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 指標在台股怎麼用：拆成選股因子加大盤風控

kd 指標台股回測的關鍵數字：

本文所有數字皆出自 finlab 套件（2.2.17）抓取的上市櫃真實價量資料（price 與 etl:adj_close 含息還原股價），回測從 2015-03-31 起算、資料截至 2026-09-30，基準為同日起算的含息 0050。2026-10 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 1.16，仍在我們設的 1.0 門檻之上。這次重跑另外補做了換股日、檢查頻率與參數鄰格的檢查，結論比首發版保守很多，首發版的幾個錯誤也在對應段落更正。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。

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）一段時間，交叉與超買超賣訊號暫時失效，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，後面把每一種用法都跑了真實回測。

kd 指標的兩種算法：TA-Lib 與台灣券商軟體不一樣

上一段的式子是 TA-Lib 的算法，也是 finlab data.indicator("STOCH") 的預設：慢 K 是 RSV 的 3 日簡單平均，慢 D 再取慢 K 的 3 日簡單平均。台灣多數券商看盤軟體用的是另一種「遞迴平滑」，用前一日的 K、D 各帶三分之二的權重：

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）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，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 比 K 鈍。兩者的差 $K - D$ 就是後面拿來選股與算廣度的快慢線差。

兩種算法的數值不同。用台積電（2330）2023-07 到 2024-06 這一年實算，兩種 K 值最多差 22 點；下一段的四種訊號，TA-Lib 版是金叉 31、死叉 31、K 跌破 20 共 9 次、K 突破 80 共 15 次，遞迴版是 26、26、5、13。本文所有回測都用 TA-Lib 版，拿券商軟體的 KD 值來對照本文數字會對不上。

不論哪一種算法，K 與 D 都是同一檔股票的價格各自平滑後相減，長期趨勢在相減時被抵掉，留下的是最近幾天的相對快慢。把 K−D 拿去做個股排名，回測裡全部輸給 0050；把它加總成市場廣度，在季底當減碼開關時能壓低回撤，但效果和換股日綁得很緊。

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，上方面板是收盤價並標出兩個教科書派別的進出場點，下方面板是 kd（9-3-3）的慢 K 與慢 D 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，三角形）與超買超賣派（K 跌破 20 買、突破 80 賣，圓點與叉號）。KD 用完整歷史計算後才取這一年，窗內第一天的交叉也用真實的前一日判斷。

把點數一數就會看到第一個問題：訊號太多、太密。 光是金叉死叉派，台積電這一年就有 31 次金叉、31 次死叉；聯發科 27 次金叉、28 次死叉。加上超買超賣派的 9 個買點、15 個賣點（聯發科 8 個、15 個），兩派合計台積電 86 個、聯發科 78 個，平均每 2.8 到 3.1 個交易日就出現一個訊號。2023 下半年的橫盤段，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。這一年台積電上漲 66.8%、聯發科上漲 102.6%，K 值在 80 以上的日子分別占 28.0% 與 35.4%，最長連續 13 個交易日。照超買超賣派「K 突破 80 就賣」的規則，台積電一年賣了 15 次，多半賣在上漲途中，後面的漲幅就讓掉了。

這兩張圖的訊號可以自己重算。下面這段程式碼用 data.indicator("STOCH") 取 kd，再用交叉與門檻邏輯數出各派訊號，跑出來就是上面的 31、31、9、15：

from finlab import data
 
# 套件會在需要資料時自動引導登入
import finlab
finlab.login()
 
# 用完整歷史計算 KD（9-3-3），再取觀察窗
slowk, slowd = data.indicator("STOCH", fastk_period=9, slowk_period=3, slowd_period=3)
sid = "2330"
k = slowk[sid]
d = slowd[sid]
 
