mfi 指標怎麼用才對？台股 11 年回測：動能選股＋mfi 廣度擇時的純技術策略

mfi 指標在台股怎麼用：動能選股，配選股池內的 mfi 廣度擇時

mfi 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），MFI 以 TA-Lib MFI 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 1.06 變成 1.04，仍在我們設的 1.0 門檻之上，但只高出 0.04。這次重跑另外補做了換股日、擇時檢查頻率、逐層拆解與參數逐格掃描，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。

mfi 指標是什麼

mfi（Money Flow Index，資金流量指標）是 Gene Quong 與 Avrum Soudack 提出的振盪指標，概念延伸自 J. Welles Wilder 的 RSI。它可以理解成「帶成交量的 RSI」：RSI 只看價格，mfi 則把每天的「典型價格（高＋低＋收 ÷ 3）」乘上成交量，分成上漲日的正資金流與下跌日的負資金流，再用近 N 日（預設 14 日）的正負資金流比值換算成 0 到 100 的讀數。讀數越高，代表近期帶量上漲的日子占優勢（資金流入）；越低代表帶量下跌占優勢（資金流出）。各技術指標的計算與比較整理可參考 TA-Lib 158 個技術指標總覽，名詞釐清見名詞詞彙表。

教科書最常見的兩個用法是：

超買超賣：mfi > 80 視為超買（該賣）、mfi < 20 視為超賣（該買）。

背離：股價創高但 mfi 沒跟上創高，視為上漲動能轉弱的警訊；反之亦然。

mfi 和 RSI、KD 一樣屬於擺盪指標，資訊高度重疊。「超買要賣、超賣要買」這個直覺在台股橫截面上是對是錯，下面直接回測。

mfi 指標的數學定義與計算

mfi 的計算分四步：

$MF = TP\times V,\quad MFR = \frac{\sum \text{正}MF_n}{\sum \text{負}MF_n},\quad MFI = 100 - \frac{100}{1 + MFR}$

逐項拆開來看每個符號的意思：

• $TP$（typical price，典型價格）：當日「最高價、最低價、收盤價」三者的平均，也就是 $(H+L+C)/3$。它代表這一天大致成交在哪個價位。
• $V$：當日成交量（本文用成交股數）。
• $MF$（money flow，資金流量）：典型價格乘上成交量，衡量「今天有多少錢以什麼價位換手」：量大且價高，$MF$ 就大。
• $\sum \text{正}MF_n$、$\sum \text{負}MF_n$：把回看 $n$ 天（預設 $n=14$）分成上漲日與下跌日。當天 $TP$ 比前一天高，就把它的 $MF$ 計入「正資金流」；比前一天低就計入「負資金流」；一樣高則兩邊都不計。再分別把這 $n$ 天的正、負資金流加總。
• $MFR$（money flow ratio，資金流量比值）：正資金流總和除以負資金流總和。流入越壓過流出，$MFR$ 越大。
• 最後一步把 $MFR$ 用和 RSI 相同的方式壓縮到 0 到 100：$MFR$ 趨近無限大時 $MFI$ 趨近 100、$MFR=1$（正負資金流相等）時 $MFI=50$、$MFR$ 趨近 0 時 $MFI$ 趨近 0。

RSI 是把「平均上漲幅」對「平均下跌幅」做同一個 $100 - 100/(1+RS)$ 的壓縮；mfi 把「漲跌幅」換成「帶量的資金流量」，等於成交量加權版的 RSI。要注意 mfi 只看 $TP$ 比前一天高或低來分類，不看漲跌幅大小，所以一天小漲但爆量，也會被算成一大筆正資金流。本文的 mfi 讀數都由 finlab 套件 data.indicator("MFI") 在未還原的價量上算出；我們用上式手算台積電（2330）與聯發科（2454）2015 年起每一天的 MFI(14)，和套件讀數完全相同。要注意的是沒有成交的日子：聯發科 2016-05-13 沒有成交，套件把它當成價格不變、成交量 0 的一天放進 14 日視窗；手算時若直接刪掉這一天，之後 13 個交易日的讀數會不同（最大差 17.8），照套件的方式補上這一天就完全一致。

