ADX 指標怎麼用才對？台股 11 年回測：它量強度、不量方向

ADX 指標在台股的正確用法：量趨勢強度，不量方向

先用一張表回答你搜尋「ADX 指標」時最想知道的事（資料截至 2026-09-30）：

若想比較ADX以外的選股規則，可看營收篩選創新高策略，核對股價新高、RSI 與營收條件如何形成持股。

本文所有數字皆出自 finlab 套件抓取的上市櫃真實價量資料（price 與 etl:adj_close 含息還原股價），回測區間 2015-01-30 至 2026-09-30，基準為同一天起算的含息 0050。文末附可下載的 strategy.py 與 data.csv，執行後會印出文中的主要表格。對回測的觀念還不熟，可先看回測是什麼。

ADX 指標是什麼：DMI 體系裡量「強度」的那條線

ADX（Average Directional Index，平均趨向指數）是 J. Welles Wilder 在 1978 年《New Concepts in Technical Trading Systems》提出的趨向指標，屬於 DMI（Directional Movement Index）體系。這套體系由三條線組成：

+DI（正趨向指標）：量上漲方向的力道。

-DI（負趨向指標）：量下跌方向的力道。

ADX：先由 +DI 與 -DI 算出 DX（兩者差距相對總和的比值），再對 DX 做平滑，得到的就是 ADX。它衡量的是「趨勢有多強」，數值越高代表趨勢越明確。

這裡有一個常被教學略過、卻是整篇文章關鍵的事實：ADX 是用 +DI 和 -DI 的「差距」算出來的，所以它對上漲與下跌一視同仁。 一檔猛烈下跌的股票，-DI 遠大於 +DI，差距很大，ADX 一樣會衝很高。ADX 高只告訴你「現在有強趨勢」，沒有告訴你趨勢往上還是往下。方向要交給 +DI 與 -DI 的相對位置：+DI > -DI 偏多、-DI > +DI 偏空。

教科書常用的讀數門檻是：ADX < 20 代表盤整無趨勢、20-25 趨勢成形、> 25 趨勢明確。常用參數是 14 日（Wilder 原始建議），本文也沿用。技術指標的基礎名詞可參考名詞詞彙表；ADX 屬於 TA-Lib 內建函式之一，實作可參考用 Python 計算 158 種技術指標。

ADX 的數學定義：從 +DM／-DM 到 DX 再到 ADX

把「強度不分方向」翻成公式就一目了然。DMI 體系從每日的方向移動量（DM）出發，先算 +DI 與 -DI，再由兩者算 DX，最後對 DX 做平滑得到 ADX：

$+DI = 100\frac{S_n(+DM)}{ATR_n},\ -DI = 100\frac{S_n(-DM)}{ATR_n},\ \ DX = 100\frac{|+DI - (-DI)|}{+DI + (-DI)},\ \ ADX = S_n(DX)$

逐個符號拆開來看：

• $+DM$（正方向移動量）是今日高點比昨日高點多出的部分，$-DM$（負方向移動量）是昨日低點比今日低點多出的部分；兩者只保留較大且為正的那一邊，另一邊歸零。它們各自衡量「向上」與「向下」的原始推力。
• $S_n$ 是 Wilder 平滑法，等同於平滑係數 $1/n$ 的指數移動平均；$ATR_n$ 是用同一種平滑算出的 $n$ 日平均真實區間（average true range）。把 +DM／-DM 除以 $ATR_n$，不同價位、不同波動的股票才能放在同一把尺上比較。
• $+DI$、$-DI$ 就是標準化後的上漲力道與下跌力道（乘 100 變成百分比刻度）。$+DI > -DI$ 代表多方占上風，反之空方占上風；方向資訊全藏在這兩條線的相對位置。
• $DX$ 是 $+DI$ 與 $-DI$ 的「差距」除以「總和」。分子是絕對值 $|+DI - (-DI)|$：上漲力道遠大於下跌、或下跌力道遠大於上漲，$DX$ 都會很高。這是 ADX「不分方向」的數學根源。
• $ADX$ 是 $DX$ 再做一次 $n$ 日平滑。多一層平滑讓讀數穩定，也讓它對轉折反應更慢，本質偏落後。

總結來說，$ADX$ 只用到 $+DI$ 與 $-DI$ 的差距大小，丟掉了誰大誰小的方向資訊。要把方向找回來，就得回頭看 $+DI$、$-DI$ 本身，這也是下面所有用法的共同起點。

在台股看 ADX 的訊號長相：以台積電為例

公式抽象，圖更直觀。下面這張圖把台積電（2330）2023-07 到 2024-06 約一年的走勢攤開：上半部是股價、標出兩個教科書派別的進出場點，下半部是同期的 ADX（青色）、+DI（粉紅）與 -DI（淺綠）三條線，虛線是 ADX = 25 的趨勢門檻。

圖上兩個派別的買賣點規則不同（向上三角是進場、向下三角是出場；外框藍色是趨勢派、紫色是裸高 ADX 派）：

• 趨勢派：要 ADX > 25（趨勢夠強）且 +DI > -DI（方向偏多）同時成立才算持有，任一條件失效就出場。這一年進場 8 次、出場 8 次。
• 裸高 ADX 派：只看 ADX > 25、完全不看方向。同一段進場 6 次、出場 6 次。

