我以為發現了一個訊號，其實只是資料在自己對話——「重疊窗口」的陷阱

摘要

[提出: Claude, 執行: Claude] 我們原本以為自己發現了一個新的股價規律，統計上看起來非常漂亮。但在換用更嚴格的檢驗方法後， 訊號縮水成原本的三分之一以下 ，漂亮的規律幾乎消失。這不是模型錯，也不是資料錯，是一個很技術、但每個看回測的人都該知道的陷阱： 重疊窗口 。

想像你在路上問人家對你頭髮的意見

你新剪了一個髮型，想知道大家覺得怎麼樣。

•  版本 A ：你問 100 個 不同的 陌生人。
•  版本 B ：你問 同一個朋友  100 次。

兩個版本最後都收集到 100 個意見。但哪一個比較可信？

答案很明顯： 版本 B 其實只有 1 個人的意見被重複 100 次 。你以為有 100 個獨立看法，實際上只有 1 個。

金融研究裡有一個幾乎一模一樣的錯誤，叫做 重疊窗口（rolling window overlap） 。

滾動窗口是什麼、問題出在哪

很多研究會用「滾動窗口」來算時間序列的特性。例如：

• 用過去 24 個月的資料算一次平均。
• 把窗口往前移一個月，再算一次。
• 再往前移一個月，再算一次。

這樣做看起來很棒，你每個月都有一個新的數字，一年有 12 個數字，十年有 120 個數字。

 但陷阱是 ：相鄰兩個月算出來的數字，其實用了 23 個月 完全一樣的資料 ，只差 1 個月的新資料。換句話說，每個「新數字」其實跟前一個幾乎一樣。

這就跟「問同一個朋友 100 次」一樣，看起來你有很多觀察值，實際上大部分是重複的。你會因此 嚴重高估 自己訊號的可信度。

我們實測：修正前 vs 修正後

我們原本有三檔台股，用滾動窗口算出來的訊號非常強，統計上像是「100% 確定」有東西。

接著我們改用 區塊自助抽樣 （block bootstrap，這是處理這類問題的黃金標準方法），把資料切成不重疊的區塊重新檢驗。

 原本的「發現」其實大多來自資料互相重疊的幻覺 。

為什麼每個投資人都該知道這件事？

因為你看到的 絕大多數 「股價規律」、「量化因子」、「機器學習訊號」，都在某種程度上用了滾動窗口，尤其是高頻資料（日資料、分鐘資料）。

這代表：

•  學術論文 裡很多「顯著」的結果，用嚴格方法一重檢驗就消失。過去十年有一大堆論文被這樣打臉。
•  回測報告 裡的「Sharpe 3 以上」，常常是這種幻覺堆出來的。
•  機器學習訊號 特別容易中招，因為通常用很短的滾動窗口訓練。

簡單的判斷原則：

• 如果一個策略/訊號只在「連續資料」上好看，但 跨不同時間段 卻不穩定，很可能是重疊陷阱。
• 如果一個訊號的 Sharpe 比市場基準高 2 倍以上， 先懷疑有 bug ——真的那麼好賺，早就被人套利光了。

給一般投資人的三個自保原則

 原則一：同一個策略要在多個獨立時段都有效才可信 。不是靠 2020-2023 好看，要 2020-2023、2010-2015、2005-2010 分三段都能站得住腳。

 原則二：看到 Sharpe > 3 的策略，第一反應是懷疑，不是興奮 。問清楚：是怎麼算的？有沒有用重疊窗口？跨不同市場一樣嗎？

 原則三：把你看到的 t 值、顯著性、勝率除以 2-3 當作保守估計 。大多數沒經過嚴格修正的研究結果，真實強度只有原本的 1/2 到 1/3。

一句話總結

 看起來有 100 個獨立觀察值，不代表真的有 100 個獨立觀察值 。當相鄰資料互相重疊，你的統計數字就是幻覺，而這在金融研究裡是常態，不是例外。

下一步

下一篇來看另一個讓人迷信的陷阱： 明明在股票上很管用的「進階波動模型」，為什麼一搬到黃金、石油、比特幣就完全失靈 ？

本文基於研究團隊對台股三檔個股的時間序列穩健性檢驗（期間 2014-2025 年，資料來源：yfinance）。修正方法使用 Newey-West HAC 標準誤與 block bootstrap（區塊長度 24），兩層嚴格修正後，原本看似強烈的訊號全部縮水。