cci 指標怎麼用才對？台股 11 年回測：拆成趨勢濾網＋大盤風控的純技術策略

cci 指標在台股的正確用法：拆成趨勢濾網加大盤風控

cci 指標台股回測的關鍵數字：

本文所有數字皆出自 finlab 套件（2.2.21）抓取的上市櫃真實價量資料（price 與 etl:adj_close 含息還原股價），cci 以 TA-Lib CCI 計算，回測從 2015-01-30 起算、資料截至 2026-09-30，基準為同日起算的含息 0050。2026-10-28 用延長後的資料重跑，參數一個都沒改：2022 年起月夏普由首發版（資料截至 2026-06-09）的 1.32 降到 1.23，仍在我們設的 1.0 門檻之上。這次重跑另外補做了換股日、斷路器檢查頻率、逐層拆解與參數逐格掃描，也修正了 0050 斷路器的價格口徑，結論比首發版保守很多，首發版的幾個錯誤在對應段落更正。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。

cci 指標是什麼

cci 指標（Commodity Channel Index，順勢指標）是 Donald Lambert 在 1980 年提出的動量振盪指標，原本用於商品市場。它衡量「現在的價格偏離一段期間的平均有多遠」，並用平均絕對偏差做標準化，公式為：

cci =（典型價格 − N 日典型價格均線）/（0.015 × 平均絕對偏差），其中典型價格 =（最高價 + 最低價 + 收盤價）/ 3。常數 0.015 是 Lambert 刻意設計，讓多數讀數落在 ±100 之間。

實務上 cci 有兩派互斥用法：均值回歸派主張「cci 跌破 −100 是超賣、該買；突破 +100 是超買、該賣」，假設價格會回到均值；突破動能派則主張 cci 站上 +100 代表強勢趨勢成形，該追進。兩派當選股訊號在台股都站不住，回測見後面。

cci 指標的數學定義與計算公式

把前面那句白話拆成可計算的式子，cci 的定義是：

$TP = \frac{H + L + C}{3},\qquad CCI = \frac{TP - SMA_n(TP)}{0.015\,\cdot\, \text{MD}_n}$

逐個符號拆開來看：

• $TP$（典型價格，Typical Price） $=（H + L + C）/ 3$，其中 $H$、$L$、$C$ 是當日的最高、最低、收盤價。用三價平均，是為了讓 cci 同時反映盤中的高低振盪，不只看收盤一個點。
• $SMA_n(TP)$ 是 $TP$ 的 $n$ 日簡單移動平均，代表「最近這段期間的價格重心」。$n$ 預設 14。分子 $TP - SMA_n(TP)$ 就是「現價偏離重心多遠」，正值代表在均值之上、負值代表在均值之下。
• $\text{MD}_n$（平均絕對離差，Mean Deviation） 是 $TP$ 對其 $n$ 日均值的平均絕對距離，$\text{MD}_n = \frac{1}{n}\sum_{i=0}^{n-1}\big|\,TP_{t-i} - SMA_n(TP)\,\big|$。它的角色是把分子的「偏離」用近期波動度做標準化：同樣偏離 5 元，在一檔平常就劇烈震盪的股票上算正常，在一檔平常很穩的股票上就是異常。除以 $\text{MD}_n$ 之後，cci 在不同價位、不同波動度的股票之間才可比。
• 常數 $0.015$ 是 Lambert 刻意挑的縮放係數。他希望多數讀數落在 $±100$ 之間，於是用 $0.015$ 把分母放大；當價格偏離大約 1.5 倍平均絕對離差時，cci 剛好等於 $±100$，這就是 $±100$ 門檻的由來。

和 KD（0 到 100）、威廉指標（−100 到 0）把讀數壓在固定區間不同，cci 的分母會隨波動度浮動、分子可正可負，所以它沒有上下界，理論上能到正負無限大，較少出現指標貼著天花板或地板的鈍化。技術指標的基礎名詞可參考名詞詞彙表。

TA-Lib 的 CCI 就是這個公式：用台積電（2330）2015 年起每天的高、低、收盤價手算，和 finlab data.indicator("CCI", timeperiod=14) 的結果逐日相同。finlab 預設用未還原的價格計算，除權息、減資或分割當天價格跳動，cci 也會跟著跳一次，這點在後面 0050 斷路器的段落會再遇到。

把 cci 畫在單股上：教科書 ±100 派的買賣點長什麼樣

公式看完，最快建立直覺的方式是把 cci 畫在一檔真股票上、標出教科書 ±100 派的買賣點。下圖是台積電（2330）2023-07 到 2024-06 這一年，下方面板是 cci(14)、上方價格面板標出「cci 跌破 −100 時買進、突破 +100 時賣出」的訊號：

光是這一年、這一檔，教科書 ±100 派就觸發了 29 個訊號（10 次超賣買進、19 次超買賣出）。這一年台積電上漲 66.8%，cci 有 29.2% 的交易日在 +100 以上。聯發科（2454）同期也有 25 個（7 買、18 賣），股價上漲 102.6%：

兩張圖直接點出 cci 當個股進出訊號的兩個問題。第一是訊號太頻繁：cci 是短週期振盪計，一年穿越 ±100 二、三十次，每次進出都要付手續費與證交稅。第二是反覆被洗（whipsaw）：在 2024 年初那段明顯的上升趨勢裡，cci 一漲超過 +100 就發「超買賣出」（台積電 2024 年 1 月到 4 月就有 6 次），把還在續漲的股票早早賣掉，接著股價又創高，這正是「均值回歸派」在趨勢盤的弱點。