這張圖呈現三件事。第一，ADX 高的時候不一定該買：裸高 ADX 派 6 次進場裡，2023-08-15 那一次進場當天 -DI 30.2、+DI 13.3，ADX 衝高來自下跌力道，股價從 542 元續跌到 9 月 26 日的 519 元，趨勢派那天沒有進場。第二，訊號相當頻繁：一年內進出各 6 到 8 次，門檻附近反覆穿越就會產生來回甩動（whipsaw）的假訊號；2024 年 4 月 19 日到 5 月 2 日，趨勢派兩週內出場三次、進場兩次。第三，ADX 反應偏慢：它是 DX 再平滑一次，2024 年 1 月 19 日股價從 588 元跳空到 626 元，ADX 到 1 月 24 日才站上 25。

想自己畫這張圖，可以用 data.indicator 直接取得 ADX 與 +DI／-DI，再用布林邏輯標出兩派的進出場日。持有狀態要用完整歷史計算，再取示意窗內的翻轉日，否則窗口第一天如果剛好翻轉會被漏算：

import finlab
from finlab import data
 
# finlab 會在需要資料時自動引導登入
finlab.login()
 
# 取 DMI 體系三條線（皆 14 日）
adx = data.indicator("ADX", timeperiod=14)
plus_di = data.indicator("PLUS_DI", timeperiod=14)
minus_di = data.indicator("MINUS_DI", timeperiod=14)
 
# 台積電：用完整歷史判斷每天的持有狀態，示意窗開頭的翻轉才不會漏算
sid = "2330"
trend_hold = (adx[sid] > 25) & (plus_di[sid] > minus_di[sid])   # 趨勢派
naked_hold = adx[sid] > 25                                     # 裸高 ADX 派：不問方向
 
 
def entries_exits(hold, start="2023-07-01", end="2024-06-30"):
    """持有狀態 0 → 1 為進場、1 → 0 為出場，只取示意窗內的日期。"""
    flips = hold.astype(int).diff().loc[start:end]
    return flips[flips == 1].index, flips[flips == -1].index
 
 
trend_entries, trend_exits = entries_exits(trend_hold)
naked_entries, naked_exits = entries_exits(naked_hold)
 
print("趨勢派 進場", len(trend_entries), "出場", len(trend_exits))
print("裸高 ADX 進場", len(naked_entries), "出場", len(naked_exits))

執行會印出「趨勢派 進場 8 出場 8」與「裸高 ADX 進場 6 出場 6」。把進出場日標在股價上、三條線畫在下方副圖，就是上面那張示意圖。單股、單窗就能看出訊號之密與「沒搭方向會誤判」的問題；下一段把它放大到整個股票池、跑 11 年回測。

直接選「ADX 最高的股票」，台股 11 年會發生什麼事

我們在可交易宇宙（60 日均成交金額前 300 大、收盤 > 10 元、60 日均量 > 100 萬股，排除 ETF、金融保險股、處置與全額交割股，代號須為 4 碼數字）裡，把幾種「ADX 選股」用法各跑一次月再平衡回測，每種都等權持有 30 檔、不做擇時：

三個結論。

第一，選 ADX 最高的股票，報酬看似不差（研究段年化 21.9%），代價是全期 -44.1% 的最大回撤。 ADX 不分方向，「ADX 最高」這個排序會把處於強勢下跌段的股票一起選進來。月底換股時剛好接到正在加速下跌的股票，回撤自然深；這個籃子最深的一段跌在 2025 年 4 月。

第二，反過來選 ADX 最低的股票、賭盤整後反彈，研究段年化只有 3.8%、月夏普 0.29，2022 年起也只有約 4%。 台股的報酬集中在強趨勢端，弱趨勢均值回歸這條路在 ADX 上走不通。

第三，把 ADX 的變化量當訊號，研究段月夏普只有 0.57 到 0.65。 ADX 本身已經是 DX 的平滑值，再對它取差分或標準化，主要是在放大雜訊。2022 年起這三種用法的月夏普升到 0.79 到 0.98，仍低於 0050 的 1.21，最大回撤都比 -38% 更深。ADX 適合拿「水準值」當濾網，不適合拿「變化量」當主因子。 各技術指標的用法比較，也可參考RSI、MACD、KD 比較。

圖上「強度×方向×廣度擇時」那兩根，是本文後面要組出來的完整策略：研究段月夏普 1.08，比任何把 ADX 單獨當選股因子的用法都高；但 2022 年起只有 1.02，反而低於最單純的 ADX 最高 30 檔（1.06）與 0050（1.21）。它的優勢主要在回撤，後面幾段會逐層拆開。

ADX 的第一個正解：永遠搭 +DI／-DI 方向濾網

問題出在「ADX 不分方向」，最直接的修正就是把方向補回來，這也是 DMI 體系原本的用法：ADX 看「強不強」、+DI／-DI 看「往哪走」。

我們在選股端加一道方向濾網：只在 ADX > 20（確認有趨勢）且 +DI > -DI（確認方向偏多）的股票裡，選 ADX 最高的 30 檔。研究段年化從裸版的 21.9% 提升到 26.1%、月夏普從 1.04 升到 1.17，全期最大回撤由 -44.1% 小幅改善到 -41.9%。但 2022 年起，年化 27.4% 對裸版 29.2%、月夏普 1.00 對 1.06，方向濾網沒有帶來改善。

