回測中的前視偏誤是什麼?
前視偏誤(Look-ahead bias)是指回測(Backtesting,利用歷史資料模擬交易)在決定模擬交易時,使用當時尚不存在的資訊,例如在一根 K 棒收盤前,就使用該根 K 棒的收盤價。這會讓測試呈現實際交易策略不可能達到的結果。在我們的 EUR/USD 測試中,交易時間只提前一根 K 棒,就讓同一規則未計成本的成果從 555 點(pip,外匯價格變動單位,與指數的「點」不同)變成 10,782 點。
前視偏誤,為何會出現在回測中?
前視偏誤是一種回測錯誤,模擬決策用到了決策當下尚無法取得的資料。沒有人刻意把它放進去。未來的數值就存在同一張資料表中,可能只差一列或一欄,程式便讀取了它。
前視偏誤不同於過度擬合(Overfitting),後者是反覆調整策略,直到策略貼合歷史資料中的雜訊。過度擬合的策略只用了當時可能取得的資訊,卻從中學到錯誤的規律;有前視偏誤的策略,則用了當時不可能取得的資訊。過度擬合通常在策略投入實際交易後逐漸浮現;前視偏誤往往立即顯現,因為測試依賴的未來資料已不復存在。
只差一根 K 棒,結果能差多少?
我們以 Fintrix Markets 的 MT5 EUR/USD 小時資料,測試一項簡單規則。資料期間為 2026年1月13日至10月29日,共 4,980 根 K 棒。
- 若每小時收盤價高於其 20 根 K 棒的簡單移動平均線(Simple Moving Average,即這 20 個收盤價的平均值),便持有多單;若低於均線,便持有空單。
我們將這項規則測試兩次,唯一差異是將每個部位套用在哪一根 K 棒上。
資料洩漏版在交易第 N 根 K 棒之前,就已知道這根 K 棒的收盤結果。收盤價較高的 K 棒,更可能收在均線之上,因此規則會在一根已經上漲的 K 棒上做多。它能精準描述過去,卻沒有人能實際照此交易。
修正後的結果,就代表有交易優勢嗎?
不代表,計算即可看出原因。這份樣本中,EUR/USD 每小時價格變動的標準差為 8.51 點。即使規則完全沒有交易優勢,在 4,980 根 K 棒中,結果也約有三分之二的機率落在零上下約 600 點內(8.51 × √4,980 ≈ 600)。合計 +555 點就在這個範圍內,因此單靠隨機因素就可能產生這項結果。
計入成本後,結論就更明確。規則共轉換方向 557 次,每次都要平掉原部位再建立新部位,每一回完整交易都須支付點差(Spread,即買價與賣價之差)。若每次轉向成本為 0.5 點,合計結果降至約 +277 點;若為 1 點,則約為 −2 點。修正版才是如實反映情況的測試,而結果是:計入成本後,這項規則在這十個月並未獲利。
前視偏誤,常見來源有哪些?
個人交易人的回測與自動交易程式(Expert Advisor,EA)中,最常見的來源包括:
同根 K 棒的高低價,如何誤導回測?
2026年10月14日,EUR/USD 在 12:00 UTC(台北時間 20:00,UTC+8)的那根小時 K 棒,開盤價為 1.11926,最高升至 1.11986,最低跌至 1.11271。美國消費者物價指數(CPI)就在該小時公布。
假設在開盤價 1.11926 建立空單,停損設在 1.11980(5.4 點),停利設在 1.11826(10 點)。小時 K 棒顯示,價格曾觸及這兩個價位。只看小時 K 棒的測試必須猜測先後順序,若猜測順序對交易有利,就會記錄一筆 10 點獲利。
15 分鐘 K 棒顯示了實際經過。價格在 12:15 UTC(台北時間 20:15,UTC+8)的 K 棒升至 1.11986,觸發停損;下跌發生在 12:30 UTC(台北時間 20:30,UTC+8)的 K 棒,此時部位早已平倉。實際結果是虧損 5.4 點。MQL5 參考文件對 MT5 策略測試器也提出相同提醒:若較快的「1 minute OHLC」(1 分鐘開高低收)或「Open prices only」(僅開盤價)模式結果好得不合理,應改用「Every tick」(每一筆報價)模式重測。要確認一根 K 棒內事件發生的順序,唯一方法是使用逐筆報價資料,並在可取得時採用真實逐筆報價。
修正後的數據,為何造成前視偏誤?
因為今天資料庫裡的數字,往往不是交易人當天看到的數字。美國勞工統計局約在每月底結束三週後,公布非農就業人數的初估值,並在接下來兩個月修正兩次。自 2003 年以來,經季節調整的首次與第三次估計值,平均絕對差異為 5.1 萬個工作機會。
2026年5月就是明確例子:初估新增 17.2 萬人,第二次估計為 12.9 萬人,第三次為 6.3 萬人,合計下修 10.9 萬人。若回測針對 6 月公布的數據,讀取今日資料庫中的 6.3 萬人,就是用當時無人知曉的數字交易。保留每次數據首次發布樣貌的資料庫,正是為此而設,聖路易聯準銀行的 ALFRED 就是一例。
AI 與機器學習策略,風險為何更高?