想自己重畫這張圖、把訊號換成你想驗證的邏輯，下面這段程式碼可以複製來改（cci 由 finlab 內建的 data.indicator 算，不必自己接 TA-Lib）：

import finlab
from finlab import data
import matplotlib.pyplot as plt
 
# finlab 會在需要資料時自動引導登入
finlab.login()
 
# 用 finlab 內建的 indicator 介面直接算 cci(14)
cci = data.indicator("CCI", timeperiod=14)
close = data.get("price:收盤價")
 
sid = "2330"
window = slice("2023-07-01", "2024-06-30")
 
# 教科書 ±100 派:cci 跌破 −100 視為超賣買進、突破 +100 視為超買賣出
# 先用完整歷史判斷穿越(窗內第一天也看得到真正的前一天),再截出要畫的一年
cci_all = cci[sid]
crossed_below = ((cci_all < -100) & (cci_all.shift(1) >= -100)).loc[window]
crossed_above = ((cci_all > 100) & (cci_all.shift(1) <= 100)).loc[window]
price_s = close[sid].loc[window]
cci_s = cci_all.loc[window]
 
# 上下兩個面板:價格在上、cci 在下
fig, (ax_price, ax_cci) = plt.subplots(
    2, 1, figsize=(12, 7), sharex=True, gridspec_kw={"height_ratios": [2, 1]}
)
ax_price.plot(price_s.index, price_s, color="#111111", linewidth=1)
ax_price.scatter(price_s.index[crossed_below], price_s[crossed_below],
                 marker="^", color="#10B981", label="超賣買進")
ax_price.scatter(price_s.index[crossed_above], price_s[crossed_above],
                 marker="v", color="#EF4444", label="超買賣出")
ax_price.legend()
 
ax_cci.plot(cci_s.index, cci_s, color="#A855F7", linewidth=1)
ax_cci.axhline(100, color="#9CA3AF", linestyle="--")   # +100 超買
ax_cci.axhline(-100, color="#9CA3AF", linestyle="--")  # −100 超賣
 
plt.show()

把 sid 換成任何一檔股票、把訊號邏輯改成你的假設，就能在動筆做回測前先用眼睛檢查訊號合不合理。上面這段跑出來，台積電是 10 次買進、19 次賣出，和圖上相同。

教科書最常見的用法，在台股 11 年幾乎沒賺到錢

我們在可交易宇宙（60 日均成交金額前 300 名、60 日均量 > 100 萬股、收盤 > 10 元，排除 ETF、金融保險股、處置與全額交割股）裡，把六種「cci 選股」寫法各跑一次：cci(14)、等權、每月最後一個交易日換股、不擇時。

研究段（2015–2021）六種寫法全部輸給含息 0050 的 15.1%。最常被教的「cci 跌破 −100 買進」，不論怎麼寫都接近零或為負：每月買最低 30 檔 2.25%、月底低於 −100 全部持有 0.31%、只買當天剛跌破的股票是 -5.93%。 追強勢的三種寫法好一些，研究段 7.9% 到 10.3%，仍落後 0050。首發版代表「超賣買進」的只有「cci 最低 30 檔」一列，卻標成「cci 跌破 −100 超賣買進」，沒有真的用 −100 當條件；這次把以 −100 為條件的兩種寫法補上。

2022 年起這六種寫法年化 10.3% 到 17.0%，全部輸給 0050 的 30.5%，全期最大回撤在 -38% 到 -69% 之間。首發版說「超賣買進與追強勢在樣本外漂亮、研究段很差，是市況依賴」，兩段其實都輸 0050，看不出哪個市況下有效。cci 不是設計來做橫截面選股的指標，下一段改用它的另外兩個用途。

把 cci 拆成兩個有用的零件

整個 cci 當買賣開關失效，但拆開來看，它有兩個各自有用的零件，本文的純技術策略就建立在這兩個零件上。

零件一：個股 cci 當趨勢持有濾網，不當選股排序

先釐清一個差別：把 cci 當「橫截面選股排序」（誰的 cci 高就買誰、誰低就買誰）沒有用；把 cci 當「二元的趨勢持有濾網」（只把錢留在 cci 站上某個門檻的股票、把深跌中的股票剔出去）則有用。

先看排序。建一個「品質低波籃」：只留站上季線（close > 60 日均線）的股票，取 60 日波動最低的 30 檔等權，完全不看 cci：研究段年化 14.90%、月夏普 1.01。（首發版寫「先剔除 60 日波動最高的一半，再取最低的若干檔」；程式實際是先在站季線的股票裡取波動最低的 150 檔，再取其中最低的 30 檔，等於直接取最低 30 檔。）同一個池子改挑 cci 最高的股票，cci 週期 14／20／30 乘上持股 20／30／40 檔共 9 組，研究段月夏普 0.55 到 0.84，沒有一組贏過只挑低波的 1.01；全期最大回撤 -40.3% 到 -48.0%，也比低波籃的 -32.3% 深。首發版這 9 組出自較早的研究回合（當時的回測框架還沒有統一從 2015 年起算），這次用本文的設定重跑，結論相同。一種解讀是 cci 和短期漲幅高度重疊，在已經用季線框過方向的池子裡，挑 cci 最高等於挑最近漲最急的股票；本文沒有另外驗證這個機制。

同一個 cci 改當二元濾網，結果就不一樣。 在站季線的池子裡只留 cci(14) > −50 的股票，再取波動最低的 24 檔：

• 等權、不擇時：全期年化 14.46% 提高到 18.04%，研究段月夏普 1.07 升到 1.13，2022 年起 0.90 升到 1.03；全期最大回撤 -30.9% 變 -32.1%，略深。
• 放進完整策略（動能傾斜加斷路器）再拿掉這層濾網：全期年化 25.22% 掉到 19.69%，研究段 26.11% 掉到 20.43%，2022 年起 24.53% 掉到 19.02%；最大回撤 -22.9% 對 -22.2%，差不多。

