布林通道怎麼用才對？台股 11 年回測：拆成選股因子＋大盤風控的純技術策略

布林通道在台股的正確用法：拆成選股因子加大盤風控

若想比較布林通道以外的選股規則，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 2015-02-26 至 2026-09-30（2026-10-12 重跑），基準為與策略同一天起算的含息 0050。文末附可下載的 strategy.py 與 data.csv，執行 strategy.py 會印出本文的主要表格。對回測的觀念還不熟，可先看回測是什麼。

布林通道是什麼

布林通道（Bollinger Bands）是 John Bollinger 在 1980 年代提出的波動指標，由三條線組成：中軌是 N 日移動平均（常用 20 日），上下軌則是中軌加減 K 個標準差（常用 2 個）。標準差會隨波動放大或收縮，所以通道會「呼吸」：盤整時收窄、急漲急跌時張開。布林通道的學理整理見 John Bollinger（2001）的《Bollinger on Bollinger Bands》。技術指標的基礎名詞可參考名詞詞彙表。

實務上常用兩個衍生量：

%b：價格在通道中的相對位置，公式為 %b =（收盤價 − 下軌）/（上軌 − 下軌）。等於 0 代表貼著下軌、等於 1 代表貼著上軌、0.5 代表在中軌。

帶寬（Bandwidth）：（上軌 − 下軌）/ 中軌，衡量通道張開的程度。帶寬收到很窄稱為「擠壓（squeeze）」，常被視為波動即將放大的前兆。

布林通道在台股有兩派互斥用法：均值回歸派主張「觸下軌買、觸上軌賣」，假設價格會回到中軌；擠壓突破派則主張在帶寬收窄後，等價格向上突破上軌再追。哪一派對？直接回測。

布林通道的數學定義：四條算式

把上面的文字寫成公式，布林通道只有中軌、上軌、下軌三條線，外加一個衍生的位置指標 %b：

$MB = SMA_{n}(C),\ \ UB = MB + k\sigma_n,\ \ LB = MB - k\sigma_n,\qquad \%b = \frac{C - LB}{UB - LB}$

逐項拆解每個符號：

• $C$ 是每日收盤價，$n$ 是回看天數（常用 20 日），$k$ 是標準差倍數（常用 2）。
• $MB$（Middle Band，中軌）是收盤價的 $n$ 日簡單移動平均 $SMA_n(C)$，也就是這段期間的平均成本線。
• $\sigma_n$ 是同一段 $n$ 日收盤價的標準差，衡量這段期間的波動大小。波動放大，$\sigma_n$ 就變大。
• $UB$（上軌）、$LB$（下軌）分別是中軌加減 $k$ 個標準差。因為 $\sigma_n$ 會隨波動呼吸，通道在盤整時收窄、在急漲急跌時張開，這是布林通道和固定百分比通道最大的差別。
• $\%b$ 把收盤價換算成「在通道裡的相對位置」：等於 0 貼著下軌、等於 1 貼著上軌、0.5 在中軌、超過 1 代表收在上軌之上。它把三條線壓縮成一個 0 到 1 附近的數字，方便橫截面比較。

帶寬則定義為 $(UB - LB)/MB = 2k\sigma_n/MB$，是把通道張開程度標準化成中軌的百分比，後面的擠壓濾網就是用它來判斷波動是否收斂。

這裡有一個性質直接關係到「參數要設多少」：把公式展開，$\%b = 0.5 + \frac{C - MB}{2k\sigma_n}$。同一天所有股票用同一個 $k$，%b 的高低排序就和 $k$ 無關；擠壓濾網比的是帶寬和自己過去的中位數，$2k$ 在兩邊同時出現、互相抵銷；廣度風控只看收盤有沒有站上中軌，中軌本身不含 $k$。所以本文策略不論 $k$ 設 1.5、2 還是 2.5，選出來的股票與風控訊號都一樣，真正會影響結果的是週期 $n$。

看一張圖就懂：兩派訊號在個股上長什麼樣

先用台積電（2330）一段約 12 個月的走勢，把兩派教科書訊號標在圖上。價格面板疊上布林上中下軌（20 日、±2 標準差），並標出均值回歸派（跌破下軌買、站上上軌賣）與擠壓突破派（帶寬擠壓後突破上軌買）各自的進出點：

