費率、活動與功能可能隨時調整，請以官方頁面為準。文中部分連結為推廣連結，詳見推廣披露。