兩個檢查：

• 跨門檻：把強度門檻從 20 換成 25、30，研究段月夏普分別是 1.17、1.09、1.01，2022 年起是 1.00、0.99、0.95。門檻越高越差，沒有哪一格特別突出，20 是三者中最好的一格，但差距不大。
• 同源方向訊號比外掛動能好一些：改用「20 日報酬 > 0」當方向濾網（外掛一個動能因子），研究段月夏普 1.09、全期回撤 -43.5%、2022 年起月夏普 0.92，三項都比 DMI 自身的 +DI／-DI（1.17、-41.9%、1.00）差。

方向濾網解決了「買到強勢下跌股」的問題，全期最大回撤仍有 -41.9%：整個大盤系統性下跌時，強勢上漲股也會一起被拖下水。要把回撤壓下來，得換一個層次來用 ADX。延伸閱讀：技術面與基本面選股的差異、動能策略。

ADX 最有用的位置：用「ADX-DI 廣度」當清倉開關

單看一檔股票、甚至單看大盤指數的 ADX，雜訊很大。改問一個橫截面的問題：「現在股票池裡，有多少比例的股票同時處於強勢『且』向上的趨勢？」 就得到一個比較平滑的多空力道度量。我們稱它為 ADX-DI 廣度：可交易宇宙內「ADX > 25 且 +DI > -DI」的個股家數佔比（宇宙每天約 174 到 260 檔，中位數 228 檔）。廣度高，代表多數股票結構偏多；廣度崩落，代表強勢上漲股集體消失。

把這個廣度做成開關：每月最後一個交易日，廣度 > 0.15 就持有前面那籃「強趨勢且向上」的 30 檔股票；廣度 ≤ 0.15 就整籃清空、持現金。全期最大回撤從方向濾網版的 -41.9% 壓到 -31.3%，從裸選高 ADX 的 -44.1% 少了 12.8 個百分點。

這張拆解圖要看清楚兩件事：

• 廣度擇時降的是回撤，沒有提高全期月夏普。 加方向濾網後全期月夏普 1.01，再加擇時反而是 0.97，與裸籃相同。擇時讓策略在急跌段離場，也讓它錯過一部分反彈。
• 擇時也能單獨套在裸籃上：同一個開關套在沒有方向濾網的 ADX 最高 30 檔，全期最大回撤一樣從 -44.1% 壓到 -31.9%，代價是全期月夏普降到 0.86、研究段年化降到 16.4%。回撤控制來自開關本身，方向濾網負責選股品質，兩者分工。

這個開關每月只檢查一次。 廣度每天都算得出來，但回測和下載的程式碼都是月底讀一次。2015 年以來，日頻廣度 53 次跌到 0.15 以下，其中 35 次在月底前就回到門檻上方、從未執行；另外 18 次，從跌破到月底換股中位數隔 7.5 個交易日、最長 18 個交易日。全部 141 個換股月裡有 25 個月持現金（17.7%）。2026 年 7 月就是延遲的代價，下面的新資料段會拆開。

用市場結構決定曝險的想法，和 Moreira & Muir (2017) 在《Volatility-Managed Portfolios》的出發點相近：他們用前一個月的已實現變異數縮放股票曝險，發現能提高投資組合的夏普比率。ADX-DI 廣度量的是股票池裡強勢上升股的比例，和波動度是兩種訊號，本文也沒有驗證兩者等價；能借用的只是「風險升高時降曝險」這個方向，效果要看本文自己的回測。本文的開關提高了回撤控制，沒有提高全期夏普，這點和他們的結論不同。

我們也試過拿大盤自己的均線當開關：同一籃股票改成「0050 含息價站上自身 200 日均線才持股」，研究段年化只有 14.1%、月夏普 0.81，全期最大回撤 -42.8%，在 2015 到 2021 年的多頭裡經常空手；2022 年起年化 26.4%、月夏普 1.04，與廣度版相近。選股端用「買最強且向上的股票」，方向上接近 Jegadeesh & Titman (1993) 記錄的中期動能效應：過去 3 到 12 個月的贏家在之後幾個月傾向繼續贏。ADX(14) 反映的是大約一個月內的趨勢，比他們的形成期短，而文獻裡 1 個月形成期的報酬反而偏向反轉，所以這裡只是方向相近，不能拿他們的結果當本策略的證據。關於用大盤訊號降低回撤的其他做法，可參考市場濾網如何降低回撤。

完整策略：ADX 強度 × 方向 × 廣度擇時三層用法

把上面三個發現組成一套可執行、可重現的策略：

1. 選股（強度 × 方向）：可交易宇宙中，先取 ADX(14) > 20（強趨勢）且 +DI(14) > -DI(14)（方向偏多）者，再從中選 ADX 最高的 30 檔，等權持有。
2. 風控訊號（ADX-DI 廣度）：每天計算宇宙內「ADX > 25 且 +DI > -DI」的個股家數佔比。
3. 擇時開關：每月最後一個交易日，廣度 > 0.15 → 持有上述 30 檔；廣度 ≤ 0.15 → 整籃清空、持現金。月中跌破門檻不會立刻出場。
4. 月再平衡：月底產生訊號、下一個交易日收盤換股。

