一份資深層級的回測指標閱讀指南:先驗證測試本身,再篩選獲利能力,接著檢視回撤,最後比較風險調整報酬。
第一個值得信任的回測指標不是勝率。如果只能在勝率、獲利因子、夏普比率之間挑一個,先看獲利因子——它告訴您總獲利是否大到足以覆蓋總虧損。
但專業層級的檢視會再往前一步:這份回測,本身可靠到值得任何指標被認真對待嗎?
在排序指標之前,先檢查交易筆數、手續費、滑點、日期範圍、市場狀態、執行假設,以及結果在「調策略時用過的那段期間」之外是否仍然成立。如果樣本不足、過度擬合,或建立在不切實際的成本假設上,再漂亮的勝率、獲利因子或夏普比率,都可能毫無意義。
回測是研究證據,不是未來績效的證明。
檢視策略回測時,用這個順序:
Start with a no-code crypto spot strategy, lock the version, run the backtest, and keep the result traceable for comparison.
在勝率、獲利因子與夏普比率之間,通常獲利因子最先要看——拿來篩策略最直接。勝率最容易被誤解。夏普比率最有用的時機,是策略已通過基本獲利能力與風險檢查之後。
勝率衡量「成交易中以獲利收尾的比例」。
勝率 = 獲利筆數 ÷ 總交易筆數
70% 的勝率乍看很強,但它不告訴您獲利筆的大小、虧損筆的大小。
舉例:
| 結果 | 筆數 | 平均結果 | 合計 |
|---|---|---|---|
| 獲利筆 | 70 | $10 | $700 |
| 虧損筆 | 30 | -$50 | -$1,500 |
這個策略 70% 的時間都是賺錢的,卻整體虧損。
反過來也成立。一個趨勢跟隨策略可能只有 35% 或 40% 的勝率,但只要平均獲利遠大於平均虧損,結果仍可能為正。
把勝率拿來理解交易行為,而不是單獨評斷策略品質。
勝率有助於回答:
勝率不回答:
獲利因子比較總獲利與總虧損。
獲利因子 = 總獲利 ÷ 總虧損
獲利因子高於 1.0,代表測試期間獲利筆的總和大於虧損筆;低於 1.0 則代表虧損超過獲利。
粗略的解讀:
| 獲利因子 | 解讀方式 |
|---|---|
| 低於 1.0 | 在測試區間是虧損的 |
| 1.0 至 1.3 | 偏弱,或對成本敏感 |
| 1.3 至 1.5 | 有候選潛力,需要驗證 |
| 1.5 至 2.0 | 較強的候選 |
| 2.0 以上 | 強勢,但要檢查穩健性 |
| 4.0 以上 | 除非樣本品質極佳,否則保持懷疑 |
獲利因子重要,在於它把勝率與「報酬大小」連起來。兩個策略可以有相同的勝率,卻有完全不同的經濟學結構。
| 策略 | 勝率 | 平均獲利 | 平均虧損 | 解讀 |
|---|---|---|---|---|
| A | 60% | $50 | -$50 | 獲利結構 |
| B | 60% | $50 | -$150 | 虧損結構 |
相同勝率,完全不同的策略。
這也是為什麼有經驗的審視者很少單獨評斷勝率。獲利因子能更清楚地呈現:這個系統有沒有把風險有效率地轉成報酬。
不過獲利因子也不是萬能。如果交易筆數太少、有一筆異常大的獲利,或參數過度擬合,獲利因子也可能漂亮得不真實。請隨時檢查交易筆數,以及獲利與虧損的分布。
夏普比率衡量相對於波動的報酬。
夏普比率 = (組合報酬 − 無風險利率) ÷ 報酬標準差
夏普比率越高,通常代表策略每承受一單位波動所換到的報酬越多。
常見的粗略解讀:
| 夏普比率 | 解讀方式 |
|---|---|
| 低於 1.0 | 風險調整後報酬偏弱 |
| 1.0–2.0 | 穩健 |
| 2.0–3.0 | 強 |
| 3.0 以上 | 出色,但要留意是否被平滑或過度擬合 |
夏普比率適合用在「波動結構不同」的策略之間互比。較低報酬但權益曲線平滑的策略,可能比高報酬但劇烈波動的策略更有吸引力。
但夏普也有限制。
它可能懲罰上行波動、嚴重依賴報酬抽樣方法,還會掩蓋尾端風險。一個策略可以有漂亮的夏普比率,卻在虧損集中時出現劇烈回撤。
對於報酬分布不對稱的交易系統,夏普應該與回撤、獲利因子、交易分布以及離群值檢查搭配使用。
如果問題只限於標題的這三個指標,排序是:
