乖離率怎麼用才對？台股 11 年回測：它是動能因子，
不是抄底訊號

乖離率在台股的正確用法：當動能因子選強勢股，不是負乖離抄底

散戶最熟的乖離率用法是「正乖離過大就賣、負乖離過大就跌深反彈買」。但把這個逆勢規則放進台股做 11 年回測（2015-2026），「負乖離最大抄底」研究段年化只有 5.4%，改用季線（MA60）算乖離抄底更只剩 0.6%，幾乎等於沒賺。問題不在乖離率，而在方向用反了。把同一個指標反過來用——用季線（MA60）而非散戶慣用的 20 日線算乖離、選「正乖離最大」的強勢股當動能因子，再疊上品質池過濾、200 日趨勢濾網、反波動加權、個股 ATR 現金停損與趨勢廣度減碼，組成一套完全不含基本面的純技術策略。這套「乖離率純技術強勢動能策略」研究段（2015-2021）年化 29.7%、月夏普 1.21、月索提諾 2.16、回撤 -30.5%，樣本外（2022-2026）年化 28.5%、月夏普 1.07、回撤 -36.0%，全期（2015-2026）年化 29.1%、月夏普 1.10、月索提諾 2.01、全期最大回撤 -36.7%。三段都勝過含息 0050（全期年化 21.0%、夏普 1.05、回撤 -34.0%）。代價也一併講清楚：2024 大型權值股獨強那年，本策略只賺 6.1%、落後 0050 的 48.6%。

先用一張表回答你搜尋「乖離率」時最想知道的事：

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 至 2026-06-09，基準為含息 0050。文末附可下載的 strategy.py 與 data.csv，可自行重現。對回測的觀念還不熟，可先看回測是什麼。

乖離率是什麼

乖離率（BIAS）衡量收盤價偏離移動平均線的程度，公式是：乖離率 =（收盤價 − N 日移動平均）/ N 日移動平均，常以百分比表示。N 通常取 6、12、20、60 日不等。乖離率為正，代表股價在均線之上、近期相對均線偏強；為負則代表跌破均線、相對偏弱。乖離率愈大，代表股價離均線愈遠。技術指標的基礎名詞可參考名詞詞彙表。

散戶教科書對乖離率有一套很直覺的用法：正乖離過大代表「漲太多」該賣、負乖離過大代表「跌太深」該買，本質是把它當均值回歸指標，假設股價總會「回到均線」。各家券商教材也常給一組門檻，例如短期 ±6%、中期 ±8%、長期 ±10% 視為過熱或超跌。這套說法聽起來合理，但它在台股真的成立嗎？直接回測。

乖離率的數學定義：一條公式拆給你看

乖離率的定義其實只有一條公式。設 $C$ 為當日收盤價、$SMA_n(C)$ 為過去 $n$ 日收盤價的簡單移動平均，則 $n$ 日乖離率為：

$BIAS_n = \frac{C - SMA_n(C)}{SMA_n(C)}\times 100$

逐項拆解每個符號：

• $C$：今天的收盤價，也就是市場現在替這支股票標的價格。
• $SMA_n(C)$：最近 $n$ 個交易日收盤價的算術平均，代表「過去這段期間的平均成本／均衡價」。$n$ 取 20 約是月線、60 約是季線、120 約是半年線。
• 分子 $C - SMA_n(C)$：今天的價格比這條均線高（或低）多少元，是「絕對偏離量」。
• 除以 $SMA_n(C)$ 再乘 100：把絕對偏離換算成相對均線的百分比，這樣不同價位的股票才能放在同一把尺上比較——一支 500 元的股票偏離 10 元，和一支 50 元的股票偏離 10 元，意義天差地遠，百分比才能公平排序。

公式很簡單，但兩個設計選擇決定了它的個性。第一，$n$ 愈大，均線愈鈍、乖離率反應愈慢、雜訊愈少——這正是本文後面選季線（$n=60$）而非散戶慣用 20 日線的根本原因。第二，乖離率本質是「價格相對自身均線的位置」，所以它天生既能讀成「離均線太遠該回歸」（均值回歸視角），也能讀成「相對均線走得比別人強」（動能視角）。同一條公式、兩種讀法，方向用反了就是天壤之別——這也是本文整篇要回答的核心問題。指標的基礎名詞可參考名詞詞彙表。

