跳轉至

建立 2025-02-24 更新 2026-09-16

交易策略回測

回測（Backtesting）是把交易策略套用到歷史資料上，看看如果過去真的照這套規則交易，結果會是賺是賠。回測不能保證未來也會賺錢，但至少能先排除明顯不可行的策略，並抓出策略在什麼市況下容易失效。

回測想確認的三件事

  1. 策略是否有效：長期是否有正報酬，而不是只在特定一段時間湊巧賺錢。
  2. 風險有多大：過程中最大會虧掉多少（最大回撤），見績效指標與風險管理。
  3. 參數是否穩健：稍微調整參數（例如均線天數），績效是否劇烈翻轉——劇烈翻轉通常代表策略是湊出來的，不夠穩健。

使用 backtesting.py 回測

backtesting.py 是輕量、上手快的回測框架，適合驗證入門策略。

pip install backtesting

from backtesting import Backtest, Strategy
from backtesting.lib import crossover
from backtesting.test import SMA, GOOG   # GOOG 是套件內建的範例資料


class SmaCross(Strategy):
    n1 = 10
    n2 = 20

    def init(self):
        close = self.data.Close
        self.sma1 = self.I(SMA, close, self.n1)
        self.sma2 = self.I(SMA, close, self.n2)

    def next(self):
        if crossover(self.sma1, self.sma2):
            self.buy()
        elif crossover(self.sma2, self.sma1):
            self.sell()


bt = Backtest(GOOG, SmaCross, cash=10_000, commission=0.002, exclusive_orders=True)
stats = bt.run()
bt.plot()

bt.run() 回傳的 stats 會包含總報酬、勝率、夏普比率、最大回撤等關鍵數據，是評估策略好壞的第一手資料。

進階選擇：backtrader

如果需要更複雜的多資產、多時間框架回測，或要接上實際券商下單，backtrader 是更完整的框架：

pip install backtrader

import backtrader as bt

class SmaCross(bt.Strategy):
    def __init__(self):
        self.sma = bt.indicators.SimpleMovingAverage(self.data, period=20)

    def next(self):
        if self.data.close[0] > self.sma[0]:
            self.buy()
        elif self.data.close[0] < self.sma[0]:
            self.sell()

cerebro = bt.Cerebro()
cerebro.addstrategy(SmaCross)
cerebro.run()

參數調校

測試不同參數組合，觀察績效是否穩定，而不是只找出「最佳」的單一組合（過度配適歷史資料，實務上常常失靈）：

for n1, n2 in [(10, 20), (20, 50), (50, 100)]:
    class Params(SmaCross):
        pass
    Params.n1, Params.n2 = n1, n2
    stats = Backtest(GOOG, Params, cash=10_000).run()
    print(n1, n2, stats["Return [%]"])

上面的寫法是最直覺的做法：一個一個參數組合跑迴圈，組合一多就會很慢。如果要一次測試大量參數組合，更有效率的做法是改用下方的向量化回測框架 vectorbt。

用 vectorbt 做向量化回測

backtesting.py、backtrader 都是逐根 K 棒（bar-by-bar）跑迴圈，邏輯直覺但速度較慢。vectorbt 改用 NumPy 向量化運算，把整段價格序列一次算完，同時測試成百上千組參數只需要幾秒鐘，特別適合「參數調校」這種需要大量嘗試的場景。

pip install vectorbt

import vectorbt as vbt

price = vbt.YFData.download("AAPL", start="2023-01-01", end="2024-01-01").get("Close")

fast_ma = vbt.MA.run(price, 10)
slow_ma = vbt.MA.run(price, 20)

entries = fast_ma.ma_crossed_above(slow_ma)
exits = fast_ma.ma_crossed_below(slow_ma)

portfolio = vbt.Portfolio.from_signals(price, entries, exits, init_cash=10_000, fees=0.002)
print(portfolio.stats())

一次測試大量參數組合

用 run_combs 把多組均線天數兩兩配對，一次算出所有組合的績效，取代前面「參數調校」的手寫迴圈：

fast_windows = list(range(5, 50, 5))
slow_windows = list(range(20, 200, 20))

fast_ma, slow_ma = vbt.MA.run_combs(
    price, window=fast_windows + slow_windows, r=2, short_names=["fast", "slow"]
)
entries = fast_ma.ma_crossed_above(slow_ma)
exits = fast_ma.ma_crossed_below(slow_ma)

portfolio = vbt.Portfolio.from_signals(price, entries, exits, init_cash=10_000, fees=0.002)
print(portfolio.total_return().sort_values(ascending=False).head())   # 報酬率最高的前幾組參數

開源版本更新較慢，但仍是入門首選

這裡使用的是開源版 vectorbt，近年更新頻率較低；官方另有維護中的付費版 vectorbt PRO。學習向量化回測的概念，開源版已經足夠，之後有實際需求再評估是否升級。

動手做

7-1 簡單回測實作 用 backtesting.py 完整示範上方的均線交叉策略，可直接在 Colab 開啟執行。

推薦影音

Backtesting.py 實戰教學

簡述：Part Time Larry（README 也推薦的量化 YouTuber）示範如何用 backtesting.py 撰寫策略、執行回測並解讀績效報表，內容與本頁的 backtesting.py 範例直接對應。

Backtrader 入門

簡述：介紹 backtrader 框架的基本架構與寫法，適合之後想換用更完整、功能更多的回測框架時參考。

vectorbt 完整教學

簡述：Chad Thackray（本頁上方 Backtesting.py 教學的同一位講師）完整示範 vectorbt 的向量化回測流程，包含下載資料、建立訊號到大量參數組合的績效比較，對應本頁「用 vectorbt 做向量化回測」的部分。