MACD 怎麼用才對？台股 11 年回測：柱狀圖是反轉訊號，
不是動能訊號

MACD 在台股的用法：柱狀圖當反轉雷達，金叉買進沒有優勢

MACD 台股回測的關鍵數字：

本文所有數字皆出自 finlab 套件（2.2.16）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 2015-01-30 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：首發版（資料截至 2026-06-09）2022 年起月夏普 1.26，現在降到 0.97，低於我們設的 1.0 門檻，文中新增「策略衰退追蹤」一節交代發生什麼事。研究段年化由首發的 26.4% 變成 26.1%，原因是新版 finlab 讓首個淨值日由 2015-02-26 提前到 01-30，和新資料無關。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。

MACD 是什麼：三條線與一個柱狀圖

MACD（Moving Average Convergence Divergence，指數平滑異同移動平均）是 Gerald Appel 在 1970 年代末提出的趨勢動能指標，由三個部分組成：

DIF（快線）：12 日 EMA 減 26 日 EMA，反映短期相對長期的動能變化。

DEA（慢線／訊號線）：DIF 的 9 日 EMA，把快線平滑掉短期雜訊。

柱狀圖（hist）：DIF 減 DEA，畫成零軸上下的長條。hist 為正代表快線在慢線之上（一般解讀為多頭動能），為負則相反。

最廣為流傳的兩種用法是：金叉死叉派主張「DIF 由下往上穿過 DEA（金叉）買、由上往下穿過（死叉）賣」；柱狀動能派則把 hist 當動能強弱計，「hist 越高、由負翻正就是多頭力道集結」。這兩派幾乎是所有 MACD 教學的標準答案。哪一派在台股站得住？這就是本文用回測要回答的問題。技術指標的基礎名詞可參考名詞詞彙表。

MACD 的數學定義：三條線怎麼算出來

把上面的文字寫成公式，MACD 只有三條算式：

$DIF = EMA_{12}(C) - EMA_{26}(C),\quad DEA = EMA_{9}(DIF),\quad \text{hist} = DIF - DEA$

逐項拆解每個符號：

• $C$ 是每日收盤價。
• $EMA_{12}(C)$、$EMA_{26}(C)$ 分別是收盤價的 12 日與 26 日指數移動平均（EMA，越近的價格權重越大）。兩者相減得到快線 DIF：當短期均線拉開長期均線越多，DIF 越大，代表近期動能相對長期在加速。
• $DEA$ 是 DIF 再取 9 日 EMA，也就是慢線（訊號線），把 DIF 的短期抖動再平滑一次。
• $\text{hist}$ 是 DIF 減 DEA 的差，畫成零軸上下的柱狀圖。hist 由負翻正、柱子變長，傳統解讀為「快線正在拉開慢線、多頭力道集結」；本文後面會用真實資料指出，在台股月頻橫截面上這個解讀的方向其實是反的。

12、26、9 這組參數是 Gerald Appel 最初的設定，也是各家看盤軟體的預設值。本文主策略改用反應更快的 8-17-9，後面會把四組常見參數都放進同一套策略比較。

兩派訊號在個股上長什麼樣：台積電一年 44 個進出點

把公式畫到真實個股上，最能看出兩派用法的問題。下面這張圖取台積電（2330）2023 年 7 月到 2024 年 6 月、約一年的窗，上半部是收盤價並標出兩派的買賣箭頭，下半部是 MACD（8-17-9）的 DIF、DEA 與 hist 柱：

圖上標了兩派教科書訊號：金叉死叉派（DIF 上穿 DEA 買、下穿賣）與零軸派（DIF 上穿 0 買、下穿 0 賣）。光是台積電這一檔、這一年，金叉死叉派就觸發了 15 次買、15 次賣，零軸派再加 7 次買、7 次賣，兩派合計 44 個進出訊號；這一年共 243 個交易日，平均約每 5.5 個交易日就要你動一次手。聯發科（2454）同窗也有 29 個訊號：