# 金叉死叉派：K 上穿 D 買、K 下穿 D 賣
golden = (k > d) & (k.shift(1) <= d.shift(1))
death = (k < d) & (k.shift(1) >= d.shift(1))
 
# 超買超賣派：K 跌破 20（進入超賣）買、K 突破 80（進入超買）賣
oversold_buy = (k < 20) & (k.shift(1) >= 20)
overbought_sell = (k > 80) & (k.shift(1) <= 80)
 
window = slice("2023-07-01", "2024-06-30")
signals = {"金叉": golden, "死叉": death, "超賣買": oversold_buy, "超買賣": overbought_sell}
for name, sig in signals.items():
    print(name, int(sig.loc[window].sum()))

把 sid 換成 "2454" 就是聯發科。不論換哪一檔，一年內訊號都是數十次的量級，訊號頻繁是 kd 當個股進出場依據的主要問題。

訊號頻繁不是中性的：周轉率怎麼吃掉報酬

在台股，每一筆賣出要付 0.3% 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在 0.3% 到 0.5% 之間。上面那種每三天一個訊號的頻率，換算成全年就是把本金反覆繳很多次過路費。

回測的周轉率看得很清楚。下一段的「持有所有 K 在 D 之上的股票」（金叉後抱著、死叉才賣，月底換股）年換手 7.9 次，整個組合一年換掉近八輪；本文後面的完整策略一季換一次股，年換手 2.0 次。同樣用 kd 的資訊，頻率差了近四倍，差出來的周轉全是要從報酬裡扣掉的成本。

頻率的問題也出現在風控端。KD 廣度（可交易宇宙內 K−D > 0 的比例）一年穿越 0.5 門檻 58 次，如果每天照它調整部位，年換手會到 16.3 次（見後面的「拆開風控」段）。kd 的訊號跳得越勤，越要先問其中有多少是雜訊。

散戶最常見的 kd 用法，在台股 11 年都輸給 0050

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、金融保險股、處置與全額交割股）裡，把七種「kd 選股」用法各跑一次月底換股、等權、不擇時的回測，KD 參數都用 9-3-3。研究段從 2015-03-31 起算，與後面完整策略同一天：

最多人用的「超賣抄底」在台股研究段年化只有 1.8%、全期最大回撤 -49.2%，是最差的一種用法。 一種解讀是，慢 K 最低的股票常處在下跌途中，用 kd 低檔去接，等於在下跌裡逆勢接刀。兩種「黃金交叉」版本也都輸給 0050：只買月底當天剛金叉的股票，每個月底選到的檔數中位數是 27 檔，研究段 7.4%；金叉後一直抱著的版本每個月約持有宇宙裡 45.7% 的股票，研究段 10.5%，本質上接近「買半個市場」，最大回撤卻比 0050 深 5 個百分點。首發版把後者標成「K−D 由負轉正選股」，實際程式是持有所有 K 在 D 之上的股票，這次把兩種都列出來。

把 K−D 拿來做個股排名同樣站不住：買最強、買最弱、看 z-score、看 5 日變化，研究段都在 2.3% 到 10.3% 之間，2022 年起全部低於 18%。kd 是 0 到 100 的有界值，個股排名只是把「近幾天相對強弱」重新貼一次標籤；低 kd 可能是健康回檔，也可能是轉空的起點，兩種互斥的情況混在同一個排名裡。同一套回測方法用在 MACD、RSI 上也得到「教科書裸用選股贏不了 0050」的結論，三大指標並列的差異可參考RSI vs MACD vs KD 三大指標台股實測。

KD 廣度：把個股 K−D 加總成市場溫度計

單看一檔個股的 kd 有沒有黃金交叉，雜訊太大。改看「可交易宇宙裡有多少比例的股票，K 值站在 D 值之上」，得到的是一個橫截面的多空讀數，本文稱為 KD 廣度。每檔股票的 K−D 都在 0 上下擺盪，所以廣度本身也在一半上下來回：2015 年 3 月起有 46.6% 的交易日高於 0.5，一年穿越 0.5 門檻 58 次。它反映的是最近幾天多數股票轉強還是轉弱，屬於很短期的讀數。

