如果你也是自學量化交易、一路跌跌撞撞走過來的人，一定聽過「均線交叉」這個詞被講到爛。但講歸講，真正動手用 Backtrader 雙均線策略 跑過一次完整回測的人，其實沒有想像中多。常見的情況是：教學文章看了一堆，程式碼複製貼上卻報錯，或是跑出來的績效好到不合理——後來才發現是參數設定或資料處理出了問題。

這篇文章會帶你從零開始建立一套能真正運作的 Python 雙均線交易系統，並教你怎麼看懂 Backtrader 均線交叉回測結果背後的意義。文中所有程式碼都是可直接執行的版本，我也會把常見的錯誤與雷區整理出來，讓你在除錯時少走冤枉路。

免責聲明：本文為程式教學與研究用途，不構成任何投資建議。文中所有數字若標示為「假設範例」，僅用於說明計算邏輯，不代表真實市場績效。

什麼是雙均線策略？黃金交叉死亡交叉的核心邏輯

雙均線策略的原理其實不複雜，就是用兩條不同天期的移動平均線來判斷趨勢方向。當短期均線（例如 5 日線）由下往上穿過長期均線（例如 20 日線）時，稱為「黃金交叉」，通常視為買進訊號；反之短期均線由上往下穿過長期均線，就是「死亡交叉」，作為賣出或放空的訊號。

用數學語言來說，假設快線為 $MA_f(t)$、慢線為 $MA_s(t)$：

• 黃金交叉：$MA_f(t-1) < MA_s(t-1)$ 且 $MA_f(t) > MA_s(t)$
• 死亡交叉：$MA_f(t-1) > MA_s(t-1)$ 且 $MA_f(t) < MA_s(t)$

這套邏輯之所以歷久不衰，是因為它符合「順勢而為」的交易哲學——不預測轉折點，而是等趨勢確立後才進場，犧牲一點進場時機換取較高的勝率穩定度。

為什麼趨勢跟隨在理論上可能有效？ 學術上常引用動能效應（Momentum Effect）與行為財務學的解釋：投資人對新資訊的反應往往不足（Underreaction），導致價格趨勢會延續一段時間。但這不代表任何一組均線參數都能賺錢，市場環境（趨勢盤 vs 盤整盤）對策略表現的影響極大。

提醒：光看勝率是不夠的。趨勢跟隨策略的勝率通常低於 50%，靠的是「讓利潤奔跑、快速停損」來創造正期望值。評估時必須搭配盈虧比、最大回撤等指標一起看。

環境安裝與資料準備（照抄就能跑）

在開始寫策略之前，先把環境搞定。

1. 安裝套件

pip install backtrader yfinance pandas matplotlib

• backtrader：回測框架本體
• yfinance：從 Yahoo Finance 抓取歷史資料
• pandas：資料處理
• matplotlib：繪圖（Backtrader 的 plot() 依賴它）

本文範例以 Python 3.10+ 與 Backtrader 1.9.78.123 為基準。Backtrader 已多年未更新，若你使用較新的 Python 版本遇到相容性問題，可考慮改用 backtrader2 等社群維護分支，或改用虛擬環境安裝 Python 3.10。

2. 用 yfinance 取得資料（建議作法）

早期教學常直接讀 CSV，但 Yahoo Finance 的 CSV 格式欄位多、容易對不上。比較穩定的做法是用 yfinance 抓資料，再轉成 Backtrader 的 PandasData：

import yfinance as yf
import pandas as pd
下載台積電 2330.TW 日線資料
df = yf.download("2330.TW", start="2019-01-01″, end="2023-12-31″, auto_adjust=True)
yfinance 新版可能回傳 MultiIndex 欄位，這裡先攤平
if isinstance(df.columns, pd.MultiIndex):
df.columns = df.columns.get_level_values(0)
確保欄位名稱符合 Backtrader 預期
df = df.rename(columns={
"Open": "open",
"High": "high",
"Low": "low",
"Close": "close",
"Volume": "volume",
})
移除 NaN，避免指標計算出錯
df = df.dropna()
print(df.head())

重點說明：

• auto_adjust=True 會回傳還原股價（已處理除權息），這對均線策略非常重要。若用未調整股價，除息日會出現假跳空，導致假訊號。
• dropna() 是必要的，否則 SMA 計算初期會產生 NaN，某些版本的 Backtrader 會直接報錯。
• 資料來源與時間戳記請自行記錄，方便日後重現。