問題一眼可見：在橫盤整理的區段（例如 2023 年下半年台積電在 500 至 600 元之間來回），DIF 與 DEA 反覆糾纏、不斷交叉，每一次交叉都產生一個訊號，買在小高、賣在小低，被巴來巴去（俗稱 whipsaw）。訊號太多、雜訊蓋過真正的趨勢，再扣掉每次進出的手續費與證交稅，報酬就被磨掉了。

想自己重畫這張圖、把任一檔股票的 MACD 與兩派訊號標出來，核心只有幾行。MACD 先用完整歷史算好再取窗，窗內第一天沒有前一天可比，不算交叉。下面這段可以直接執行，也可以貼給你的 AI 助理改寫：

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) 取收盤價，算 MACD（8-17-9）
close = data.get("price:收盤價")
dif, dea, hist = data.indicator("MACD", fastperiod=8, slowperiod=17, signalperiod=9)
 
# 2) 取單一檔、單一年的窗（太長會擠成一團看不清）
sid = "2330"
win = slice("2023-07-01", "2024-06-30")
d = dif[sid].loc[win]
e = dea[sid].loc[win]
 
# 3) 兩派訊號：用「今天條件成立、昨天不成立」抓穿越的那一天
golden = (d > e) & (d.shift(1) <= e.shift(1))   # 金叉：DIF 上穿 DEA → 買
death = (d < e) & (d.shift(1) >= e.shift(1))     # 死叉：DIF 下穿 DEA → 賣
zero_up = (d > 0) & (d.shift(1) <= 0)            # 零軸派：DIF 上穿 0 → 買
zero_down = (d < 0) & (d.shift(1) >= 0)          # 零軸派：DIF 下穿 0 → 賣
 
# 4) 數一數一年內各派觸發幾次（就能感受到 whipsaw 有多嚴重）
print("金叉次數：", int(golden.sum()))
print("死叉次數：", int(death.sum()))
print("零軸上穿次數：", int(zero_up.sum()))
print("零軸下穿次數：", int(zero_down.sum()))
print("窗內交易日：", len(d))

台積電跑出來是 15、15、7、7 與 243 天。把 sid 換成任一檔代號、win 換成你想看的區間，就能驗證「訊號頻繁」不是個案。個股上的雜訊看得到，兩派到底有沒有用，要把 hist 攤到全市場回測才知道。

教科書方向是反的：hist 最高的一籃，輸給 hist 最低的一籃

我們在可交易宇宙（60 日均成交金額前 300 大、60 日均量大於 100 萬股、收盤大於 10 元，排除 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）裡，把 MACD（8-17-9）的 hist 當橫截面選股因子，每月挑一籃 30 檔、等權持有、月再平衡，不加任何濾網或擇時。把「教科書方向」（挑 hist 最高、動能最強的）和「反向」（挑 hist 最低、剛超賣的）各跑一次：

兩個方向單獨用都輸 0050，但比較兩籃，結論很乾淨：在台股月頻橫截面，hist 最低的一籃在研究段與 2022 年起都贏 hist 最高的一籃。 我們再把 hist 換成三種正規化方式（原始 hist、hist 除以收盤、hist 的 60 日 z-score），每籃 20、30、50 檔各跑一次，比較最低一籃與最高一籃的年化差距：研究段 9 組全為正（1.5 到 8.1 個百分點），2022 年起也 9 組全為正（0.5 到 18.9 個百分點）。差距在 2022 年起變大的有 5 組（原始 hist 三組、除以收盤的 30 與 50 檔），z-score 三組則縮到 0.5 到 2.4 個百分點。方向穩，幅度要看正規化方式。這裡的「差距」是兩籃年化報酬相減，不是實際放空的回測。

為什麼教科書方向會反？在月頻這個時間尺度上，當一檔股票的 DIF 已經遠遠拉開 DEA、hist 衝到全市場最高時，那一波動能多半已經反映在價格裡，接下來更可能是均值回歸；反過來，hist 最低時往往是剛被殺過頭、即將反彈的候選。所以「hist 越高越多方」這個直覺，把訊號的方向用反了。金叉的表現也印證這點：我們每月底把近 20 個交易日內 hist 由負翻正（也就是 DIF 上穿 DEA）的股票全部等權買進，每月中位數約 176 檔，研究段年化 9.4%、月夏普 0.54，2022 年起年化 14.1%，兩段都輸給同期 0050。這是月頻換股的籃子，不是逐筆「金叉當天買、20 天後賣」的事件回測。各擺盪指標的正確用法差異，可延伸看 RSI vs MACD vs KD：三大技術指標台股實測。

