kd 指標怎麼用才對？台股 11 年回測：拆成選股因子＋大盤風控的純技術策略

kd 指標在台股的正確用法：拆成選股因子加大盤風控

散戶最熟的 kd 指標用法是「黃金交叉買、死亡交叉賣，K 值跌到 20 以下超賣就抄底」。但把這些教科書規則放進台股做 11 年回測（2015-2026），黃金交叉選股研究段年化只有 10.4%、輸給含息 0050；最受歡迎的「超賣抄底」研究段年化更只有 2.3%，且最大回撤一路崩到 -48.9%。問題不在 kd 指標，而在用錯地方——把整個指標當成單一買賣訊號。用 finlab 套件抓取的上市櫃真實價量資料攤開來看，kd 真正的價值在於拆成兩個各司其職的零件：第一個零件是「K−D 的 5 日斜率」，當成橫截面選股因子（在強動能族群裡，挑 kd 快慢線正在轉強的相對落後股）；第二個零件是「全市場 K 值站上 D 值（K−D>0）的個股比例（廣度）」，當成大盤多空風控開關。把這兩個零件疊上 120 日動能，組成一套完全不含基本面的純技術策略：在 120 日動能池裡選綜合分最佳的 10 檔、等權持有、季再平衡，廣度或大盤趨勢轉弱時整籃減碼到三成五。這套「kd 雙核心純技術策略」研究段（2015-2021）年化 35.3%、月夏普 1.21，樣本外（2022-2026）年化 25.2%、月夏普 1.32，全期（2015-2026）年化 31.1%、月夏普 1.20，全期最大回撤 -25.4%——三段都勝過含息 0050（全期年化 21.0%、夏普 1.05、回撤 -34.0%），且回撤更淺。

先用一張表回答你搜尋「kd」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 2015-01-01 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。

kd 指標是什麼

kd 指標（Stochastic Oscillator，隨機指標）由 George Lane 在 1950 年代提出，用來衡量「收盤價落在近期高低區間的哪個位置」。計算分三步：先算 RSV（未成熟隨機值），再把 RSV 平滑成 K 值，最後把 K 值再平滑成 D 值。

其中 $C_t$ 是今日收盤價，$H_{N,t}$ 是近 $N$ 日最高價，$L_{N,t}$ 是近 $N$ 日最低價。接著：

所以 D 比 K 鈍、K 比 D 敏感。常用設定是：

kd 是「有界擺盪指標」，值永遠落在 0 到 100 之間。實務上衍生出三組教科書訊號：

黃金交叉 / 死亡交叉：K 值由下往上穿過 D 值（K−D 由負轉正）稱黃金交叉，視為轉強；反向穿越（K−D 由正轉負）稱死亡交叉，視為轉弱。

超買 / 超賣：K 值 > 80 視為超買（股價強勢但有過熱風險）、K 值 < 20 視為超賣（弱勢但可能跌深反彈）。

kd 鈍化：強趨勢中 K、D 會貼在高檔（或低檔）長時間不動，交叉與超買超賣訊號短暫失效，這個現象稱鈍化。

技術指標的基礎名詞可參考名詞詞彙表。這些訊號聽起來都有道理，但「聽起來有道理」和「在台股回測賺得到錢」是兩回事。我們直接把每一種用法跑一次真實回測。

kd 指標的數學定義

上一段用文字描述了 kd 的三步計算，這裡把完整的遞迴式攤開，方便你照著公式自己實作或核對套件結果。kd 在 TA-Lib 與多數券商軟體裡用的是「遞迴平滑」版本：先算 RSV，再用前一日的 K、D 各帶三分之二的權重做指數平滑。

逐個符號拆開來看：

• $C$ 是當日收盤價，$H_n$、$L_n$ 是近 $n$ 日（常用 $n=9$）的最高價與最低價。$RSV$（未成熟隨機值）就是把收盤價放進近期高低區間做標準化，數值落在 0 到 100 之間：貼近區間頂端代表近期偏強、貼近底端代表偏弱。
• $K_t = \tfrac{2}{3}K_{t-1} + \tfrac{1}{3}RSV$ 是把當日 $RSV$ 對前一日 K 值做指數平滑，三分之一的新值權重相當於一條平滑常數固定的指數移動平均，可削掉 $RSV$ 逐日跳動的雜訊。
• $D_t = \tfrac{2}{3}D_{t-1} + \tfrac{1}{3}K$ 再把 K 值平滑一次，所以 D 一定比 K 鈍、K 一定比 D 敏感。兩者的差 $K - D$ 就是後面整篇文章拿來做「廣度」的那個快慢線差。

