回測過擬合怎麼看出來？參數最佳化之後該做的三件事

你把參數掃了一輪，回測曲線漂亮到讓你想直接按 live trading——年化 120%、最大回撤 8%、勝率 62%。 接下來大概率會發生的事：實盤第一個月就吃掉回測三年淨利的一半。這不是壞運氣，是「過擬合」 （overfitting）留下的收據。

這篇不評論你用哪個策略邏輯——邏輯本身可能沒問題，問題往往出在參數怎麼挑的、用哪段資料挑的。 給你三件事，都是最佳化按下去之後、把策略搬上實盤之前該做的驗證，一件都不能省。

先講清楚：過擬合到底把「什麼」配給「什麼」

過擬合的機制很直接：你在同一段歷史資料上，同時做「選策略」與「調參數」兩件事， 最後挑到的那一組，本質上是對這段歷史的雜訊拿到滿分——不是對市場的 結構性行為拿到滿分。

把資料想成一張考卷。你先看完考卷再回頭挑答題方法，考出來當然全對——但那不能推論你 下一張考卷也會這樣。過擬合的核心就是這個：你用未來看過的資料回頭挑參數，然後用同一份 資料驗證挑得對不對，整個流程裡沒有任何資訊在告訴你這組參數對「沒見過的資料」有沒有效。

第一關：把資料切開，最佳化只能碰 in-sample

最基本、也最常被跳過的動作：資料一開始就切兩塊。一塊給你隨便玩—— 參數怎麼調、指標怎麼加、規則怎麼改都可以；另一塊鎖起來，最佳化跑完那一刻才第一次 拿出來看。這塊不能參與任何選擇，一旦拿出來看過就報廢，不能再用。

這裡有個很容易騙自己的做法：你把 out-of-sample 拿出來看，發現不理想，回頭改參數， 再看一次。這個當下 OOS 就報廢了——它已經被最佳化流程間接碰過， 跟本來的 in-sample 沒有本質差別。看第二次的 OOS 不叫 out-of-sample，叫另一段 in-sample。

想避開這個陷阱，可以再切第三塊叫 hold-out：整個開發過程完全不碰， 策略要交付給實盤那天才第一次看。這塊小一點沒關係（15% 到 20%），它的作用是給你 「這組參數在真的沒見過的資料上長什麼樣」一個誠實的參考。

第二關：walk-forward — 讓「最佳化」變成一直發生的事

切一次 in-sample／out-of-sample 有個弱點：你只驗證了「用前 70% 挑的參數， 在後 30% 上還有效」這一個切點。市場如果換了個模式，你這組挑三年前資料調出來的 參數，可能三年來都在慢慢失效，你只是還沒發現。

walk-forward 的想法很單純：把資料切成很多小段，每段都跑一次「用前面 N 個月調參數、 用接下來 M 個月驗證」，然後把「驗證段」全部拼起來當成一條連續的樣本外曲線。 這條曲線比較接近「真的照這個流程做的話，這幾年會拿到什麼」。

walk-forward 有個副產品同樣重要：每個視窗挑到的「最佳參數」是什麼？如果十個視窗挑到十組差很多的值，那不是這個策略敏感——是這個策略沒有真的規律， 只是每次都在配當下那段雜訊。反過來，十個視窗挑到差不多的參數，那才是真的抓到什麼。

第三關：參數敏感度 — 你挑到的是山峰還是山脊？

同樣一組回測拿到 Sharpe 2.1，可能是兩種很不一樣的東西：山峰—— 你剛好挑到那唯一的高點，任何一個參數挪一格數字就掉到 Sharpe 0.5；山脊—— 你周圍一片參數都在 Sharpe 1.8～2.1，挪一格還是差不多。第一種是過擬合的教科書範例， 第二種才是可以搬上實盤的東西。

把「參數 vs 績效」的 3D 熱圖畫出來看是最直觀的做法。真的有規律的策略，圖看起來會是 一片緩坡；過擬合的策略看起來是幾根尖刺。這一步不需要新工具，用你已經在跑的最佳化 結果自己畫。

順帶一提：資料量夠不夠支撐你調的參數個數

參數愈多，過擬合愈容易——這句話幾乎是常識，但少有人講具體門檻。這裡列一個粗略的 經驗值，來自機器學習的一般原則（不是交易獨有）：每多一個要調的參數，你需要的獨立 樣本數會加倍成長。把「回測跑過的交易筆數」當成樣本數來估：

如果你的策略跑三年只成交 40 筆，卻在調 5 個參數，那不是「策略太挑」——是資料量根本 不夠讓你分辨「真的有效」與「剛好配到」。這種情況下，唯一有意義的動作是換更高頻的 timeframe、或把參數個數砍到 2 個以內。

三關都過了：實盤上線前的最後兩步

就算前面三關全過，也不建議直接開正常倉。上線之後的兩件事同樣關鍵：

• 先開 1/3 或更小的部位跑一到兩個月。回測會漏算的東西——真實成交延遲、滑點、部分成交、交易所偶爾的拒單——只有實盤會告訴你。
• 紀錄每一筆回測 vs 實盤的偏差。同一根 K 棒的訊號、實際成交價、以及最終 PnL 有沒有系統性偏離回測預期。
• 設定一個停止線：實盤累積虧損超過 X% 或連續 N 筆偏離回測，就先停下來檢查——不要等到已經吃完 3 個月才發現不對。
• 要把部位放大之前，用實盤這一到兩個月的資料再跑一次walk-forward驗證。這是最誠實的一份 out-of-sample 資料。

部位怎麼從小開始加大，跟策略邏輯是兩回事，屬於資金管理的問題。這一段可以另外看 Kelly 公式與部位大小 那篇，那邊有講「半 Kelly」為什麼是實務常用的折衷。

這三關都幫不了你的事

講完做得到什麼，也該講清楚做不到什麼——這是這篇最容易被誤解的地方。walk-forward 與參數敏感度都是「同一個市場環境」的驗證， 它們對付不了下面這幾種東西：

誠實的一段：把回測數字放在該有的位置

這篇本身沒有貼任何具體的策略回測數字，是刻意的——沒有標的、期間、參數、樣本外設定 一起附上的績效數字，不管數字多漂亮，讀者拿去做決策都是危險的。過去績效不代表未來表現，這句話在回測結果上尤其成立： 回測是模擬，不是實單紀錄。

如果你要在自己的文章、Twitter 或給付費訂閱者的訊號裡放回測結果，最低限度該附上： 標的（例如 BTCUSDT.P）、時間範圍（例如 2023-01 至 2025-12）、 參數組（不要只寫「經最佳化」）、有沒有 walk-forward、以及一句「這是模擬結果， 不代表實盤獲利」。少一個都會讓別人沒辦法判斷這份績效值不值得跟。

這也是為什麼建議在做量化之前先看 散戶怎麼開始做量化交易 那篇——裡面有一整段在講「年化 500% 不是 overfitting 就是還沒崩」，可以當這篇的姊妹篇。

常見問題