在單股上看兩派 mfi 訊號：同一條規則，兩檔股票結果相反

公式講完，把訊號畫在真實股價上看。下圖取台積電（2330）2023-07 到 2024-06 約一年的走勢：上半部是未還原的收盤價，標出兩個教科書派別的買賣點；下半部是 MFI(14) 讀數與 20／50／80 三條線。

圖上畫的是兩派最常見的單股用法：

• 超賣派（三角形）：mfi 跌破 20 買進、升破 80 賣出。這一年台積電收盤從 579 元漲到 966 元（+66.8%），超賣買點只出現 3 次（2023 年 7 月 7 日、8 月 4 日、8 月 16 日），每一次買進後 20 個交易日內都再跌了 1.1% 到 3.1%，20 日後的報酬是 -1.2%、-1.1%、-0.2%。超買賣點 2 次（2023 年 11 月 21 日、12 月 27 日），都在 2024 年那段大漲之前就賣掉了。
• 資金流入派（圓點與叉號）：mfi 上穿 50 買、跌破 50 賣。這一年買 11 次、賣 10 次，平均一個多月就進出一輪；盤整段（如 2023 年下半年）mfi 在 50 上下反覆穿梭，買了又賣、賣了又買，來回的交易成本會把報酬磨掉。

聯發科（2454）同一段期間的結果相反：

聯發科收盤從 691 元漲到 1,400 元（+102.6%）。超賣買點 2 次（2024 年 1 月 17 日、4 月 22 日）剛好都買在波段低點，20 個交易日後分別 +25.1% 與 +21.6%；但超買賣點有 6 次，多數在上漲途中，資金流入派買 8 次、賣 7 次，兩派合計 23 個訊號。同一條規則，在台積電是接刀，在聯發科是抄到底部。單股的例子挑哪一檔都講得通，所以下一節改用全市場橫截面回測，看這些用法平均下來賺不賺錢。

想自己重畫這張圖，下面這段程式碼用 finlab 的 data.indicator 取 mfi、再用穿越邏輯標訊號：

import matplotlib.pyplot as plt
import finlab
from finlab import data
 
finlab.login()  # finlab 會在需要資料時引導登入
 
# 取收盤價與 MFI(14)
close = data.get("price:收盤價")
mfi = data.indicator("MFI", timeperiod=14)
 
sid = "2330"
start, end = "2023-07-01", "2024-06-30"
m = mfi[sid]
prev = m.shift(1)  # 用完整歷史的前一天判斷穿越，窗內第一天也不會漏判
 
# 超賣派：MFI 由上跌破 20 = 買、由下升破 80 = 賣
oversold_buy = ((m < 20) & (prev >= 20)).loc[start:end]
overbought_sell = ((m > 80) & (prev <= 80)).loc[start:end]
 
# 資金流入派：MFI 上穿 50 = 買、跌破 50 = 賣
moneyflow_buy = ((m > 50) & (prev <= 50)).loc[start:end]
moneyflow_sell = ((m < 50) & (prev >= 50)).loc[start:end]
 
px = close[sid].loc[start:end]
mw = m.loc[start:end]
 
# 上下兩個面板：上畫價格與買賣點、下畫 MFI 與 20 / 50 / 80 三條線
fig, (ax_px, ax_mfi) = plt.subplots(
    2, 1, figsize=(12, 7), sharex=True, gridspec_kw={"height_ratios": [2, 1]}
)
ax_px.plot(px.index, px, color="#333", label=sid)
ax_px.scatter(px.index[oversold_buy], px[oversold_buy], marker="^", label="oversold buy")
ax_px.scatter(px.index[overbought_sell], px[overbought_sell], marker="v", label="overbought sell")
ax_px.scatter(px.index[moneyflow_buy], px[moneyflow_buy], marker="o", label="money flow buy")
ax_px.scatter(px.index[moneyflow_sell], px[moneyflow_sell], marker="x", label="money flow sell")
ax_px.legend()
 
ax_mfi.plot(mw.index, mw, color="#06b6d4", label="MFI(14)")
for level in (20, 50, 80):
    ax_mfi.axhline(level, ls="--", color="#888")
plt.tight_layout()
plt.show()