MACD 真正該放的位置：複合策略裡的小權重反轉加分因子

知道「hist 是反轉訊號」之後，下一個問題是：反轉因子單獨用夠不夠？答案是不夠。hist 最低的反轉腿雖然方向對，但裸用的研究段月夏普只有 0.46，純逆勢接刀的波動太大，沒辦法單獨拿出來用。

比較可行的用法，是把 MACD 反轉因子當「加分項」疊到一個已經成立的選股核心上。本文的核心是台股常見的兩個因子組合：多窗動能（取 20／60／120 日報酬三個橫截面分位的平均，過去一段時間最強的股票傾向繼續強，這和 Jegadeesh & Titman (1993) 記錄的 3 到 12 個月動能效應一致；20 日這一窗較短，文獻上一個月內的報酬反而偏向反轉，這裡只佔三分之一）加上低波動（用 14 日 ATR 除以收盤衡量，波動越低越好，對應 Ang, Hodrick, Xing & Zhang (2006) 記錄的低波動異象）。綜合分的配方是：

綜合分 = 0.65 多窗動能分位 + 0.20 低波分位 + 0.15 MACD 反轉分位（三者都是「分位越小＝越好」），每月選綜合分前 15 檔等權持有。

MACD 反轉因子只佔 0.15 的小權重，但它和動能因子在「進場時點」上互補：動能因子偏好「已經漲一波」的股票，反轉分位則把同樣強勢、但最近剛回檔的股票往前排。它的貢獻後面拆解表會量化：把 MACD 反轉因子整個拿掉（權重移給動能），研究段年化從 26.1% 掉到 21.5%，2022 年起從 24.8% 掉到 19.2%，全期從 25.5% 掉到 20.5%。

光有選股核心還不夠：在系統性崩盤時，任何純選股籃子都會被一起拖下水。所以完整策略還疊了兩層純技術風控：雙均線趨勢閘（先把選股池縮到「結構偏多」的個股）與SMA120 廣度擇時（市場結構轉弱時整個籃子改持現金）。延伸閱讀：技術面與基本面選股的差異、動能策略 18 年實測。

雙均線趨勢閘縮池，SMA120 廣度擇時管曝險

選股核心定下來後，還有兩件事要處理：一是把選股池限縮在「結構本來就偏多」的個股，二是在大盤系統性轉弱時整個籃子退場。這兩件事都用純價格訊號完成，完全不碰基本面。

第一層：雙均線趨勢閘。 每個換股日，先把選股池限縮為「收盤同時站上自身 SMA60 與 SMA120」的個股，再進綜合分排名。這道閘把短期與中期都還沒站上多頭結構的股票擋在外面。把它拿掉、其他不變，研究段年化從 26.1% 掉到 22.2%，2022 年起從 24.8% 掉到 21.1%。要注意它只在換股日檢查：持有期間跌破均線，要等到下個月底才會被換掉。

第二層：SMA120 廣度擇時。 每個換股日（每月最後一個交易日）計算「可交易宇宙裡收盤站上自己 120 日均線的個股比例」，大於 0.5 才持有選股籃，否則整個月持現金（不加槓桿）。回測每月只換股一次，這個開關也只在換股日讀取，月中廣度跌破 0.5 不會提前出場。2015 年以來廣度跌破 0.5 共 60 次，其中 43 次在月底前就回到 0.5 以上，回測完全沒有執行；真正執行的 17 次，從跌破到換股日的中位數是 2 個交易日、最長 17 個。全部 141 個換股月裡有 33 個月（23.4%）持現金。

