回測不會告訴你它哪裡錯了。它只給你一條曲線。

曲線很漂亮的時候，你會相信它；曲線很難看的時候，你會回去調參數。這兩種反應都不會讓你發現「這條曲線根本不該長這樣」。

所以動工之前先立規矩。四條。

每一條我都用真實台股資料量過它值多少——因為「這樣做比較嚴謹」說服不了任何人，包括我自己。

規矩一　每筆資料要標記「哪一天才拿得到」

台股的月營收，M 月的數字必須在 M+1 月的 10 日以前公布。

資料表裡的欄位叫 month。以台積電為例，我們抓下來的 month = 2024-01 那一列是 2,157.9 億元——跟台積電 2024 年 1 月的實際營收一致。所以這個欄位存的是營收所屬月份，不是公布月份。

那麼，month = 2024-01 這筆資料，最早什麼時候拿得到？2024 年 2 月 10 日。

如果你直接拿它去對齊 1 月底的股價，你就提早了十天。

十天聽起來不多。我量了一下。

訊號：月營收 yoy 排名前 30 名，等權持有一個月，只從成交金額前 300 名的普通股裡挑，扣台股來回成本 0.4710%。兩個版本唯一的差別是下單時點：

時間軸（以 M 月營收為例）
  M 月底         ← 版本 B 在這裡下單。此時營收還沒公布
  M+1 月 10 日   ← 交易所規定的公布期限，全市場同時知道
  M+1 月底       ← 版本 A 在這裡下單。資訊已經公開約 20 天

                          年化報酬    年化波動   夏普    最大回落
A　次月底下單（正確）          +5.23%   22.02%  0.34   -39.07%
B　營收月底下單（提早 10 天）   +24.33%   23.62%  1.05   -31.58%

年化 5.23% 變成 24.33%，夏普 0.34 變成 1.05，累積淨值 2.7 倍變成 68.6 倍。

十天。

而且請注意版本 B 的最大回落：**−31.58%，比正確版本的 −39.07% 還小。**它在每一個指標上都比較好看。你不會從績效表上看出任何異常——它就只是一個很棒的策略。

這就是為什麼 point-in-time 不能靠「寫程式時記得」。人會忘，而且忘記之後回測不會抗議。它必須寫進資料的結構裡：每一筆除了「這是哪一期的數字」，還要有「這一天之後才拿得到」。回測只讀 available_date <= 決策日 的資料，讓偷看變成寫不出來，而不是靠自律。

財報的落差更大：Q1、Q2、Q3 財報的申報期限是季後 45 天，年報是 75 天。用「季末」對齊財報，偷看的是一個半月到兩個半月。

規矩二　標準化只能用訓練期的統計量

第二條是量化裡最經典、也最容易犯的洩漏。

你有一個特徵，尺度不一致，於是做 Min-Max 壓到 0 到 1。問題是：max 和 min 從哪裡算出來的？

如果是從整個資料集算的，那麼 2010 年那一格的標準化數值裡就含有 2024 年的資訊——因為分母是「全期間的最大減最小」，而全期間包含未來。

我把台股月營收 yoy 用兩種方式標準化，比較同一格資料的差：

同一格資料，兩種算法的差（尺度 0~1）
  中位數           0.0185
  第 95 百分位      0.3469
  最大值           1.0000
  差距 > 0.1 的比例   23.7%

**將近四分之一的資料格，兩種算法的差超過 0.1。**在一個 0 到 1 的尺度上，那不是捨入誤差，是實質不同的輸入。

但這一條有個陰險的地方

我原本想順便量「洩漏讓報酬虛增多少」。結果是：洩漏版反而比較差（年化 5.62% vs 10.82%）。

原因是我的策略是排名型的。全樣本 Min-Max 對每一檔股票是單調轉換，不改變它自己的時間序列排序，所以那個報酬差異其實不是洩漏造成的——是「用自己的歷史區間標準化」本身變成了一個不同（而且更好）的訊號，概念上接近 SUE。