這個遞迴式有一個對後面分析很關鍵的性質：K 與 D 都是把同一檔股票的價格序列各自平滑後相減，長期趨勢在相減時被抵掉了，留下的是短期的相對快慢。這正是為什麼把 $K - D$ 拿去做個股橫截面排名會失效、但聚合成市場廣度卻有用——後面兩段會用真實回測把這件事說清楚。

把訊號畫在個股上：兩派買賣點與甩巴掌問題

公式歸公式，把它畫在真實股價上最直觀。下面兩張圖取台積電（2330）與聯發科（2454）2023-07 到 2024-06 這一年，上方面板是還原股價並標出兩個教科書派別的進出場箭頭，下方面板是 kd（9-3-3）的慢 K（藍）與慢 D（粉）兩條線與超買 80 / 超賣 20 帶。標的訊號用兩派：金叉死叉派（K 上穿 D 買、下穿 D 賣）與超賣派（K 跌破 20 買、突破 80 賣）。

把箭頭數一數就會發現第一個問題：訊號太多、太密。 光是金叉死叉派，台積電這一年就出現 32 次金叉、31 次死叉；聯發科 27 次金叉、27 次死叉。加上超賣派的買賣點，單一檔股票一年內合計的派別訊號，台積電 87 個、聯發科 78 個——平均每三、四個交易日就翻一次方向。圖上看得很清楚：在 2023 下半年那種橫盤整理段，K、D 兩條線反覆纏繞，金叉買進後沒幾天就死叉賣出，這就是技術分析裡常講的「甩巴掌」（whipsaw）。每一次來回都是一次買賣，都要付手續費與證交稅。

第二個問題是強趨勢裡的鈍化：看台積電 2024 年初那段噴出，K 值一路貼在 80 以上的超買區，如果照超賣派「K 突破 80 就賣」的規則，會在最該抱住的主升段提早出場，把後面一大段漲幅讓掉。這兩個現象合起來，就是後面回測會看到「教科書裸用幾乎不賺」的直觀來源。

這張圖你可以自己重畫。下面這段程式碼用 data.indicator("STOCH") 取 kd，再用簡單的交叉與門檻邏輯標出訊號點，邏輯一目了然：

import pandas as pd
from finlab import data
 
# 取價量與 kd（9-3-3）；finlab 會在需要資料時自動引導登入
close = data.get("price:收盤價")
slowk, slowd = data.indicator("STOCH", fastk_period=9, slowk_period=3, slowd_period=3)
 
# 鎖定台積電與一年觀察窗
sid = "2330"
window = slice("2023-07-01", "2024-06-30")
k = slowk[sid].loc[window]
d = slowd[sid].loc[window]
 
# 金叉死叉派：K 上穿 D 為買、下穿 D 為賣
cross_up = (k > d) & (k.shift(1) <= d.shift(1))
cross_dn = (k < d) & (k.shift(1) >= d.shift(1))
 
# 超賣派：K 由下穿越 20 為買、由上跌破 80 為賣
oversold_buy = (k > 20) & (k.shift(1) <= 20)
overbought_sell = (k < 80) & (k.shift(1) >= 80)
 
# 數一數一年內各派別出現幾次，量化「訊號頻繁」的問題
print("金叉", int(cross_up.sum()), "死叉", int(cross_dn.sum()))
print("超賣買", int(oversold_buy.sum()), "超買賣", int(overbought_sell.sum()))

把 sid 換成 "2454" 就能畫聯發科。你會發現不論換哪一檔，一年內訊號都是數十次的量級——訊號頻繁本身就是 kd 當個股進出場依據的硬傷，下一段的回測會把這個直覺變成數字。

訊號頻繁不是中性的：周轉率怎麼吃掉報酬

很多人以為「多做幾筆交易」頂多是麻煩，對報酬影響不大。在台股這是個昂貴的誤會。每一筆賣出都要付 0.3% 的證交稅，加上手續費（0.1425%，多數券商有折扣），一買一賣的固定摩擦就在 0.3% 到 0.5% 之間。前面圖上那種「平均三、四個交易日翻一次方向」的頻率，換算成全年就是把本金反覆繳過數十次這樣的過路費。