很多人會直覺想用 MACD 自己來擇時，例如「市場上 hist 為正的比例低就空手」。我們把擇時訊號換成「可交易宇宙裡 hist 大於 0 的比例 > 0.5」，其餘不變，研究段年化只剩 11.4%、2022 年起 10.6%，比 SMA120 廣度版差得多。原因是 hist 的正負翻得太快：這個開關在 0.5 上下切換了 289 次，是 SMA120 廣度（120 次）的 2.4 倍，只有 46.1% 的交易日在 0.5 之上，一半的換股月（50.4%）都在持現金。拿來當低頻的大盤開關，大部分時間都在場外。

廣度擇時的效果要分開看。加上它，研究段月夏普由 1.22 升到 1.43，2022 年那一年的虧損由 -34.5% 縮到 -20.1%；代價是少賺，研究段年化由 32.1% 降到 26.1%。全期最大回撤則幾乎沒差（-42.1% 對不擇時的 -42.4%），因為 2026 年 7 月那次下跌發生在兩個換股日之間，等開關讀到廣度轉弱時傷害已經造成（見衰退追蹤一節）。首發版寫的「擇時把全期最大回撤由 -42.4% 收斂到 -32.1%」，在資料截至 2026-06-09 時成立，延長資料後不成立。

「風險升高時降部位」的邏輯，學術上有波動度擇時的支持：Moreira & Muir (2017) 在《Volatility-Managed Portfolios》證明，在已實現波動升高時調降部位，能提升投資組合的 Sharpe。本文用的是更慢的市場廣度、而且每月才檢查一次，2026 年 7 月的結果顯示這個頻率跟不上急跌。用大盤訊號降回撤的其他做法，可參考均線市場濾網。

完整策略：雙均線趨勢閘 + 多窗動能低波核心 + MACD 反轉 + SMA120 廣度擇時

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：

1. 雙均線趨勢閘：在可交易宇宙裡，換股日只保留「收盤同時站上自身 SMA60 與 SMA120」的個股。
2. 選股核心：在趨勢閘後的池子裡，依綜合分（0.65 多窗動能分位 + 0.20 低波分位 + 0.15 MACD 反轉分位，三者皆「分位越小越好」）排序，每月選前 15 檔等權持有。多窗動能分位 = 20／60／120 日報酬三個橫截面分位的平均。
3. MACD 反轉因子：用 8-17-9 參數算出 hist，做橫截面排名，hist 越低（越超賣）分位越好；它只佔 0.15 權重，是加分項不是主角。
4. 市場廣度擇時：換股日計算可交易宇宙裡收盤站上 SMA120 的個股比例，大於 0.5 才持有上面的籃子，否則整個月持現金。
5. 月再平衡，月中不檢查。

選股與廣度的程式碼（可直接交給你的 AI 助理改寫，或下載完整版執行）：

import numpy as np
import finlab
from finlab import data
 
finlab.login()  # 套件會在需要資料時引導你完成登入
 
close = data.get("price:收盤價")
amount = data.get("price:成交金額")
volume = data.get("price:成交股數")
 
# 可交易宇宙：60 日均量 > 100 萬股、60 日均成交金額前 300 大、收盤 > 10 元
liquid = ((volume.rolling(60, min_periods=20).mean() > 1_000_000)
          & amount.rolling(60, min_periods=20).mean().is_largest(300)
          & (close > 10))
 
# 只留代號剛好 4 碼數字的普通股，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 = [
    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
]
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]
 
# 雙均線趨勢閘：換股日收盤同時站上自身 60 日與 120 日均線
sma60 = data.indicator("SMA", timeperiod=60).reindex(columns=common_cols)
sma120 = data.indicator("SMA", timeperiod=120).reindex(columns=common_cols)
pool = universe & (close > sma60) & (close > sma120)
 
 
def pct_rank(factor, higher_is_better):
    """池內橫截面百分位，越好的分位越接近 0。"""
    return factor.where(pool).rank(axis=1, pct=True, ascending=not higher_is_better)
 
 
# 多窗動能：20／60／120 日報酬三個分位取平均
momentum = sum(pct_rank(close / close.shift(w) - 1, True) for w in (20, 60, 120)) / 3
 
# 低波：14 日 ATR 除以收盤，越低越好
natr = data.indicator("ATR", timeperiod=14).reindex(columns=common_cols) / close
low_vol = pct_rank(natr, False)
 
