台股回測怎麼做？看盤 15 年的我用 AI 跑一次，漂亮曲線多半是過度擬合

💡 核心結論速覽 (TL;DR)

• 台股回測的順序：先跑出一條權益曲線，再回頭補指標與成本。倒過來做，你會卡在讀名詞，永遠跑不出第一張報表。
• 漂亮曲線有數學上限：Notices of the AMS 2014 年的研究算過，只有五年日資料時最多能試 45 組獨立參數；試到第 45 組，樣本內夏普期望值是 1、樣本外是 0。兩年資料只要 7 組就達標。
• 台股專屬成本別漏：證交稅只在賣出時課，股票 0.3%、受益憑證 0.1%；整股每筆手續費常見低消 20 元，成交金額低於約 1.4 萬元時，實付費率會比牌告的 0.1425% 貴上好幾倍。
• 下一步：先用證交所開放資料跑一次最陽春的回測，把交易成本設好，再拿本文最後那 10 題自查表逐條打勾——過不了就別把真錢放進去。

我第一次把一個策略寫成程式、按下執行鍵的那個晚上，螢幕上跳出一條往右上角衝的曲線，我盯著它笑了大概十秒。

台股回測要怎麼做？流程其實只有三步：拿到歷史資料、把買賣規則寫成程式、讓程式在歷史上跑一遍，看看這套規則過去會賺還是會賠。難的從來不是這三步，難的是——那條漂亮曲線到底能不能信。

那晚我笑完之後做了一件事：把其中兩個參數各動一格，重跑。曲線變成一條爛掉的線。再動一格，又變回好看的。同一套邏輯、同一段歷史，三張截然不同的臉。

看盤 15 年，當沖、波段、定期定額我都跑過一輪；後來自己動手寫程式驗策略，最深的體會反而跟報酬率無關：回測真正的價值不是告訴你哪套策略會賺，是幫你排除掉明顯會賠的那些。把它當水晶球用的人，通常會用真錢學會這件事。

所以這篇不給任何策略、不給參數、不給可以複製貼上的買賣訊號。我只做一件事：把「怎麼跑第一次台股回測、跑完之後怎麼判斷這張報表可不可信」講到你能自己動手。那麼，第一步該從哪裡開始？

台股回測是什麼？先跑出一條曲線，再回頭補指標

台股回測是用歷史股價資料模擬一套交易規則在過去的表現，目的是在投入真錢之前先看到它的報酬與風險長什麼樣子。它不預測未來，它只還原過去。

大部分人卡在第一步，是因為教學的順序反了。你打開任何一篇回測入門，前三段都在解釋夏普比率、最大回撤、勝率、盈虧比——四個名詞讀完，動力就沒了。

我的建議是倒過來：先用最陽春的規則跑出一條曲線，再回頭補指標。因為指標是用來讀報表的，你手上沒有報表，讀再多定義都是抽象的。

最小可行的第一次回測長這樣：❶ 抓一段歷史日線資料（一檔大型權值股或一檔市值型 ETF 就好）❷ 寫一條笨到不行的規則（例如短天期均線向上穿過長天期就買、反過來就賣）❸ 加入手續費與證交稅❹ 畫出資產隨時間變化的曲線。

為什麼規則要笨？因為第一次跑的目的是確認你的管線是通的——資料抓得到、程式跑得動、成本算得進去、圖畫得出來。這時候策略好不好完全不重要。

我自己在遊戲業做產品時養成一個習慣：新的分析流程一定先跑一次「明知會失敗」的版本。因為你要先看到失敗長什麼樣，才有辦法判斷成功是不是真的。回測完全是同一件事。

還有一個順序問題值得先講：回測是驗證策略，不是發想策略。你得先有一個「我覺得這件事會影響股價」的想法，才輪到回測去驗它。反過來拿電腦亂試組合、看哪組最好看再回頭編理由，那不叫研究，那叫算命——後面第四段會用數學告訴你為什麼。

如果你連「該用什麼想法去驗」都還沒著落，順序要再往前一步：先看看我拆過的 AI 選股 7 個坑，那篇管的是「要選什麼」的心態與資料問題，這篇管的是「選完之後怎麼驗證」——兩件事、兩段流程，別混在一起做。