光是 2023 年 7 月到 2024 年 6 月這 12 個月，台積電就觸發了 19 個教科書訊號：均值回歸派的「跌破下軌買」3 次、「站上上軌賣」12 次，擠壓突破派的「擠壓後突破上軌買」4 次。問題一眼可見：在這段台積電整體往上的趨勢裡，均值回歸派的「站上上軌就賣」會一路在低位把上漲的部位賣光，等於賣在起漲點；而「跌破下軌就買」在真正的回檔段又常常買得太早。換成聯發科（2454）更明顯，同一套規則觸發 21 個訊號、其中 14 次是上軌賣出訊號：

這就是布林通道單獨當買賣訊號的結構性問題：觸軌訊號又多又雜，在盤整盤裡會反覆把人甩出場（whipsaw），在趨勢段又會追高殺低。 訊號頻繁往往代表雜訊大，未必代表優勢多；把同樣的規則攤到整個股票池回測，研究段幾乎沒賺到錢。

想自己數出這些訊號、換成任何一檔股票，把下面的 sid 改掉即可（2330 會印出 3、12、4，2454 會印出 2、14、5）：

import finlab
from finlab import data
 
# 套件會在需要資料時自動引導登入
finlab.login()
 
close = data.get("price:收盤價")
 
# 布林通道：20 日、±2 標準差（直接取 finlab 內建指標）
upper, middle, lower = data.indicator(
    "BBANDS", timeperiod=20, nbdevup=2.0, nbdevdn=2.0
)
 
sid = "2330"
 
# 帶寬與擠壓用完整歷史計算，避免 120 日中位數在短窗內算不出來
bandwidth = (upper[sid] - lower[sid]) / middle[sid]
squeeze = bandwidth < bandwidth.rolling(120, min_periods=60).median()
 
# 取一段約 12 個月的窗來看訊號
px = close[sid].loc["2023-07":"2024-06"].dropna()
ub = upper[sid].loc[px.index]
lb = lower[sid].loc[px.index]
 
 
def first_days(condition):
    """條件由不成立轉為成立的日子。"""
    previous = condition.shift(1, fill_value=False)
    return condition.index[condition & ~previous]
 
 
# 均值回歸派：收盤跌破下軌當天 = 買、站上上軌當天 = 賣
meanrev_buy = first_days(px < lb)
meanrev_sell = first_days(px > ub)
 
# 擠壓突破派：站上上軌的那天，帶寬正處於擠壓狀態才算數
squeeze_breakout = [day for day in meanrev_sell if squeeze[day]]
 
print("均值回歸買點：", len(meanrev_buy), "賣點：", len(meanrev_sell))
print("擠壓突破買點：", len(squeeze_breakout))

散戶最常見的「觸下軌買」，研究段年化只有 2.5%

我們在可交易宇宙（60 日均成交金額前 300 大、收盤 > 10 元，排除 ETF、金融股、處置股）裡，把幾種「布林通道選股」用法各跑一次月再平衡的回測（30 檔等權、不加任何風控），結果如下：

最多人用的「觸下軌買進」在研究段年化只有 2.5%、月夏普 0.22，接近無效。 它在樣本外年化回到 17.9%，但同期含息 0050 是 30.5%，四種用法沒有一種在兩段都站得住。原因不難理解：%b 是個「雙義訊號」，低 %b 可能是健康回檔（該買），也可能是趨勢轉空的起點（該跑）；把它單獨拿來橫截面排名選股，等於把兩種互斥邏輯混在一起互相抵消。我們也測了 %b 的多空價差（做多 %b 最低 30 檔、放空 %b 最高 30 檔），研究段年化 -6.6%、樣本外 -0.7%，兩段都是負的。

%b 並非全無資訊，問題在於它被當成全天候訊號。如果先用「帶寬擠壓」把雜訊濾掉，只在帶寬收到自身近 120 日中位以下、波動已收斂的個股裡看 %b，研究段年化由 9.6% 提高到 13.5%、月夏普由 0.57 提高到 0.74。但這個改善沒有延續到樣本外：2022 年起擠壓版年化 8.5%，反而略低於不設濾網的 9.9%。單獨拿來選股，擠壓 %b 仍然不夠；它的價值要放進綜合分才看得出來。延伸閱讀：技術面與基本面選股的差異、動能策略。