上圖是最近一年的每日 KD 廣度，虛線是四個季底換股日。廣度幾乎每週都在穿越 0.5，策略卻只在這四天讀一次：6 月 30 日那天廣度是 0.456，落在 0.5 下方（6 月 23 日到 30 日剛好是一段短暫轉弱），第三季就以 35% 部位持有；隔天 7 月 1 日廣度就回到 0.745。圖中的策略淨值在 6 月 22 日創高後回落，7 月底的低點之後只收復一部分。換股日不同，讀到的廣度與選到的股票都不同，後面「換股日挪一個月」那段把兩者一起挪動，看結果差多少。

完整策略：動能池裡挑漲最多、K−D 上升最快的 10 檔，季底看廣度與年線決定部位

把 K−D 的兩個用法組成一套完全不含基本面的純技術策略：

1. 動能池：可交易宇宙中，120 日報酬前 80 名。
2. 選股（綜合分）：池內每檔算兩個分位，120 日報酬分位與 K−D 的 5 日變化分位，兩個都是「值越大、分位越接近 0」。綜合分 = 0.6 × 動能分位 + 0.4 × K−D 變化分位，取綜合分最低的 10 檔等權持有，也就是池內漲最多、K−D 上升最快的股票。K、D 用 STOCH(6, 3, 3)。
3. 風控：換股日 KD 廣度 > 0.5，且 0050 還原價站上 200 日均線，才滿倉；否則整籃部位縮到 35%，其餘放現金，不加槓桿。
4. 換股頻率：每季最後一個交易日換股，選股與風控都只在這天讀取，季中不檢查。

首發版把第 2 步寫成「挑強勢族群裡相對落後、正在補漲的股票」，方向寫反了。實際檢查 47 個換股日的入選股，它們在 80 檔動能池裡的 120 日報酬名次中位數是第 10 名、K−D 5 日變化名次中位數是第 14.5 名：選到的是池內最強、K−D 還在加速往上的股票。首發版也寫「廣度與趨勢訊號跑日頻」，回測其實是季底才讀一次，這次一併更正。

核心程式碼分三段，完整版在文末的 strategy.py。第一段建立可交易宇宙：

import numpy as np
import pandas as pd
from finlab import data
 
# 套件會在需要資料時自動引導登入
import finlab
finlab.login()
 
close = data.get("price:收盤價")
volume = data.get("price:成交股數")
amount = data.get("price:成交金額")
 
# 可交易宇宙：60 日均量 > 100 萬股、收盤 > 10 元、60 日均成交金額前 300 大
liquid = ((volume.rolling(60, min_periods=20).mean() > 1_000_000)
          & (close > 10)
          & amount.rolling(60, min_periods=20).mean().is_largest(300))
 
# 只留代號剛好 4 碼數字的股票，排除 ETF（00 開頭）、金融保險股、處置與全額交割股
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))
common_cols = [
    sid for sid in close.columns
    if len(str(sid)) == 4 and str(sid).isdigit()
    and not str(sid).startswith("00") and str(sid) not in financial
]
flagged = (data.get("etl:is_flagged_stock")
           .reindex(index=close.index, columns=common_cols).fillna(False).astype(bool))
universe = liquid[common_cols] & ~flagged
close = close[common_cols]

第二段在動能池裡算綜合分、挑出 10 檔：

# 動能池：宇宙內 120 日報酬前 80 名
momentum = close / close.shift(120) - 1
pool = momentum.where(universe).rank(axis=1, ascending=False) <= 80
 
# K−D 與它的 5 日變化（STOCH 6-3-3；指標輸出的欄位比收盤價少，先對齊欄位）
slowk, slowd = data.indicator("STOCH", fastk_period=6, slowk_period=3, slowd_period=3)
kd_diff = (slowk - slowd).reindex(columns=common_cols)
kd_slope = kd_diff - kd_diff.shift(5)
 