首發版的示意圖只用窗內的前一天判斷穿越，台積電資金流入派寫成賣 11 次、聯發科兩派合計 24 次；改用完整歷史判斷後是賣 10 次、合計 23 次。

散戶最常見的 mfi 用法，在台股 11 年幾乎沒賺到錢

在可交易宇宙（60 日均量 > 100 萬股、收盤 > 10 元、60 日均成交金額前 300 大，排除 ETF、金融保險股、處置與全額交割股）裡，把幾種教科書用法各跑一次：MFI(14)、等權、月底換股、不擇時，從 2015-01-30 起算。

最多人用的「mfi 低於 20 超賣就買」，研究段年化只有 1.6% 到 2.1%；等它由 20 以下翻上來再買，研究段反而虧錢。買 mfi 最高的 30 檔研究段 11.2%，是幾種用法裡最好的，但仍落後 0050 的 15.1%，2022 年起 12.8% 更遠低於 0050 的 30.5%。每一種裸用法在兩段都輸給 0050。

低 mfi 代表近期帶量下跌的日子占多數，在台股橫截面上，這群股票之後並沒有比較會反彈。Jegadeesh & Titman (1993) 發現過去 3 到 12 個月的贏家在之後幾個月傾向繼續贏、輸家繼續輸；mfi 衡量的是近期帶量的強弱，研究段「買最高」勝過「買最低」，方向和動能效應一致。延伸閱讀：技術面與基本面選股的差異。

首發版這一段有兩個數字要更正。一是「裸用全宇宙的最大回撤高達 -74.2%」：那是沒有切 2015 起評、從 2007 年開始持股（含 2008 年金融海嘯）的回撤，2015 年起買 mfi 最高 30 檔的最大回撤是 -43.2%。二是低 mfi 30 檔研究段寫成 1.1%，用新版 finlab 從同一天起算重跑是 2.1%。

我們也照首發研究的做法測了多空：在站上季線的股票裡，做多 MFI(14) 最高 30 檔、放空最低 30 檔。研究段多頭年化 12.3%、空頭 6.1%，價差每年約 +6.1%；2022 年起翻轉，空頭那一籃 19.6% 反而勝過多頭的 11.1%，價差每年約 -6.8%（未計放空成本與借券限制）。mfi 的高低排序撐不起多空組合。

mfi 在這套策略裡的兩個位置

把 mfi 當買賣訊號失效之後，首發版把它放進一套動能策略的兩個位置。這次重跑逐一檢查，兩個位置的作用大小差很多。

零件一：在動能前 12 檔裡剔除 mfi 偏低的股票

選股的主力是動能。先從可交易宇宙裡留下站上 60 日均線的股票，取其中 60 日報酬波動最低的 150 檔（不足 150 檔就全留），再要求站上 120 日均線，這就是選股池；池內用 20、60、120 日報酬的百分位平均（多窗動能）取最高 12 檔。mfi 在這裡只負責剔除：12 檔裡 MFI(21) 落在整個選股池最低 20% 的拿掉，其餘等權。

首發版寫「剔除池內波動最高的一半」與「剔除這 12 檔中 mfi 最低 20%」，和程式不符：程式是保留波動最低的 150 檔，141 個月底裡有 96 個月站上季線的股票本來就不到 150 檔，這一步沒有剔除任何股票；mfi 濾網比的是「在整個池子裡的排名」，不是 12 檔內部排名。動能前 12 名多半本來就在帶量上漲：每個月底入選股 MFI(21) 的中位數，141 個月再取中位數是 74.0（約在池內第 80 百分位），所以濾網很少動手：141 個月底一共只剔掉 57 檔次，42 個月有剔除，單月最多 3 檔，平均每月 0.4 檔。

濾網讓全期年化多 0.4 個百分點、研究段多 0.7 個百分點，2022 年起反而少 0.1 個百分點。把剔除門檻從 0 掃到 50%（每 5% 一格），全期年化 25.3% 到 28.0%、研究段月夏普 1.14 到 1.24、2022 年起 0.94 到 1.04，20% 剛好是研究段與全期最高的那一格。拿 mfi 當主排序更差：同一個池子挑 MFI 最高的 12 檔，兩段年化都只有 21% 左右，回撤 -46.0%。

零件二：選股池內的 mfi 廣度當擇時開關

第二個位置才是 mfi 真正改變結果的地方。每天計算選股池內 MFI(21) 高於 50 的股票比例，本文稱為 mfi 廣度；月底換股時，如果廣度比 20 個交易日前低，整籃曝險乘 0.5、其餘放現金，否則滿倉，全程不加槓桿。