擇時開啟的月份，宇宙內同時符合 ADX > 25 且 +DI > -DI 的股票至少有 30 檔，所以選出的 30 檔一定都高於強度門檻 20。換句話說，在完整策略裡強度門檻設 15、20、25 結果完全相同，真正決定曝險的是廣度門檻。

選股與擇時訊號的核心程式碼如下（可直接交給你的 AI 助理改寫）。這裡的宇宙是簡化版：沒有均量門檻，也沒有排除金融股與處置股，選出的持股與廣度數值會和完整版不同，例如 2026-07-14 簡化版廣度 0.166、完整版 0.130。完整條件與回測在文末可下載的 strategy.py：

import numpy as np
from finlab import data
 
close = data.get("price:收盤價")
amount = data.get("price:成交金額")
 
# 可交易宇宙（簡化版）：60 日均成交金額前 300 大、收盤 > 10 元，
# 只留代號剛好 4 碼數字、不是 00 開頭的股票
liquidity = amount.rolling(60, min_periods=20).mean()
common_cols = [
    s for s in close.columns
    if len(str(s)) == 4 and str(s).isdigit() and not str(s).startswith("00")
]
universe = (liquidity.is_largest(300) & (close > 10))[common_cols]
 
# DMI 體系：ADX 量強度，+DI／-DI 量方向
adx = data.indicator("ADX", timeperiod=14)[common_cols]
plus_di = data.indicator("PLUS_DI", timeperiod=14)[common_cols]
minus_di = data.indicator("MINUS_DI", timeperiod=14)[common_cols]
 
# 選股籃：ADX > 20 且 +DI > -DI 的股票裡，取 ADX 最高 30 檔
strong_and_bull = (adx > 20) & (plus_di > minus_di)
basket = adx.where(universe & strong_and_bull).rank(axis=1, ascending=False) <= 30
 
# ADX-DI 廣度：宇宙內「ADX > 25 且 +DI > -DI」的股票比例
strong_up = ((adx > 25) & (plus_di > minus_di)).where(universe).astype(float)
breadth = strong_up.sum(axis=1) / universe.sum(axis=1).replace(0, np.nan)
risk_on = breadth > 0.15   # 換股日廣度 > 0.15 才持股，否則整籃清空持現金

三段績效與同一天起算的含息 0050 並列如下（資料截至 2026-09-30）：

讀法：研究段年化多出約 5.7 個百分點，月夏普與月索提諾領先，最大回撤比 0050 深約 3 個百分點；2022 年起年化 26.9% 落後 0050 的 30.5%，月夏普與月索提諾都輸，最大回撤則淺 4.8 個百分點。全期加總後，策略勝在年化報酬（23.2% 對 21.2%）與最大回撤（-31.3% 對 -34.0%）；月夏普、月索提諾與年化波動（24.8% 對 19.8%）都輸給 0050。它是一套「回撤比 0050 淺、長期年化略高，但風險調整後不如 0050，2022 年以後報酬也落後」的趨勢策略。年換手約 7.45 次，低於裸選 ADX 最高 30 檔的 9.0 次，因為持現金的月份不換股。

完整互動式回測（月報酬熱力圖、權益曲線、年度績效）：

參數最佳化：找一片站得住的高原，避開單一孤峰

策略最值得檢查的兩個參數，是 ADX 的計算週期和廣度擇時的門檻。把所有組合都跑一遍、挑研究段最漂亮的那一格，是過度最佳化（overfitting）最常見的陷阱：挑到的很可能只是雜訊湊出來的單一峰值，換到沒見過的資料就垮。

我們把 ADX 週期（10／14／20）和廣度門檻（0.10／0.15／0.20／0.25）做成 3×4 網格，每一格都用該設定重算選股籃與廣度、重跑回測，色溫填研究段月夏普：

看研究段，分辨「高原」和「孤峰」：

• 週期 14 那一欄最穩：四個門檻的研究段月夏普是 1.27、1.08、1.38、1.19，都在 1.0 以上。週期 10 與 20 兩欄 8 格裡有 7 格低於 1.0，Wilder 原始建議的 14 日落在研究段表現最好的那一欄。
• 左上角是孤峰：週期 10 × 門檻 0.25 研究段月夏普 1.34，但同欄 0.20 只有 0.67、同列週期 14 是 1.19。它在 2022 年起的月夏普只有 0.68、年化 11.6%，是整張網格 2022 年起最差的一格。

同一張網格換成看 2022 年起，排序幾乎翻過來：週期 20 那一欄四格是 1.02、1.03、1.24、1.13，是 2022 年起最好的一欄，研究段卻只有 0.73 到 0.97；週期 14 那一欄 2022 年起是 0.88、1.02、0.91、1.07。研究段挑出的最佳區域，在後來的資料裡沒有維持領先。

依首發時的規則（只在網格內部格取 3×3 鄰域中位數最高者），穩健格是週期 14、門檻 0.20：研究段月夏普 1.38，比預設的 1.08 高；2022 年起卻是 0.91，低於預設的 1.02；最大回撤 -31.9% 與預設的 -31.3% 幾乎相同。把參數「調得更漂亮」沒有換到 2022 年起的提升，本文維持 6 月定案的週期 14、門檻 0.15。