這一段你可以先做的事：先寫下一句話——「我相信 ___ 會影響股價，所以我想驗 ___」。填不出來就先別碰程式，那代表你還沒有要驗的東西。

AI 在台股回測裡能做哪一段？它負責寫程式，不負責決定買賣

AI 在台股回測裡的角色很明確：它負責把你想好的規則翻譯成程式碼、幫你除錯、解釋指標定義、產環境設定檔。它不負責決定買什麼、什麼時候買、參數要調多少。

這條線我畫得很硬，理由不是道德潔癖，是責任歸屬。程式跑錯了，你賠的是真錢；而 AI 對「這段程式有沒有用到未來資料」這種問題的答案，可信度遠低於它寫程式的能力。

我每天用 AI 的時數很長，橫向訂了好幾家的高階方案，久了會發現一件事：AI 最強的是把你已經想清楚的東西變成可執行的形式，最弱的是替你想清楚。回測剛好是這兩件事的交界。

拆成一張表比較清楚：

最後兩列我刻意留白。把調參數交給 AI，是所有回測錯誤裡最貴的一種——你只要說一句「幫我找出表現最好的參數組合」，它就會很勤勞地幫你把策略過度擬合到歷史資料上，而且過程完全無痛，你甚至不會意識到自己做了什麼。

至於哪家 AI 適合這段工作，我另外寫過一篇實測比較：ChatGPT、Claude、Perplexity 在投資研究上的分工與限制。簡短版是——寫程式和讀長文件是不同的強項，別指望一家全包。

這一段你可以先做的事：把你打算丟給 AI 的那句 prompt 唸一遍，如果裡面有「幫我找出最好的」「幫我優化到」這類字眼，先刪掉再送出。

回測報表的三個數字怎麼讀？夏普比率、最大回撤、年化報酬各在回答不同問題

回測報表上最該先看的三個數字是年化報酬、最大回撤、夏普比率，它們回答的是三個不同問題：賺多少、最慘跌多少、每承擔一單位波動換到多少報酬。少看任何一個，你對這套策略的認識都是殘缺的。

先講三個各自在說什麼：

三個之中，我認為散戶最該盯著的是最大回撤，因為它是唯一一個直接對應到「你會不會在最低點把它砍掉」的數字。年化報酬再漂亮，中間那段 40% 的回撤你如果抱不住，實際結果跟回測完全無關。

這件事我在過去幾次大跌裡看得很清楚：帳面上「能承受的跌幅」，跟真的看著帳戶一路往下掉還睡得著，是兩件事。我寫過怎麼問出自己真正睡得著的部位，那篇的「睡眠測試」跟這裡的 MDD 是同一個東西的兩面——一個是主觀的，一個是回測算出來的。把兩個數字擺在一起看，落差通常很誠實。

夏普比率則有一個幾乎沒人講的前提，而且是提出者自己講的。

William F. Sharpe 在 1994 年《The Journal of Portfolio Management》重新整理這個比率時，寫下一段警告：把未經調整的歷史夏普比率當成對未來夏普比率的無偏預測來用，「is subject to serious question」（原文如此）。

換句話說，連提出者本人都不建議你拿回測算出來的夏普比率去推未來。它比較像是同一套資料底下拿來排序不同版本的工具，不是一條可以對照的及格線。

所以看到有人說「我這策略夏普 2.0」，正確的反應不是驚嘆，是問三個問題：用哪段期間算的？無風險利率取多少？中間試了幾個版本才留下這個？第三個問題最要命，下一段整段都在講它。

這一段你可以先做的事：把你回測報表上的最大回撤數字拿出來，換算成你目前部位的實際金額，然後問自己——這個數字連續出現三個月，我會不會賣掉？

為什麼漂亮的回測曲線多半是假的？五年資料只要試 45 組就能做出夏普 1.0

漂亮的回測曲線多半是過度擬合的產物，而且這件事有數學上的定量結果：在只有五年日資料的前提下，最多只能試 45 組獨立的參數組合；試到第 45 組時，樣本內夏普比率的期望值會是 1，而樣本外的期望值是 0。

這個數字出自 Bailey、Borwein、López de Prado 與 Zhu 發表在 2014 年 5 月《Notices of the American Mathematical Society》的〈Pseudo-Mathematics and Financial Charlatanism〉。

他們提出「最小回測長度」（Minimum Backtest Length）這個概念，直接把「你能試幾組」跟「你手上有多長的資料」算成了一條可以查表的關係。

更嚇人的是短資料的版本：只有兩年回測期間時，試七組就夠了——七組獨立設定跑下來，期望中的最佳樣本內夏普是 1，樣本外是 0。七組。你隨手調兩個參數各三個值就超過了。