首發版把它寫成「全市場站上 mfi 中位的比例」，實際上只算選股池內的股票，而選股池本身就是站上季線與半年線的股票，所以廣度平常就很高：2015 年起的中位數 88.2%，九成的日子落在 77.3% 以上。真正用到的是它 20 日的變化，這個變化很常翻轉：日頻訊號一年轉向 38.8 次，只有 47.9% 的交易日是滿倉狀態。

回測只在月底讀一次。141 個月底有 78 個月判定減碼，平均曝險 72.3%。月底讀到的判定和下個月的報酬確實有關：判定減碼的 77 個月，不擇時的選股籃下個月平均 +1.0%（中位數 +1.3%），28 個月虧損；判定滿倉的 63 個月平均 +4.7%（中位數 +5.6%），18 個月虧損。同期 0050 是 +1.0% 對 +2.7%。

但這個關係離開月底就不成立：

• 改成每天依廣度調整（同一個月底選股籃，月中一轉弱就減到五成）：全期年化 17.35%、研究段 14.99%、2022 年起 21.05%，最大回撤 -38.70%，年換手由 7.4 倍升到 16.2 倍。
• 不看廣度、每月換股時把部位固定設成 72.3%（和月底平均曝險相同）：全期 22.01%、最大回撤 -39.15%。月底讀廣度的完整策略比它多賺 6.0 個百分點，所以月底的判定有內容，不只是降低平均持股。
• 廣度改算整個流動性宇宙（比較接近首發版寫的「全市場」）：研究段 26.77%、月夏普 1.28，2022 年起只剩 20.23%、0.87。
• 改用 0050 年線擇時（0050 還原價站上 200 日均線才滿倉，同樣減到五成）：全期 26.20%、最大回撤 -44.22%。

首發版用 Moreira & Muir (2017) 支撐這個開關。他們的波動管理組合在近期波動升高時減碼，前提是訊號能分出高波動的日子；這個廣度訊號分不出來：訊號轉弱的日子，0050 隔天報酬的年化波動 20.1%，滿倉的日子 19.4%，往後 20 個交易日的平均報酬 1.84% 對 1.61%。它的效果不是來自避開高波動。

減碼要減多少，下圖把廣度轉弱時保留的曝險從 0（全部轉現金）掃到 1（不擇時）：

保留比例越高，全期年化由 24.3% 一路升到 29.5%，最大回撤也由 -30.6% 加深到 -50.4%；研究段月夏普在 0.2 到 0.3 最高（1.29），不擇時是 1.01，2022 年起在 0.93 到 1.07 之間。首發版說「把這個係數在合理區間內微調，Sharpe 只在小數點後一兩位移動」，掃完是研究段 1.01 到 1.29。

完整策略：mfi 濾網＋廣度擇時純技術選股

把上面的規則寫完整，是一套可執行、完全不含基本面的純技術策略：

1. 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 名；代號剛好 4 碼數字，排除 00 開頭的 ETF、金融保險股、處置與全額交割股。
2. 選股池：宇宙內站上 60 日均線的股票，取 60 日報酬波動最低的 150 檔（不足全留），再要求站上 120 日均線。
3. 主排序（多窗動能）：20、60、120 日報酬各自取池內百分位後平均，取最高 12 檔。
4. mfi 濾網：12 檔裡 MFI(21) 落在選股池最低 20% 的剔除，其餘等權。
5. 擇時（mfi 廣度）：選股池內 MFI(21) 高於 50 的比例，若比 20 個交易日前低，整籃乘 0.5、其餘現金；否則滿倉。
6. 換股：每月最後一個交易日換股一次，選股與擇時都只在換股日讀取，月中不檢查。

選股與擇時的完整程式碼：

import numpy as np
import pandas as pd
import finlab
from finlab import data
from finlab.backtest import sim
 
finlab.login()  # finlab 會在需要資料時引導登入
data.truncate_end = "2026-09-30"  # 文章數字的資料截止日
 