# 兩個分位都是「值越大越接近 0」，綜合分最低的 10 檔 = 漲最多、K−D 上升最快
mom_score = momentum.where(pool).rank(axis=1, ascending=False, pct=True)
slope_score = kd_slope.where(pool).rank(axis=1, ascending=False, pct=True)
combo = 0.6 * mom_score + 0.4 * slope_score
basket = combo.where(pool).rank(axis=1, ascending=True) <= 10

第三段算 KD 廣度與 0050 年線，決定部位，季底換股回測：

from finlab.backtest import sim
 
# KD 廣度：宇宙內 K−D > 0 的比例
breadth = (kd_diff > 0).where(universe).sum(axis=1) / universe.sum(axis=1).replace(0, np.nan)
 
# 風控：廣度 > 0.5 且 0050 還原價站上 200 日均線才滿倉，否則整籃縮到 35%
adj_close = data.get("etl:adj_close")
idx = adj_close["0050"].dropna()
trend_on = (idx > idx.rolling(200).mean()).reindex(close.index).ffill().fillna(False)
risk_on = (breadth > 0.5).fillna(False) & trend_on.astype(bool)
 
weights = basket.astype(float)
weights = weights.div(weights.sum(axis=1).replace(0, np.nan), axis=0).fillna(0.0)
scale = risk_on.map({True: 1.0, False: 0.35})
position = weights.mul(scale, axis=0)
 
# 每季最後一個交易日換股（風控也只在這天讀取），從 2015 年起回測
report = sim(position.loc["2015":], resample="Q", fee_ratio=1.425 / 1000 * 0.3, upload=False)

這三段在乾淨環境實跑，2025-12-31、2026-03-31、2026-06-30、2026-09-30 四個換股日選出的股票與部位，和完整引擎逐檔相同。

這套策略全期（2015-03-31 到 2026-09-30）年化 29.4%、月夏普 1.14、月索提諾 2.65、最大回撤 -25.4%。 同期含息 0050 年化 21.3%、月夏普 1.07、月索提諾 1.85、最大回撤 -34.0%，四項都是策略較好。分段看就不一樣了：

研究段大幅領先 0050；2022 年起年化落後 8.5 個百分點，月夏普與月索提諾也低於 0050，勝出的只剩最大回撤較淺（-21.0% 對 -34.0%）。年化波動 23.2%，0050 是 19.9%。年換手 2.0 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：

拆開風控：KD 廣度與 0050 年線各自的作用

選股不動，只換風控，看每一層的作用：

三件事看得出來。第一，減碼是用報酬換回撤：不減碼的同一籃年化最高（研究段 40.6%、2022 年起 29.8%），最大回撤卻是 -59.7%；完整風控把回撤壓到 -25.4%，月夏普兩段都比不減碼高。第二，壓回撤主要靠 KD 廣度：只留 0050 年線，最大回撤仍有 -56.9%，只留廣度就降到 -34.6%，兩者合用最淺。第三，改成每天依風控調整部位，月夏普和年化都掉到比不減碼還低（見下段）。

逐季拆開看，46 個完整季度裡有 30 季在季底判定為 risk-off，比例近三分之二。判定為 risk-off 的季度，不減碼那一籃接下來一季平均賺 6.1%、30 季中 13 季虧損；判定為 risk-on 的季度平均賺 18.4%、16 季中 4 季虧損。減碼少賠最多的幾季是 2018 年第三季（不減碼 -26.1%，策略 -7.5%）、2022 年第二季（-26.2%，-9.2%）、2018 年第四季（-21.1%，-7.4%）與 2025 年第一季（-20.2%，-7.2%）。

可是把同一籃改成每天依廣度與年線調整部位，研究段年化掉到 10.4%、年換手升到 16.3 次。廣度每天在 0.5 上下來回，每天跟著它調整，部位會頻繁在 100% 與 35% 之間切換，周轉大增，結果也差很多。首發版寫「kd 廣度風控必須跑日頻、不能降頻」，回測其實從頭到尾都是季底才讀，日頻的版本反而差很多，這段說法已刪除。