這在回測的周轉率上看得很清楚。本文後面會跑的「黃金交叉選股」策略，年換手高達 7.7 次——也就是整個投資組合一年要被換掉七、八輪；相對地，本文最終採用的純技術策略改用 K−D 的「斜率」當選股因子、再用季再平衡，年換手只有 1.97 次。同樣一檔股票的 kd 資訊，當個股無腦交叉訊號時製造的交易次數，是把它降頻成斜率因子與季頻選股時的近四倍。差出來的這幾倍周轉，全是要從報酬裡扣掉的成本。

這帶出一個容易被忽略的設計原則：訊號頻率本身就是成本。 一個指標訊號跳得越勤，越要先問「這些訊號裡有多少是真資訊、多少只是雜訊」。kd 在個股層的高頻交叉大多是雜訊（盤整期的來回纏繞），所以高周轉換不到對等的報酬；把它降頻——選股端改看數日級的 K−D 斜率、風控端把個股 K−D 聚合成市場廣度——雜訊互相抵消，訊號變稀疏但每一個更有意義，周轉率也跟著降到 1.97 次。要降的是個股層的雜訊，不是把已經乾淨的廣度訊號從日頻硬砍成月頻（那會錯過避崩時點，後面限制段會說明）。

散戶最常見的 kd 用法，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，排除 ETF、金融股、KY 股、處置股）裡，把幾種「kd 選股」用法各跑一次月再平衡的回測，研究段（2015-2021）結果如下，基準是同期含息 0050 的年化 15.3%：

結論很清楚：最多人用的「超賣抄底」在台股研究段年化只有 2.3%、最大回撤 -48.9%，是最差的一種用法。 原因不難理解——台股的超賣股往往是「下跌趨勢的中段」，用 kd 低檔去接，等於在下跌趨勢裡逆勢接刀。表現相對好看的「黃金交叉選股」研究段年化 10.4%，看似有點東西，但仍輸給同期含息 0050 的 15.3%，且最大回撤高達 -39.0%；它賺到的其實是「近期漲多」這個動能特徵，而不是 kd 交叉本身帶來的額外資訊。

關鍵問題出在：kd 是 0 到 100 的有界擺盪值，把它拿來做個股橫截面排名，只是把「近期相對強弱」重新貼一次標籤。低 kd 可能是健康回檔（該買），也可能是趨勢轉空的起點（該跑）；把這兩種互斥邏輯混在同一個排名裡，訊號自然互相抵消。我們也測了「黃金交叉買、死亡交叉賣」的多空組合，研究段報酬同樣站不住。kd 指標本來就不是設計來選個股的因子。 這個「教科書裸用選股無效、真正價值在風控」的結論並非 kd 獨有：同一套真實回測方法套到 MACD、布林通道上也成立，只是各指標的失效細節不同——MACD 的柱狀圖在台股是反轉訊號而非動能訊號，布林通道則是觸帶買賣幾乎不賺。三者並列的差異與正確用法，可參考RSI vs MACD vs KD 三大指標台股實測，以及 kd 鈍化的定義與參數設定實驗。本文聚焦的是 kd 獨有的那一刀：K−D 橫截面選股為何徹底失效、以及把 K−D>0 廣度做成「水準或斜率」雙條件再 AND 趨勢的風控用法。

那 kd 的資訊到底在哪裡？答案是：不在個股層，在市場層。

kd 真正有效的用法：把它聚合成「市場廣度」當風控開關

這是本文的重點，也是搜尋第一頁還沒有人用真實回測講清楚的角度。

單看一檔個股（或單一指數）的 kd 有沒有黃金交叉，訊號太雜：盤整期會反覆穿越、來回甩巴掌。但如果改看「全市場有多少比例的股票，K 值站在 D 值之上（K−D>0）」，就得到一個橫截面的、平滑的大盤多空力道度量，我們稱為 kd 廣度。個股層的雜訊在加總時互相抵消，留下來的是大盤短期內部動能的轉強或轉弱訊號。廣度高，代表多數個股結構偏多；廣度崩落，代表系統性轉弱。