# 1) 載入價量資料
close = data.get("price:收盤價")
volume = data.get("price:成交股數")
amount = data.get("price:成交金額")
 
# 2) 可交易宇宙：60 日均量 > 100 萬股、收盤 > 10 元、成交金額前 300 大，
#    排除 ETF、非 4 碼代號、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(sid) == 4 and sid.isdigit() and not sid.startswith("00") and sid not in financial
]
flagged = data.get("etl:is_flagged_stock")
universe = (
    (volume.rolling(60, min_periods=20).mean() > 1_000_000)
    & (close > 10)
    & amount.rolling(60, min_periods=20).mean().is_largest(300)
)[common_cols]
universe = universe & ~flagged.reindex_like(universe).fillna(False).astype(bool)
 
# 3) 選股池：站上季線的股票裡，60 日波動最低 150 檔，再要求站上半年線
uptrend = universe & (close > close.rolling(60).mean())
vol60 = close.pct_change().rolling(60, min_periods=30).std()
lowvol150 = vol60.where(uptrend).rank(axis=1) <= 150
pool = uptrend & lowvol150 & (close > close.rolling(120).mean())
 
# 4) 多窗動能：20 / 60 / 120 日報酬各取池內百分位後平均，取最高 12 檔
ranks = [(close / close.shift(w) - 1).where(pool).rank(axis=1, pct=True) for w in (20, 60, 120)]
momentum = (ranks[0] + ranks[1] + ranks[2]) / 3
top12 = momentum.rank(axis=1, ascending=False) <= 12
 
# 5) MFI 濾網：12 檔裡 MFI(21) 落在整個選股池最低 20% 的剔除，其餘等權
mfi = data.indicator("MFI", timeperiod=21)
mfi_rank = mfi.where(pool).rank(axis=1, pct=True)
basket = top12 & (mfi_rank > 0.20)
weights = basket.astype(float)
weights = weights.div(weights.sum(axis=1).replace(0, np.nan), axis=0).fillna(0.0)
 
# 6) 擇時：選股池內 MFI(21) > 50 的比例比 20 個交易日前低，整籃乘 0.5
breadth = (mfi > 50).where(pool).sum(axis=1) / pool.sum(axis=1).replace(0, np.nan)
scale = np.where(breadth >= breadth.shift(20), 1.0, 0.5)
weights = weights.mul(pd.Series(scale, index=weights.index), axis=0)
 
# 7) 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["2015-01-01":], 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（5 層加每天調整擇時的對照）、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：

研究段年化、月夏普與月索提諾勝 0050，最大回撤較深。2022 年起年化 30.49% 對 30.51% 打平，月夏普、月索提諾與最大回撤都輸 0050。全期年化領先 0050 6.9 個百分點，月索提諾 1.97 對 1.85 較好，月夏普 1.09 對 1.07 差不多，最大回撤 -36.3% 比 -34.0% 深；年化波動 25.9%，0050 是 19.8%。年換手約 7.4 倍，11 年多共 1,615 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：趨勢閘、mfi 濾網與廣度擇時各自的作用

從宇宙內最單純的動能 12 檔開始，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：

• 報酬來自「選股池內的動能」。 宇宙內直接挑動能最高 12 檔，2022 年起只有 11.9%；限定在站上季線、低波、站上半年線的池子裡再挑，2022 年起是 31.1%，全期由 20.0% 升到 29.4%。池子全部持有只有 16.4%，所以池子和動能排序兩者都需要。
• 低波 150 檔是最重要的一刀。 完整策略拿掉它，全期年化由 28.0% 掉到 22.5%、2022 年起月夏普 0.89。保留檔數也很敏感：改成 100 檔全期 19.1%、125 檔 23.8%、175 檔 23.2%，150 檔是研究段月夏普最高的那一格。
• mfi 濾網幾乎沒有作用，數字見前面「零件一」。
• mfi 廣度擇時用報酬換回撤。 加上擇時，全期年化由 29.5% 降到 28.0%，最大回撤由 -50.4% 降到 -36.3%，研究段月夏普由 1.01 升到 1.24、2022 年起由 0.93 升到 1.04。這套策略的月夏普能站上 1.0，靠的是這一層。
• 半年線讓 2022 年起變好、研究段變差。 拿掉半年線研究段月夏普 1.29 較高，2022 年起 0.95 跌破 1.0。

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。）

月底以外的五個換股日，全期年化 11.4% 到 18.1%，全部輸給 0050 的 21.2%；研究段 8.2% 到 13.5%，月夏普都低於 0.7；2022 年起只有 5 日的 32.0% 比月底高，其餘 10.2% 到 22.2%。

