Skip to content

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。

Fintrix trading desk •

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。

資料洩漏版測試修正版測試
訊號計算依據第 N 根 K 棒的收盤價第 N 根 K 棒的收盤價
部位套用期間第 N 根 K 棒本身,從開盤到收盤第 N+1 根 K 棒,從開盤到收盤
合計,未計成本+10,782 點+555 點
每根 K 棒平均+2.17 點+0.11 點
方向判斷正確的 K 棒占比59.0%48.4%

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:

來源出錯原因常見修正方式
當根 K 棒的收盤價以第 N 根 K 棒的收盤價產生訊號,卻在第 N 根 K 棒開盤時建立部位改在第 N+1 根 K 棒開盤時執行
同一根 K 棒的最高價與最低價停損(Stop Loss)與停利(Take Profit)價位都落在同一根 K 棒內,卻假設先後觸及順序對交易較有利使用更短週期或真實逐筆報價測試,或假設較不利的觸及順序
會重繪的指標ZigZag、分形或轉折點在數根 K 棒後才確認,卻畫在較早的 K 棒上使用該根 K 棒收盤當時的指標值
全樣本統計值用整份資料的平均值或範圍進行尺度調整或正規化,其中也包含未來資料採用滾動視窗,僅以過去資料計算
修正後的經濟數據使用今日所見的修正值,而非當時公布的數字使用首次發布版本的歷史資料(Vintage Data)
時區不一致將某個時區的日資料,與另一時區的日內資料合併,導致收盤價在實際收盤前就出現合併前,先將所有資料統一轉為 UTC

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?

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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

學以致用

開設 Fintrix Markets 帳戶,或登入交易外匯、黃金、指數等差價合約(CFD)。