論文結論那段引了 Fermi 轉述 von Neumann 的一句話，我覺得應該印出來貼在螢幕旁邊：「with four parameters I can fit an elephant, and with five I can make him wiggle his trunk.」——四個參數我可以擬合出一頭大象，五個可以讓牠的鼻子擺動。

而他們給的判準非常實務：一份回測報告如果沒有揭露總共試了幾組設定（N），就無從評估它的過度擬合風險。作者群甚至直接寫道，「過去績效不代表未來」這句標準警語，其實低估了建立在過度擬合回測上的投資風險。

這件事我在遊戲業踩過同一個坑，只是換了個名字。做數值平衡的時候，你可以把關卡難度、掉落率、成長曲線一路微調到歷史玩家資料上的留存率最好看——然後版本上線，新玩家全部卡在第三關流失。你調的不是「好玩」，你調的是「剛好貼合那批舊資料」。

過度擬合不是統計學的專有名詞，它是「把答案背起來考同一份考卷」的通稱。回測的考卷是歷史股價，遊戲的考卷是舊玩家行為，本質完全一樣：你在解釋過去，不是在預測未來。

所以防過度擬合的動作其實只有三個，而且都很無聊：

• 先切樣本外：把資料切成前後兩段，只用前段設計策略，後段完全不看，直到你確定不再改任何東西為止。
• 記錄試驗次數：開一個試算表，每跑一組就記一行。你會很快發現自己早就超過 45 組了。
• 參數越少越好：能用兩個參數說清楚的策略，不要用五個。大象跟鼻子那句話是認真的。

我有個朋友前陣子拿一張年化 40% 的回測圖來問我值不值得跟。我只問了一句「你試了幾組」，他想了三秒說「大概……一百多組吧」。那張圖後來就沒有下文了。

這一段你可以先做的事：現在就開一個記錄試驗次數的表格，欄位只要三欄——第幾組、改了什麼、樣本內夏普。跑第一次回測之前就開。

台股回測的交易成本要怎麼設？證交稅只課賣出，最低手續費才是小額策略的殺手

台股回測的交易成本要分三筆設：買進手續費、賣出手續費、賣出證交稅。其中證交稅只在賣出時課徵，這是最多人在回測程式裡設錯的一筆。

先把官方數字放上來。依《證券交易稅條例》第 2 條，證券交易稅「向出賣有價證券人」按成交價格課徵：公司發行之股票徵千分之三，公司債及其他經政府核准之有價證券（受益憑證即屬此類）徵千分之一。

手續費那邊，依金管會核定的臺灣證券交易所營業細則相關規定，券商所訂手續費率逾成交金額千分之 1.425 者須於委託前告知客戶並留存紀錄；同時券商「得訂定折讓及每筆委託最低費用」。

所以完整的回測成本設定應該長這樣：

現在講那個幾乎沒有教學會提、但會把小額策略整個吃掉的東西：每筆最低手續費。

牌告費率 0.1425% 換算過來，成交金額大約要到 1.4 萬元（20 ÷ 0.1425% ≈ 14,035 元），手續費才剛好等於 20 元。低於這個金額，你付的都是那個 20 元低消，實際費率會被墊高。

拿一筆 5,000 元的整股交易實算：買進手續費理論值是 7.1 元，但低消 20 元；賣出手續費同樣 20 元，加上證交稅 15 元。來回總成本 55 元，佔本金 1.1%。而如果你在回測程式裡只寫了「手續費 0.1425% × 2 + 證交稅 0.3%」，算出來是 0.585%——你少算了將近一半。

而且這裡有個反直覺的地方：券商折扣越低，低消咬得越兇。假設你談到很低的折數，5,000 元的手續費理論值可能只剩兩三塊錢，但你還是得付 20 元——折扣對小額單根本不生效，只有大單才吃得到。

把這件事放進策略層面看就很殘酷了。假設一套策略一年來回 50 次、每次都用 5,000 元的部位，光交易成本就是 55 × 50 = 2,750 元，等於本金的 55%。這套策略要先賺回 55% 才回到原點。