把擇時拿掉再比一次，可以看出差距從哪裡來。不擇時的籃子，月底換股全期 29.51%、研究段 29.34%，每月 5 到 25 日是全期 16.0% 到 24.7%、研究段 14.3% 到 20.6%，選股本身就有換股日的落差；套上 mfi 廣度擇時後，月底只少 1.5 個百分點（29.51% → 28.03%），其他五個日子少 3.7 到 10.6 個百分點（15 日由 24.67% 降到 14.04%）。廣度擇時只有在月底讀取時代價很小，在月中讀取都明顯拖累報酬；改成每天調整也一樣差（全期 17.35%）。

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，優勢又只出現在月底這一組，所以研究段 26.5% 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、RSI 指標回測與 CCI 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：mfi 週期、剔除門檻與廣度參數

mfi 週期與剔除門檻排成 4 × 3 網格（和首發版同一組軸），每一格都跑完整策略；改 mfi 週期時，選股濾網與廣度用的是同一個 mfi，會一起換。研究段月夏普：

同一張網格的 2022 年起月夏普：

研究段 12 格在 1.02 到 1.24 之間，看起來是一片高原；2022 年起只有 mfi 21 那一列三格站上 1.0（1.02 到 1.04），mfi 9 是 0.83 到 0.89、mfi 14 是 0.87 到 0.96、mfi 28 只剩 0.55 到 0.60（年化 12.1% 到 13.8%）。首發版寫「12 格研究段 0.98 到 1.20、整片高原」，只看了研究段。首發版拿來當「相鄰高原格」的 mfi 9、剔 30%，重跑後研究段 1.18、2022 年起 0.89、最大回撤 -39.0%。

再把 mfi 週期從 9 到 35 逐格掃一遍，分成兩種：選股濾網與廣度一起換，以及只換選股濾網、廣度維持 MFI(21)：

• 只換選股濾網的週期：研究段月夏普 1.16 到 1.37、2022 年起 0.96 到 1.07（27 格有 19 格高於 1.0，另 2 格是 0.999），全期年化 26.5% 到 31.9%。濾網本來就很少動手，換週期影響不大。
• 選股與廣度一起換：研究段 0.89 到 1.24，2022 年起 0.58 到 1.11，27 格只有 19、20、21、23 日四格在 1.0 以上；相鄰兩格常差 0.2 以上（21 日 1.04、22 日 0.91，12 日只有 0.58）。
• 廣度回看天數 5 到 40 日：研究段 0.95 到 1.41、2022 年起 0.81 到 1.16，36 格有 11 格高於 1.0（另 2 格是 0.997），全期年化 19.9% 到 30.2%。
• 廣度門檻 30 到 70：50 的研究段月夏普 1.24 是 9 格裡最高，次高的 55 只有 1.13，最低 0.73。
• 持股 6 到 24 檔：研究段 0.98 到 1.30、2022 年起 0.92 到 1.07；檔數越多回撤越淺（24 檔 -29.5%）、全期年化越低（24 檔 20.4%）。

以月夏普看，選股端（剔除門檻、持股檔數、mfi 濾網週期）不太敏感；敏感的是廣度那一層的參數與換股日，2022 年起能站上 1.0 的組合集中在目前這組參數附近。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：

6 月 9 日到 6 月 30 日策略 +5.4%、0050 +4.2%。

這四個月發生的事：

• 6 月 30 日換股時廣度判定減碼（廣度 73.8%，比 20 個交易日前低 15.4 個百分點），7 月只有五成部位。7 月 1 日進場的 12 檔持有到 8 月 3 日全部虧損，中位數 -29.8%，最差的國巨（2327）-51.6%，表現最好的藥華藥（6446）也 -5.0%。不擇時的籃子 7 月 -32.2%，策略 -16.1%，這是 2015 年以來減碼少賠最多的一個月。同期 0050 從 7 月 1 日高點跌到 7 月 30 日 -14.0%，整月 -4.0%。
• 7 月 31 日仍判定減碼（廣度 59.3%），8 月同樣五成部位，策略 +6.1%，不擇時的籃子 +13.2%。8 月 31 日廣度回到 97.7%，9 月滿倉；9 月 30 日又判定減碼，2026-09-30 換股日持有 11 檔、五成部位。
• 淨值從 7 月 3 日高點到 7 月 30 日回落 20.2%，9 月底距高點 -7.4%。2026 年 7 月 -16.1% 不是這套策略最差的單月，2025 年 3 月是 -16.8%。