選波動最低的股票，動機來自學術上記載已久的低波動異常：Ang, Hodrick, Xing & Zhang (2006) 發現高波動股票的後續報酬反而偏低。但在本文的設定下，低波本身贏不了 0050：可交易宇宙內直接取波動最低 24 檔，全期年化 10.05%；限定站季線後 14.46%，都低於 0050 的 21.17%。報酬主要是後面的動能傾斜加上去的（見「逐層拆開」）。延伸閱讀：技術面與基本面選股的差異、動能策略。

零件二：0050 自身的 cci 當大盤斷路器

cci 對個股排序沒有增量；放到大盤指數上，它衡量的是 0050 現在偏離自己 20 日均值多遠。本文把 0050 自身的 cci(20) 當斷路器：每月最後一個交易日讀一次，讀到 −100 以下就整籃清倉、持有現金一個月，其餘月份滿倉。

斷路器只在月底看一次。 2015 年起，0050 的 cci(20) 日頻跌破 −100 共 124 次（每年約 10.6 次），其中 103 次在月底前就回到 −100 以上，從來沒有清倉；真正落在月底、執行清倉的只有 21 次，佔 141 個月底換股日的 14.9%。

清倉的效果集中在少數月份。21 個清倉月份裡，不擇時的籃子下個月平均 +0.1%（11 個月虧損），滿倉月份平均 +2.5%。少賠最多的是 2020 年 2 月 27 日：月底 cci(20) -139.0，3 月整月持有現金，不擇時的籃子 3 月 -20.0%、0050 -14.1%；3 月底 cci 回到 −100 以上，4 月重新滿倉。2020 年策略 82.0%，不擇時的籃子 52.1%，這一年就差了 29.9 個百分點。代價最大的一次是 2026 年 3 月 31 日：月底 cci(20) -168.5，4 月清倉，不擇時的籃子那個月 +22.6%、0050 +25.1%，策略只有 +2.7%。

如果把同一個月底選出的籃子改成每天檢查斷路器（cci 跌破 −100 隔天清倉、回到 −100 以上再買回），全期年化只有 17.64%、最大回撤 -34.94%，比完全不擇時（26.04%、-36.67%）少賺很多，回撤也沒有比較淺；研究段月夏普 0.80、2022 年起 0.89。日頻訊號一年翻轉約 10 次，大多數在幾天內就回到 −100 以上。首發版把規則寫成「0050 的 cci(20) ≤ −100 時整籃清倉」，回測其實是月底才看，月中跌破不會動；照字面每天執行，結果差很多。

0050 的 cci 掉到 −100 以下時，市場確實比較動盪：日頻斷路器關閉的日子，0050 隔天報酬的年化波動 29.1%，開啟時 17.6%；但往後 20 個交易日的平均報酬差不多（關閉時 +1.54%、開啟時 +1.76%，上漲機率 64.2% 對 62.4%）。波動高、報酬沒有跟著高，這和 Moreira & Muir (2017) 在《Volatility-Managed Portfolios》的發現一致：波動升高時降低曝險，可以提升風險調整後報酬。斷路器避開的是高波動的月份，它不能預測下跌。

把斷路器拿掉（同一個動能傾斜籃全程滿倉），全期年化 26.04%、最大回撤 -36.67%；加上斷路器後是 25.22%、-22.87%，每年少賺 0.8 個百分點，換到回撤淺 13.8 個百分點。分段看，研究段年化由 23.70% 提高到 26.11%、月夏普 1.09 升到 1.26；2022 年起反而由 30.18% 降到 24.53%，月夏普 1.21 對 1.23 差不多，每年少賺約 5.7 個百分點。

門檻要多寬，逐格掃一次（0050 的 cci(20)，其餘設定不變）：

門檻設 −150，141 個月底只觸發 8 次，2020 年 2 月 27 日的 -139.0 沒有觸發，全期最大回撤回到 -36.9%。−125 到 0 的全期最大回撤都是 -22.9%：全期最深的那次回撤發生在 2026 年 6 月 3 日到 7 月 30 日，決定這段持股的兩個月底讀數（5 月 29 日 196.7、6 月 30 日 67.6）都在這些門檻之上，任何門檻都沒有觸發。報酬則是門檻越嚴越低：−100 是 25.2%，−50 是 20.5%，−25 是 13.8%，0 只剩 9.4%。首發版說「−100 與 −50 都能把回撤明顯壓低」，在本文期間 −50 的全期回撤和 −100 相同，年化少 4.7 個百分點。

斷路器的週期也掃了 10 到 30 日（門檻 −100）：研究段月夏普 1.01 到 1.26，20 日與 18、19 日並列最高；2022 年起 1.06 到 1.39；全期年化 21.5% 到 26.7%。18 到 20 日以外的週期，研究段年化在 20.0% 到 25.3% 之間，本文的 20 日剛好落在研究段的高點。首發版說換成 cci(14) 也成立（樣本外月夏普 1.45）；重跑後 cci(14) 研究段年化 22.33%、月夏普 1.10，2022 年起 27.27%、1.34。

完整策略：cci 雙零件純技術選股

把上面兩個零件疊上低波選股與動能傾斜加權，組成一套可執行、可重現、完全不含基本面的純技術策略：

1. 選股池（個股 cci 趨勢濾網）：可交易宇宙中，先留站上季線（close > 60 日均線）、且個股 cci(14) > −50 的股票。
2. 選股（低波）：在這個池子裡取 60 日報酬日波動度最低的 24 檔。
3. 加權（動能傾斜除以波動）：對這 24 檔分別算 60 日與 120 日報酬在籃內的百分位，混合成 0.4 × 60日 + 0.6 × 120日 的動能分數，權重正比於「動能分數的 3.5 次方除以 60 日波動」，把錢往「高動能、低波動」的股票傾斜。
4. 大盤斷路器（0050 自身 cci）：每月最後一個交易日讀一次 0050 的 cci(20)（0050 的高、低、收盤價先乘上還原係數）。讀到 −100 以下就整籃清倉、持有現金到下個月底；其餘月份滿倉。
5. 每月最後一個交易日換股，月中不檢查。