下圖把其餘參數固定、一次只動一個，與預設值並排，藍色是研究段、紫色是 2022 年起：

10 個單參數變化（週期 10／20、強度門檻 15／25、持股 20／40 檔、廣度用的 ADX 門檻 20／30、廣度門檻 0.10／0.20）的研究段月夏普落在 0.88 到 1.38，2022 年起落在 0.86 到 1.03，只有 3 個在 2022 年起站上 1.0（週期 20，以及結果與預設完全相同的強度門檻 15、25）。研究段越高的設定，2022 年起往往越低：廣度門檻 0.10、0.20 與廣度用的 ADX 門檻 20、30，研究段都在 1.24 以上，2022 年起都在 0.91 以下。如果你看到某個最佳化「換個參數夏普就從 0.9 跳到 1.4」，那通常是踩到過擬合的地雷。延伸可看策略最佳化會不會過擬合。

回測方法與口徑

量化結論的可信度取決於方法，以下逐項交代：

• 交易成本：策略使用 finlab sim()，台股預設已內扣手續費（本文以 0.1425% 打三折計）與賣出證交稅 0.3%。
• 滑價：未額外假設滑價，實際成交衝擊取決於資金規模與流動性。
• 股票池：上市櫃普通股，60 日均成交金額前 300 名、收盤 > 10 元、60 日均量 > 100 萬股，每天依當時資料篩選，約 174 到 260 檔。
• 排除類別：排除 ETF（代號 00 開頭）、代號不是剛好 4 碼數字者（權證、特別股、6 碼代號）、金融保險股、處置與全額交割股。KY 股的代號也是 4 碼數字，沒有被排除。
• 生存者偏差：價格資料保留了後來下市或停止交易的股票（2015-01-30 有收盤價、2026-09-30 已無收盤價的 4 碼代號個股共 142 檔，含本來就不在股票池內的金融股），沒有只用今天還存在的股票回推。
• 前視偏差：ADX、+DI／-DI 與廣度均只使用當日（含）以前的價格；月底產生訊號、下一個交易日收盤換股。月營收搭配只用已公布的資料，見後面的月營收段。
• 擇時執行頻率：廣度只在每月最後一個交易日讀取（53 次跌破、35 次未執行、18 次中位數延遲 7.5 個交易日），實際交易若改成每日檢查，結果會不同，本文沒有回測日頻版本。
• 權重與持股數：選股籃等權，單一個股不另設上限；擇時開啟的 116 個月每月都滿 30 檔，另 25 個月整籃持現金，無槓桿。
• 周轉率：年換手約 7.45 次（月再平衡加擇時切換），清倉與回場的月份會集中換手。
• 基準口徑：含息 0050 用 etl:adj_close 還原價買進持有純算術計算，不含交易成本，從策略第一個淨值日 2015-01-30 起算；2022 年起那一段兩者都從 2022 年第一個交易日起算。本文所有對照組（教科書用法、方向濾網、網格、鄰格）的第一個淨值日都是 2015-01-30。
• 樣本內外：研究段 2015-2021、2022-01 至 2026-09 分開回報。參數在 2026 年 6 月定案，當時的篩選同時看了研究段與 2022 年以後的成績，所以 2022 年起這段嚴格來說是「選參數時看過的驗證段」；完全沒看過的資料只有 2026-06-09 之後的近四個月，結果見下面的新資料追蹤。

穩健度

下面說的「過門檻」，指研究段年化 ≥ 25%、月夏普 ≥ 1.2，且 2022 年起年化 ≥ 15%、月夏普 ≥ 1.0，這是 2026 年 6 月定案時整個技術指標系列用的同一組標準。完整策略的研究段年化 20.8%、月夏普 1.08，從首發起就沒有通過研究段門檻；2022 年起年化 26.9%、月夏普 1.02，剛好站在 1.0 之上。

• 廣度門檻 0.10 到 0.30：5 個門檻的研究段月夏普 1.08 到 1.38，2022 年起 0.88 到 1.15，全期最大回撤 -26.1% 到 -37.9%。門檻越高回撤越淺，但年化也跟著降（0.30 全期年化 16.0%）。
• 持股檔數：20 檔研究段年化 24.3%、月夏普 1.16，2022 年起月夏普 0.98；40 檔研究段年化掉到 16.1%、月夏普 0.90。持股越集中研究段越好，2022 年起差異不大。
• 廣度用的 ADX 門檻：從 25 改成 20 或 30，研究段月夏普升到 1.24、1.28，2022 年起降到 0.88、0.90。
• 方向濾網的選擇：DMI 自身的 +DI／-DI（研究段 1.17、回撤 -41.9%）在三項指標上都優於外掛 20 日動能（1.09、-43.5%）。
• 10 個單參數變化沒有一個四項門檻全過。

ADX 強趨勢池再疊月營收 YoY，有沒有加值？

技術面選股池再加一道基本面濾網，會不會更好？我們在完整策略的選股池裡疊上月營收年增率（YoY），試兩種做法：

1. 選股前多一道「當期月營收 YoY > 0」過濾，再選 ADX 最高 30 檔。
2. ADX 排名百分位與 YoY 排名百分位各占一半，合成複合分數後選前 30 檔。

月營收以法定公布截止日（次月 10 日）生效，公布日若落在非交易日就順延到下一個交易日（2015 年以來的資料沒有這種情況），只用當時已公布的資料，避免前視偏差。