我把這個失敗的量測留著，因為它本身就是重點：

洩漏不保證讓結果變好。你不能靠「結果好得不像話」來偵測它。有些洩漏讓績效變差，有些讓它變好，有些在這個模型上有影響、換個模型就沒有。唯一可靠的做法是在建構特徵的當下就不要讓未來進來，而不是事後從結果反推。

這一條在訓練模型時影響最大，Day 14 會用實際的模型再量一次。

規矩三　用 walk-forward，不要切一刀

第三條是關於怎麼選參數。

最常見的做法：資料切成前後兩段，前段挑參數，後段驗證。聽起來合理，但那個「後段」你會不知不覺地反覆使用——調完一輪覺得不好，回去改，再測一次。測到第三次，那個樣本外已經不是樣本外了。

我拿同一個月營收訊號，唯一的自由參數是持股檔數（10 / 20 / 30 / 50 / 100 檔），比較三種做法：

用 2006-01 ~ 2015-11 挑參數 → 最佳是 20 檔（樣本內夏普 0.30）

樣本外（2015-12 起）表現：
                        年化報酬    年化波動   夏普    最大回落
一次切分（固定 20 檔）        +6.01%   27.14%  0.35   -41.52%
walk-forward（每年重選）    +8.67%   24.37%  0.46   -35.93%
完全不挑（固定 30 檔）        +7.14%   26.14%  0.39   -39.07%

用前十年挑出來的「最佳參數」，樣本外輸給完全不挑。

20 檔在 2006–2015 確實是最好的，2016 之後就不是了。那個「最佳」只存在於它被挑出來的那段資料裡。

walk-forward 每年只用當時已知的歷史重選一次，它選出來的參數一直在變：

2016: 20 檔   2017: 50   2018: 50   2019: 100   2020: 100
2021: 100     2022: 50   2023: 50   2024: 50    2025: 50

參數會變不是缺點，是誠實——市場結構本來就在變。

但要講清楚：這不代表 walk-forward 一定比較好。它這次贏了，換個訊號、換個期間可能就不會。它真正的價值不在績效，在於你的樣本外測試只用一次：每一年的決定都只用當時的資訊做，沒有回頭修改的餘地。

（實作細節：這個實驗第一版我把樣本內切在 2015-12，但績效序列在索引 t 存的是 t→t+1 的報酬，所以那樣會把 2015 年 12 月到 2016 年 1 月那筆算進挑參數的依據裡——那在當下還不知道。改成切在 2015-11 之後結論沒變，但這種一格的錯位就是規矩一在講的事。）

規矩四　不宣稱報酬率

第四條沒有實驗，是態度問題。

前面三個實驗出現過的年化報酬有：24.33%、10.82%、8.67%、5.23%。這些數字沒有一個可以拿去宣稱，因為它們全都站在一串假設上：

**成本假設。**手續費用 6 折計。你的券商可能是 5 折，也可能沒折。而且我假設每次都成交在月末收盤價。

**可交易性假設。**完全沒處理漲跌停、流動性衝擊、一張 1,000 股的整數限制。訊號叫我買前 30 名，我就假設 30 檔都買得到、買得滿——這在小型股上不成立。

**樣本外期間。**19 年聽起來很長，但月頻換股只有 233 個決策點。而一個完全沒用的隨機訊號，300 個組合裡有 11.3% 純靠運氣就能贏過 0050。

**公司行為。**還原股價目前缺了股票分割這一塊，所以樣本切在 2025 年 5 月。

一個報酬率數字如果沒有附上這些，它就不是結論，是廣告。

所以這 30 天我會一直給數字，但我不會說「這個策略年化 X%」。我會說：在這些假設下，這個做法比那個做法好 Y 個百分點，而 Y 需要大於成本門檻 Z 才有意義。