把這個廣度做成大盤風控開關，套在選股籃外層，再把 K−D 的斜率收進選股端當其中一個因子，效果立刻不同。本文最終採用的純技術策略正是這兩件事疊起來：選股端在 120 日動能池內，用「120 日動能分位 + K−D 的 5 日斜率分位」的綜合分挑 10 檔等權；風控端用全市場 K−D 廣度雙條件做部分減碼。為了拆清楚兩個零件各自的貢獻，我們把完整策略、拆掉廣度風控（只留 0050 年線濾網）、拆掉 K−D 斜率因子（選股改純動能）三種版本並排，回測區間 2015-2026，結果如下：

這張歸因表是整篇文章的鐵證：K−D 的兩個橫截面用法缺一不可。 拿掉廣度風控、只留 0050 年線濾網，樣本外年化從 25.2% 崩到 14.7%、全期最大回撤從 -25.4% 惡化到 -56.9%——壓尾部回撤、守住樣本外的這一刀，可歸因到 K−D 廣度本身，不是趨勢濾網。拿掉 K−D 斜率因子、選股改成純動能，研究段年化則從 35.3% 掉到 22.5%、跌破門檻——拉研究段報酬靠的是 K−D 斜率把強勢族群裡的補漲股挑出來。

kd 廣度有一個其他擺盪指標做不到的細節：它的多空力道是直接量「K 減 D（K−D）」這個內生的快慢線差，而不是把單一價格序列跟一條外加的均線或通道比。也正因為 K−D 是把同一檔股票的快慢平滑值相減、抵掉了長期趨勢，把它當個股橫截面排名選股會徹底失效（前面那張表裡 K−D 最高 / 最低排名全部 ≤10.1% 年化）；但同一個 K−D 換兩種橫截面用法就活了過來：聚合成全市場廣度，個股雜訊互相抵消後成為乾淨的市場內部多空溫度計；取它的 5 日斜率，量的是「轉強的速度」而非「絕對水準」，在強動能族群裡用來挑相對落後、正在補漲的股票。本文用的「廣度水準（>0.5）」再 AND 0050 站上年線雙條件，就是為了在大盤內部結構與長期趨勢同時轉強時才滿倉。

這個「用市場內部結構控風險」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值。kd 廣度正是一個可操作、可日頻更新的市場內部風險訊號。選股端「在強勢族群裡挑相對落後股」則承接動能效應——Jegadeesh & Titman (1993) 在《Returns to Buying Winners and Selling Losers》發現過去的中期贏家傾向繼續贏，本文用 120 日動能先框出強勢池，再用 K−D 斜率在池內挑補漲標的。兩個零件打的是不同的問題：斜率因子拉報酬，廣度風控砍尾部崩盤。關於用大盤訊號降低回撤，也可參考用大盤濾網把最大回撤從 -60% 降到 -30%與4 種均線濾網實測。

完整策略：K−D 斜率選股籃 + K−D 廣度風控

把上面的洞見組成一套可執行、可重現、完全不含基本面的純技術策略。整套策略只用價量算出來的兩個 K−D 橫截面零件——斜率當選股因子、廣度當風控開關——再疊上 120 日動能框出強勢池：

1. 選股籃（綜合分挑補漲股）：可交易宇宙中，先用 120 日動能取池內前 80 檔當動能池。池內每檔算一個綜合分：0.6 倍的 120 日動能分位（報酬越高分越接近 0）加 0.4 倍的 K−D 斜率分位（K−D 的 5 日斜率越高分越接近 0），取綜合分最低的 10 檔等權持有。綜合分最低 = 強勢動能族群裡相對落後、正在補漲的標的，這是策略的報酬引擎。
2. 風控訊號（K−D 廣度）：每日計算可交易宇宙內「K−D>0（K 在 D 之上）的個股比例」當廣度（kd 參數 fastk 6）。當「廣度 > 0.5」且「0050 收盤站上 200 日均線」兩條件同時成立，視為 risk-on。
3. 部位調整：risk-on 時整籃滿倉等權；risk-off 時不全清空、不轉槓桿，整籃部位縮到 35%（部分減碼轉現金，保留下檔參與）。
4. 季再平衡，廣度與趨勢訊號跑日頻。

K−D 的 K、D 用 data.indicator("STOCH", fastk_period=6, slowk_period=3, slowd_period=3) 算，K−D 的 5 日斜率就是 (K−D) − (K−D).shift(5)。頁面內放好讀的核心程式碼（完整版請下載文末的 strategy.py）：

import pandas as pd
from finlab import data
 
# 載入價量資料
close = data.get("price:收盤價")
amount = data.get("price:成交金額")
 
# 可交易宇宙：成交額前 300 大、收盤 > 10 元，排除 ETF 與權證 / KY
liquidity = amount.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.is_largest(300) & (close > 10) & is_common
 