3. 如果你堅持用 CSV：YahooFinanceCSVData 的欄位格式

bt.feeds.YahooFinanceCSVData 需要 CSV 符合特定欄位順序，格式大致如下（第一列為標題）：

Date,Open,High,Low,Close,Adj Close,Volume
2019-01-02,220.0,222.5,218.0,221.0,221.0,25000000
2019-01-03,221.5,223.0,219.5,220.5,220.5,18000000

載入時務必指定 fromdate 與 todate，否則 Backtrader 會嘗試解析整份檔案，遇到格式不符的列就會出錯：

import datetime
data = bt.feeds.YahooFinanceCSVData(
dataname="2330.csv",
fromdate=datetime.datetime(2019, 1, 1),
todate=datetime.datetime(2023, 12, 31),
reverse=False,
)

若你的 CSV 欄位順序不同，建議改用 PandasData 自行對應欄位，彈性更高。

Backtrader 雙均線策略完整程式碼實作

以下是一份可直接執行的完整程式碼，包含策略、資料載入、手續費設定、Analyzer 與繪圖。

import datetime
import backtrader as bt
import yfinance as yf
import pandas as pd
class DualMAStrategy(bt.Strategy):
params = (
("fast_period", 5),
("slow_period", 20),
)
def __init__(self):
self.fast_ma = bt.indicators.SMA(
self.data.close, period=self.params.fast_period
)
self.slow_ma = bt.indicators.SMA(
self.data.close, period=self.params.slow_period
)
self.crossover = bt.indicators.CrossOver(self.fast_ma, self.slow_ma)
def next(self):
if not self.position:
if self.crossover > 0:      # 黃金交叉
self.buy()
elif self.crossover < 0:        # 死亡交叉
self.close()
def load_data(symbol="2330.TW", start="2019-01-01″, end="2023-12-31″):
df = yf.download(symbol, start=start, end=end, auto_adjust=True)
if isinstance(df.columns, pd.MultiIndex):
df.columns = df.columns.get_level_values(0)
df = df.rename(columns={
"Open": "open", "High": "high", "Low": "low",
"Close": "close", "Volume": "volume",
})
df = df.dropna()
return bt.feeds.PandasData(dataname=df)
def run_backtest():
cerebro = bt.Cerebro()
cerebro.addstrategy(DualMAStrategy)
data = load_data()
cerebro.adddata(data)
cerebro.broker.setcash(100000)
# 台股來回成本：手續費 0.1425% × 2（買賣各一次）+ 證交稅 0.3%
# 這裡以單邊 0.001425 近似，讀者可依需求調整
cerebro.broker.setcommission(commission=0.001425)
# 加入 Analyzer
cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name="sharpe",
timeframe=bt.TimeFrame.Days, riskfreerate=0.0)
cerebro.addanalyzer(bt.analyzers.DrawDown, _name="drawdown")
cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _name="trades")
cerebro.addanalyzer(bt.analyzers.Returns, _name="returns")
print("初始資金: %.2f" % cerebro.broker.getvalue())
results = cerebro.run()
strat = results[0]
print("最終資金: %.2f" % cerebro.broker.getvalue())
print("夏普比率:", strat.analyzers.sharpe.get_analysis())
print("最大回撤:", strat.analyzers.drawdown.get_analysis())
print("交易統計:", strat.analyzers.trades.get_analysis())
# 避免在無圖形介面環境（如 Colab、伺服器）報錯
try:
cerebro.plot(style="candlestick")
except Exception as e:
print("繪圖失敗（可能為無圖形介面環境）：", e)
if __name__ == "__main__":
run_backtest()

程式碼關鍵細節

1. CrossOver 指標：會自動回傳 1（黃金交叉）或 -1（死亡交叉），不用自己寫繁瑣的條件判斷。

2. setcommission(commission=0.001425)：模擬台股手續費（0.1425%）。注意：台股賣出時另收證交稅 0.3%，實務上想更貼近真實成本，可改寫成自訂 CommissionInfo 分別處理買賣兩邊，或直接把單邊成本調高到約 0.0029 來近似。

3. try/except 包住 plot()：在 Colab、雲端伺服器等無 GUI 環境，cerebro.plot() 常會直接丟錯。這樣寫可避免程式整段崩潰。

4. auto_adjust=True：確保使用還原股價，避免除權息造成的假訊號。

我沒有在本文提供「實測績效數字」，因為那需要你自己用可查證的資料跑出來。以下章節會用假設範例說明如何解讀結果。

Backtrader 策略優化教學：參數調整與樣本外驗證

寫出能跑的程式碼只是第一步，真正決定策略成敗的往往是參數選擇。Backtrader 內建 optstrategy 可以做網格搜尋：

cerebro.optstrategy(
DualMAStrategy,
fast_period=range(5, 25, 5),
slow_period=range(20, 65, 10),
)