把布林通道拆成兩個有用的零件

整個布林通道當買賣訊號失效，但拆開來看，它有兩個零件放進策略後有用，本文的純技術策略就建立在這兩個零件上。

零件一：擠壓狀態下的 %b 當選股因子

擠壓突破派的核心論點是「帶寬收窄代表能量累積，後面的動作比較真」。我們把它變成一個選股因子：只在「帶寬低於自身近 120 日中位（處於擠壓狀態）」時，才計算個股 %b 的橫截面排名，不在擠壓狀態的股票這一項不給分。上一節已經看到，這個因子單獨用並不穩定；它在本文策略裡的角色，是和 70 日動能、低波一起加總成綜合分，在動能相近的股票裡，優先挑出波動已經收斂、價格又位在通道偏上方的那幾檔。

拿掉這一項的對照最能說明它的貢獻：其餘條件完全相同，只把綜合分裡的擠壓 %b 移除，研究段年化由 28.9% 掉到 14.6%、月夏普由 1.24 掉到 0.85，樣本外月夏普也由 1.10 降到 0.98。

零件二：站上中軌的股票比例當大盤風控

單看一檔指數（例如 0050）有沒有站上自己的布林中軌，訊號太雜：盤整期會反覆穿越、來回甩巴掌。如果改看「可交易股票池裡有多少比例的股票站上各自的布林中軌」，就得到一個橫截面的、較平滑的大盤多空力道度量，我們稱為布林廣度。這裡的股票池就是選股用的同一個宇宙（60 日均成交金額前 300 名、排除 ETF 與金融股等）；0.42 與 0.27 兩條門檻是在這個池子上定的，改用全市場計算，訊號會不一樣。廣度高，代表多數個股結構偏多；廣度崩落，代表系統性轉弱。把它取 10 日指數移動平均，再用兩條門檻做成 risk-on / risk-off 開關，就是整套策略的防禦腿。

圖上紫線是每天的布林廣度（左軸），兩條紅色虛線是轉換門檻，藍線是策略淨值（右軸，對數刻度）。要注意的是，回測每月只換股一次，廣度狀態也只在每月最後一個交易日讀取：2015 年以來廣度一共 23 次轉入 risk-off，其中 8 次在月底前就回到 risk-on，回測完全沒有執行；其餘 15 次從轉弱到換股日生效，中位數要等 6 個交易日、最長 14 個交易日。這個落差在 2026 年 7 月造成明顯損失，細節見後面的新資料追蹤。

這種「市場風險升高時降低曝險」的思路，學術上最接近的是 Moreira & Muir (2017) 的《Volatility-Managed Portfolios》：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 Sharpe。布林廣度量的是橫截面的市場結構，兩者不是同一個變數，本文也沒有驗證兩者等價；能引用的只是「依風險狀態調整曝險」這個共同方向。

把兩個零件疊上動能與低波組成完整策略後，可以逐層看每一步的效果。下圖從「裸動能籃」（同宇宙、70 日動能最強 10 檔、反波動加權，不加擠壓 %b、不加低波、不加廣度風控）開始，先加入擠壓 %b 與低波兩個選股因子，再加上中軌廣度風控：

兩個零件的分工很清楚：月夏普的提升主要來自選股端，研究段由 0.67 拉到 1.31；回撤的收斂主要來自廣度風控，全期最大回撤由 -43.0% 收斂到 -33.4%，樣本外月夏普也由 1.01 提高到 1.10。代價是研究段少賺一些：加上風控後，研究段年化由 32.0% 降到 28.9%。

選股端用「買最強的股票」，沒有用「買最弱的等反彈」，這和 Jegadeesh & Titman (1993) 記錄的動能效應一致：過去 3 到 12 個月的贏家，在接下來幾個月傾向繼續贏。本文的 70 個交易日約 3 個多月，落在這個範圍的短端。關於用大盤訊號降低回撤，也可參考均線市場濾網如何降低回撤。