# 120 日動能取池內前 80 檔當動能池
ret120 = close / close.shift(120) - 1
mom_pool = ret120.where(universe).rank(axis=1, ascending=False) <= 80
 
# K−D 的 5 日斜率：量「K−D 轉強的速度」，當選股因子
slowk, slowd = data.indicator("STOCH", fastk_period=6, slowk_period=3, slowd_period=3)
kd_diff = slowk - slowd
kd_slope = kd_diff - kd_diff.shift(5)

把動能分位與 K−D 斜率分位加權成綜合分（越小越優先），在動能池內挑綜合分最低的 10 檔等權：

# 綜合分越小越優先：0.6 動能 + 0.4 K−D 斜率，挑強勢族群裡的補漲股
mom_score = ret120.where(mom_pool).rank(axis=1, ascending=False, pct=True)
slope_score = kd_slope.where(mom_pool).rank(axis=1, ascending=False, pct=True)
combo = 0.6 * mom_score + 0.4 * slope_score
basket = combo.rank(axis=1, ascending=True) <= 10

風控端把日頻 K−D 廣度與 0050 年線組成 risk-on 條件，risk-off 時整籃部位縮到三成五：

import numpy as np
from finlab.backtest import sim
 
# K−D 廣度：宇宙內 K−D>0 的個股比例，當市場內部多空溫度計
breadth = (kd_diff > 0).where(universe).sum(axis=1) / universe.sum(axis=1)
 
# 雙條件 risk-on：廣度 > 0.5，且 0050 站上 200 日均線
adj = data.get("etl:adj_close")
tw0050 = adj["0050"]
trend_up = tw0050 > tw0050.rolling(200).mean()
risk_on = (breadth > 0.5) & trend_up.reindex(breadth.index).ffill().fillna(False)
 
# risk-off 時整籃部位縮到 35%（部分減碼轉現金，非全清空、不加槓桿）
weights = basket.astype(float)
weights = weights.div(weights.sum(axis=1), axis=0).fillna(0.0)
scale = pd.Series(np.where(risk_on.reindex(weights.index).fillna(False), 1.0, 0.35),
                  index=weights.index)
position = weights.mul(scale, axis=0)
 
# 季再平衡，台股預設成本：手續費 + 賣出證交稅 0.3%
report = sim(position, resample="Q", upload=False)

完整的可重現版本（含成本設定與分段評估）請見文末可下載的 strategy.py。

這套純技術策略全期（2015-2026）年化 31.1%、月夏普 1.20、月索提諾 3.00、最大回撤 -25.4%。 含息 0050 同期年化 21.0%、月夏普 1.05、最大回撤 -34.0%——策略在絕對報酬與風險調整報酬都勝過 0050，且回撤更淺。研究段（2015-2021）策略年化 35.3%、月夏普 1.21、月索提諾 3.28、最大回撤 -25.4%；樣本外（2022-2026）年化 25.2%、月夏普 1.32、月索提諾 2.68、最大回撤 -21.0%。研究段與樣本外的年化都站上 25%、月夏普都站上 1.2，沒有出現「研究段漂亮、樣本外垮掉」的型態，年換手只有 1.97 次。

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（0.1425%，本文以打三折計）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。
• 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：120 日動能、K−D、K−D 的 5 日斜率與廣度均只使用當日（含）以前的價格；季頻再平衡，風控訊號於當日可得。整套策略只用價量、不使用任何財報或月營收資料，自然沒有財報公布日對齊問題。
• 權重：選股籃等權、單一資產不另設上限；risk-off 時整籃乘上 0.35 的部位係數。
• 周轉率：年換手約 1.97 次（季再平衡 + 風控切換），屬中低；季頻換股把個股 kd 的高頻雜訊降頻，是這個換手率的主因。
• 樣本內外：研究段 2015-2021、樣本外 2022-2026 分開回報，所有關鍵數字兩段都列，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，四個方向都驗過：