拆開選股：120 日動能與 K−D 斜率各自的貢獻

風控不動，只換選股：

兩個零件單獨用都普通：只用動能，研究段 22.5%、2022 年起只剩 11.4%；只用 K−D 變化，研究段 19.9%。兩者合成綜合分後研究段 34.9%、月夏普 1.20，比任一邊都高。在動能池裡，K−D 變化和動能合用，研究段比只用動能高 12.4 個百分點。前面教科書表最後一列（全宇宙 K−D 5 日變化最高 30 檔）研究段只有 9.5%，但它和主策略在 KD 參數、持股檔數、換股頻率、風控都不同，不能單獨歸因於有沒有先篩動能。選股端「過去半年漲最多的股票傾向繼續漲」對應 Jegadeesh & Titman (1993) 的動能效應；K−D 變化在這裡的角色，是在強勢股裡再挑「最近幾天還在加速」的那幾檔。

換股日挪一個月，結果就差很多

前面所有數字都用 3、6、9、12 月的最後一個交易日換股。我們保持一季一換、規則與參數都不變，只把換股日挪到其他月份：

只挪一個月，全期年化從 29.4% 掉到 7.7%，比 0050 還低；換到另一個相位是 11.7%，改成每月換股是 10.6%。為了確認不是做法造成的差異，同一套程式把換股日設回 3、6、9、12 月底，跑出來與原回測逐位相同。

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，落差大小和換股頻率、每次換股的周轉幅度有關。本文的策略只持有 10 檔、一季才換一次，這類集中又低頻的策略特別需要先檢查換股日。我們沒有找到季底換股特別有效的原因，在找到之前，29.4% 應該看成「3、6、9、12 月底換股這一組」的結果，不能當成這套 kd 用法的穩定報酬。這個檢查是首發版沒有做的。

參數最佳化：fastk 與廣度門檻

再看兩個 kd 參數：STOCH 的 fastk（同時影響 K−D 變化與 KD 廣度）× 廣度門檻，其餘設定不動，16 格各跑一次，研究段與 2022 年起月夏普分開畫，兩張圖用同一組色階：

研究段 16 格的月夏普在 0.90 到 1.20 之間，本文採用的 fastk 6、門檻 0.50 是最高的一格。2022 年起 16 格落在 0.72 到 1.18，8 格高於 1.0；首發版同一張網格的 2022 年起數字有 13 格在 1.2 以上，新資料讓整片往下移。

單一參數換一格（其餘不變）的結果：

留倉係數、動能池大小、持股檔數換一格，研究段月夏普在 1.10 到 1.20、2022 年起在 1.10 到 1.32 之間。fastk 不是：fastk 5、6、9 的研究段月夏普是 1.18、1.20、1.10，夾在中間的 7 與 8 卻只有 0.81、0.87，最大回撤加深到 -37% 以上。首發版寫「fastk 在 5 到 9 之間掃，fastk 6 是高原中心」，當時沒有跑 7 與 8；補跑之後，fastk 6 是一個窄峰。

2026-06-09 之後：首發後的新資料

首發版的資料截至 2026-06-09。延長到 2026-09-30 的這段，策略累計 -5.0%，同期含息 0050 +8.9%；其中 6 月 9 日到 30 日策略 +0.4%、0050 +4.2%，之後逐月如下：

經過是這樣：0050 這段期間一直站在 200 日均線上，風控的變化全部來自 KD 廣度。6 月 30 日換股時，廣度剛好處在 6 月 23 日開始的短暫轉弱裡，低於 0.5，所以第三季整籃只放 35%。選出的 10 檔從 7 月 1 日進場抱到 8 月 3 日全數虧損，中位數 -23.0%，最差的國巨（2327）-51.6%，表現最好的聯發科（2454）也跌了 9.3%；抱滿整季到 9 月 30 日，10 檔中位數 -10.3%。策略從 6 月 22 日的高點到 7 月 30 日回落 18.1%，7 月的 -12.7% 是整個回測最差的單月，研究段最差的是 2016 年 4 月的 -11.4%。