# MACD 反轉：8-17-9 的柱狀圖 hist 越低（越超賣）越好
dif, dea, hist = data.indicator("MACD", fastperiod=8, slowperiod=17, signalperiod=9)
reversal = pct_rank(hist.reindex(columns=common_cols), False)
 
# 綜合分越小越優先，取前 15 檔
score = 0.65 * momentum + 0.20 * low_vol + 0.15 * reversal
picks = score.where(pool).rank(axis=1) <= 15
 
# SMA120 廣度：宇宙內收盤站上 120 日均線的比例，換股日 > 0.5 才持股
above = (close > sma120).where(universe).astype(float)
breadth = above.sum(axis=1) / universe.sum(axis=1).replace(0, np.nan)
risk_on = breadth > 0.5

我們用資料截至 2026-09-30 實跑這段：6 月 30 日、8 月 31 日、9 月 30 日三個換股日選出的 15 檔，和下載版完整策略逐檔相同；7 月 31 日廣度 0.40，完整策略那個月持現金。回測、零件拆解與逐年報酬見文末可下載的 strategy.py。

三個零件各管一件事，下表是逐一拆解的真實回測（其餘設定不變，全部與 0050 同日起算）：

讀法：趨勢閘與 MACD 反轉因子在兩段都加分，拿掉任一個，研究段與 2022 年起的年化都少 3.7 到 5.6 個百分點；廣度擇時主要改善研究段月夏普（1.22 到 1.43）、在 2022 年少賠，但讓報酬變低，也沒擋住 2026 年 7 月。五個版本的 2022 年起月夏普都在 1.0 以下，問題出在整套方法近幾年的表現，不是某一個零件。

這套策略研究段（2015-01-30 至 2021 年底）年化 26.1%、月夏普 1.43、月索提諾 2.43、研究段最大回撤 -24.9%；2022 年起（至 2026-09-30）年化 24.8%、月夏普 0.97、月索提諾 1.14、最大回撤 -42.1%；全期年化 25.5%、月夏普 1.04、月索提諾 1.32、最大回撤 -42.1%、年化波動 27.6%。同日起算的含息 0050 研究段 15.1%、月夏普 1.00；2022 年起 30.5%、1.21；全期 21.2%、月夏普 1.07、月索提諾 1.85、最大回撤 -34.0%、年化波動 19.8%。全期只有年化報酬勝過 0050（25.5% 對 21.2%），月夏普、月索提諾與最大回撤都輸；2022 年起四項全輸。

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：

策略衰退追蹤：2026-06-09 之後發生什麼事

首發版的資料截至 2026-06-09。延長到 2026-09-30 的四個月裡，策略累計 -22.8%，同期含息 0050 +8.9%：

7 月的經過是這樣：6 月 30 日換股時廣度 0.87，策略照常持有 15 檔。7 月前四週，廣度從 0.87 一路滑到 7 月 20 日的 0.57，再回到 0.66，始終在 0.5 之上，策略淨值到 7 月 27 日已跌 20.8%（0050 同期 -5.3%）；7 月 28 日到 30 日三天，廣度從 0.66 掉到 0.29，策略再跌 18.6%（0050 -7.8%），7 月 31 日反彈 8.2%。這 15 檔從 7 月 1 日進場抱到 8 月 3 日，全部虧損，中位數 -27.2%，最差的國巨（2327）-51.6%；其中 14 檔在 7 月間曾收在 60 日或 120 日均線之下，但趨勢閘只在換股日檢查。7 月 31 日換股時廣度 0.40，8 月 3 日收盤才換成現金（8 月 3 日當天策略 +5.0%，就是 8 月那一格的全部報酬），8 月底廣度回到 0.70 才重新持股。

這一跌讓策略從 2026-05-26 的高點到 7 月 30 日回落 42.1%，成為全期最大回撤；9 月底仍在高點下 30.9%。對照歷史，研究段最差的月份是 2019 年 5 月的 -10.6%，2022 年起在這之前最差是 2022 年 1 月的 -15.2%，7 月的 -30.2% 約是它的兩倍。