所以我看到「高週轉、小資金」的策略時，第一個動作不是看報酬率，是先看它一年交易幾次、每次部位多大。這兩個數字乘出來的成本，常常比策略本身的優勢還大。ETF 的證交稅只有 0.1% 稍微好一點，但低消是一樣的，我整理過 ETF 的費用率與成分股怎麼查，那些內扣費用在回測裡也要一併算進去。

這一段你可以先做的事：把你策略的「單次部位金額」跟 1.4 萬元比一比。低於這個數，先把回測程式裡的手續費改成「取 0.1425% 與 20 元的較大者」再重跑一次。

AI 幫你寫的回測程式最常犯哪三個錯？未來函數、倖存者偏誤與資料對齊

AI 產出的回測程式最常見的三個錯誤是未來函數、倖存者偏誤與資料對齊。這三個的共同點是：程式不會報錯、曲線會變漂亮，而且你完全不會察覺——它們是「安靜的錯」。

第一個：未來函數（look-ahead bias）。指的是回測在某個時間點用到了那個時間點還不存在的資訊。最常見的版本是「當天收盤價出現訊號、就用當天收盤價成交」——現實裡你要看到收盤價才知道訊號成立，那時候已經收盤了。

台股有一個更隱蔽的版本，跟財報有關。依《證券交易法》第 36 條，已依法發行有價證券的公司要在會計年度終了後 3 個月內公告年度財務報告、在各季終了後 45 日內公告第一、二、三季財報，另外每月 10 日前公告上月營運情形。

意思是：第二季的財報資料期間到 6 月 30 日為止，但最晚可以到 8 月 14 日才公告。如果你的回測在 7 月 1 日就拿第二季的每股盈餘去篩股，那不是策略，那是作弊——現實中那個數字當天根本還不存在。

這條坑我認為是台股回測最值得單獨記起來的一條，因為它不像「用收盤價成交」那麼直覺，而且效果非常顯著：提前拿到財報等於提前知道結果，回測曲線會漂亮到讓你不想懷疑它。

第二個：倖存者偏誤（survivorship bias）。你的資料如果只包含「現在還在市場上」的股票，那些下市、變更交易方法、被合併掉的公司全部不在裡面——而它們正是虧最多的那批。

好消息是這個有官方地方可以補：臺灣證券交易所有公開的「終止上市公司」查詢頁。大部分教學會提醒你「注意倖存者偏誤」，但不會告訴你去哪裡查——這頁就是。至少你可以拿它跟自己的股票池對一次，看看漏了多少家。

第三個：資料對齊。除權除息、股票分割、減資都會讓價格出現斷點。如果你的資料沒有做還原（調整），程式會把除息當天的價格跳空當成一次真實的下跌，長期回測下來完全失真。

這三個錯有一個共同的檢查手法，我自己每次都用：把回測期間縮短到你「親身經歷過」的那幾個月，然後看它有沒有在你記得的大跌裡受傷。如果一套策略在你印象最深的那波跌勢裡毫髮無傷、曲線平滑向上，那通常不是策略厲害，是你的資料或邏輯有問題。

這招之所以有效，是因為你的記憶是一份 AI 沒有的驗證資料。程式不知道那三個月有多難熬，但你知道。我把那段時間的風控判斷寫成過一份清單，拿它跟你的回測結果對照，比多看十個指標有用。

至於 AI 產出的數字本身，一律要回官方對。我用公開資訊觀測站做交叉對表的五個步驟在這裡同樣適用，而AI 幻覺與資料過期的完整風險清單則是每個用 AI 碰投資的人都該先讀一次的底線。

這一段你可以先做的事：打開你的回測程式，搜尋所有用到「收盤價」的地方，逐一確認訊號成立的時點跟成交的時點差了幾根 K 棒。差 0 根就是未來函數。

台股回測資料去哪拿、要不要花錢買工具？免費三件套先跑，再談付費

台股回測的資料來源分三層：官方原始資料、開源套件、商業平台。第一次跑回測我建議完全走免費路線，等你確定自己真的會持續做這件事，再考慮要不要付費。

三層各自的定位：

我的判斷線很簡單：如果你還沒有完整跑過一次回測、也還沒有一個具體想驗的假設，先不要付費。付費買的是時間，但你現在缺的不是時間，是「知道自己在驗什麼」。

反過來，什麼時候付費是划算的？當你發現自己每次跑回測有八成時間花在整理資料、處理除權息還原、補下市股票這些雜事上，而不是花在想策略上——那個比例失衡的時候，就是該考慮工具的時候。