在單一支股票上，兩個派別的買賣點長什麼樣

光看公式不夠直觀，把它畫在真實個股上最清楚。下圖是聯電（2303）2022 一整年的走勢（上方價格與兩派買賣箭頭、下方是 MA60 季線乖離率），這一年正是標準的下跌段：

圖上標了兩個派別的教科書訊號，規則如下：

• 逆勢派（均值回歸）：季線乖離率跌破 −12%（過度負乖離）當下買進、衝破 +18%（過度正乖離）當下賣出——也就是「跌太深接、漲太多丟」。
• 動能派：季線乖離率由下向上穿越 +6%（相對季線轉強）買進、乖離率翻負（跌回均線下方）賣出——也就是「轉強才追、跌破才走」。

把訊號數出來看就懂了：在這段下跌年裡，逆勢派觸發了 9 次買進、只有 1 次賣出，幾乎整年都在「接刀」；而第一個逆勢派買點落在 2022-02-07，買進之後股價還最深續跌 35.1%，整個窗口聯電下跌 35.8%。這張圖把「負乖離不等於跌深反彈」直接畫給你看：負乖離只會在下跌途中不斷觸發買訊，每一次都是站在趨勢對立面。相對地，動能派全年只買 2 次、賣 8 次，多半在乖離翻負時就先走，少賠很多。

換到 2023 下半年到 2024 上半年的上升段（台積電 2330、聯發科 2454），畫面剛好相反：動能派順著趨勢買在轉強點、整段抱住大波段（台積電該窗 +66.8%、聯發科 +102.6%），而逆勢派因為股價一路創高、乖離率沒跌破 −12%，整段一次抄底機會都沒有，只能在頂部附近喊賣。順勢與逆勢的勝負，在這兩組圖裡一目了然。

但圖上也藏著一個務實的麻煩：動能派的訊號很頻繁。聯發科那段乖離率反覆翻正、翻負，買賣箭頭密密麻麻（窗內就 17 個訊號），這就是技術指標常見的 whipsaw（被假訊號來回甩巴掌）。這正是後面為什麼不用單股訊號進出場、而要改成「每月在全市場橫截面排序選一籃」加上 ATR 停損的原因——把單股的雜訊用一籃子和風控平滑掉。

這張圖你可以自己重畫。下面這段程式碼用 data.indicator 取季線乖離、用簡單的穿越邏輯標出兩派買賣點，貼給你的 AI 助理或直接執行都行：

import numpy as np
import pandas as pd
import finlab
from finlab import data
 
finlab.login()  # 套件會在需要資料時引導你完成登入
 
# 1) 取單股收盤價與季線乖離率(這裡用聯電 2303)
sid = "2303"
close = data.get("price:收盤價")[sid]
ma60 = close.rolling(60).mean()
bias = (close - ma60) / ma60  # 乖離率(小數,× 100 即百分比)
 
# 2) 逆勢派:負乖離 < −12% 當天買、正乖離 > +18% 當天賣
contra_buy = (bias < -0.12) & (bias.shift() >= -0.12)
contra_sell = (bias > 0.18) & (bias.shift() <= 0.18)
 
# 3) 動能派:乖離上穿 +6% 轉強買、乖離翻負(跌回均線)賣
mom_buy = (bias > 0.06) & (bias.shift() <= 0.06)
mom_sell = (bias < 0) & (bias.shift() >= 0)
 
# 4) 取 2022 這段下跌窗來觀察逆勢派接刀
win = slice("2022-01-01", "2022-12-31")
print("逆勢派買進次數:", int(contra_buy[win].sum()))
print("逆勢派賣出次數:", int(contra_sell[win].sum()))
print("動能派買進次數:", int(mom_buy[win].sum()))
print("動能派賣出次數:", int(mom_sell[win].sum()))

把 close、bias 與這四個布林序列丟進你習慣的繪圖工具（plotly / matplotlib），就能把上圖重畫出來——價格面板標箭頭、下方面板畫乖離率與 ±12% / +18% 的水平帶。重點不在畫得漂不漂亮，而在親眼看到「負乖離買點一路出現在續跌途中」這件事。