這一季沒有跟著重摔，靠的是 6 月 30 日那一天的讀數。如果那天廣度在 0.5 之上，同一籃滿倉持有，7 月會是 -34.5%；每天照風控調整的對照組，因為 7 月初與月中幾度轉回 risk-on，7 月 -35.2%。同一批技術指標文在 2026-09 重跑時多數在 7 月重挫，經過可對照 威廉指標怎麼用才對。

依季度刷新的規則，判斷看 2022 年起的段落：同一次執行把淨值截到首發日 2026-06-09，2022 年起年化 25.2%、月夏普 1.32；延長到 2026-09-30 後是 22.0%、1.16，仍高於年化 15% 與月夏普 1.0 的門檻，所以參數不動、照一般刷新處理。研究段由首發的 35.3% 變成 34.9%、0050 由 15.3% 變成 15.2%，原因是 finlab 版本差異與 0050 起算日對齊（新版回測的首個淨值日是 2015-03-31），用新版在首發同一截止日重跑就是 34.9%，和新資料無關；研究段月夏普嚴格說是 1.198，比首發選參數用的 1.2 門檻低一點。

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，本文未估算容量。
• 股票池：上市櫃股票，60 日均量大於 100 萬股、收盤大於 10 元、60 日均成交金額前 300 名。
• 排除類別：只留代號剛好 4 碼數字的股票（排除權證、特別股、6 碼代號），再排除 ETF（代號 00 開頭）、金融保險股、處置與全額交割股。KY 股代號是 4 碼數字，沒有排除，7 月持股裡的 4958 就是 KY 股；首發版寫「排除 KY」與程式不符，已更正。首發版只檢查代號前 4 碼，用首發的規則重跑，換股日持股完全相同。
• 生存者偏差：宇宙每天依當時資料篩選，2015-03-31 有收盤價、到 2026-09-30 已無收盤價的 4 碼普通股共 143 檔，在當時都可能被選入。
• 前視偏差：120 日動能、K−D、K−D 的 5 日變化、KD 廣度與 0050 均線都只使用當日（含）以前的價格；換股日收盤算出的訊號從下一個交易日起生效。主策略不使用任何財報或月營收。
• 檢查頻率：選股與風控都只在每季最後一個交易日讀取，季中不減碼、不加碼。2015 年起日頻的 risk-off 區段有 269 段，其中 242 段在下一個季底前就轉回、從未執行；換股日判定為 risk-off 的比例是 66.0%（47 個換股日中 31 個）。
• 權重：入選 10 檔等權，risk-off 時整籃乘上 0.35，其餘現金，不持有防禦標的、不用槓桿。
• 周轉率：年換手約 2.0 次。
• 基準與起算日：含息 0050 用 etl:adj_close 純算術買進持有，與策略同日 2015-03-31 起算。首發版的 0050 從 2015-01-05 起算，已對齊。
• 樣本內外：研究段 2015-2021 是選參數用的；2022 年起在首發時已被看過，屬於選參數時參考過的驗證段，真正沒看過的資料只有 2026-06-09 之後這四個月。換股相位、每日檢查與 fastk 7、8 的檢查都是這次才補做。
• 下載檔：首發版的 strategy.py 在新版 finlab 會在 KD 廣度的分母除以 0 時中斷，data.csv 則是 6 月定案前另一套低波策略的淨值，都已換成本文策略；新的 strategy.py 在乾淨目錄實跑，印出的主表、零件拆解與逐年報酬與本文逐格相同。

不同年度的表現：12 年贏 6 年，2024 年起連三年落後

策略贏 0050 的 6 年集中在 2017、2018、2021、2023 這幾個強勢股表現突出的年份，以及 2015、2022 兩個空頭年。2024 年起連續三年落後，2026 年前三季 0050 漲 74.3%，策略只有 23.2%：2024-09-30 起連續 9 個季底都判定為 risk-off（0050 只有 2025-03-31 那次在年線下，其餘都是廣度低於 0.5），兩年來策略一直只持有 35% 部位。和不減碼的同一籃比，風控在 2022 年少賠 26.7 個百分點，但在 2019、2020、2026 這些多頭年少賺 29 到 45 個百分點；2018 年策略 65.5% 遠高於不減碼的 12.7%，那年的兩次大跌（第三、四季）剛好都在季底判定為 risk-off。

