【歷史重演】1998年LTCM崩盤教你一件事:你在台股跑的Python策略，正在犯諾貝爾天才同一個致命錯誤

LTCM當年用數學模型吞噬萬億美元，其核心謬誤至今仍潛伏在你的回測報表裡。

1998年8月，一群全世界最聰明的人正在對著螢幕發抖。

他們是誰？兩位諾貝爾經濟學獎得主Myron Scholes和Robert Merton，加上華爾街最頂尖的債券交易員John Meriwether。他們的基金叫Long-Term Capital Management，簡稱LTCM。四年來，年化報酬率超過40%。投資人擠破頭想把錢塞進去。高盛、美林、瑞銀，全部是LP。

然後俄羅斯債務違約了。

六週之內，LTCM虧掉46億美元。整個基金的槓桿率高達25:1——意思是每1塊錢的本金，撬動了25塊錢的部位。聯準會緊急召集華爾街14家銀行聯手救援，因為如果LTCM倒了，整個金融體系可能跟著陪葬。

你可能覺得這是古早歷史，跟你在台股用Backtrader跑的均值回歸策略八竿子打不著。

坦白講，我以前也這麼想。直到我仔細拆解LTCM的交易邏輯，才發現一件讓我背脊發涼的事——他們犯的核心錯誤，跟我們這些散戶量化交易者每天在犯的，根本是同一個東西。

那個錯誤叫做:把回測當預言。

LTCM的策略其實不複雜。他們做的是收斂交易（convergence trade），核心假設是「價差終將回歸均值」。舉例來說，兩檔高度相關的債券如果價差異常擴大，就同時做多便宜的、做空貴的，等價差收斂時獲利。統計套利的經典款。聽起來很熟吧？你用Shioaji串接台股報價，抓兩檔金融股跑配對交易的時候，邏輯一模一樣。

問題在哪？他們的模型用了五年歷史數據來校準參數。五年。在那五年裡，市場沒有發生過像俄羅斯違約這種等級的事件。所以模型「學會」了一件事:價差永遠會收斂。但1998年告訴所有人——價差不但可以不收斂，還可以在你爆倉之前繼續擴大到你做夢都想不到的程度。

這就是Overfitting的原罪。

我認識不少在台灣做量化的朋友（包括我自己），跑回測的時候都有一個壞習慣:不斷調參數，直到回測曲線漂亮為止。夏普比率2.5？不夠，再調。3.0？嗯，差不多了。最大回撤只有8%？完美。然後就拿去跑實盤。

等等。你有沒有想過，那條漂亮的回測曲線，到底是策略真的有效，還是你的參數剛好完美擬合了過去的數據？

LTCM的天才們用的是Black-Scholes模型的變體，參數經過嚴格的數學推導。但即使是諾貝爾獎等級的數學，也逃不過一個殘酷的事實:歷史數據裡沒有的事件，模型永遠學不會。這叫做厚尾風險（fat tail risk），或者用更白話的說法——黑天鵝。

好，那我們該怎麼辦？不跑回測了嗎？當然不是。

我的建議很具體。如果你正在用Python做量化交易（不管是用Backtrader、Zipline還是自己刻的框架），至少做到這三件事:

第一，Walk-Forward Analysis。別把所有歷史數據一次餵進去。把數據切成訓練集和驗證集，用滾動視窗的方式測試。你的策略在「沒見過」的數據上還能賺錢嗎？如果不能，那回測報表上的數字就是幻覺。

第二，壓力測試要用極端情境。不要只用2020年到2025年的台股數據。把2008年金融海嘯、2020年三月熔斷、甚至2022年的升息循環都丟進去。用Fugle API或Shioaji拉長期歷史數據不難，難的是你願不願意面對那些讓你策略曲線變醜的真相。

第三——這是LTCM最血淋淋的教訓——控制槓桿。LTCM的數學模型本身其實沒那麼離譜，真正殺死他們的是25倍槓桿。就算你的策略勝率60%，期望值為正，25倍槓桿下只要一次極端虧損就足以讓你歸零。台灣期貨市場的保證金制度本身就帶有槓桿效果，很多人還額外加碼，這跟LTCM當年的瘋狂程度差別沒你想像的那麼大。

說到開源工具，我最近在研究的是Lean（QuantConnect的開源引擎）。它有一個功能我特別喜歡:內建的風險管理模組可以設定最大槓桿上限和單日最大虧損。這種「把紀律寫進程式碼」的思路，比起靠人的意志力控制風險，靠譜太多了。Backtrader的Sizer機制也能做到類似的事，但需要你自己實作得更細緻一些。

（順帶一提，Hummingbot在加密貨幣做市策略上很成熟，台灣幣圈社群用的人不少，但做市策略的存貨風險管理本質上跟LTCM的問題是同一回事——你在賭價差會收斂。）

回到LTCM的故事。基金被清算之後，Scholes在一次訪談裡說了一句話，大意是「模型告訴我們風險很小，但市場不在乎模型怎麼說」。

這句話值得列印出來貼在你的螢幕旁邊。

二十八年過去了，工具從Excel變成Python，交易所從紐約延伸到台北，策略從債券套利變成台股配對交易。但那個致命的誘惑從來沒變——我們總是太容易相信自己的模型，因為回測報表上的數字太漂亮、太令人安心了。

LTCM的教訓不是「量化交易行不通」。恰恰相反，量化交易是個好工具。但工具不會告訴你它的極限在哪裡。那是你的工作。

你下次按下「開始回測」之前，問自己一個問題:如果明天發生一件過去二十年從沒發生過的事，我的策略會怎樣？

如果你答不出來，那你跟1998年的那群諾貝爾天才，站在同一個懸崖邊上。