散戶最常見的「負乖離抄底」，在台股 11 年幾乎沒賺到錢

我們在可交易宇宙（成交金額前 300 大、收盤 > 10 元、60 日均量 > 100 萬股，排除 ETF、金融股、KY 股、處置股）裡，把幾種「乖離率選股」用法各跑一次月再平衡的橫截面回測。所謂橫截面，就是每個月在全市場依乖離率高低排序、各取一籃股票，這樣才能公平比較「乖離率到底該往哪個方向用」。研究段（2015-2021）結果如下：

結論很清楚：最多人用的「負乖離過大抄底」在台股研究段年化只有 5.4%，換成季線抄底更只剩 0.6%，接近無效。 原因不難理解——在台股 2015-2021 這段，大型權值股偏向趨勢延續，逆勢去接一支正在破均線的弱勢股，等於站在趨勢的對立面被碾壓。負乖離無法區分「健康回檔（該買）」與「趨勢轉空的起點（該跑）」，把它單獨拿來抄底，就是把兩種互斥情境混在一起互相抵消。

反過來看，「正乖離最大」反而是四者裡最強的：用季線算乖離、選相對季線最強的一籃股票，研究段年化 17.7%。這其實就是一個動能訊號——正乖離大，代表這支股票近期相對均線走得比別人強。這和擺盪類指標在台股的共通結論一致：當動能因子用，比當均值回歸因子有料。RSI 也是同樣道理，延伸可看 RSI、MACD、KD 比較與技術面與基本面選股的差異。

把乖離率用對：純技術多層堆疊的強勢動能策略

知道「方向要反過來、用季線」只是起點。光是裸用 MA60「正乖離最大」的 15 檔等權籃子，研究段月夏普 1.00、研究段最大回撤 -38.4%，全期最大回撤更深達 -48.0%——報酬是用很深的回撤換來的，實務上很難抱得住。要變成可執行、且完全不靠基本面的策略，還要再疊幾層純技術的零件。

第一層：用品質池＋200 日趨勢濾網框出真正的多頭強勢股

正乖離最大的籃子裡，混了兩種股票：一種是「結構性走強」的趨勢股，一種是「短線暴衝、隨時要崩」的投機股。我們用兩道純價格條件把後者濾掉：先要求股價站上季線（close > MA60，確認中期趨勢向上），再在符合的股票裡剔除 60 日報酬波動最高的一半，組成品質池；接著再加一道 200 日動能濾網（mom200 = 收盤價 ÷ 200 日前收盤 − 1 > 0），用半年的價格趨勢確認確實在多頭、把抄反向接刀的弱勢部位排除。 這道「品質池＋趨勢濾網」過濾，把裸籃的研究段月夏普從 1.00 微升到 1.03、研究段最大回撤維持 -38.4% 級——主要作用是把高乖離裡基本盤就轉弱的標的先剃掉，為後面的風控打好底。這一步只用價格與均線，完全沒有財報或營收輸入。

第二層：用季線乖離選股、反波動加權

散戶習慣用 20 日線算乖離，但 20 日太短、雜訊太多。改用 MA60（季線）乖離，等於衡量「相對季線的中期動能」，訊號更持久、雜訊更低。在品質池裡，季線正乖離選股研究段年化 17.7%，明顯優於 20 日線的 11.1%。選出 15 檔後不用等權，改用反波動加權（權重正比於 1 ÷ 60 日報酬標準差的平方根）：同樣是強勢股，波動越低的配重越高，讓組合在追動能的同時不被高波標的主導。

第三層：個股 ATR 現金停損＋趨勢廣度減碼控尾部風險

最後一層是風控，也是把回撤壓下來的關鍵。我們不用大盤指數的擇時開關，改用兩道純技術的風控。其一是個股級 ATR 追蹤停損：任一持股當日跌破「自身近 180 日最高價 − 2.5 倍 ATR(14)」，該格就換成現金，且不補進其他股票——整籃的曝險會真實下降，而不是換一支同樣會跌的股票。其二是趨勢廣度 gentle 減碼：用全市場「站上 MA60 的股票比例」當大盤溫度計，比例偏低時用連續梯度線性把整籃曝險減到最低四成、剩餘轉現金（絕不加槓桿）。