有一條免費路線常常被跳過：Google Sheets。如果你的策略是月頻或季頻、標的只有幾檔，用試算表完全跑得動，而且過程你每一格都看得見，反而比黑箱程式安全。我做過一份用試算表追蹤持股的模板，同樣的結構稍微改一下就能做簡易回測。

資料要去哪查、哪個來源可信度比較高，這件事我另外整理過一張分層地圖：台股資料查詢的可靠度分層，回測用的資料一律往上層取，別從內容農場的整理表抓。

如果你想要的其實不是自己寫程式、只是想有工具幫忙篩選，那方向就不同了——我實測過 21 款投資理財 AI 工具並整理成 4 套組合，另外也寫過雲投資這類台股分析平台怎麼幫我省下選股時間。工具型和自己寫回測是兩條路，先想清楚你要哪一條。

這一段你可以先做的事：打開證交所開放資料平台，隨便挑一個端點按下去，先確認你拿得到資料、看得懂格式，再決定要不要裝任何套件。

台股回測可信度自查表：跑完先過這 10 題，再談要不要下場

回測跑完之後，先別看報酬率，先把這 10 題逐條打勾。這張表不保證策略會賺，但它能擋掉九成「看起來很棒、上線就崩」的情況。

• ❶ 我記得自己總共試了幾組參數嗎？記不得＝已經超標。五年資料的上限是 45 組。
• ❷ 我有沒有留一段完全沒看過的資料？設計期間跟驗證期間必須切開，而且驗證期間只能看一次。
• ❸ 手續費有沒有取「費率與低消的較大者」？小額部位不設低消，成本會低估一半。
• ❹ 證交稅是不是只課在賣出？買進不課；股票 0.3%、受益憑證 0.1%。
• ❺ 滑價有沒有算？成交價不會剛好等於訊號價，尤其是低成交量的標的。
• ❻ 訊號成立與成交之間差了幾根 K 棒？差 0 根就是未來函數。
• ❼ 用到財報資料的話，有沒有對齊法定公告時點？季報最晚可以到季末後 45 日才公告。
• ❽ 股票池有沒有包含下市與變更交易的公司？沒有＝倖存者偏誤。
• ❾ 價格資料有沒有做除權息還原？沒有＝把配息當成下跌。
• ❿ 最大回撤換算成實際金額後，我睡得著嗎？睡不著就是部位太大，不是策略不好。

十題裡我認為第一題最關鍵，也最容易被跳過。因為它不是技術問題，是誠實問題——沒有人會故意過度擬合，大家都是「再試一組看看」試出來的。

那麼，這套方法適合誰、不適合誰？我的分法是這樣：

適合：已經有具體投資假設想驗證、願意花時間看懂程式碼、能接受「大多數策略驗完就是無效」這個結果的人。回測的正常產出是「這招沒用，下一個」，不是「找到聖杯」。

不適合：想找一套照抄就能賺的參數、沒時間逐行檢查程式、或是把回測當成投入更大部位的信心來源的人。對這三種人來說，回測不會降低風險，只會放大它。

成本大概是這樣：走免費路線的話，金錢成本是 0，時間成本大約是「看懂一份程式碼 + 跑通一次資料管線」，實際多久因人而異。商業平台則是把時間換成訂閱費，值不值得看你的使用頻率。

下一步：如果你這 10 題有超過 3 題答不出來，先別碰真錢——回頭把答不出來的那幾題補完，那才是這次回測真正的產出。

FAQ 常見問題

不會寫程式，可以只用 AI 幫我跑台股回測嗎？

可以產出程式，但不建議在看不懂的狀態下拿結果做決定。AI 寫程式的能力遠強過它檢查自己有沒有用到未來資料的能力，而未來函數這種錯不會報錯、只會讓曲線變漂亮。折衷做法是先從 Google Sheets 這種每一格都看得見的工具開始，等你能判斷「這個數字為什麼是這樣」再進到程式。

回測結果很好，可以直接投入真錢嗎？

回測好只代表這套規則在那段歷史上沒有明顯失敗，它排除了壞策略，但沒有證明這是好策略。合理的順序是：切樣本外驗證一次、記錄總共試了幾組、把交易成本設到最保守，然後從很小的部位開始實際跑一段時間，看實際成交價跟回測假設差多少。跳過這幾步直接放大部位，是把統計誤差當成信心。