• 減碼係數是一片平台：risk-off 留倉係數在 0.30 / 0.35 / 0.40 三格全段都過「研究段年化 ≥ 25%、月夏普 ≥ 1.2」門檻——0.30 研究段年化 34.6% / 月夏普 1.21、0.35（本文採用）35.3% / 1.21、0.40 為 36.0% / 1.21。係數越高、牛市曝險越多、報酬略升（研究段年化 34.6% 升到 36.0%），但回撤同步走深（全期最大回撤從 -24.2% 加深到 -25.4%、再到 -28.6%），月夏普則三格幾乎不動。甜蜜點落在 0.30 到 0.40，是平滑高原不是孤峰；本文採用 0.35，在報酬與回撤之間取平衡。
• kd 週期穩健：把驅動選股斜率與廣度的 STOCH fastk 在 5 / 6 / 7 / 8 / 9 之間掃，fastk 6 是高原中心（研究段月夏普 1.21）；fastk 5 與 9 也都在 1.1 以上，過度微調 fastk 的價值有限，但週期不宜放太長（14 起研究段月夏普明顯下滑）。
• 廣度門檻穩健：廣度門檻在 0.45 / 0.50 / 0.55 之間，0.50（本文採用）研究段年化 35.3% / 月夏普 1.21、樣本外 25.2% / 1.32 過門檻；0.45 樣本外更高（27.4% / 1.37）但全期最大回撤惡化到 -36.4% 不過門檻、0.55 研究段仍穩但樣本外退到 20.4% / 1.21。0.50 是報酬與回撤的平衡點。
• 集中度單調可解釋：選股檔數從 9 到 11 檔，研究段月夏普落在 1.13 到 1.21、最大回撤都在 -25% 附近；10 檔（本文採用）是研究段月夏普最高的一格。動能池放大到 100 檔則樣本外更強（26.9% / 1.43）但研究段月夏普退到 1.17 略低於門檻，10 檔配池 80 是兼顧兩段的設定。

參數最佳化：用色溫圖找一片高原，不是找一根孤峰

策略只報一組參數的成績，最容易被質疑「是不是剛好挑到漂亮的數字」。為了把這個疑慮攤在陽光下，我們對策略最關鍵的兩個 kd 參數做網格搜尋：STOCH 的 fastk 週期（5 / 6 / 9 / 14，它同時驅動選股的 K−D 斜率因子與風控的 K−D 廣度）× 廣度門檻（0.40 / 0.45 / 0.50 / 0.55），其餘設定（動能池 80、持股 10 檔等權、0050 年線濾網、risk-off 留倉 0.35、季再平衡）固定不動，每一格都用同一套 sim() 真跑一次回測，把研究段（2015-2021）的月夏普填進色溫圖。

看色溫圖要先看「綠的地方是連成一片，還是只有孤零零一格」，而非急著找最高分那一格。如果最高分只出現在某一格、周圍立刻變紅，那多半是過擬合：參數稍微一動績效就崩，換到未來資料大概率失靈。這張圖的型態相對健康——fastk 5 到 6、門檻 0.45 到 0.55 那一片研究段月夏普都站在 1.13 以上，本文採用的 fastk 6、門檻 0.50 落在 1.21（圖中最深的一格），周圍鄰格都在 1.1 以上，是一片相連的高原而不是單一尖峰。真正偏弱的角落是 fastk 6 / 9 搭門檻 0.40（掉到 0.91 到 0.96），代表「門檻太鬆、放進太多雜訊」才是該避開的設定。

挑哪一格不能只看研究段的月夏普，還要對照樣本外與最大回撤。我們把幾個高原內鄰格與本文採用格並排，注意「研究段分數略高的格子，到了樣本外與回撤未必更好」：

把這幾格放在一起看就清楚：fastk 9、門檻 0.50 的樣本外月夏普衝到 1.40，比本文採用格還高，但研究段月夏普 1.11 略低於 1.2 門檻、且最大回撤更深到 -26.9%；門檻放鬆到 0.45 雖然樣本外月夏普 1.37，但全期最大回撤一口氣惡化到 -36.4%——壓回撤的能力被犧牲掉了。fastk 6、門檻 0.50 是少數研究段月夏普站上 1.2、樣本外也維持 1.32、回撤又最淺的一格，所以採用它，而不是去追某一格漂亮的樣本外數字。