把這幾層堆起來：裸 MA60 乖離 top15 等權籃（研究段月夏普 1.00、研究段回撤 -38.4%）→ 加品質池＋200 日趨勢濾網（夏普 1.03、回撤 -38.4%）→ 再加反波動加權＋ATR 現金停損＋趨勢廣度減碼（夏普 1.21、回撤 -30.5%）。每加一層，風險調整報酬往上、回撤往下。

換成全期淨值來看更直接：同一個品質池高乖離籃，只用等權、沒加多層風控時，全期最大回撤達 -46.9%；補上反波動加權、ATR 現金停損與趨勢廣度減碼後，全期回撤收斂到 -36.7%，而長期淨值不僅沒被風控拖累、反而略勝一籌，兩條線都把含息 0050 買進持有甩在後面。

ATR 停損之所以優於固定的均線停損，是因為它隨個股自身波動自適應：高波股的停損線拉得更寬、低波股貼得更近，比一條固定均線更精準砍掉真正轉弱的格子。這種「用波動結構控風險」的邏輯，和學術上的波動度擇時一致——Moreira & Muir (2017) 在《Volatility-Managed Portfolios》證明：在風險惡化時調降曝險，能顯著提升投資組合的夏普。選股端刻意「買最強」而非「等最弱反彈」，也和 Jegadeesh & Titman (1993) 的動能效應一致：過去的贏家在中期傾向繼續贏。關於用波動結構控制回撤，也可參考市場濾網如何降低回撤與均線市場濾網。

完整策略：MA60 乖離動能選股 + 純技術多層風控

把上面幾層組成一套可執行、可重現、完全不含基本面的純技術策略：

1. 可交易宇宙：成交金額前 300 大、收盤 > 10 元、60 日均量 > 100 萬股，排除 ETF、金融股、KY 股、處置股。
2. 品質池：站上季線（close > MA60）、剔除 60 日報酬波動最高的一半，再加 200 日動能 > 0 的趨勢濾網。
3. 選股：品質池內取 MA60 乖離率最大的 15 檔，以反波動（1 ÷ 60 日報酬標準差的平方根）加權，月再平衡。
4. 個股風控：當日跌破「自身近 180 日最高價 − 2.5 倍 ATR（14）」即該格換現金，被砍的格子真歸零、不重新分配（曝險真實下降）。
5. 大盤風控：以全市場「站上 MA60 比例」當趨勢廣度訊號，比例偏低時用連續梯度把整籃曝險線性減到最低四成、剩餘轉現金（絕不加槓桿）。

選股端的核心程式碼如下（可直接交給你的 AI 助理改寫、或下載文末完整版執行）。這裡把流程拆成「載入資料 → 算因子 → 框品質池 → 選股」幾步，方便逐步跟上：

import numpy as np
import pandas as pd
import finlab
from finlab import data
from finlab.backtest import sim
 
finlab.login()  # 套件會在需要資料時引導你完成登入
 
# 1) 載入價量資料
close = data.get("price:收盤價")
amount = data.get("price:成交金額")
volume = data.get("price:成交股數")
 
# 2) 可交易宇宙:成交額前 300 大、收盤 > 10 元、60 日均量 > 100 萬股,
#    排除 ETF(00 開頭)與權證/KY(非 4 碼純數字)
liquidity_amt = amount.rolling(60).mean()
liquidity_vol = volume.rolling(60).mean()
is_common = pd.Series({sid: (str(sid)[:4].isdigit() and not str(sid).startswith("00"))
                       for sid in close.columns})
universe = liquidity_amt.is_largest(300) & (close > 10) & (liquidity_vol > 1_000_000) & is_common
 
# 3) 核心因子與輔助序列(全部純技術)
ma60 = close.rolling(60).mean()
bias = (close - ma60) / ma60                 # 季線乖離率:相對 MA60 的中期動能
mom200 = close / close.shift(200) - 1        # 200 日動能:半年趨勢濾網,取代基本面
ret = close.pct_change()
vol60 = ret.rolling(60, min_periods=30).std()
 
# 4) 品質池:站上季線 → 剔除 60 日報酬波動最高的一半 → 再加 200 日動能 > 0
uptrend = close > ma60
lowvol_half = vol60.where(universe & uptrend).rank(axis=1, ascending=True) <= 150
quality_pool = (universe & uptrend) & lowvol_half & (mom200 > 0)
 