首發版更正：首發版寫成「當 0050 的 cci(20) ≤ −100 時整籃清倉」，沒有說明只在月底檢查；回測是 sim(resample="M")，部位只在月底讀取，每天檢查的結果見上一節。另外，首發版用未還原價算 0050 的 cci：2025 年 6 月 0050 一拆四，6 月 11 日到 17 日停止交易，18 日恢復交易那天未還原價的 cci(20) 是 −667，還原價是 +280。可下載的程式更因為停牌那幾天沒有價格，算出的 cci 連續 24 個交易日是空值，2025 年 6 月 30 日月底被當成清倉，7 月整月空手。這次改用還原價計算，影響見「回測方法與口徑」。

選股端與斷路器的核心程式碼（可直接交給你的 AI 助理改寫、或下載完整版執行）：

import pandas as pd
import talib
from finlab import data
from finlab.backtest import sim
 
# 載入價量資料（finlab 會在需要資料時自動引導登入）
close = data.get("price:收盤價")
high = data.get("price:最高價")
low = data.get("price:最低價")
volume = data.get("price:成交股數")
amount = data.get("price:成交金額")
adj_close = data.get("etl:adj_close")
 
# 零件二先算：0050 自身 cci(20) 大盤斷路器
# 0050 的高、低、收先乘上還原係數，避免分割與配息讓指標看起來像大跌
ratio = adj_close["0050"] / close["0050"]
px = pd.DataFrame({"high": high["0050"] * ratio,
                   "low": low["0050"] * ratio,
                   "close": close["0050"] * ratio}).dropna()
cci_0050 = pd.Series(talib.CCI(px["high"].values, px["low"].values, px["close"].values,
                               timeperiod=20), index=px.index)
risk_on = cci_0050.reindex(close.index).ffill() > -100
 
# 可交易宇宙：60 日均成交金額前 300 大（先在全市場排名）、60 日均量 > 100 萬股、收盤 > 10 元，
# 排除處置與全額交割股
top300 = amount.rolling(60, min_periods=20).mean().is_largest(300)
enough_volume = volume.rolling(60, min_periods=20).mean() > 1_000_000
flagged = data.get("etl:is_flagged_stock").reindex_like(close).fillna(False).astype(bool)
universe = top300 & enough_volume & (close > 10) & ~flagged
 
# 只留代號剛好 4 碼、不是 00 開頭（ETF）、也不是金融保險的股票
cat = data.get("security_categories")
financial = set(cat.loc[cat["category"].astype(str).str.contains("金融|保險|銀行", na=False),
                        "stock_id"].astype(str))
stocks = [s for s in close.columns
          if len(str(s)) == 4 and str(s).isdigit()
          and not str(s).startswith("00") and str(s) not in financial]
universe, close = universe[stocks], close[stocks]
 
# 零件一：個股 cci(14) 趨勢濾網。站季線 + cci > −50（順勢、剔除接刀股）
cci14 = data.indicator("CCI", timeperiod=14).reindex(columns=stocks)
above_ma60 = close > close.rolling(60, min_periods=20).mean()
pool = universe & above_ma60 & (cci14 > -50)
 
# 選股：池內取 60 日報酬日波動度最低的 24 檔
vol60 = close.pct_change().rolling(60, min_periods=30).std()
basket = vol60.where(pool).rank(axis=1, ascending=True) <= 24
 
# 加權：混合 60 日與 120 日動能分位，往高動能、低波動傾斜
r60 = (close / close.shift(60) - 1).where(basket).rank(axis=1, pct=True)
r120 = (close / close.shift(120) - 1).where(basket).rank(axis=1, pct=True)
raw = ((0.4 * r60 + 0.6 * r120) ** 3.5 / vol60).where(basket)
weights = raw.div(raw.sum(axis=1), axis=0).fillna(0.0)
 
# 套上斷路器：月底讀到 0050 cci(20) ≤ −100 就整籃清空、持有現金
weights = weights.mul(risk_on.reindex(weights.index).fillna(False).astype(float), axis=0)
 
# 每月最後一個交易日換股（手續費打三折，另扣賣出證交稅 0.3%）
report = sim(weights.loc["2015":], resample="M", fee_ratio=1.425 / 1000 * 0.3, upload=False)

這段程式碼和文末可下載的 strategy.py 是同一套規則；資料截到 2026-09-30 實跑，研究段、2022 年起與全期的年化、月夏普和最大回撤都和下一節的表相同。下載版另外印出逐層建構（4 層加每天檢查斷路器的對照）、換股日比較、逐年報酬與首發後的逐月報酬。

完整策略的真實績效

所有數字從同一天（2015-01-30，策略第一個淨值日）起算：

研究段四項都勝過 0050。2022 年起年化落後 0050 6.0 個百分點，月夏普 1.23 對 1.21 差不多，月索提諾與最大回撤較好。全期四項都勝：年化領先 0050 4.1 個百分點，月夏普 1.23 對 1.07，最大回撤 -22.9% 對 -34.0%。全期年化波動 17.7%，0050 是 19.8%。年換手約 7.2 倍，11 年多共 2,844 筆交易。

「2022 年起」這一段，首發時挑參數的門檻就包含它的表現，看過這段才定案，所以本文不把它稱為樣本外。真正選完參數才出現的資料，是首發資料截止日 2026-06-09 之後的四個月，見後面「2026-06-09 之後」一節。