加上月營收 YoY 會更好嗎：實跑結果比主策略好，但不換

本文主策略完全不含基本面，選股只用 120 日動能與 K−D 變化，風控只用 KD 廣度與 0050 年線。純技術訊號每日可得，沒有財報公布延遲與對齊問題，也才與本文「kd 用法」的主題一致。

首發版寫「加營收過濾會大幅縮小可選池、稀釋 K−D 挑股的爆發力」，當時沒有實測。這次實跑：月營收以公布日對齊、只用已公布的數字，YoY > 0 的股票才能進動能池，風控與其他設定不變。結果研究段年化 40.7%、月夏普 1.21，2022 年起 23.9%、1.29，全期最大回撤 -23.9%，兩段都比主策略好。首發版的說法不成立，已改寫。

我們沒有因此改用營收版：這個變體是看過全部資料後才測的，換過去就等於用新資料挑規則，依季度刷新的原則不替換。它同樣是季底換股，換股日的影響本文沒有另外檢查。想自己試，可在下載的程式碼裡於動能池之前加一層 monthly_revenue 的過濾。技術面與基本面怎麼分工，可延伸看技術分析 vs 基本面分析台股回測。

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：120 日動能前 80 名的池子裡，依 120 日報酬與 K−D 5 日變化的綜合分取 10 檔等權，KD 廣度不到 0.5 或 0050 跌破年線時部位縮到 35%，每季換股。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 1.39 對 0050 的 0.96，2022 年起 1.01 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 28.6%、日夏普 1.24、最大回撤 -25.6%；同期 0050 含息年化 20.7%、日夏普 1.08、最大回撤 -34.0%。前後兩段與交易成本都過：前段日夏普 1.17 對 0.99、後段 1.31 對 1.17（後段從 2021 年 1 月起算；照上文以 2022 年切開，2022 年起是 1.01 對 1.22，跟上文「2022 年起落後」一致）；季換股的換手低，扣掉 sim() 預設成本只比不扣少 0.05（1.29 降到 1.24）。卡在鄰近參數：9 組只有 4 組贏。fastk 6 的三組都贏（1.12 到 1.24），fastk 改成 5 只剩持股 10 檔那組贏，改成 7 三組全輸（0.91 到 0.99）。三項沒有全過，所以不放進策略庫。跟上文「換股日挪一個月，結果就差很多」一樣，績效集中在特定的參數與換股日上。上文的年化 29.4% 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 29.1%，換成 sim() 預設成本是 28.6%。

策略的限制與取捨

• 換股日決定了大部分結果：同一套規則換到其他月份換股，全期年化只剩 7.7% 到 11.7%，低於 0050。實盤若照季底換股，等於押注這個時點效果會延續，而本文找不到它會延續的理由。
• 2022 年起落後 0050：年化 22.0% 對 30.5%，月夏普 1.16 對 1.21，勝出的只有回撤較淺。2024 年起連三年落後。
• 大部分時間只有 35% 部位：47 個換股日中 31 個判定為 risk-off，2024-09-30 起更是連續 9 個季底。減碼讓回撤變淺，也讓多頭年少賺很多；判定只看季底一天的廣度，讀數受短期波動影響大。
• 集中與季頻：只持有 10 檔，選到的是動能池裡最強、K−D 還在加速的股票，選錯就要扛一整季（2026 年第三季 10 檔中位數 -10.3%）。
• fastk 是窄峰：fastk 7、8 的研究段月夏普只有 0.81、0.87，參數稍微一動結果就差很多。
• 容量有限：每檔權重 10%，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。