結果是「小幅、不一致」：

• YoY > 0 過濾：研究段月夏普從 1.08 降到 1.04，2022 年起從 1.02 升到 1.07、年化從 26.9% 升到 30.4%，最大回撤也從 -31.3% 微縮到 -30.8%。2022 年起小贏，研究段小輸，方向不一致。
• 等權複合：兩段都沒贏，研究段降到 1.00、2022 年起 0.95、回撤擴大到 -33.6%。把營收動能和趨勢強度直接相加，稀釋了原本的趨勢訊號。

月營收 YoY 對這套以趨勢為核心的策略不是穩定的加分項。最好的版本在 2022 年起有改善，但研究段變差，幅度與上面參數變化造成的差異同一個量級，不足以宣稱基本面在這裡帶來穩定優勢，所以本文主策略不加營收。想看基本面選股單獨怎麼發揮，可參考技術面與基本面選股的差異。

逐年表現：趨勢策略在哪種年份賺、哪種年份賠

ADX 是趨勢指標，這套策略也吃趨勢財。把每一個年度單獨結算、和同一天起算的含息 0050 對照（2015 年自 1 月 30 日起，2026 年截至 9 月 30 日）：

12 個年度區間有 5 個勝過 0050，領先集中在 2017、2020、2021、2023 四年（分別多 23.6、19.2、36.3、58.9 個百分點）。2019 年與 2024 年是多頭但個股分化，策略分別落後 27.5、39.7 個百分點；2022 年空頭策略跌 27.2%，比 0050 多跌 5.8 個百分點；同一籃不做擇時是 -30.1%，廣度擇時讓這一年少跌 2.9 個百分點，仍沒能跑贏 0050。擇時也有代價：2019 年不擇時的同一籃賺 23.7%，擇時版只有 6.0%。2024 年起連續三個年度區間落後。

全期年化 23.2% 不代表每年都賺 23%：它是被幾個強趨勢年拉上來的平均，碰到分化或空頭的年份會明顯落後。

首發後的新資料：2026-06-09 之後

本文首發版的資料截至 2026-06-09，參數也在那時定案。從那天到 2026-09-30，策略下跌 14.0%，同期含息 0050 上漲 8.9%。分段拆開如下：

四段連乘約等於上面的區間報酬，虧損集中在 7 月。6 月底廣度 0.272、在門檻之上，選出的 30 檔在 7 月 1 日買進、8 月 3 日出場，其中 26 檔虧損，逐檔報酬中位數 -17.7%，跌最深的國巨（2327）-51.6%。同一個月 0050 只跌 4.0%，虧損來自策略持有的那一群強勢股同步回檔。

這次虧損和擇時的執行頻率直接相關。廣度在 7 月 14 日收在 0.130，第一次低於 0.15，之後一路下滑，但回測要等到 7 月 31 日的月底訊號、8 月 3 日收盤才清倉。從跌破前一天 7 月 13 日收盤到 8 月 3 日出場，策略淨值下跌 15.5%，同期 0050 跌 3.2%；7 月 30 日的低點比 6 月 22 日的高點低 29.2%。8 月底廣度 0.12 仍在門檻下，9 月整月持現金，0050 同期上漲；9 月底廣度回到 0.222，10 月才重新持股。從出場到 9 月底，策略持平，0050 上漲 9.9%。研究段最差的單月是 2015 年 7 月的 -15.2%，2022 年起在此之前最差的是 2022 年 9 月的 -12.7%；2026 年 7 月的 -22.3% 是整段回測最差的單月。

延長資料後，2022 年起的月夏普由 1.22 降到 1.02、年化由 33.5% 降到 26.9%，仍在這類策略設定的 1.0 與 15% 之上，所以參數維持 2026 年 6 月的設定，數字全部換成新資料重跑的結果，並加上這段新資料追蹤。但真正沒看過的這近四個月，策略落後 0050 22.9 個百分點，2022 年起的月夏普只比 1.0 高 0.02，下一次季度重跑會把 2026 年第四季補進這張表。

2026-10 更新與更正：資料延長到 2026-09-30，2026-10-24 用 finlab 2.2.16 重跑。把資料截止日設回上一版的 2026-06-09 另外完整重跑一次，完整策略研究段 20.84%／月夏普 1.08、2022 年起 33.53%／1.22、全期 25.51%／1.06，與上一版的 20.81%／1.08、33.5%／1.22、25.51%／1.06 差距在 0.03 個百分點以內，本次的變化來自新增的資料。其餘對照組同截止日重跑多數只差 0.01 到 0.02；差距較大的包括 2015 年度報酬（-7.4% 變 -6.1%）、ADX 最高 30 檔的全期最大回撤（-43.4% 變 -44.1%）、ADX 最低 30 檔的研究段年化（3.6% 變 3.8%）與最大回撤（-46.2% 變 -46.5%）、裸籃加擇時的 2022 年起年化（28.2% 變 27.9%）、廣度門檻 0.25 的 2022 年起月夏普（1.28 變 1.40）、月營收 YoY 過濾的 2022 年起年化（37.1% 變 37.5%）與等權複合的最大回撤（-33.9% 變 -33.6%），可能來自套件版本更新或歷史資料修補，本文沒有逐項拆解。另有以下更正：