夏普比率要多少才算好？

沒有一條放諸四海的及格線，而且 Sharpe 本人在 1994 年的原文裡就對「拿歷史夏普當未來預測」表達過保留。不同期間長度、不同無風險利率假設算出來的數字不能互比。比較有用的用法是：在同一套資料、同一段期間下，拿它來排序你自己的幾個版本，而不是拿去跟別人的數字比大小。

回測要用多長的歷史資料才夠？

資料長度跟你能試的參數組數是綁在一起的。前面引的研究算過，五年日資料對應的試驗次數上限大約是 45 組、兩年只有 7 組——資料越短，你能容許的嘗試次數就越少。所以問題不該問「多長才夠」，該問「以我手上的資料長度，我還剩幾次嘗試的額度」。

網路上有人賣回測績效很好的策略，可以買嗎？

證期局點名過的投資詐騙話術就包含「穩賺不賠」「高獲利低風險」「明牌、潛力股」這幾類，而「附上漂亮回測圖的策略」正是這些話術現在最常見的包裝。

判斷方法很直接：問對方總共試了幾組參數、樣本外期間是哪一段。答不出來或閃避的，就是那篇論文說的「無從評估過度擬合風險」。要確認對方是不是合法業者，可以查金管會證期局公告的核准名單；遇到可疑邀約直接撥 165。

結論：回測是篩子，不是水晶球

寫到這裡，我想把最開始那條漂亮曲線的結局講完。我後來把那套策略切了樣本外——前四年設計、最後一年完全不看，直到確定不再改任何東西才拿出來驗。結果是平的，什麼都沒有。

那次之後我對回測的期待整個改變了。我不再期待它告訴我什麼會賺，我只期待它幫我把明顯不會賺的東西刪掉。從這個角度看，那次「什麼都沒有」的結果其實非常成功——它省下了我一整年的真錢實驗。

如果你要從這篇帶走三件事，我會選：試驗次數要記下來、交易成本要包含低消、樣本外只能看一次。這三件事都不需要更高深的數學，只需要你對自己誠實。

最後補一個實務上的提醒：回測算出來的每一個數字，都是建立在「歷史會以類似的方式重演」這個假設上。它不保證獲利，也不構成任何買賣建議；真正要放進市場的部位大小，還是得看你自己的資金狀況與睡得著的程度來決定，必要時找合格的專業人士討論。

把回測當篩子用的人，會慢慢累積出一批「已經驗過沒用」的清單；把它當水晶球用的人，會累積出一批很貴的教訓。這兩種清單都會變長，差別只在你付什麼代價換來的。

想繼續往下走的話，投資理財 AI 工具的完整實測與 4 套組合是這條線的總入口，裡面有從研究到記錄的完整工具地圖；另外我用 25 倍法則算退休缺口那篇是另一種「先算清楚再行動」的練習——策略驗證跟財務規劃，用的其實是同一種腦。

💡 追劇族延伸閱讀

• 跟回測一樣，追劇最貴的也是「沒算清楚就開下去」——台灣看陸劇的五大平台怎麼選，別為一部劇亂訂年約
• 綜藝也有免費陷阱：《披荊斬棘 2026》台灣哪裡看，我點開四個管道發現免費的只有 5 分鐘
• 搜到「全集」不代表真的看得到：《師兄太穩健》台灣哪裡看，愛奇藝那個「全集」只有 1 分鐘

參考資料

• 財政部主管法規共用系統－證券交易稅條例（第 2 條課徵稅率、第 2-1 條暫停徵、第 2-2 條當日沖銷稅率）
• 金融監督管理委員會－臺灣證券交易所營業細則第 94 條修正條文核定函（金管證二字第0960068768號）
• 全國法規資料庫－證券交易法第 36 條（財務報告公告申報期限）
• 臺灣證券交易所－終止上市公司
• 臺灣證券交易所－OpenAPI 開放資料平台
• Bailey, Borwein, López de Prado & Zhu,〈Pseudo-Mathematics and Financial Charlatanism: The Effects of Backtest Overfitting on Out-of-Sample Performance〉, Notices of the AMS, Vol. 61 No. 5, May 2014
• William F. Sharpe,〈The Sharpe Ratio〉, The Journal of Portfolio Management, Fall 1994（作者本人重刊頁）
• 金管會證券期貨局－本會核准之合法證券商、期貨業、投信投顧業
• 內政部警政署 165 全民防騙網