機器學習模型非常擅長找出能預測目標的任何輸入資料,包括原本不該出現的資料。檢視程式碼的人可能會發現,某個特徵取自明天的收盤價。模型卻只會直接使用它,讓測試結果看起來極佳。
需要留意的四個陷阱:
- 隨機切分訓練集與測試集。標準交叉驗證會打亂資料列,模型因此可能用週三的資料訓練,卻用週二的資料測試。scikit-learn 文件正是基於這個原因,指出一般交叉驗證不適合有時間順序的資料,並提供
TimeSeriesSplit,始終用較早資料訓練、較晚資料測試。其gap設定可在兩者之間保留緩衝區間。 - 標籤與特徵重疊。如果預測目標是「接下來 10 根 K 棒的價格變動」,而某個特徵包含這 10 根 K 棒中的任何資料,模型就已看到部分答案。
- 整份資料一次完成前處理。以整份資料進行尺度調整、補值或特徵篩選,會讓測試期間的統計資訊洩漏到訓練過程。
- 語言模型早已知道結果。大型語言模型(LLM)的訓練文本涵蓋至某個截止日。若您詢問該日期之前的法說會或市場走勢,模型可能是在回憶後續發展,而非根據當時已知資訊推論。Sarkar 與 Vafa(2024)為此設計直接測試,發現在根據企業法說會所做的預測中,確實存在這種現象。Didisheim、Fraschini 與 Somoza(Economics Letters,2025)衡量 LLM 對過去股票報酬的記憶程度,發現模型越大、資料頻率越低,以及使用指數資料時,偏誤越大;小型模型處理高頻資料時,偏誤則可忽略不計。
各種情況的警訊都一樣:結果遠優於任何可比測試,卻在遇到第一批模型未見過的資料時就失效。
如何檢查 EA 或回測的前視偏誤?
- 將所有訊號延後一根 K 棒。沒有前視偏誤的策略,結果應只會小幅改變。若成果大幅縮水,像我們從 10,782 點降至 555 點,便表示原測試使用了未來資料。
- 確認 EA 讀取哪一根 K 棒。MQL5 參考文件指出,MQL4/5 的時間序列索引由新到舊排列,因此索引 0 是尚未收盤的 K 棒,索引 1 才是最近已收盤的 K 棒。只模擬 K 棒收盤狀態的測試,卻從索引 0 讀取訊號,是常見成因。
- 使用適當的測試器模式。MT4/5 策略測試器可模擬每一筆報價,也可只模擬 K 棒開盤價。若策略的停損與停利價位位於同一根 K 棒內,就需要逐筆報價資料,否則只是在猜測最高價與最低價出現的順序。
- 所有統計計算,都只用過去資料重算。平均值、範圍、標準分數(z-score)及機器學習的尺度轉換器,都應使用截至當根 K 棒為止的滾動視窗。
- 在模擬帳戶進行前向測試。讓策略運行幾週,並將交易紀錄與回測在相同日期原本會執行的交易相比。若回測執行了即時運行版本不可能執行的交易,就指向資料洩漏問題。
- 對簡單規則的高命中率保持懷疑。我們的資料洩漏版測試使用 20 期移動平均線,在 59% 的小時 K 棒上判斷對方向。對 EUR/USD 這類流動性充裕的貨幣對,排除資料洩漏後,簡單規則很少能接近這種表現:修正版僅達 48.4%。
重點整理
- 回測只要使用了模擬交易決策當下無法取得的資訊,就存在前視偏誤。
- 在我們的 EUR/USD 測試中,將部位套用在產生訊號的同一根 K 棒,而非下一根,便使未計成本的結果從 +555 點提高至 +10,782 點。
- 修正後的結果仍在隨機因素可能產生的範圍內;若每次轉向成本為 1 點,結果降至約 −2 點。
- 2026年10月14日的小時 K 棒,隱藏了停損與停利價位真正的觸及順序:帳面記錄的 10 點獲利,實際上是 5.4 點虧損。
- 機器學習模型與 LLM 尤其容易出現前視偏誤:應依時間切分資料,只用過去資料進行前處理,並留意語言模型可能早已知道哪些資訊。
相關課程
資料來源
- 美國勞工統計局,「Nonfarm payroll employment: revisions between over-the-month estimates, 1979 to present」,Current Employment Statistics:https://www.bls.gov/web/empsit/cesnaicsrev.htm
- 聖路易聯準銀行,ALFRED(Archival FRED),各發布版本的歷史經濟資料:https://alfred.stlouisfed.org/
- scikit-learn 文件,「TimeSeriesSplit」:https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.TimeSeriesSplit.html
- MQL5 參考文件,「Indexing direction in arrays, buffers and timeseries」:https://www.mql5.com/en/docs/series/bufferdirection
- MQL5 參考文件,「Testing trading strategies」(逐筆報價生成模式):https://www.mql5.com/en/docs/runtime/testing
- Sarkar, S. K. 與 Vafa, K.,「Lookahead bias in pretrained language models」,SSRN 工作論文,2024 年:https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4754678
- Didisheim, A.、Fraschini, M. 與 Somoza, L.,「AI's predictable memory in financial analysis」,Economics Letters 256,2025 年:https://www.sciencedirect.com/science/article/pii/S0165176525004392
- Fintrix Markets 交易團隊以 MT5 EUR/USD 資料進行的測試:2026年1月13日至10月29日的小時 K 棒(4,980 根),採用收盤價的 20 根 K 棒簡單移動平均線,高於均線持有多單、低於均線持有空單;每根 K 棒均以開盤至收盤衡量,不計成本。另使用 2026年10月14日的 15 分鐘 K 棒。