同一次執行把淨值截到首發日 2026-06-09 重算，2022 年起月夏普是 1.28，和首發版的 1.26 相近；研究段 26.1%、月夏普 1.43 不受新資料影響。所以 1.28 降到 0.97，是這四個月、主要是 7 月一個月造成的。依季度刷新的規則，我們不改參數：網格裡持股 15 檔、門檻 0.52 那一格 2022 年起月夏普四捨五入後是 1.00，看起來只差一點，但看著新資料把門檻從 0.50 挪到 0.52，就是拿答案回頭調參，不換。

這次衰退說明了兩件事。第一，SMA120 廣度是慢訊號，選股籃裡的強勢股先跌，市場整體結構要到月底才跟著轉弱；第二，月頻檢查讓擇時只能事後反應。想要更快的保護，得改成日頻停損或日頻擇時，那是另一個策略，需要另外驗證，不是在這篇裡改參數。同一批技術指標文在 2026-09 重跑時也普遍在 7 月重挫，均線選股文的經過可對照均線怎麼用才對。

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 日均量大於 100 萬股、收盤大於 10 元、60 日均成交金額前 300 名，再經雙均線趨勢閘（換股日收盤同時站上 SMA60 與 SMA120）限縮。
• 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。首發版寫「排除 KY 股」與實際程式不符，已更正。
• 生存者偏差：宇宙每天依當時資料篩選，2015-01-30 有收盤價、到 2026-09-30 已無收盤價的 4 碼普通股共 142 檔，在當時都可能被選入。
• 前視偏差：多窗動能、ATR、MACD hist、雙均線與廣度均只使用當日（含）以前的價格；月頻再平衡，換股日收盤算出的訊號從下一個交易日起生效。完全不使用財報或月營收等基本面資料（月營收對照組另行說明公布日對齊）。
• 檢查頻率：趨勢閘與廣度擇時都只在每月最後一個交易日讀取，月中不出場。
• 權重：選股籃等權，15 檔時單檔約 6.7%；趨勢閘後池子不足 15 檔的月份由入選股平分，全期最多單檔 7.1%（14 檔）。不另設個股上限。
• 周轉率：全期年換手約 7.3 次（月再平衡 + 趨勢閘進出 + 廣度擇時切換）。
• 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 2015-01-30 起算。首發版的 0050 從 2015-01-05 起算，早了一段，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，是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。

穩健度

把每個主張拆開看，哪些站得住、哪些在新資料後變弱：

• 反轉方向站得住：hist 最低一籃減最高一籃的年化差距，研究段 9 組、2022 年起 9 組全為正，跨原始 hist、除以收盤、z-score 與每籃 20／30／50 檔皆成立。
• 研究段是高原，2022 年起整片下滑：持股檔數 12／15／18／20 檔與廣度門檻 0.45／0.48／0.50／0.52 排成 16 格，研究段月夏普全部在 1.31 到 1.56 之間；但 2022 年起月夏普落在 0.64 到 1.00，只有一格四捨五入到 1.00、實際仍略低於 1.0，16 格都沒有同時過「研究段年化 ≥ 25%、月夏普 ≥ 1.2、2022 年起年化 ≥ 15%、月夏普 ≥ 1.0」四道門檻（首發版是 16 格中 13 格通過）。
• MACD 參數不是關鍵：12-26-9、8-17-9、6-19-9、12-26-5 四組換進完整策略，研究段月夏普 1.31 到 1.44，2022 年起 0.88 到 0.97，結論一樣。
• 逐年看：全期 12 個年度裡 7 年贏 0050，但 2024、2025、2026（截至 9 月）連三年落後；2022 年起 5 個年度 4 年正報酬，只有 2022 年 -20.1%。

參數最佳化：研究段的高原，2022 年起的下坡

策略裡最容易被「調到漂亮」的兩個旋鈕是持股檔數 N與廣度持倉門檻 thr。我們對這兩個旋鈕做 4×4 網格、每一格都真跑一次回測。看色溫圖要找一整片都偏綠的高原；一格特別深綠的孤峰，多半是湊參數湊出來的。研究段的色溫圖符合高原的樣子：