# 5) 池內取季線乖離最大的 15 檔(動能選股,相對季線最強者)
basket = bias.where(quality_pool).rank(axis=1, ascending=False) <= 15

接著加上反波動加權、ATR 現金停損、趨勢廣度減碼與回測。風控線隨個股自身波動自適應：

# 6) 個股 ATR 現金停損:近 180 日高點回落超過 2.5×ATR(14) 即該格換現金
atr = data.indicator("ATR", timeperiod=14)
roll_high = close.rolling(180, min_periods=20).max()
still_holding = close > (roll_high - 2.5 * atr)
 
# 7) 反波動加權(1 / vol60 ** 0.5);被停損的格子歸現金、不重分配 = 真降曝險
held = basket & still_holding
inv_vol = (1.0 / (vol60 ** 0.5)).where(held)
weights = inv_vol.div(inv_vol.where(basket).sum(axis=1), axis=0).fillna(0.0)
 
# 8) 趨勢廣度 gentle 減碼:全市場站上 MA60 比例偏低時,整籃線性減碼到最低四成
breadth = uptrend.where(universe).sum(axis=1) / universe.sum(axis=1)
expo = (1.0 + (breadth - 0.55) / 0.55).clip(lower=0.40, upper=1.0)
weights = weights.mul(expo.reindex(close.index).ffill().fillna(1.0), axis=0)
 
# 9) 月再平衡回測(台股預設成本:手續費 + 賣出證交稅 0.3%)
report = sim(weights, resample="M", fee_ratio=1.425/1000*0.3, upload=False)
print(report.get_stats())

完整版（含所有參數與輸出）請見文末可下載的 strategy.py。

這套策略研究段（2015-2021）年化 29.7%、月夏普 1.21、月索提諾 2.16、研究段最大回撤 -30.5%；樣本外（2022-2026）年化 28.5%、月夏普 1.07、月索提諾 2.00、回撤 -36.0%；全期（2015-2026）年化 29.1%、月夏普 1.10、月索提諾 2.01、全期最大回撤 -36.7%。三段都勝過含息 0050（全期年化 21.0%、夏普 1.05、回撤 -34.0%），且全期回撤略低。 它的賣點是「在報酬全面領先的前提下，用純技術的多層風控把回撤收進可控範圍」，全程不吃任何財報或營收資料。

下面是完整互動式回測：月報酬熱力圖、權益曲線、年度績效都可以直接在文章裡操作：

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。
• 排除類別：排除 ETF（代號 00 開頭）、權證 / KY / 特別股（非 4 碼純數字）、金融保險股、處置與全額交割股，以降低生存者偏差與不可交易標的污染。
• 前視偏差：季線乖離、200 日動能、ATR、波動過濾與趨勢廣度均只使用當日（含）以前的價格；月頻再平衡，訊號於當期可得。完全不使用財報或月營收等基本面資料，自然沒有財報公布日對齊問題。
• 權重：持有 15 檔、以反波動（1 ÷ 60 日報酬標準差的平方根）加權，單一資產不另設上限；被 ATR 停損砍掉的格子真歸零，不重新分配給其他持股；趨勢廣度低時整籃線性減碼、剩餘轉現金。
• 周轉率：年換手約 8.0 次（月再平衡 + ATR 停損換現金 + 廣度減碼），屬中等偏高。
• 樣本內外：研究段 2015-2021、樣本外 2022-2026 分開回報，所有指標兩段都列，避免只報漂亮的一段。

穩健度

這套策略的 edge 不是靠單一參數湊出來的：

• 跨參數穩健：固定其餘層，把持股檔數（14／15／16）、趨勢廣度中心（0.52／0.55／0.56）、ATR 倍數（2.25／2.5／2.75）、反波動加權指數（0.5／0.75）各動一格，這些鄰格的研究段月夏普全落在 1.20-1.22、樣本外月夏普 1.05-1.08、全期最大回撤 -33.7% 到 -37.4%——是一片穩定的高原，不是靠單一參數湊出來的孤峰。
• 方向結論對均線週期不敏感：「正乖離=動能、負乖離抄底最弱」這個核心結論，在 20 日線與季線上都成立（季線只是報酬量級更高），不是某個特定均線的巧合。
• 乖離率仍是 alpha 來源：把選股因子反向、改取「乖離率最低」的一籃，績效大幅崩壞，證明真正貢獻報酬的是「選正乖離最大的強勢股」這個方向，而非其他風控層的副產品。
• 逐年對照含息 0050：2015-2026 共 12 個年度區間中有 7 個勝過 0050，多頭年大幅領先（2020 +62.1%、2021 +75.1%、2023 +95.6%），空頭與大型權值股獨強年（2022、2024）會落後。