完整策略：布林雙核心純技術選股

把上面兩個零件疊上動能與低波，組成一套可執行、可重現、完全不含基本面的純技術策略：

1. 選股綜合分（三個技術因子相加）：在可交易宇宙裡，每檔股票算三項橫截面百分位再相加：①70 日報酬（動能）；②擠壓狀態下的 %b（帶寬低於自身近 120 日中位時才計分）；③0.35 倍的低 NATR（ATR20 ÷ 收盤，取負後排名，越低波越高分）。
2. 持股：取綜合分最高的 10 檔，以反波動（1 ÷ NATR）加權，波動越低的股票配重越高。
3. 大盤風控（布林廣度）：在同一個可交易宇宙裡，計算「收盤站上各自布林中軌（20 日、±2 標準差）」的個股比例，取 10 日指數移動平均平滑，再用雙門檻判斷多空：廣度 > 0.42 轉為 risk-on、< 0.27 轉為 risk-off，介於中間維持前一個狀態，避免在門檻附近反覆切換。
4. 資產配置：risk-on 時滿倉持有那 10 檔選股籃；risk-off 時選股清零，改持 0050 佔總曝險 0.5，另一半為現金。
5. 月再平衡：每月最後一個交易日產生訊號、下一個交易日收盤換股。廣度狀態也只在這一天讀取，月中轉弱要等到月底才減碼。

選股端的核心程式碼如下（可直接交給你的 AI 助理改寫；這裡的宇宙條件是簡化版，完整條件與回測在文末可下載的 strategy.py）：

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，排除 ETF 與權證
liquidity = amount.rolling(60, min_periods=20).mean()
common_cols = [
    s for s in close.columns
    if str(s)[:4].isdigit() and not str(s).startswith("00")
]
universe = (liquidity.is_largest(300) & (close > 10))[common_cols]
 
# 布林通道（20 日、±2 標準差）與衍生量
upper, middle, lower = data.indicator("BBANDS", timeperiod=20, nbdevup=2.0, nbdevdn=2.0)
percent_b = (close - lower) / (upper - lower)   # %b：價格在通道中的位置
bandwidth = (upper - lower) / middle            # 帶寬
 
# 因子一：70 日動能橫截面百分位
mom_rank = (close / close.shift(70) - 1).where(universe).rank(axis=1, pct=True)
 
# 因子二：只在擠壓（帶寬 < 近 120 日中位）時計分的 %b 橫截面百分位
squeeze = bandwidth < bandwidth.rolling(120, min_periods=60).median()
squeeze_pb_rank = percent_b.where(universe & squeeze).rank(axis=1, pct=True)
 
# 因子三：低波 NATR = ATR20 / 收盤，取負後排名（權重 0.35）
natr = data.indicator("ATR", timeperiod=20) / close
lowvol_rank = (-natr).where(universe).rank(axis=1, pct=True)
 
# 綜合分取最高 10 檔，之後以 1 / NATR 反波動加權
score = mom_rank.add(squeeze_pb_rank, fill_value=0) + 0.35 * lowvol_rank
basket = score.where(universe).rank(axis=1, ascending=False) <= 10

完整的廣度風控、配置與回測請見文末可下載的 strategy.py。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、月夏普、月索提諾三項大幅領先，年化多出 14 個百分點，最大回撤比 0050 深 4 個百分點；樣本外只有最大回撤略淺，年化少 5.9 個百分點、月夏普與月索提諾也落後。全期加總後，策略勝在年化報酬（27.0% 對 21.0%）與月夏普（1.13 對 1.06），月索提諾與最大回撤和 0050 幾乎打平，年化波動 23.8% 則高於 0050 的 19.8%。它的定位是「長期年化較高、風險調整後小幅領先，但 2022 年起跑輸 0050」的動能策略，全程不吃任何財報或營收資料。