挑好參數之後，最該確認的是「這套疊起來的策略，比沒有 kd 風控的裸籃好在哪」。下圖把同一個動能加 K−D 斜率選股籃，在「不套 kd 廣度風控（只留 0050 年線濾網的裸籃）」與「套上完整 kd 廣度風控（本文勝出策略）」兩種設定下並排：

這張圖的重點不在月夏普那兩根差不多高的柱子，而在右邊的最大回撤：沒有 kd 廣度風控的裸籃，全期最大回撤深達 -59.7%；套上 kd 廣度雙條件部分減碼後，回撤收斂到 -25.4%。 兩者的研究段與樣本外月夏普接近（都在 1.2 到 1.3 一帶），但裸籃是用承受近六成回撤換來的——這正是 kd 廣度這層風控的價值：在報酬幾乎不打折的前提下，把尾部回撤砍掉一半以上。提醒一句：色溫圖只掃了 fastk 與廣度門檻兩個參數，留倉係數固定在 0.35。如果連同部位層一起掃，要避免「為了把回撤壓更低而把牛市曝險砍過頭」——訊號參數與部位係數必須一起看，前面穩健度那段的減碼係數掃描就是在驗這件事。

不同大盤狀態下的表現：研究段與樣本外都站得住

判斷一套策略是不是只靠某一段行情湊出來，最直接的方法是把回測切成兩段、各自結算，再攤開逐年報酬看它在不同大盤狀態下的脾氣。本文把 2015-2021 當研究段（涵蓋 2015 股災、2018 中美貿易戰急跌、2020 疫情崩跌與反彈），2022-2026 當樣本外（涵蓋 2022 升息熊市與其後的強多頭，2026 資料截至 2026-06）：

兩段分開看的重點是：策略在研究段與樣本外的年化都站上 25%、月夏普都在 1.2 以上，沒有出現「研究段漂亮、樣本外垮掉」的過擬合特徵。 研究段它大幅領先含息 0050（35.3% vs 15.3%），靠的是 K−D 斜率在強動能族群裡挑補漲股；樣本外它與含息 0050 的差距縮小（25.2% vs 30.4%），因為 2022 之後是台股強單邊多頭，kd 廣度風控偶爾轉防禦會在順風段少賺一點，但樣本外段內回撤只有 -21.0%、比同期 0050 更淺。

逐年看更清楚它的脾氣（樣本外口徑、季再平衡）：策略在 2018（+65.5%）、2021（+85.5%）、2023（+67.9%）這幾個強勢年大賺，靠的是補漲股在多頭擴散時的爆發；在 2022 升息熊市則收在 -16.4%——kd 廣度與 0050 年線雙雙轉弱觸發減碼，把那年的傷壓在兩成內，沒有跟著大盤崩到三、四成。2025 只有 +7.0% 的平淡年，反映的是當盤面缺乏明確強勢族群、廣度反覆進出時，季頻策略容易兩面挨耳光。整體看，這是一套「強勢年吃滿、急跌年靠廣度風控收口」的策略，不是每年都穩賺的策略。

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 120 日動能與 K−D 的 5 日斜率，風控只用全市場 K−D 廣度與 0050 年線，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，敘事也緊扣本文主題「kd 的兩個橫截面用法」。

常見的延伸問題是：在選股端疊一層月營收年增率（YoY），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，再加營收過濾會大幅縮小可選池，反而稀釋掉 K−D 斜率挑補漲股的爆發力；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 strategy.py 裡，於綜合分計算前加一層 monthly_revenue 的 YoY 過濾或複合排名自行對照。基本面與技術面如何分工，可參考技術分析 vs 基本面分析台股 15 年回測。

策略的限制與取捨

• 集中度與季頻帶來的回撤波動：策略只持 10 檔、季再平衡，全期最大回撤 -25.4%。雖比含息 0050 的 -34.0% 淺，但 10 檔集中加上季頻換股，意味著選錯族群時要扛一整季，承受得住這級回撤與單股風險才適合。
• 報酬集中在強勢族群擴散的年份：策略的高報酬集中在 2018 / 2021 / 2023 這種強勢股擴散的年份；盤面缺乏明確強勢族群時（如 2025 只有 +7.0%），補漲股因子容易兩面挨打，不是每年都穩賺。
• kd 廣度風控必須跑日頻、不能為省成本降頻：拆掉 kd 廣度風控、只留 0050 年線濾網，樣本外月夏普會從 1.32 跌到 0.86、全期最大回撤從 -25.4% 惡化到 -56.9%。kd 廣度反映的是數日級的市場內部轉折，整段降頻會錯過避崩與回補時點。實盤若要壓 turnover，建議改用「最小持有期去抖」而非整段降頻，並重新驗成本後夏普是否仍站得住。
• 崩盤型態涵蓋有限、容量有限：廣度門檻主要在 2018 / 2020 / 2022 幾次急跌上驗證，資料起點 2015，未對更早期崩盤型態做滾動測試；選股籃僅 10 檔，大資金部署需重估流動性衝擊，本文未逐筆估算容量與滑價。