參數最佳化：找一片高原，不是找一根孤峰

這套策略有兩個最值得檢查的參數：算乖離的均線窗（決定「動能」是看多長期的相對強弱）、與 ATR 現金停損的倍數（決定停損線拉多寬）。固定其餘層，把均線窗取 20／60／120 日、ATR 倍數取 2.0／2.5／3.0 倍交叉，9 種組合各跑一次真實回測，研究段月夏普畫成色溫圖如下：

看色溫圖的正確方式，是看「一片高原」而不是「單一孤峰」。孤峰（只有一格特別綠、周圍都很差）是過擬合的警訊：代表這個成績只在某個剛好的參數上成立，參數動一格就崩，實單上很可能複製不出來。高原（一整區都偏綠、彼此接近）才是真穩健：代表結論不靠精準調參，參數有容錯空間。

這張圖上，整片網格的研究段月夏普都站在 1.10 以上、沒有突兀的塌陷。20 日線那一欄研究段夏普最高（1.24／1.28／1.31），但要小心：那一欄的樣本外夏普反而偏低（多落在 1.0 以下），是典型「研究段漂亮、樣本外縮水」的訊號；季線（MA60）那一欄研究段夏普穩定在 1.20-1.24，且樣本外夏普是三欄裡最好的（1.01／1.07／1.10）；120 日線那欄整體偏低。我們的預設值取 MA60 + 2.5×ATR（研究段月夏普 1.21、樣本外 1.07），刻意不去挑研究段數字最高的 20 日線格——挑均線窗時看的是「研究段與樣本外都站得住」，而不是研究段單點最高。

要嚴格一點驗證「沒有偷偷挑到角點」，我們用一個 cross-min（交叉最小值）準則做對照：對每一格，看「沿它所在的那一列與那一欄，最差的表現有多高」，取這個最差值最高的格。直白說就是——一個參數要被選上，必須單獨擾動均線窗或停損倍數任一軸都還站得住，而不是只靠某一條線特別強。在本網格上 cross-min 選到的是 MA20 + 2.0×ATR，與我們的預設（MA60 + 2.5×ATR）不同格，但兩者的關鍵指標幾乎打平。

下圖把「預設值」與「cross-min 穩健最佳」並排比較：

三項指標幾乎重疊：研究段月夏普都約 1.2，樣本外月夏普 1.07 對 1.0（預設略勝），全期最大回撤 -36.7% 對 -38.3%（預設略淺）。這正是我們要的結果：兩個用不同準則挑出來的參數打成平手、且我們的預設在樣本外與回撤上還略好，反而是健康訊號，代表預設已經落在高原上、沒有靠事後挑參數把成績灌水。如果這裡優化後能大幅跳升，反而要警惕是不是過度最佳化在自欺。過度最佳化的風險很實在：在歷史資料上把每個參數都調到極致，往往只是把雜訊背了起來，換到沒見過的市場就原形畢露。寧可取樣本外站得住的合理預設，也不要去追那格研究段最亮、樣本外卻縮水的孤峰。關於過擬合與參數穩健，延伸可看策略最佳化會不會過擬合與回測是什麼。

不同大盤狀態下的表現：逐年攤開

判斷一套策略是不是只靠某一段行情湊出來，最直接的方法是把每一個年度單獨結算、和含息 0050 對照。下表是純技術強勢動能策略 2015-2026 的逐年報酬（2026 標示「截至 2026-06」資料）：