獲利因子在前,因為它直接問:總獲利是不是大於總虧損。夏普次之,因為它顯示報酬路徑相對波動的效率。勝率最後,因為它讀起來具有說服力,卻把整體經濟結構留下空白。
更完整的專業答案是:
先驗證回測。接著檢查獲利因子與期望值。再來看回撤。然後用夏普比率做風險調整後比較。把勝率當作輔助脈絡。
這個順序讓您不會在搞清楚「是什麼造就那個數字」之前,先愛上頭條數字。
期望值估算每筆交易的平均預期損益。
期望值 = (勝率 × 平均獲利) − (敗率 × 平均虧損)
期望值是勝率與獲利因子之間的橋樑。
只要平均獲利夠大,正期望值的策略可以承受較低的勝率。反之,即使勝率很高,如果虧損筆過大,期望值仍可能為負,策略仍會失敗。
在信任任何回測之前,先問:
不要從最漂亮的指標開始,先從測試本身開始。
問:
20 筆交易、獲利因子 3.0 的回測,說服力比不上「上百筆交易、成本合理、且在相鄰期間結果仍穩定」的回測。
接著檢視:
這會告訴您:這個策略在測試樣本中,是否具備基本的經濟優勢。
然後檢視:
一個能獲利的策略,如果回撤太深、太久,或者過度依賴單一一次修復,仍可能無法使用。
到這一步,夏普比率才開始有用。
只在「市場、時間框架、日期範圍與成本假設」相同的情況下,跨策略變體比較夏普;否則比較會誤導。
最後,用勝率理解策略在實務中的行為。
低勝率策略可能獲利,但心理上難以執行;高勝率策略可能讓人感到舒適,卻潛藏崩潰風險。這很重要,因為一個無法被一致執行的策略,實際用處有限。
最大的錯誤,是把單一指標當作答案。
其他常見錯誤包括:
一份好的回測,應該禁得起被質疑。如果一個問題就能擊垮結果,那麼策略本身比頭條數字看起來的更弱。
比較策略變體時,不要先問「哪一個期末餘額較高」。
用這份檢查清單:
| 問題 | 為什麼重要 |
|---|---|
| 標的、時間框架、日期範圍是否相同? | 維持公平比較 |
| 手續費與滑點假設是否相同? | 避免成本扭曲 |
| 獲利因子是否較好? | 篩出更高效的獲利結構 |
| 回撤是否較淺、較短? | 篩出可生存的策略 |
| 在不同期間是否仍穩定? | 降低市場狀態依賴 |
| 對離群交易的依賴是否較低? | 降低脆弱性 |
| 夏普比率是否較好? | 比較風險調整後報酬 |
| 勝率與連敗在可承受範圍內? | 檢查可執行性 |
最好的回測,不一定是報酬最高的那一份;而是「在獲利能力、風險、可重現性與操作適配度之間,有最可信的取捨」的那一份。
Traseq 是無程式的加密貨幣現貨策略研究工作區,為「在實盤決策之前先建構、回測、比較與追蹤策略版本」而設計。
務實的 Traseq 流程是:
Traseq 是研究軟體,不是實盤交易或交易所執行平台。回測結果幫您評估歷史行為,並不保證未來報酬。
看 Traseq 的回測流程,建立一個版本連動的策略測試,檢視指標,並把結果與更乾淨的替代方案做比較。
沒有單一指標能說明一切。第一道策略篩選通常用獲利因子與期望值,比勝率更有用,因為它們納入了獲利與虧損的大小。風險檢視時,最大回撤是必看項。風險調整後比較時,夏普比率有用。
不。勝率只顯示獲利交易出現的頻率;獲利因子顯示總獲利是否超過總虧損。如果平均虧損遠大於平均獲利,高勝率策略仍可能虧損。
獲利因子超過 1.0,代表測試期間總獲利超過總虧損。許多交易者把 1.5 以上視為較強的候選,2.0 以上更值得關注。但若樣本不夠或過度擬合,過高的獲利因子反而是警訊。
1.0 以上常被視為穩健,2.0 以上算強。但夏普不該單獨使用,它可能掩蓋回撤、尾端風險與不穩定的報酬樣態。
可以。只要平均獲利遠大於平均虧損,低勝率策略也能獲利。許多趨勢跟隨策略就是這樣運作的。
可能。如果偶發的虧損遠大於常態獲利,即使勝率高仍可能虧錢。這就是為什麼勝率必須與平均獲利、平均虧損、獲利因子和期望值一起看。
沒有通用數字,但極小樣本不可靠。實務上,少於 100 筆的結果要小心對待;當策略交易頻率允許時,優先選擇更大的樣本。資料品質、市場狀態涵蓋度與穩健性測試也同樣重要。
兩者都不該盲目優化。獲利因子適合用在獲利能力篩選,夏普比率適合用在風險調整後比較。一個穩健的策略,還應通過回撤、成本、樣本量與樣本外檢查。
Nov 1, 2025