完整互動式回測（月報酬熱力圖、權益曲線、年度績效）：

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）、權證與特別股等非 4 碼數字代號、金融保險股、處置與全額交割股，以降低不可交易標的污染。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（2015-02-26 有收盤價、2026-09-30 已無收盤價的 4 碼代號個股共 153 檔，含本來就不在股票池內的金融股），宇宙每天依當時的成交資料篩選，符合條件的就會被納入，沒有只用今天還存在的股票回推。
• 前視偏差：70 日動能、布林通道、%b、帶寬擠壓、NATR 與廣度均只使用當日（含）以前的價格；月底產生訊號、下一個交易日換股。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。
• 風控執行頻率：廣度訊號每天都算得出來，但回測每月換股一次，只在每月最後一個交易日讀取。2015 年以來 23 次轉入 risk-off，8 次在月底前就回到 risk-on 而從未執行，其餘 15 次中位數延遲 6 個交易日、最長 14 個交易日；換股日處於 risk-off 的月份佔 13.6%。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：選股籃以反波動（1 ÷ NATR）加權、單一資產不另設上限；risk-on 時籃內權重加總為 1，risk-off 時改持 0050 佔 0.5、其餘現金。
• 周轉率：年換手約 10.0 次（選股集中 10 檔 + 月再平衡 + 風控切換），高於被動持有，成本敏感度較高，已在 sim() 內扣手續費與證交稅下計算。
• 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 2015-02-26 起算；樣本外段兩者都從 2022 年第一個交易日起算。
• 樣本內外：研究段 2015-2021、樣本外 2022-01 至 2026-09 分開回報。參數在 2026 年 6 月定案，當時的篩選條件同時要求研究段與 2022 年以後的成績過門檻，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

檢查一套策略是否只靠某個參數湊出來，要同時看研究段與樣本外：

下面說的「過門檻」，指研究段年化 ≥ 25%、月夏普 ≥ 1.2，且樣本外年化 ≥ 15%、月夏普 ≥ 1.0，這是 2026 年 6 月定案時用的同一組標準。

• 三個選股因子與風控各自有貢獻：完整策略拿掉擠壓 %b，研究段月夏普 1.24 → 0.85；拿掉低波，研究段 1.24 → 1.05、樣本外 1.10 → 0.72；拿掉廣度風控，研究段月夏普反而升到 1.31，但全期最大回撤由 -33.4% 擴大到 -43.0%。少了任何一塊，至少有一項關鍵指標明顯變差。
• 研究段是一片高原，樣本外對動能窗敏感：固定其餘參數，一次只動一個（動能窗 60／80 日、選股 9／11 檔、risk-on 門檻 0.40／0.44、低波權重 0.30／0.40、EMA 8／12 日），10 個鄰格的研究段月夏普全部落在 1.09 到 1.31；但樣本外月夏普分散在 0.72 到 1.22，只有 6 格過門檻。最敏感的是動能窗：改成 60 日或 80 日，樣本外年化只剩 13.7% 與 14.2%、月夏普都掉到 0.72。70 日在樣本外是一個尖點，這是讀者實單前最該保留戒心的地方。
• 門檻微調沒有作用：risk-on 門檻改成 0.40 或 0.44，結果與 0.42 完全相同。廣度跨過門檻的日子會差幾天，但月底那天的狀態一樣，月頻讀取把這類微調抹平了。
• 逐年對照含息 0050：2015-2026 共 12 個年度區間中只有 4 個勝過 0050，全期的領先主要來自 2017 年（+57.7% 對 +18.1%）與 2021 年（+126.6% 對 +21.9%），詳見下方逐年表。

參數最佳化：找穩健高原，不挑單一孤峰

這套策略有兩個最值得檢查的參數：選股檔數（決定集中度）與大盤風控的 risk-on 廣度門檻（決定多早轉回進攻）。很多人最佳化的做法是把所有參數組合跑一遍，挑研究段績效最高的那一格上線，這是過度最佳化的典型陷阱：研究段最漂亮的單一峰值，往往是運氣湊出來的，換到樣本外就垮。比較穩當的做法是看色溫圖找「一片站得住的高原」。

我們對選股檔數（9／10／11／12）× risk-on 廣度門檻（0.38／0.42／0.46／0.50）做 4×4 網格，risk-off 門檻跟著移動、固定比 risk-on 低 0.15。每一格都用該設定重算選股籃與風控訊號、重跑回測，色溫填研究段月夏普：

研究段的結論是一片緩坡：16 格研究段月夏普落在 1.04 到 1.31，有 15 格在 1.10 以上，沒有突兀的孤峰。橫看選股檔數，9 檔那欄最高（1.20 到 1.31），檔數越多越低，12 檔那欄只剩 1.04 到 1.17；縱看門檻，0.42 那一列普遍最高，拉到 0.50 才明顯降溫。

把同一張網格換成看樣本外，分界就出現了：9 檔與 10 檔的 8 格樣本外月夏普全部在 1.01 到 1.16，11 檔與 12 檔的 8 格則有 6 格在 0.91 到 0.98，另 2 格剛好 1.00。換句話說，「選得越集中、成績越好」這個方向在研究段與樣本外一致，檔數放寬到 11 檔以上，樣本外月夏普最高只到 1.00。