想把「市場廣度」或「大盤濾網」當風控，這幾點同樣適用；用 0050 均線當濾網的另一種做法，可參考用大盤濾網降低最大回撤。

自己跑一次

FinLab Skill 可以讓你的 AI 助理安裝環境、抓台股資料，並重現這篇回測。

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，執行後會印出本文的主表、風控與選股的零件拆解、每天調整的對照組、逐年報酬與 2026-06-09 之後的逐月報酬；把 DATA_END 改成 None 就用最新資料。data.csv 是策略與含息 0050 同日起算的每日淨值，外加每日的 KD 廣度與 risk-on 狀態。想測換股日，可只在你指定的月底取部位、往後填滿到下一個換股日，再用 resample=None 回測。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。其他技術指標用對方法後的成績，匯整在常用技術指標的台股回測總覽。

常見問題

Q：kd 黃金交叉買進在台股有用嗎？ 在本文設定、2015-03-31 到 2026-09-30 這段期間，兩種黃金交叉用法都輸給含息 0050：只買月底當天剛金叉的股票，研究段年化 7.4%；金叉後一直抱到死叉，研究段 10.5%，同期 0050 是 15.2%。後者每個月約持有宇宙裡四成五的股票，年換手 7.9 次，最大回撤 -39.1% 也比 0050 深。

Q：kd 超賣（K<20）抄底會反彈嗎？ 本文測的是每月買慢 K 最低的 30 檔（不限定 K<20），研究段年化只有 1.8%、全期最大回撤 -49.2%，是七種用法裡最差的，2022 年起 12.0% 也遠低於 0050 的 30.5%。回測沒有另外統計單次反彈的機率；一種解讀是，慢 K 最低的股票常處在下跌途中，等反彈的過程要先承受更深的回撤。

Q：kd 參數要設多少？9、3、3 是最好的嗎？ 9-3-3 是最常見的教科書設定，拿來看圖沒有問題。本文策略用 fastk 6，但補跑鄰格後發現 fastk 5、6、9 的研究段月夏普是 1.18、1.20、1.10，7 與 8 只有 0.81、0.87，沒有一個「越調越好」的方向。參數微調的效果小於用法本身，也小於換股日的影響。

Q：kd 鈍化是什麼？要怎麼處理？ 強趨勢中 K、D 會貼在高檔或低檔一段時間，交叉與超買超賣訊號暫時失效，這就是鈍化。2023-07 到 2024-06 台積電上漲 66.8%，K 值在 80 以上的日子占 28.0%，照「K 突破 80 就賣」一年賣了 15 次。鈍化的定義與參數實驗見如何定義 kd 鈍化。

Q：KD 廣度是什麼？可以每天看嗎？ KD 廣度是可交易宇宙裡 K 在 D 之上的股票比例，一年穿越 0.5 門檻約 58 次。本文策略只在季底讀一次；同一籃改成每天依廣度與 0050 年線調整部位，研究段年化從 34.9% 掉到 10.4%、年換手升到 16.3 次。每天跟著它進出，結果反而差很多。

Q：為什麼換股日差一個月，結果差這麼多？ 策略只持有 10 檔、一季才換一次，換股那天選到哪 10 檔、廣度讀數是高是低，會決定接下來三個月的持股與部位。3、6、9、12 月底換股全期年化 29.4%，挪到 1、4、7、10 月底只有 7.7%。本文沒有找到季底特別有效的原因，這個差距應該視為換股時點運氣，不能當成可以期待的報酬。

Q：這套策略適合誰？ 適合想研究「指標怎麼拆成選股與風控零件」、並願意自己檢查換股日與參數敏感度的人。不適合想直接照抄進場的人：它在 2022 年起落後 0050，換股日一動結果就差很多。只想參與台股長期報酬，直接買進持有含息 0050 更省事。

最後更新：2026-10｜回測區間：2015-03-31 到 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。策略全期最大回撤 -25.4%，換股日改變時全期年化只剩 7.7% 到 11.7%，實際交易前請自行評估風險、滑價與交易容量。