同一張網格換成 2022 年起的月夏普，整片往下掉（兩張圖用同一組色階，1.0 是中間的淡黃色）：

照研究段月夏普往最高那格調（18 檔、門檻 0.48），2022 年起反而掉到 0.81。研究段的高原沒有延續到 2022 年之後，這也是我們不建議照研究段數字微調參數的原因。至於 2022 年起最高那格，是看過新資料後才知道的答案，選它就是過度最佳化。

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：選股只用價量動能、低波與 MACD hist 反轉，風控只用雙均線趨勢閘與站上 SMA120 的廣度。純技術訊號每日可得、沒有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），績效會不會更好？我們用兩種搭法各跑一次（月營收以公布日對齊，只用當時已公布的數字），基線為純技術策略：

月營收 YoY 沒有讓這套純技術策略更好：YoY > 0 過濾讓 2022 年起年化多 0.5 個百分點，但研究段與 2022 年起月夏普都略降、最大回撤更深；當第 4 因子則兩段都明顯變差。純技術面的多窗動能加低波核心，已經吃下這批股票多數可用的訊號，所以主策略維持純技術面。想進一步了解基本面與技術面選股的分工，可參考技術面與基本面選股的差異。

不同年度的表現：多頭吃得到，近三年落後 0050

把全期逐年報酬攤開，並和同期含息 0050 對照（2015 年自 1 月 30 日起算，2026 年截至 9 月 30 日；皆為真實回測）：

三個重點：

• 多頭年吃得到：2017、2020、2023 年策略都在 50% 以上，大幅贏 0050。
• 擇時的貢獻集中在少數年份：和不擇時版本相比，擇時在 2015 年多賺 22.4 個百分點、2022 年少賠 14.4 個百分點，2016 與 2024 年也小幅加分；但在 2018、2019、2020、2021、2023、2025、2026 年都讓報酬變低，2021 年少了 33.2 個百分點。擇時是用報酬換那幾次大跌的保護。
• 近三年落後：2024 到 2026 年連三年輸 0050，2026 年截至 9 月策略 +40.3%、0050 +74.3%，其中 7 月一個月就差了 26.2 個百分點。

用大盤訊號在不同市況降回撤的其他做法，可延伸看均線市場濾網。

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 60 與 120 日均線的股票裡，依多窗動能、低波與 MACD（8-17-9）柱狀圖反轉的綜合分取 15 檔等權，股票池站上 120 日均線的比例不到一半時整籃清空，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）把它重跑到最新，再做三項檢查。三項檢查的「贏」都是同一個意思：日夏普高於同一段期間的 0050 含息買進持有（etl:adj_close 還原價、純算術計算、不扣成本）。兩邊的日夏普用同一個公式：日報酬平均除以標準差、乘上 √252，不扣無風險利率。三項都用 sim() 預設的手續費 0.1425% 與證交稅 0.3%；原文手續費三折的結果另列於成本對照表。

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 1.02 對 0050 的 0.96，2022 年起 0.81 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）：

9 組鄰近參數全部輸，日夏普在 0.77 到 0.93 之間，MACD 快慢線換成 6／13 或 10／21、持股 12 到 18 檔都一樣。前段（2015 到 2020 年）日夏普 1.02 贏 0050 的 0.89，後段 0.85 輸 1.24，三項都不成立，跟上文「研究段的高原，2022 年起的下坡」一致。上文的年化 25.5% 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 24.9%，換成 sim() 預設成本是 23.0%。

策略的限制與取捨

• 2022 年起已跌破門檻：2022 年起月夏普 0.97、年化 24.8% 落後 0050 的 30.5%。參數維持首發設定，之後的季度重跑會繼續追蹤。
• 回撤比 0050 深：全期最大回撤 -42.1%，比含息 0050 的 -34.0% 深，年化波動 27.6% 也高於 0050 的 19.8%。只持 15 檔、單檔約 6.7%，單股與類股風險集中。
• 月頻檢查跟不上急跌：趨勢閘與廣度擇時都只在月底讀取，2026 年 7 月的跌幅發生在兩個換股日之間。
• 擇時空手期有機會成本：33 個月持現金，多數年份因此少賺；它主要在 2015 與 2022 年發揮作用。
• 崩盤型態涵蓋有限：資料起點 2015，未對更早期（2008、2011）的崩盤型態做測試。
• 容量與成本：選股籃僅 15 檔、宇宙限前 300 大，大資金部署需重估流動性衝擊；年換手約 7.3 次，報酬已在 sim() 內扣手續費與證交稅，但實單滑價會進一步侵蝕，本文未估算策略容量。