本文預設取 10 檔、門檻 0.42/0.27：研究段月夏普 1.24、年化 28.9%，樣本外月夏普 1.10、年化 24.6%。更集中的 9 檔研究段更高（年化 31.8%、月夏普 1.31），但資料延長到 2026 年 9 月後，它的樣本外月夏普降到 1.01、年化 22.6%，掉得比 10 檔多；集中度越高，單一個月的個股風險也越大。10 檔配上較高的門檻 0.46 或 0.50，樣本外月夏普反而較高（1.16、1.15），研究段則降到 1.19、1.13，這是「研究段報酬」與「近年穩定度」之間的取捨，我們維持 6 月定案的參數，不因新資料改設定。如果你看到某個最佳化「換個參數 Sharpe 就從 0.8 跳到 1.8」，那通常是踩到過擬合的地雷，樣本外很可能打回原形。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。

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。下表的 0050 與策略從同一天起算（2015 年自 2 月 26 日起，2026 年截至 9 月 30 日）：

逐年看得出這套策略的個性：勝出的年份贏很多，落後的年份差距有大有小。2017、2021、2023 三年分別多賺 39.6、104.7、21.3 個百分點，是全期年化領先的主要來源；落後的 8 個年度裡，2019、2024 只差 3 個百分點以內，差距最大的是 2026 年到 9 月底（+42.3% 對 +74.3%），其次是 2016 與 2025。空頭年也擋不住：2018 年 -9.3%、2022 年 -27.2%，都比 0050 跌得更深，廣度風控能減碼，但月頻讀取躲不過連續下跌。整段只有 4 個年度勝過 0050，想買這套策略的人要有心理準備：大多數年份會覺得「不如直接買 0050」，長期領先靠的是少數幾個大年。

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 4.4%，同期含息 0050 上漲 8.9%。分段拆開如下：

四段連乘就是上面的區間報酬，虧損集中在 7 月。6 月底選出的 10 檔持股在 7 月 1 日買進、8 月 3 日換股出場，10 檔全部虧損，逐檔報酬中位數 -16.9%，跌最深的同欣電（6271）-41.6%。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。策略淨值在 2026-07-02 創高，到 9 月底仍比高點低 15.0%。

這次虧損和風控的執行頻率直接相關。布林廣度（EMA10）在 7 月 17 日跌破 0.27、轉入 risk-off，但回測要等到 7 月 31 日的換股訊號、8 月 3 日收盤才把選股籃換成半倉 0050。從 7 月 16 日收盤到 8 月 3 日出場，策略淨值下跌 13.8%，同期 0050 跌 3.6%；7 月 30 日的低點離 7 月 16 日跌了 25.3%。之後廣度在 8 月 11 日就回到 0.42 以上，部位卻要到 9 月 1 日才換回選股籃。8 月的 +8.5% 主要來自 7 月 31 日到 8 月 3 日這一個交易日，7 月持股出場前反彈了 6.3%。研究段最差的單月是 2020 年 3 月的 -11.5%，樣本外在此之前最差的是 2022 年 9 月的 -13.7%；2026 年 7 月的 -22.9% 是研究段最差單月的兩倍、樣本外先前最差單月的 1.7 倍。

延長資料後，樣本外月夏普由 1.29 降到 1.10、年化由 27.8% 降到 24.6%，仍高於我們給這類策略設的 1.0 與 15% 門檻，因此本次屬於一般刷新：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。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 2026-09-30，2026-10-12 重跑。以上一版的截止日 2026-06-09 重算，策略研究段 28.88%、樣本外 27.84%、全期 28.38% 與上一版完全相同，本次的差異全部來自新增的資料。另有五處更正：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 2015-02-26，0050 在這中間上漲 5.6%；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 20.68%、研究段由 15.29% 變為 14.70%。②上一版寫「三段都勝過含息 0050」，但當時樣本外段 0050 年化 30.4% 已高於策略的 27.8%，那句話有誤。③上一版擠壓濾網段寫「研究段月夏普 0.57 提升到 0.77、樣本外 13.3%」，那組數字來自另一種組合（在擠壓且 %b > 0.8 的股票裡取 60 日動能最強 30 檔），與文中描述的測法不同，本版照文中描述重跑。④上一版寫可交易宇宙「排除 KY 股」，實際沒有排除；廣度對照圖疊的也是 6 月定案前舊版策略的淨值，本版都已改正。⑤上一版可下載的 strategy.py 宇宙條件少了均量門檻，印出的數字對不上文章；現在執行後會印出本文的三段績效、教科書用法對照、逐層的月夏普與回撤、逐年報酬，以及 7 月起的逐月報酬，數字與文中表格相同。