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：

逐層拆開：cci 濾網、動能傾斜與斷路器各自的作用

先從最單純的低波籃開始，一次加一個條件；再從完整策略各拿掉一個零件。其餘設定不變，同一天起算：

從這張表讀出的事：

• 報酬主要來自動能傾斜。 同一個 cci 濾網低波籃，等權全期年化 18.04%，改成動能傾斜加權是 26.04%（都不擇時）。完整策略改回等權只剩 16.41%，回撤 -19.07% 較淺、研究段月夏普 1.38 較高，等於用報酬換穩定。
• 傾斜讓持股很集中。 每個月底的名單多數是 24 檔（141 個月裡有 16 個月池子不到 24 檔，最少 15 檔），但權重集中在前幾檔：有效持股數（1 ÷ 權重平方和）中位數 10.2 檔，權重最大的 5 檔合計中位數 61.3%，單一個股最高曾到 24.8%，權重最小的 12 檔合計中位數只有 7.1%。2026-09-30 換股日權重最高的是鴻準（2354）14.1%。
• cci 濾網留下的不是「超賣」股。 每個月底入選股的 cci(14) 中位數，141 個月取中位數是 72.4；平均每個月有 35.8% 的入選股 cci 在 +100 以上，照教科書的說法屬於「超買」。濾網的作用是剔除 cci 在 −50 以下、正在深跌的股票。
• 季線和 cci 濾網都在加報酬。 拿掉季線全期 15.60%、拿掉 cci 濾網 19.69%。拿掉季線的版本回撤最淺（-16.62%）、研究段月夏普 1.50 最高，同樣是用報酬換穩定。
• 低波選股是穩定度的來源。 池內改挑動能最高的 24 檔（不看波動、等權），全期 16.27%、最大回撤 -47.82%、研究段月夏普 0.82；同樣等權、改挑波動最低的版本（完整策略改等權）是 16.41%、-19.07%、1.38。
• 斷路器用 2022 年起的報酬換研究段與回撤。 數字見上一節：全期回撤由 -36.67% 降到 -22.87%，2022 年起每年少賺約 5.7 個百分點。

換股日挪到月中，結果差很多

同一套規則、同一個部位，只把讀取部位的日子從月底改到每月 5、10、15、20、25 日（遇假日取該月在這天以前的最後一個交易日；該月在這天以前沒有交易日就不換股，5 日有 3 個月、10 日有 1 個月因此沒換），其餘完全不變：

（月底那一列用「只在月底讀取部位」的寫法重算，全期年化與主表相同，用來確認這個比較的做法沒有偏差。）

2022 年起各換股日的年化 21.0% 到 30.0%，和月底的 24.5% 互有高低，5 日甚至到 30.0%；差距幾乎全在研究段：月底換股研究段年化 26.11%，其他五個日子只有 0.85% 到 7.91%，月夏普全部低於 0.6，全期年化也全部輸給 0050 的 21.2%。

把斷路器拿掉再比一次，可以看出差距從哪裡來。不套斷路器的籃子，月底換股研究段年化 23.70%，每月 5 到 25 日是 8.19% 到 19.72%（15 日最高），選股本身就有換股日的落差；套上斷路器後，月底由 23.70% 提高到 26.11%，其他五個日子反而從 8.2% 到 19.7% 降到 0.9% 到 7.9%。斷路器只有在月底讀取時讓研究段變好，在月中讀取都讓研究段變差。全期來看也一樣：不套斷路器時月底 26.0%、其他日子 14.9% 到 22.5%；套上之後月底 25.2%、其他日子 8.5% 到 16.3%。

這叫換股時點運氣（rebalance timing luck）。Hoffstein, Faber & Braun (2020) 分析 smart beta 指數時指出，規則完全相同、只差換股日的組合，績效可以有明顯落差。本文的參數是在研究段用月底換股挑出來的，研究段的優勢又只出現在月底這一組，所以研究段 26.1% 應該看成「月底換股這一組」的結果。我們沒有找到月底換股特別有效的原因。同系列的 KD 指標回測與 RSI 指標回測也有同樣的問題，這個檢查是首發版沒有做的。

參數最佳化：持股檔數、動能冪次與 cci 週期

持股檔數與動能傾斜冪次各取三格，每一格都跑完整策略（cci 濾網加斷路器）。研究段月夏普：

同一張網格的 2022 年起月夏普：

研究段 9 格在 1.17 到 1.52 之間，18 檔那一欄最高（1.42 到 1.52），30 檔最低（1.17 到 1.24）；2022 年起 9 格都在 1.22 到 1.39，沒有一格跌破 1.0。年化與月夏普往相反方向走：以 24 檔為例，冪次 2.5、3.5、4.5 的全期年化是 22.7%、25.2%、27.4%，最大回撤 -20.5%、-22.9%、-24.7%；18 檔的月夏普最高，全期年化只有 19.5% 到 22.4%。首發版寫「研究段月夏普都落在 1.12 到 1.48」，重跑後是 1.17 到 1.52。

這次也把每個參數連續掃了一遍（一次只動一個，其餘不變）：

• 個股 cci 週期 8 到 24 日：研究段月夏普 1.17 到 1.34、2022 年起 1.05 到 1.29，全期年化 22.5% 到 25.2%，14 日的全期年化在這一段最高。
• 個股 cci 門檻 −150 到 0：全期年化 19.3% 到 26.0%，−25 最高、−50 次之；研究段月夏普 1.13 到 1.29、2022 年起 1.13 到 1.34。
• 持股 16 到 32 檔：研究段月夏普 1.09 到 1.58、2022 年起 1.04 到 1.64，全期年化 20.7% 到 26.2%。
• 動能冪次 2.0 到 5.0：冪次越高，全期年化由 21.3% 一路升到 28.4%，研究段月夏普由 1.33 降到 1.20，最大回撤由 -19.0% 加深到 -25.5%。