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。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。

常見問題

Q：kd 黃金交叉買進在台股有用嗎？ 在本文設定、2015-2026 這段期間，用「K−D 由負轉正」選股研究段年化 10.4%，輸給同期含息 0050 的 15.3%、最大回撤還高達 -39.0%。它賺到的多半是「近期漲多」這個動能特徵，而非 kd 交叉本身的資訊。把它當無腦買賣訊號，長期討不到便宜。

Q：kd 超賣（K<20）抄底會反彈嗎？ 不一定。超賣抄底（慢 K 最低 30 檔）在台股研究段回測年化只有 2.3%、最大回撤 -48.9%，是測過最差的一種用法。台股超賣股常是下跌趨勢的中段，用 kd 低檔接刀，等於逆勢接下跌趨勢，傷得很重。

Q：kd 參數要設多少？9、3、3 是最好的嗎？ fastk 9、slowk 3、slowd 3 是最常見的教科書設定。本文純技術策略用的是 fastk 6、slowk 3、slowd 3——把 fastk 在 5 到 9 之間掃，fastk 6 是研究段月夏普最高的高原中心（1.21），fastk 5 與 9 也都站得住，但週期拉到 14 起研究段月夏普就明顯下滑。重點不在參數微調，而在用法：把 kd 拆成斜率因子與廣度風控時，對週期不算敏感；當個股黃金交叉或超買超賣訊號則怎麼調都站不住。

Q：kd 鈍化是什麼？要怎麼處理？ 強趨勢中 K、D 會貼在高檔或低檔長時間不動，交叉與超買超賣訊號短暫失效，這就是鈍化。它正好說明了 kd 個股訊號的脆弱：在最該抱住的強趨勢裡，個股 kd 訊號反而最不可靠。鈍化的定義與參數實驗見如何定義 kd 鈍化。

Q：kd 可以單獨拿來當買賣訊號嗎？ 不建議。無論是黃金交叉、超買超賣，還是 K−D 橫截面排名選股，在台股回測都站不住（研究段年化全部 ≤10.4%）。kd 適合「聚合成市場廣度當風控」，搭配其他選股因子使用，而不是自己當個股進出場依據。

Q：kd 和 RSI、MACD 一起用會更好嗎？ 這些都是動能 / 擺盪類指標，資訊高度重疊，硬疊在一起通常是負貢獻。比較有效的組合是「不同性質」的訊號搭配，例如 120 日動能（框出強勢池）+ K−D 斜率（池內挑補漲股）+ K−D 廣度（大盤風控）。三大指標的差異與正確用法可參考 RSI vs MACD vs KD 台股實測。

Q：為什麼要用「全市場廣度」而不是只看個股或大盤指數的 kd？ 單一個股或單一指數的 kd 交叉在盤整期雜訊太大、來回甩巴掌；把全市場個股的 K−D 加總成廣度後，雜訊互相抵消，得到的是橫截面、平滑的多空力道度量，再加上 200 日均線趨勢濾網雙重確認，才能在保住報酬的同時把尾部回撤砍下來（拆掉 kd 廣度只留趨勢濾網，全期最大回撤會從 -25.4% 惡化到 -56.9%）。

Q：這套策略適合誰？ 適合想主動參與台股、追求明顯高於含息 0050 報酬、又能接受 -25% 等級回撤與季頻換股的人：全期年化 31.1%、月夏普 1.20，研究段與樣本外都勝過含息 0050。不適合受不了二成五回撤、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。技術面與基本面選股的取捨，可參考技術分析 vs 基本面分析台股 15 年回測。

最後更新：2026-06｜回測區間：2015-01 到 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。kd 雙核心純技術策略全期最大回撤 -25.4%、樣本外段內回撤 -21.0%，實際交易前請自行評估風險、滑價與交易容量。