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：選股只用價格動能、布林擠壓 %b 與波動度，風控只用站上中軌的廣度，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。

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 10 檔、集中度已高，再加營收過濾會縮小可選池，可能壓縮動能因子的選擇空間（本文未測）；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，於綜合分計算前加一層 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。

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：70 日動能、擠壓狀態下的 %b、低 NATR 三個分位加總取最高 10 檔、反波動加權，股票池內站上布林中軌的比例轉空時改持半倉 0050，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 1.27 對 0050 的 0.96，2022 年起 0.89 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 24.8%、日夏普 1.07、最大回撤 -34.7%；同期 0050 含息年化 20.5%、日夏普 1.08，只差 0.01，但還是輸。照原文手續費三折是日夏普 1.16，贏 0050：原參數這一格的輸贏取決於手續費有沒有打折。9 組鄰近參數全部輸，原參數剛好是 9 組裡最好的一格，布林週期或持股檔數往任一方向挪，日夏普就掉到 0.78 到 0.99。前段（2015 到 2020 年）日夏普 0.81 輸 0050 的 0.89，後段 1.28 小贏 1.24；照上文以 2022 年切開則相反，2015 到 2021 年 1.27 贏 0.96，2022 年起 0.89 輸 1.22，跟上文「2022 年起年化 24.6% 落後 0050」一致，前後段的輸贏取決於 2021 年落在哪一段。三項都不成立。上文的參數高原看的是研究段月夏普、持股檔數乘廣度門檻；這裡換成全期日夏普、布林週期乘持股檔數，原參數這一格明顯高於四周。上文的年化 27.0% 從 2015-02-26 起算、資料到 2026-09-30；這裡從第一次換股的 2015-01-30 起算，手續費三折跑到 2026-10-27 是 27.4%，換成 sim() 預設成本是 24.8%。

策略的限制與取捨

• 集中度帶來較高波動：策略只持 10 檔，全期最大回撤 -33.4% 與含息 0050 的 -34.0% 相當，但年化波動 23.8% 高於 0050 的 19.8%，單一月份可能虧兩成以上（2026 年 7 月 -22.9%）。承受得住這級波動才適合。
• 風控是月頻，月中急跌擋不住：廣度風控只在每月換股日讀取。2026 年 7 月廣度在 7/17 就轉弱，部位到 8/3 才減碼，這段期間淨值再跌 13.8%。實際操作若改成每日檢查，報酬與回撤都會不同，本文沒有回測那個版本。
• 近年落後 0050：樣本外（2022 年起）年化 24.6%，落後 0050 的 30.5%；12 個年度區間只有 4 個勝過 0050，2026 年到 9 月底策略 +42.3%、0050 +74.3%。
• 對動能窗敏感：動能窗由 70 日改成 60 或 80 日，樣本外月夏普都從 1.10 掉到 0.72。參數是在看過 2022 年後資料的情況下定案的，未來表現可能比本文樣本外段更差。
• 高周轉、成本敏感：年換手約 10.0 次，明顯高於被動持有，報酬已在 sim() 內扣手續費與證交稅後計算，但實單滑價會進一步侵蝕，資金規模越大越明顯。
• 容量與崩盤型態：選股僅 10 檔、宇宙限前 300 大，大資金部署需重估流動性衝擊；資料起點 2015，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。