參數掃描結果應該長什麼樣？（假設範例）

以下表格是用於說明解讀方式的假設範例，並非真實回測數據，請勿當成任何標的的績效：

從這張表可以看出一個常見趨勢：均線週期拉長，交易次數減少、勝率提升，但總報酬率不一定跟著上升——因為交易次數變少，錯過的獲利機會也變多。

做 Backtrader 策略優化時最重要的原則：不要只追求最高報酬率的參數，要找最穩定、最能承受不同市場環境的組合。 具體做法是：

1. 把資料切成「訓練集」與「測試集」（例如前 70% / 後 30%）。

2. 在訓練集上做網格搜尋，挑出候選參數。

3. 用測試集驗證候選參數，若表現落差過大（例如報酬率從 +40% 掉到 -10%），就是過度擬合的警訊。

避雷防坑指南：雙均線策略常見錯誤與雷區分析

以下這些坑是量化新手最常遇到的，整理出來讓你少花時間除錯。

雷區一：忘記設定滑價與手續費，回測績效嚴重失真

很多人跑出來的回測績效漂亮到不真實，十之八九是因為沒設定手續費或滑價（Slippage）。假設範例：若某策略在零成本假設下總報酬率為 89%，加入台股來回成本（手續費 0.1425% × 2 + 證交稅 0.3% ≈ 0.585%）後，報酬率會被明顯壓縮——交易次數越多，壓縮幅度越大。

防範建議：用 cerebro.broker.setcommission() 設定實際交易成本，台股建議至少抓 0.15%～0.2% 的單邊成本。若想模擬滑價，可自訂 bt.CommInfoBase 子類，或直接在 setcommission 中加上額外百分比。

雷區二：參數過度優化，實盤表現與回測落差極大

常見的錯誤是：在同一段歷史資料上反覆調參數，直到找到一組「完美參數」，結果換到另一段時間就完全失靈。這就是典型的過度擬合（Overfitting）——參數是「量身訂做」給那段特定歷史資料的。

防範建議：一定要做樣本外測試（Out-of-Sample Testing）。把資料切成訓練集跟測試集，訓練集找參數、測試集驗證，兩邊表現落差太大就要警惕。更嚴謹的做法是 Walk-Forward Analysis（滾動式前進驗證）。

雷區三：忽略資料的除權息調整

如果你抓的股票歷史資料沒有做除權息調整，回測結果會出現詭異的跳空缺口，均線交叉訊號也會因此失真。常見的錯誤是：用未調整股價測試高配息標的，策略在除息日附近頻繁出現假訊號，卻誤以為是策略邏輯問題。

防範建議：使用還原股價（Adjusted Price）資料源。若使用 yfinance，記得設 auto_adjust=True；若使用券商或第三方資料，請確認已處理除權息。

雷區四：只看總報酬率，忽略最大回撤與資金曲線平滑度

常見的錯誤是：被漂亮的總報酬率沖昏頭，卻沒注意資金曲線中間有一段長達數個月的橫盤加下跌期，最大回撤可能超過 -20%。如果實際拿真錢去操作，這段時間的心理壓力可能會讓人提前砍倉出場。

防範建議：務必同時檢視夏普比率（Sharpe Ratio）和最大回撤，並實際畫出資金曲線，看看自己能不能承受那樣的波動。

Backtrader 回測績效分析：關鍵指標怎麼看？

回測跑完之後，Backtrader 提供的 Analyzer 可以幫你算出許多重要指標。以下是最該優先檢視的幾個：

• 夏普比率（Sharpe Ratio）：衡量每承擔一單位風險能換到多少超額報酬，一般認為 1.0 以上算是不錯的策略。計算公式為（策略年化報酬 − 無風險利率）÷ 年化報酬標準差。
• 最大回撤（Max Drawdown）：資金曲線從高點回落的最大幅度，這個數字直接反映策略的「痛苦指數」。
• 盈虧比（Profit Factor）：總獲利金額除以總虧損金額，數值大於 1.5 通常被視為體質較健康。
• 交易次數與平均持倉天數：雙均線策略屬於中長線趨勢策略，平均持倉天數通常偏長。如果你的目標是短線當沖，這套邏輯可能不適合。

加入這些 Analyzer 的程式碼如下（已整合進前面的完整範例）：

cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name="sharpe",
timeframe=bt.TimeFrame.Days, riskfreerate=0.0)
cerebro.addanalyzer(bt.analyzers.DrawDown, _name="drawdown")
cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _name="trades")