1. 上一版的含息 0050 從 2015-01-05 起算，但策略的第一個換股淨值日是 2015-01-30，0050 在這中間上漲 2.2%；本版改為同一天起算，以 2026-06-09 為截止日，0050 全期年化由 20.98% 變為 20.89%、研究段由 15.29% 變為 15.09%。
2. 上一版可下載的 strategy.py 用最新版 finlab 執行會在計算廣度時因分母為零中斷；只修這一處後，它從 2007-05-31 就開始持股、一路跑到最新資料，宇宙也少了 60 日均量門檻；程式本身只印從 2007 年起算的全期統計（年化 17.25%），把它的淨值曲線切出 2015 至 2021 年段是 19.84%／月夏普 1.08，對不上文章。檔案說明寫裸選高 ADX「最大回撤一路探到 -70%」，是從資料起點 2007 年起算、含 2008 年金融海嘯的數字（以 2026-06-09 資料重算為 -70.6%），與文中從 2015 年起算的口徑不同。現在 strategy.py 與 data.csv 都與本文策略同一套邏輯，執行會印出三段績效、教科書用法對照、零件拆解、逐年報酬與 7 月起的逐月報酬。
3. 上一版頁內第二段程式碼在最新版 finlab 也會因同一個分母為零而中斷，本版改用欄位篩選並避開除以零；第一段程式碼只用示意窗內的資料判斷進出場，執行印出的是 8／8 與 6／6，文章卻寫 9／8 與 7／6（文章數字來自另一支把窗口第一天算成進場的程式），本版兩者統一為完整歷史計算後的 8／8 與 6／6。
4. 上一版寫可交易宇宙「排除 KY 股」，實際沒有排除；宇宙判斷代號只看前 4 碼是不是數字，特別股 2882A 曾出現在日頻選股籃，但從未落在月底換股日，回測數字不受影響，本版改為代號必須剛好 4 碼數字。
5. 上一版寫廣度跌破門檻時「當日清空」持股、廣度是「全市場」的比例；回測其實每月只在換股日讀取一次，廣度也是可交易宇宙內的比例，本版改寫並補上月頻落差的統計。
6. 上一版的限制段寫本策略沒通過「研究段年化 ≥ 35%」的門檻，實際用的門檻是研究段年化 ≥ 25%、月夏普 ≥ 1.2，以及 2022 年起年化 ≥ 15%、月夏普 ≥ 1.0。
7. 常見問題裡「用 0050 均線擇時會踏空」的說法，上一版沒有附數字，本版補上 200 日均線版的回測。

三項穩健性驗證：重跑到 2026 年 10 月

這裡驗證本文的完整策略：ADX(14) 大於 20 且 +DI 大於 -DI 的股票裡取 ADX 最高 30 檔等權，股票池內 ADX-DI 廣度不到 0.15 時整籃清空，每月換股。我們在 2026-10-27 用本文附的 strategy.py（把 DATA_END 改成 None，finlab 2.2.20，資料截至 2026-10-27）重跑三項檢查，統一採 sim() 預設手續費 0.1425% 與證交稅 0.3%；原程式手續費三折的結果另列於成本對照表。「贏」指日夏普高於同期 0050 含息買進持有（etl:adj_close 還原價、純算術計算、不扣成本）。兩邊日夏普皆為日報酬平均除以標準差、乘上 √252，不扣無風險利率。

9 組參數的日夏普（括號內是年化報酬，粗體是原文參數）：

前後兩段與全期：

前後兩段是把整段期間從中點對半切。上文的研究段與樣本外以 2022 年初為界，照這個切法，2015 到 2021 年日夏普 0.90 對 0050 的 0.96，2022 年起 0.95 對 1.22。上文多用月夏普，跟這裡的日夏普算法不同，數字不能直接比。

交易成本對照（原參數）：

重跑到 2026-10-27，原參數年化 20.9%、日夏普 0.91、最大回撤 -32.5%；同期 0050 含息年化 20.5%、日夏普 1.08、最大回撤 -34.0%。9 組鄰近參數全部輸，原參數已經是 9 組裡最好的一格，ADX 週期縮短到 11 日時日夏普掉到 0.75 以下；前段（2015 到 2020 年）日夏普 0.67 對 0.89、後段 1.10 對 1.24，兩段都輸，三項都不成立。跟上文的結論一致：廣度清倉讓回撤比 0050 淺一點，風險調整後的報酬沒有勝過 0050。上文的年化 23.2% 是資料到 2026-09-30、手續費打三折的結果；照三折跑到 2026-10-27 是 22.7%，換成 sim() 預設成本是 20.9%。

策略的限制與取捨

• 勝點在回撤，風險調整後不如 0050：全期年化 23.2% 雖高於含息 0050 的 21.2%，但月夏普 0.97 低於 0050 的 1.07、年化波動 24.8% 高於 19.8%。它真正的作用是把 ADX 選股的最大回撤從 -44% 級壓到 -31%，這仍然比 0050 的 -34.0% 淺；如果你在意的是每單位風險的報酬，2022 年以後直接持有 0050 表現更好。
• 最大回撤仍有 -31%：廣度擇時是「整籃清倉」的大盤層級開關，沒有個股停損；而且每月只檢查一次，像 2026 年 7 月那樣月中急跌，要等到月底才出場。
• 2022 年起落後 0050：2022 年起年化 26.9% 對 0050 的 30.5%，月夏普 1.02 對 1.21，2024 年起連續三個年度區間落後。研究段的領先沒有延續到之後的資料。
• 崩盤型態涵蓋有限：回測從 2015 年起算。以 2026-06-09 資料、首發版宇宙口徑從資料起點 2007 年起算的對照，同一套策略含 2008 年在內的最大回撤仍是 -31.3%，但參數是在 2015 年後的資料上選的，不保證對沒見過的型態同樣有效。
• 容量與成本：選股籃 30 檔、宇宙限前 300 大；清倉與回場的月份會同向集中成交，大資金部署需重估流動性與滑價，本文未估算策略容量。