選股端的參數對結果不太敏感，掃過的每一格月夏普都在 1.0 以上。比較敏感的是斷路器的門檻（見前面「零件二」）與換股日。依季度刷新的規則，參數不因事後看到的鄰格而更換。

2026-06-09 之後：首發後的新資料

首發版資料截止日 2026-06-09 之後的四個月，是這套參數選定後才出現的資料：

這四個月的月底，0050 的 cci(20) 都在 −100 以上（6 月 30 日 67.6、7 月 31 日 -14.8、8 月 31 日 63.0、9 月 30 日 112.0），斷路器一次都沒有清倉，所以策略和不擇時的籃子完全相同。7 月發生的事：

• 6 月 30 日換股時斷路器開啟。 7 月 1 日進場的 24 檔，持有到 8 月 3 日，16 檔虧損，中位數 -1.5%，依權重加總 -5.5%。最差的健鼎（3044）-24.1%（權重 6.6%），權重最大的藥華藥（6446）-5.0%（權重 16.3%）。
• 0050 的 cci(20) 7 月有 8 個交易日低於 −100（7 月 14 日、17 日到 21 日、27 日到 30 日），最低 7 月 20 日的 -224.8，但 7 月 31 日月底回到 -14.8，沒有清倉。每天檢查的對照組在月中出場，7 月反而跌 13.3%。同期 0050 從 7 月 1 日高點跌到 7 月 30 日 -14.0%，整月 -4.0%。
• 淨值從 6 月 3 日高點到 7 月 30 日回落 22.9%，是 2015 年以來最深的回撤（研究段最深是 2015 年的 -21.0%）。8 月 +20.8% 收復，9 月 4 日創新高，9 月底距高點 -1.7%。

2022 年起的月夏普因此從同截止日的 1.37 降到 1.23。同截止日比對：用新版程式與 finlab 2.2.21 把資料截到 2026-06-09，研究段 26.11%、2022 年起 24.60% / 1.37、全期 25.26%；首發版是 25.49%、24.66% / 1.32、24.91%。研究段的差距可以拆成三塊：首發程式換成新版 finlab，25.49% 變 25.70%（第一個淨值日也由 2015-02-26 提前到 01-30）；季線與波動的暖身期改成和可下載程式相同，25.70% 變 25.30%；0050 斷路器改用還原價，25.30% 變 26.11%（只差 2015 年 10 月底一次判定，見下一節）。首發版的 2022 年起與全期數字，用首發程式截到 2026-06-09 重算是 24.26%、24.75%，和首發版有 0.2 到 0.4 個百分點的差距，原因沒有查明；研究段則逐位相同。

回測方法與口徑

• 交易成本：finlab sim()，手續費 0.1425% 打三折，賣出另扣證交稅 0.3%。改用 sim() 預設手續費（不打折），全期年化 23.41%、2022 年起月夏普 1.16；原設定的三折手續費再加倍（約 0.0855%）、賣出稅率拉到 0.6%，全期 21.76%、2022 年起月夏普 1.09。
• 滑價：未額外假設，實際成交衝擊取決於資金規模與流動性，本文未估算容量。
• 股票池：上市櫃普通股，60 日均量 > 100 萬股、收盤 > 10 元、60 日均成交金額前 300 名；代號必須剛好是 4 碼數字（排除權證、特別股與 6 碼代號），排除 00 開頭的 ETF、金融保險股、處置與全額交割股。KY 股的代號也是 4 碼數字，沒有排除；首發版寫「排除 KY」與程式不符。首發版的宇宙寫法（代號前 4 碼是數字就放行）跑出來的結果與本文完全相同。
• 前視偏差：季線、60 日波動、60／120 日動能、個股 cci 與 0050 的 cci 都只用當天（含）以前的價格，月底收盤後決定部位，下一個交易日成交。完全不用財報或月營收。
• cci 計算：個股 cci(14) 用 finlab data.indicator("CCI")（TA-Lib，未還原價格）。0050 的 cci(20) 先把最高、最低、收盤價乘上同一個還原係數（etl:adj_close ÷ 收盤價），去掉停牌日再算，停牌日沿用前一天的讀數。這和首發版有兩處不同的月底判定：2015 年 10 月 30 日（未還原價判定清倉、還原價判定持股，11 月策略因此有持股）與 2025 年 6 月 30 日（只有舊的可下載程式受影響）。照首發版的未還原價算法，全期年化 24.74%、研究段 25.30%，2022 年起相同；照舊的可下載程式，2022 年起年化 22.90%、月夏普 1.17。個股 cci 也改用還原價時，全期 24.09%、2022 年起月夏普 1.14，比未還原價略差，本文維持未還原價。
• 權重：動能傾斜除以波動，單一個股不另設上限；有效持股數中位數 10.2 檔，單一個股權重最高 24.8%。斷路器關閉時整籃歸零、持有現金。
• 周轉率：年換手約 7.2 倍，11 年多共 2,844 筆交易。
• 研究段與 2022 年起：研究段 2015–2021；2022 年起這段在首發選參數時已經看過。選定後才出現的資料只有 2026-06-09 之後的四個月。
• 生存者偏差：宇宙每天依當時的資料篩選，2015-01-30 有收盤價、到 2026-09-30 已經沒有收盤價的 4 碼普通股共 142 檔，在當時都可能被選入。
• 首發後補做的檢查：換股日（每月 5 到 25 日，含不套斷路器的版本）、每天檢查斷路器的對照組、逐層建構與零件拆除、持股檔數與動能冪次網格、持股 16 到 32 檔與個股 cci 週期 8 到 24 日逐格掃描、cci 門檻與冪次掃描、斷路器週期 10 到 30 日與門檻掃描、還原價對照、月營收過濾與年線擇時對照（首發只用舊版選股籃跑過，文章沒有放數字）。