跑完之後呼叫 strat.analyzers.sharpe.get_analysis() 就能拿到完整數據。注意：SharpeRatio 的 timeframe 與 riskfreerate 參數會顯著影響結果，解讀時務必確認設定。

光是把這幾個指標搞懂，會比你亂調 100 組參數更有意義。

工具比較：Backtrader vs 其他回測工具

寫這篇文章之前，也考慮過是否該用其他工具做雙均線策略回測，這邊做個簡單比較：

一個實用的工作流是：用 TradingView 快速目視觀察均線行為、抓靈感，確定方向後再用 Backtrader 寫程式碼做嚴謹的量化回測。TradingView 的均線視覺化與多時間週期切換做得相當順手，很適合策略發想階段使用。如果你也想試試這類工具，可以參考 TradingView。

常見問題 FAQ

Q1：Backtrader 雙均線策略適合用在哪種市場？

雙均線策略本質上是趨勢跟隨策略，比較適合有明顯趨勢的市場，例如波動較大的個股或期貨商品。如果是長期橫盤整理的標的，均線交叉訊號會非常頻繁但大多是假訊號，容易被「巴來巴去」，建議搭配 ADX 等趨勢強度指標過濾。

Q2：均線週期參數要怎麼選才不會過度優化？

建議至少用兩段不同時期的資料做測試：一段用來尋找參數（訓練集），另一段完全沒用過的資料驗證（測試集）。如果同一組參數在兩段資料上表現都穩定，才算是相對可靠的參數。具體判準可自行設定，例如兩段報酬率落差、回撤落差等。

Q3：Backtrader 回測結果跟實盤交易會有落差嗎？

一定會有，主要來自滑價、成交延遲、流動性不足等因素。建議回測時故意調高手續費與滑價假設（比實際成本高一些），這樣算出來的績效會比較保守，實盤落差也會比較小。

Q4：如何處理除權息對回測的影響？

最簡單的方式是使用還原股價。以 yfinance 為例，設定 auto_adjust=True 即可取得已調整的 OHLC。若使用自備 CSV，請確認資料源已做還原處理。未還原的股價在除息日會出現跳空，導致均線交叉訊號失真。

Q5：如何在 Backtrader 中設定滑價？

Backtrader 沒有內建獨立的滑價參數，常見做法有兩種：

1. 自訂 bt.CommInfoBase 子類，在 getcommission 或 getoperationcost 中加入固定百分比。

2. 直接在 setcommission 傳入較高的 commission 值（例如把單邊成本從 0.001425 提高到 0.002），把滑價與稅費一起近似進去。

class TaiwanStockCommission(bt.CommInfoBase):
params = (
("stocklike", True),
("commtype", bt.CommInfoBase.COMM_PERC),
("percabs", True),
("commission", 0.001425),   # 手續費率
("slippage_pct", 0.001),    # 額外滑價
)
def _getcommission(self, size, price, pseudoexec):
base = abs(size)  price  self.p.commission
slip = abs(size)  price  self.p.slippage_pct
return base + slip
cerebro.broker.addcommissioninfo(TaiwanStockCommission())

Q6：如何在 Backtrader 中加入停損停利？

最簡單的方式是在 next() 中搭配 self.position.size 與進場價判斷，或使用 bt.Order 的 bracket order。範例：

def next(self):
if not self.position:
if self.crossover > 0:
self.buy()
else:
entry = self.position.price
current = self.data.close[0]
# 停損 5%、停利 15%
if current <= entry  0.95 or current >= entry  1.15:
self.close()

結論：從回測到實盤，你準備好了嗎？

Backtrader 雙均線策略雖然邏輯簡單，但要做出真正有參考價值的回測，還是需要注意手續費設定、樣本外驗證、資料除權息處理這些細節——這些正是大多數教學文章不會特別強調的地方。本文把程式碼、環境設定、資料格式、常見雷區都攤開來講，希望能讓你少走一些冤枉路。

你的下一步行動：

1. 複製本文程式碼，用 yfinance 抓一段你有興趣的標的資料，先讓它跑起來。

2. 加入本文示範的 Analyzer，觀察夏普比率與最大回撤。

3. 把資料切成訓練集與測試集，做一次完整的樣本外驗證。

4. 試著調整參數，但切記：穩定性比最高報酬率重要。

如果你想在策略發想階段有更順手的圖表工具，可以參考 TradingView，用視覺化工具搭配紮實的 Backtrader 回測驗證，會讓你的策略開發流程更有效率。

再次提醒：本文所有內容僅供程式教學與研究，不構成投資建議。任何策略在不同市場環境下的表現都可能差異極大，請務必自行驗證並做好風險控管。