自己跑一次

把下面這段話交給你的 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。strategy.py 會印出本文的主表、零件拆解、逐年報酬與 2026-06-09 之後的逐月報酬；資料截止日釘在 2026-09-30，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 SMA120 廣度。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。各種技術指標「用錯 vs 用對」的一次比較，見13 個技術指標台股回測總覽。想自己用 Python 算各種技術指標，可看 TA-Lib 158 種技術指標教學。

常見問題

Q：MACD 的金叉、死叉到底能不能用來買賣？ 就本文台股回測來看，金叉沒有獨立優勢。每月持有近 20 個交易日剛金叉的股票（每月中位數約 176 檔），研究段年化 9.4%、月夏普 0.54，2022 年起年化 14.1%，都輸給同期含息 0050。金叉發生時動能多半已反映在價格，台股的交叉訊號又多。MACD 比較有效的用法是當其他訊號的加分因子。

Q：MACD 柱狀圖（hist）越高，是不是代表越該追多？ 在台股月頻橫截面上剛好相反。hist 最高的 30 檔研究段年化只有 3.6%，hist 最低（剛超賣）的 30 檔反而有 8.2%；2022 年起也是最低一籃勝出（28.5% 對 10.9%）。hist 衝最高時動能多半已反映完，隨後容易均值回歸。

Q：MACD 參數要設多少？12-26-9 是最好的嗎？ 12-26-9 是最常見的預設，本文主策略用的是 8-17-9。四組常見參數（12-26-9、8-17-9、6-19-9、12-26-5）換進同一套策略，研究段月夏普 1.31 到 1.44，2022 年起 0.88 到 0.97，差距不大。與其調參數，不如先把方向用對。

Q：MACD 背離（價格創新高、hist 沒創新高）準嗎？ 背離的直覺和本文發現一致，都是「hist 走弱常領先價格反轉」。但背離是逐檔、主觀判讀的訊號，難以系統化回測，本文沒有直接測背離；我們把同一個機制做成可重現的橫截面反轉因子來檢驗。

Q：MACD 可以拿來做大盤擇時、判斷該不該進場嗎？ 我們實測過：把本文策略的擇時訊號換成「可交易宇宙裡 hist 大於 0 的比例 > 0.5」，研究段年化只剩 11.4%、2022 年起 10.6%，遠低於 SMA120 廣度版的 26.1% 與 24.8%。hist 的正負翻得太快，開關切換次數是 SMA120 廣度的 2.4 倍，一半的換股月都在持現金。要管大盤曝險，較平滑的廣度訊號比較合適；但本文的 SMA120 廣度在 2026 年 7 月也沒來得及反應，見衰退追蹤一節。

Q：MACD 和 RSI、KD 一起用會更好嗎？ 這些都是擺盪或動能類指標，算法都來自近期價格，資訊重疊度高。本文沒有測 MACD 加 RSI、KD 的組合；本文的做法是搭配不同性質的訊號：動能與低波選股、MACD 反轉加分、市場廣度管曝險。各指標的正確用法可參考 RSI vs MACD vs KD：三大技術指標台股實測。

Q：這套策略適合誰？ 適合想研究「指標怎麼當選股因子」、能接受 -42% 等級回撤與每年約 7 次換手的人。全期年化 25.5% 仍高於含息 0050 的 21.2%，但 2022 年起已經落後，2026 年 7 月單月 -30.2%。不適合受不了深度回撤、或想要穩定贏大盤的人，那種需求直接買進持有含息 0050 更省心。

最後更新：2026-10｜回測區間：2015-01 ~ 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。本策略全期最大回撤 -42.1%，2022 年起月夏普已低於 1.0，實際交易前請自行評估風險、滑價與交易容量。