不同年度的表現：12 年贏 8 年

策略 12 年裡贏 0050 的有 8 年，輸的是 2019 年與 2024 年以後連續三年；2026 年至 9 月底 0050 上漲 74.3%，策略 30.8%。2022 年 0050 跌 21.4%，策略打平，那一年 1、2、4、6、9 月底五次清倉，不擇時的籃子 -3.7%。和不擇時相比，斷路器在 2020 年多賺 29.9 個百分點、2025 年 9.4 個百分點，在 2023 年少賺 19.7 個百分點、2026 年至 9 月底少賺 31.7 個百分點，2026 年的差距主要就是上面提到的 4 月清倉。每天檢查斷路器的版本只有 2023、2025 與 2026 年三年比月底檢查好。

加上月營收 YoY 會更好嗎：實跑結果 2022 年起明顯較差

首發版這一段只有推論，沒有放回測數字（首發研究只用舊版選股籃跑過）。這次用本文的策略實跑：選股前先限定月營收年增率大於 0 的股票（用 finlab 月營收資料的公布日索引對齊，只用當時應已公布的數字），其餘不變。研究段年化 26.86%、月夏普 1.11，2022 年起 18.53%、0.99，全期 23.10%、最大回撤 -21.92%。研究段年化略高但月夏普較低，2022 年起明顯較差，月夏普跌破 1.0。本文主策略維持純技術面。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。

為什麼不用常規均線擇時？

讀到這裡你可能會問：用 0050 站上／跌破 200 日均線（MA200）來擇時不是更直覺嗎？同一個動能傾斜籃，把斷路器換成「月底 0050 還原價站上 200 日均線才持股」：研究段年化 9.83%、最大回撤 -37.91%，2022 年起 30.00%、月夏普 1.32，全期 17.40%。研究段比完全不擇時（23.70%）還差很多，回撤也更深；2022 年起則比 cci 斷路器（24.53%）好。全期來看 cci 斷路器的年化與回撤都比年線擇時好，但 2022 年起的強多頭裡，年線擇時少賺得比較少。首發版說年線「反應遲鈍、常被洗出去」，本文只比較了結果，沒有逐段驗證這個原因。用大盤訊號降低回撤的其他做法，可參考四種均線市場濾網的崩盤避險實測。

用 cci 指標最常踩的四個陷阱

把前面的回測整理成可操作的避雷清單：

1. 把 −100／+100 當進出開關。 教科書 ±100 派在台積電一年觸發 29 個訊號（見前面單股圖），訊號太密、又會在趨勢盤反覆被洗。月底 cci 低於 −100 的股票全部持有，研究段年化只有 0.3%；每月買 cci 最低 30 檔是 2.2%。
2. 把個股 cci 當選股因子排序。 在站季線的池子裡挑 cci 最高的股票，9 組參數研究段月夏普 0.55 到 0.84，全輸給只挑低波的 1.01。cci 對個股的用法是當「二元趨勢濾網」（站上 −50 才留、剔除深跌股），不是當「誰高買誰」的排序分數。
3. 斷路器門檻設太嚴。 門檻拉到 −25 或 0，月底稍微偏弱就空手一個月，全期年化掉到 13.8% 和 9.4%；−100 是 25.2%。
4. 把月底才檢查的斷路器當成隨時在保護。 回測只在月底看一次，2026 年 7 月 cci 有 8 天低於 −100，策略照樣抱了整個月；照字面每天檢查，全期年化反而降到 17.6%。換股日從月底挪到月中，研究段的優勢也幾乎消失。

前兩個陷阱是把 cci 用在個股進出或排序，回測都輸 0050；後兩個是斷路器的門檻與檢查頻率，設定差一點，全期年化就差 7.6 到 15.8 個百分點。cci 在本文有用的位置只有兩個：個股的二元趨勢濾網，與每月底讀一次的大盤斷路器。各擺盪指標的用法差異，可再看RSI、MACD、KD 比較。

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：站上季線且 CCI(14) 大於 -50 的股票裡取 60 日波動最低 24 檔、往高動能傾斜加權，0050 自身 CCI(20) 跌破 -100 時整籃清倉，每月換股。我們在 2026-10-27 用本文附的 strategy.py 重跑三項檢查；2026-10-28 修正 0050 斷路器的價格口徑後，用新版 strategy.py（把 DATA_END 改成 "2026-10-27"、FEE 改成 1.425 / 1000，finlab 2.2.21，資料截至 2026-10-27）同口徑重跑，下面是修正後的數字。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 2022 年起以 2022 年初為界，照這個切法，2015 到 2021 年日夏普 1.42 對 0050 的 0.96，2022 年起 1.22 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 23.4%、日夏普 1.32、最大回撤 -23.0%；同期 0050 含息年化 20.5%、日夏普 1.08、最大回撤 -34.0%。鄰近參數與交易成本兩項都過：9 組全部贏 0050，日夏普落在 1.14 到 1.32，是這一系列技術指標文裡唯一一片高原。卡在前後兩段：前段（2015 到 2020 年）日夏普 1.44 大贏 0050 的 0.89，後段 1.22 輸 1.24，年化 22.8% 也落後 0050 的 28.0%。三項沒有全過，所以不放進策略庫；優勢集中在前段。上文的 2022 年起年化同樣輸給大盤，月夏普 1.23 對 1.21；換成這裡的日夏普，2022 年起是 1.22 對 1.22。

這一段 2026-10-27 第一次上線時，用的是當時可下載的 strategy.py：它原本沒有指定起始日（當時已補上 2015-01-01 起算），0050 的 cci 又用未還原價整欄計算，2025 年 6 月 0050 停牌那幾天沒有價格，之後 24 個交易日算不出 cci，6 月 30 日月底被當成清倉，7 月整月空手。當時的數字是年化 22.3%、日夏普 1.27，鄰近參數 9 組 1.16 到 1.27，前段 1.40 對 0.89、後段 1.16 對 1.24；修正後三項的結論都沒有改變。上文的年化 25.2% 是資料到 2026-09-30、手續費打三折的結果；照三折跑到 2026-10-27 也是 25.2%，換成 sim() 預設成本是 23.4%。