自己跑一次

把下面這句話交給你的 AI 助理，它會引導你安裝 FinLab Skill、抓台股資料、重現這篇的回測：

裝好之後，下載本文的 strategy.py 與 data.csv，即可在自己的環境重跑、改參數、換選股因子。strategy.py 的資料截止日釘在 2026-09-30，改成 None 就會用最新資料重跑；登入只需在程式裡寫 finlab.login()，套件會在需要資料時引導你完成登入。同一套「指標選股加股票池廣度擇時」的做法，也可以對照OBV 能量潮與布林通道的季度重跑結果；想延伸成更完整的量化流程，可參考量化交易總覽與程式交易是什麼；想對照其他指標，見常用技術指標台股 11 年回測總覽。

常見問題

Q：ADX 指標到底是什麼？和 DMI 有什麼關係？ ADX 是 DMI（趨向指標）體系裡的一條線。DMI 由 +DI（上漲力道）、-DI（下跌力道）、ADX（趨勢強度）三條線組成。ADX 由 +DI 與 -DI 的差距算出 DX 再做平滑，所以它只量「趨勢有多強」，方向要看 +DI 與 -DI 誰在上面。

Q：ADX 大於 25 就代表可以買進嗎？ 不能直接這樣用。ADX > 25 只代表「現在有明確趨勢」，不分上漲或下跌，一檔強力下跌的股票 ADX 一樣會超過 25。本文回測顯示，選 ADX 最高的 30 檔股票全期最大回撤達 -44.1%，原因就是把強勢下跌股也買進來了。要判斷方向，必須再看 +DI 是否大於 -DI。

Q：ADX 參數要設多少？14 是最好的嗎？ 14 日是 Wilder 的原始建議，也是本文用的設定。網格裡週期 14 那一欄的研究段月夏普四格都在 1.0 以上，週期 10、20 多數在 1.0 以下；但 2022 年起週期 20 反而表現較好，14 是研究段的最佳區域，2022 年起則由 20 領先。強度門檻 20／25／30 在不做擇時時研究段月夏普 1.17／1.09／1.01；加上廣度擇時後，強度門檻 15 到 25 結果完全相同。與其微調參數，不如先用對方法：搭方向濾網、再搭廣度風控。

Q：ADX 可以單獨拿來當選股因子嗎？ 不建議。選 ADX 最高會買到強勢下跌股（最大回撤 -44.1%），選 ADX 最低賭盤整反彈研究段年化只有 3.8%，用 ADX 的變化速度、加速度或 z-score 研究段月夏普只有 0.57 到 0.65。ADX 比較適合當「方向確認的濾網」與「市場狀態的風控訊號」。

Q：為什麼要用「股票池廣度」，不改用大盤指數或 0050 的均線？ 單一指數的訊號在盤整期雜訊大、來回甩動。本文測過同一籃股票改用「0050 站上 200 日均線才持股」，研究段年化只有 14.1%、月夏普 0.81，全期最大回撤 -42.8%，在 2015 到 2021 年的多頭裡經常空手；廣度版同期研究段年化 20.8%、最大回撤 -31.3%。2022 年起兩者的月夏普相近（1.04 對 1.02）。

Q：ADX 和 MACD、KD 一起用會更好嗎？ ADX 和 MACD、KD 性質不同：ADX 量趨勢強度，MACD／KD 是擺盪或動能類。本文沒有回測 ADX 與 MACD、KD 的組合；比較有根據的搭法是讓不同性質的訊號各司其職，例如本文用 ADX 加方向選股、用 ADX-DI 廣度控制曝險。各指標的用法可參考RSI、MACD、KD 比較。

Q：這套策略適合誰？ 適合想參與台股個股趨勢、但希望最大回撤比 0050 淺的人：全期最大回撤 -31.3%，0050 是 -34.0%。不適合追求最佳風險調整報酬的人，2022 年以後直接持有 0050 的年化與月夏普都更好；也不適合無法接受單月 -22% 的人，2026 年 7 月就是實例。

Q：ADX 是領先指標還是落後指標？ ADX 經過兩層平滑（先平滑 DM 與真實區間，再平滑 DX），對價格變化反應偏慢，本質偏落後。這也是本文不拿它的「變化量」當主訊號的原因。它的價值在「水準值」：當前趨勢強不強、股票池裡強勢上升的股票多不多。

最後更新：2026-10｜回測區間：2015-01-30 ～ 2026-09-30（2026-10-24 以 finlab 2.2.16 重跑）｜作者：FinLab 量化研究團隊（經量化研究員審閱）

本文僅供量化研究與教學用途，所有回測數字均由 finlab 套件在真實台股資料上產出，過去績效不代表未來表現，不構成投資建議。ADX-DI 廣度風控策略全期最大回撤 -31.3%、2026 年 7 月單月 -22.3%，實際交易前請自行評估風險、滑價與交易容量。