逐年看得出這套策略的個性：多頭年大幅領先（2020、2021、2023 各賺六到九成、把 0050 甩開一大截），靠的是 MA60 乖離抓到中小型強勢股的爆發力；但有兩種年份會吃虧。一是系統性空頭年：2022 升息熊市策略 -34.8%、略遜於 0050 的 -21.4%，因為中小型動能在恐慌殺盤時 beta 較高，趨勢廣度減碼與 ATR 停損能緩衝但無法完全閃過。二是大型權值股獨強年：2024 台積電等少數權值股扛起大盤、中小型動能落後，策略只賺 6.1%、大幅落後 0050 的 48.6%。整段 12 個年度區間有 7 個勝過 0050，定位是「多數年份領先、特定盤型會明顯落後」的動能策略，並非每年都贏。

加上月營收 YoY 會更好嗎：基本面是選配，不在主策略內

本文的主策略是完全不含基本面的純技術策略：選股只用 MA60 乖離率、200 日動能與波動度，風控只用個股 ATR 與全市場趨勢廣度，沒有任何財報或月營收輸入。這是刻意的設計——純技術訊號每日可得、無財報公布延遲與對齊問題，回測口徑乾淨、可重現性高。本文用來確認多頭趨勢的那道濾網，也刻意挑「200 日動能」這個純價格指標，而不是月營收年增率。

常見的延伸問題是：在選股端疊一層月營收年增率（YoY）過濾，績效會不會更好？這是一個合理的研究方向，但屬於「在純技術主策略之外的選配實驗」，不納入本文主策略的數字。原因有二：其一，主策略選股只取 15 檔、集中度已高，再加營收過濾會大幅縮小可選池，反而犧牲動能的爆發力；其二，月營收是領先指標、公布有時間落差，要正確對齊「當期（含）以前已公布」的資料才不會前視，這會把乾淨的純技術口徑複雜化。想實驗的讀者可在下載的程式碼裡，於選股前加一層 monthly_revenue 的 YoY 過濾自行對照。基本面與技術面如何分工，可延伸看技術面與基本面選股的差異與月營收動能選股策略。

策略的限制與取捨

• 集中度帶來中型回撤：本策略全期年化 29.1% 領先 0050 的 21.0%、月夏普 1.10 也略高於 0050 的 1.05，但只持 15 檔、全期最大回撤 -36.7%、略深於 0050 的 -34.0%。報酬全面領先換到的代價是單股與類股風險集中，承受得住這級回撤才適合。
• 大型權值股獨強年會落後：edge 偏中小型動能。2024 是大型權值股獨強、中小型動能落後的一年，本策略只賺 6.1%、大幅落後 0050 的 48.6%；2022 升息空頭也以 -34.8% 略遜於 0050 的 -21.4%。當市場由少數大型權值股主導、或系統性殺盤時，這套中小型動能策略會吃虧。
• 不能拿來做多空套利：我們測過「做多正乖離、放空負乖離」的多空價差，研究段年化只有 3.8%、樣本外更掉到 3.0%，兩段方向常相反被抵銷。乖離率的價值在「單邊做多強勢股 + 個股風控」，不在多空對沖。
• 容量與成本：選股集中在前 300 大流動性宇宙、僅 15 檔，大資金部署需重估流動性衝擊；回測未逐筆估算滑價與借券成本，亦未估算策略容量上限。
• 崩盤型態涵蓋有限：資料起點 2015，ATR 停損與趨勢廣度減碼主要在 2018 / 2020 / 2022 幾次急跌上驗證，未對更早期（2008 / 2011）的崩盤型態做滾動測試，不保證對沒見過的型態同樣有效。

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、換因子。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。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。

乖離率最常見的三個誤用，回測都幫你踩過了

把前面的真實數字收斂成三個最容易犯、且本文回測都實際驗過的錯，讓你少走冤枉路：

1. 把負乖離當「跌深必反彈」訊號：這是最致命的誤用。前面聯電 2022 那張圖，逆勢派整年觸發 9 次買進、第一個買點之後股價還續跌 35.1%；放到全市場橫截面，「負乖離最大」研究段年化只有 5.4%、用季線抄底更只剩 0.6%。負乖離無法區分「健康回檔」與「趨勢轉空起點」，單獨拿來抄底長期接近無效。
2. 用太短的均線算乖離：散戶習慣的 20 日線雜訊太多。同樣選正乖離最大，20 日線研究段年化 11.1%、季線（MA60）17.7%——只是把均線拉長，報酬量級就差一截。乖離率衡量的是「相對均線的中期動能」，均線太短會把雜訊也當訊號。
3. 拿乖離率做多空對沖：很多人想當然耳「做多正乖離、放空負乖離」應該能賺價差。實測這條多空價差研究段年化只有 3.8%、樣本外掉到 3.0%，因為兩段方向常相反、互相抵銷。乖離率的價值在「單邊做多強勢股 + 個股風控」，不在多空套利。