策略的限制與取捨

• 換股日運氣：研究段 26.1% 只出現在月底換股這一組，挪到每月 5 到 25 日研究段只剩 0.9% 到 7.9%，全期 8.5% 到 16.3%。實際操作若無法固定在月底最後一個交易日換股，不應期待接近本文的數字。
• 斷路器的效果集中在少數月份：141 個月底只清倉 21 次；2020 年策略比不擇時多賺 29.9 個百分點，主要來自 3 月整月空手（不擇時的籃子那個月 -20.0%）。2022 年起斷路器每年少賺約 5.7 個百分點。
• 持股集中、回撤發生在最近：名單 24 檔，有效持股數只有 10 檔左右，前 5 檔權重合計約六成。全期最大回撤 -22.9% 發生在 2026 年 6 月到 7 月，也就是首發之後。
• 近年落後大盤：2022 年起年化 24.5% 落後 0050 的 30.5%，2024 年起連續三年輸 0050。
• 高周轉、成本敏感：年換手約 7.2 倍，改用 sim() 預設手續費全期年化 23.4%，三折手續費加倍、賣出稅 0.6% 降到 21.8%；實單滑價會進一步侵蝕。
• 容量：宇宙限前 300 大成交金額，但權重集中在少數幾檔，超大資金需放寬檔數或限制單檔上限；回測未逐筆估算滑價與市場衝擊。

自己跑一次

FinLab Skill 可以讓你的 AI 助理一步步帶你安裝、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、換選股基底。strategy.py 會印出本文的主表、逐層建構、換股日比較、逐年報酬與首發後的逐月報酬；把 DATA_END 改成 None 就能用最新資料重跑。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。想知道哪些技術指標的教科書用法在台股失效，可看技術指標台股回測總覽。

常見問題

Q：cci 指標跌破 −100 一定會反彈嗎？ 不一定。月底 cci 低於 −100 的股票全部持有，研究段（2015–2021）年化只有 0.3%；每月買 cci 最低的 30 檔是 2.2%，同期含息 0050 是 15.1%。2022 年起這兩種寫法是 11.4% 與 17.0%，仍輸 0050 的 30.5%。把它當無腦抄底訊號，長期接近無效。

Q：cci 指標可以單獨拿來當買賣訊號嗎？ 不建議。跌破 −100 買、突破 +100 賣或用 cci 高低做橫截面排序選股，在台股回測都站不住。要讓 cci 變得有用，得拆成兩個零件：個股 cci 當「站上 −50 才留」的二元趨勢濾網，0050 自身的 cci 當大盤斷路器（月底讀到 −100 以下就清倉一個月），再搭配低波選股與動能傾斜。

Q：cci 指標參數要設多少？timeperiod 14、門檻 ±100 是最好的嗎？ 14 期、±100 是 Donald Lambert 的原始設定。本文個股趨勢濾網用 cci(14)、門檻 −50，大盤斷路器用 0050 自身的 cci(20)、門檻 −100。個股端的參數不太敏感：cci 週期 8 到 24 日、門檻 −150 到 0 掃過的每一格，研究段與 2022 年起月夏普都在 1.0 以上。斷路器比較敏感：週期改成 14 日，研究段年化由 26.1% 降到 22.3%；門檻拉到 −25 或 0，全期年化只剩 13.8% 與 9.4%。

Q：cci 指標和 RSI、KD 有什麼差別？ cci、RSI、KD 都是擺盪類指標，但 cci 沒有 0 到 100 的上下界（可正負無限大），較少鈍化。三者都由價格算出，本文沒有測試把它們疊在一起的效果；各指標在台股的用法可參考RSI、MACD、KD 比較與同系列的單篇回測。

Q：為什麼用 0050 的 cci 而不是個股的 cci？ 兩者都用，但角色不同。個股 cci(14) 當二元趨勢濾網（站上 −50 才留、剔除深跌股）；0050 自身的 cci(20) 當大盤斷路器。個股 cci 拿來做「誰高買誰」的排序沒有用；0050 的 cci 跌到 −100 以下時，0050 隔天報酬的年化波動 29.1%，平常是 17.6%，斷路器在這些高波動的月份避開市場。

Q：cci 斷路器和肯特納通道、ATR 這類波動指標差在哪？ cci 衡量「價格偏離均值的標準化距離」，ATR 與肯特納通道衡量「波動幅度本身」。三者都能用於風控，但訊號性質不同。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、能固定在每月最後一個交易日換股、接受兩成等級回撤與較高換手成本的人：全期年化 25.2%、月夏普 1.23，最大回撤 -22.9% 淺於 0050 的 -34.0%。要注意三件事：2022 年起年化 24.5% 低於 0050 的 30.5%；換股日挪到月中，研究段的優勢幾乎消失；有效持股只有 10 檔左右。偏好低周轉、被動持有的人，買進持有含息 0050 更省心。

Q：cci 斷路器和 MA200 擇時哪個好？ 同一個選股籃，全期來看 cci 斷路器較好：年化 25.2% 對 17.4%，最大回撤 -22.9% 對 -37.9%。差距來自研究段（26.1% 對 9.8%）；2022 年起的強多頭裡，年線擇時反而較好（30.0% 對 24.5%）。

最後更新：2026-10｜回測區間：2015-01-30 ~ 2026-09-30｜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。cci 雙零件純技術策略全期最大回撤 -22.9%（2026 年 6 月到 7 月），換股日改到每月 5 到 25 日時全期年化只剩 8.5% 到 16.3%，實際交易前請自行評估風險、滑價與交易容量。