什麼是回測 (Backtesting)？
簡單來說，就是「用歷史資料來測試交易策略，評估其過去的表現」，從而判斷策略是否可能有效。
回測四步驟

• 取得數據：下載目標股票的歷史 K 線資料。
• 定義策略：將交易邏輯寫成程式碼 (例如：何時買入、何時賣出)。
• 執行回測：設定初始資金、手續費等，並運行測試。
• 分析結果：檢視績效報表與圖表。
  實戰範例：移動平均線交叉策略
• 策略：當 40 日均線（快線）向上穿越 100 日均線（慢線）時買入；反之則賣出。
• 標的：蘋果公司 (AAPL)，2020-2022 年。

import backtrader as bt
import yfinance as yf

# 1. 定義策略
class MovingAverageCross(bt.Strategy):
    params = (("short_window", 40), ("long_window", 100))

    def __init__(self):
        # 計算快、慢速移動平均線
        short_ma = bt.indicators.SimpleMovingAverage(period=self.p.short_window)
        long_ma = bt.indicators.SimpleMoving-Average(period=self.p.long_window)
        # 監控均線交叉訊號
        self.crossover = bt.indicators.CrossOver(short_ma, long_ma)

    def next(self):
        # 策略的主要邏輯
        if self.crossover > 0:  # 快線向上穿越慢線
            self.buy()
        elif self.crossover < 0: # 快線向下穿越慢線
            self.sell()

# 2. 準備數據與環境
cerebro = bt.Cerebro()
data = bt.feeds.PandasData(dataname=yf.download('AAPL', '2020-01-01', '2022-01-01'))

cerebro.adddata(data)
cerebro.addstrategy(MovingAverageCross)

# 3. 設定初始條件
cerebro.broker.set_cash(100000) # 初始資金 10 萬
cerebro.broker.setcommission(commission=0.001) # 手續費 0.1%

# 4. 執行與出圖
print('初始資產: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('最終資產: %.2f' % cerebro.broker.getvalue())
cerebro.plot()

如何解讀圖表與分析

• K 線圖：確認紅綠箭頭（買賣點）是否符合策略邏輯。
• 資產變化圖：觀察下方資產曲線的增長趨勢，判斷策略整體是賺錢還是賠錢。
  分析重點：
• 盈利能力：策略最終賺了多少錢？
• 最大回撤 (Drawdown)：策略從資產高點回落，最多虧損了多少？這是衡量風險的關鍵。
• 過度擬合 (Overfitting)：要警惕策略是否只對這段特定歷史資料有效，換個時間段或商品可能就失效了。