用布林通道最常犯的四個錯誤

1. 把「觸下軌」當無腦抄底訊號。 低 %b 同時可能是健康回檔或趨勢轉空的起點，布林通道本身分不出來。台積電那張示意圖裡，下軌附近的買點有些確實反彈、有些則是繼續破底；攤到整個股票池，觸下軌買進研究段年化只有 2.5%，樣本外回到 17.9% 也仍大幅落後 0050。下軌是「波動參考線」，不保證反彈。
2. 在多頭趨勢裡用「站上上軌就賣」。 強勢股會「沿著上軌走」很久，聯發科那段 12 個月就觸發了 14 次上軌賣出訊號，每一次照做都等於把上漲部位提早砍掉、賣在起漲點。趨勢盤裡，貼上軌是強勢的證據。
3. 只看研究段挑參數。 本文策略的研究段在 9 到 12 檔、門檻 0.38 到 0.50 之間是一片緩坡，看起來怎麼選都行；但同一批參數換成看樣本外，11 檔以上多數掉到 1.0 以下，動能窗改 10 天月夏普就從 1.10 掉到 0.72。挑參數時兩段都要看，研究段的高原不代表樣本外也是高原。
4. 把布林通道和 KD、RSI 疊在一起用。 這些都是從同一條價格序列算出來的擺盪／波動類指標，資訊高度重疊，疊在一起很難增加新資訊（本文沒有回測這個組合）。本文的做法是搭「不同性質」的訊號：用動能因子選股、用布林廣度控風險，各司其職。各指標的分工可參考RSI、MACD、KD 比較。

這四個錯誤有一條共同主線：把一個衡量波動的指標當成抓買賣點的工具。 記住布林通道的本質是「衡量波動」，就會自然把它放到選股濾網與風控的位置，而不會拿它當進出場依據。

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 把資料截止日釘在 2026-09-30，執行後印出本文的三段績效、教科書用法對照、逐層的月夏普與回撤、逐年報酬，以及 6 月 9 日之後的區間與逐月報酬；把 DATA_END 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。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。想看 RSI、KD、乖離率等指標的同款回測，可讀技術指標怎麼用才對的總覽與乖離率台股回測。

常見問題

Q：布林通道參數要設多少？20 日、2 個標準差是最好的嗎？ 20 日、±2 標準差是 John Bollinger 的原始建議，也是本文用的設定。標準差倍數 k 對本文策略完全沒有影響：%b 的排序、擠壓的判斷和站上中軌的廣度，數學上都與 k 無關（推導見定義一節）。會影響結果的是週期 n，本文沒有對 n 做網格測試，只用預設的 20 日。

Q：布林通道「觸下軌一定會反彈」嗎？ 不一定。觸下軌（低 %b）的股票籃在台股研究段年化只有 2.5%，因為它無法區分「健康回檔」與「趨勢轉空」；2022 年後年化 17.9%，仍大幅落後 0050 的 30.5%。把它當無腦抄底訊號，長期接近無效。

Q：布林通道可以單獨拿來當買賣訊號嗎？ 不建議。觸下軌買、觸上軌賣或無條件的 %b 排名選股，在台股回測都站不住；只在擠壓股裡看 %b，研究段有改善，但樣本外沒有延續。要讓 %b 變得有用，得把它和動能、低波一起放進綜合分；站上中軌的廣度則拿來當大盤風控。布林通道適合拆成這兩個零件搭配使用。

Q：布林通道和肯特納通道（Keltner Channel）差在哪？ 布林通道用標準差定義通道寬度（隨波動呼吸），肯特納通道用 ATR（平均真實波幅）。兩者都是波動通道，實務上常被一起比較，延伸可看肯特納通道與 ATR 指標。

Q：這套策略適合誰？ 適合想要主動選股、能接受 -33% 等級回撤與月虧兩成的單月波動、也能忍受多數年份跑輸 0050 的人：全期年化 27.0%、月夏普 1.13，勝過含息 0050 的 21.0%、1.06，但 2022 年起年化落後 0050 約 6 個百分點。不適合受不了深度回撤、或偏好低周轉被動持有的人，那種需求直接買進持有含息 0050 更省心。

Q：為什麼要用「廣度」而不是只看大盤指數？ 單一指數的中軌穿越在盤整期雜訊太大、來回甩巴掌；股票池內的廣度是橫截面的多空力道度量，加上 EMA 與雙門檻，在本文回測中把全期最大回撤由 -43.0% 收斂到 -33.4%。限制是它只在每月換股日讀取，月中急跌要等到月底才減碼。

最後更新：2026-10｜回測區間：2015-02-26 ~ 2026-09-30（2026-10-12 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。布林雙核心純技術策略全期最大回撤 -33.4%、2026 年 7 月單月 -22.9%，實際交易前請自行評估風險、滑價與交易容量。