除了上面三個誤用，還有一個天生限制要先認清：這套策略的 edge 偏中小型動能，在大型權值股獨強的年份會吃虧。2024 大型權值股獨強，本策略只賺 6.1%、大幅落後 0050 的 48.6%。它不是萬靈丹，是一套「多數年份領先、特定盤型會落後」的動能策略。指標的正確用法可橫向對照 RSI、MACD、KD 比較與 KD 鈍化策略回測。

常見問題

Q：乖離率（BIAS）負乖離過大一定會反彈嗎？ 不一定。負乖離（股價跌破均線）在台股研究段橫截面回測年化只有 5.4%（20 日線），用季線抄底更只剩 0.6%，因為它無法區分「健康回檔」與「趨勢轉空的起點」。把它當無腦抄底訊號，長期接近無效。

Q：乖離率該設多少才算過大？±6%、±8% 這些門檻準嗎？ 那些固定門檻是把乖離率當均值回歸指標在用，但本文回測顯示這個方向在台股賺不到錢。比起糾結門檻數字，更該換個用法：把乖離率當「相對均線的動能因子」，每月在全市場挑正乖離最大的一籃強勢股，再用 ATR 停損控風險。用對方向，比調門檻重要。

Q：乖離率的均線要用幾日？20 日還是 60 日？ 本文回測中，用季線（MA60）算乖離明顯優於散戶慣用的 20 日線：品質池內季線正乖離研究段年化 17.7%，20 日線只有 11.1%。季線乖離衡量的是中期動能，雜訊更低、訊號更持久。

Q：乖離率可以單獨拿來當買賣訊號嗎？ 不建議。無論是負乖離抄底還是正乖離追高，單獨用都不夠。它比較適合當「橫截面選股因子」搭配品質過濾、趨勢濾網與 ATR 停損，組成一籃動能策略，而不是對單一支股票抓進出場點。

Q：風控用個股 ATR 停損還是大盤擇時？ 本策略兩道風控都用，但都是純技術、互補不重疊。個股級 ATR 現金停損隨個股波動自適應，只砍掉真正轉弱的格子、不誤殺整籃；趨勢廣度減碼則用全市場站上 MA60 的比例當大盤溫度計，比例偏低時整籃線性減碼到最低四成、剩餘轉現金。兩道一起把裸籃全期 -48.0% 的回撤收斂到 -36.7%，而長期報酬不降反升。

Q：這套策略適合誰？ 適合想用技術動能參與台股、能接受 -37% 等級回撤、且不在意短期落後大盤的人。不適合追求「永遠贏過 0050」或受不了中型回撤的人——在大型權值股獨強的年份（如 2024），這套中小型動能策略會明顯落後。

Q：乖離率和 RSI、KD 一起用會更好嗎？ 這些都是擺盪 / 波動類指標，資訊高度重疊，硬疊在一起通常是負貢獻。本文也測過「再加動能或量能確認」，夏普沒升、回撤沒降、樣本外反而被稀釋。比較有效的組合是「不同性質」的訊號，例如乖離率動能（選股）+ ATR 停損（風控）。各指標的正確用法可參考 RSI、MACD、KD 比較與 KD 鈍化策略回測。

Q：乖離率和肯特納通道、ATR 這些波動指標有關嗎？ 有。乖離率衡量價格偏離均線的幅度，本質和波動有關；本文的風控腿就是用 ATR（平均真實波幅）做停損。想了解波動類指標，可看肯特納通道與 ATR 指標與台股 ATR 波動度指標。

最後更新：2026-06｜回測區間：2015-01 ~ 2026-06-09｜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。乖離率純技術強勢動能策略全期最大回撤 -36.7%，實際交易前請自行評估風險、滑價與交易容量。