2022 年起的月夏普因此從同截止日的 1.10 降到 1.04。同截止日比對：首發程式在首發用的 finlab 2.0.13 截到 2026-06-09，研究段 25.25%、2022 年起 31.72% / 1.06、全期 27.68%，和首發版逐位相同；同一支程式換成 finlab 2.2.21 是 26.49%、33.03% / 1.10、28.93%（第一個淨值日也由 2015-02-26 提前到 01-30），新版程式截到同一天的數字和它完全相同。所以首發版到本文的差距分成兩塊：套件版本讓三段都高出約 1.2 到 1.3 個百分點（原因沒有逐項查明），新資料讓 2022 年起由 33.03% / 1.10 降到 30.49% / 1.04。

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 26.14%、2022 年起月夏普 0.99；原設定的三折手續費再加倍、賣出稅率拉到 0.6%，全期 24.42%、2022 年起月夏普 0.94。兩種成本設定下，2022 年起月夏普都跌破 1.0。
• 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，換股日從來沒有持有過非 4 碼代號。
• 前視偏差：均線、60 日波動、多窗動能、個股 MFI 與廣度都只用當天（含）以前的價量，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。
• mfi 計算：MFI(21) 用 finlab data.indicator("MFI")（TA-Lib，未還原的價格與成交股數）。未還原價格遇到除權息，當天典型價格下跌，會被算成負資金流。我們在看任何回測結果之前先檢查了廣度：選股池內沒有缺值，2025 年 6 月 0050 一拆四那段期間廣度沒有跳動（ETF 不在選股池內），但 7、8 月除權息旺季，未還原版的廣度平均比還原版低 1.0 到 1.4 個百分點，141 個月底有 3 個月的判定不同（2016-06、2018-08、2023-05）。本文維持首發的未還原價；選股濾網與廣度都改用還原價時，全期 27.19%、2022 年起 28.95% / 1.00，只有廣度改還原價時全期 27.65%、2022 年起同樣 1.00。
• 權重：等權，單一個股不另設上限；每個月底名單中位數 12 檔，141 個月有 58 個月不到 12 檔（最少 9 檔）。減碼月份整籃乘 0.5，其餘放現金。
• 周轉率：年換手約 7.4 倍，11 年多共 1,615 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，含不擇時的版本）、每天調整擇時與固定曝險的對照組、逐層建構與零件拆除、mfi 濾網實際剔除檔數、mfi 週期 9 到 35 日（兩種換法）與剔除門檻、持股檔數、廣度回看天數、減碼比例、廣度門檻、低波保留檔數的逐格掃描、還原價對照、多空價差、月營收過濾與年線擇時對照。

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 2016、2019、2024 與 2025 年；2024、2025 年分別落後 40.7 與 26.0 個百分點，2024 年連不擇時的籃子都只有 0.4%，落後來自選股。2022 年 0050 跌 21.4%，策略 -13.4%，那一年 12 個月底有 10 個判定減碼；不擇時的籃子 -20.1%。和不擇時相比，廣度擇時在 2015 年多賺 19.2 個百分點、2018 年 10.0 個百分點、2026 年至 9 月底 14.5 個百分點，在 2020 年少賺 51.7 個百分點、2019 年 14.5 個百分點、2023 年 17.9 個百分點。2020 年差距最大的一筆是 3 月底判定減碼，4 月不擇時的籃子漲 35.4%，策略只有 17.6%。每天調整的版本只有 2019 與 2025 年比月底讀取好。

加上月營收 YoY 會更好嗎：實跑結果兩段都較差

首發版這一段說加營收過濾「會大幅縮小可選池，反而犧牲動能的爆發力」，沒有放回測數字。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 22.27%、月夏普 1.06，2022 年起 24.60%、0.90，全期 23.16%、最大回撤 -33.13%。兩段都比純技術版差，最大回撤淺 3.2 個百分點；「縮小可選池」是不是原因，本文沒有逐段驗證。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怎麼分工選股。

用 mfi 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 20／80 當進出開關。 月底 MFI 低於 20 的股票全部持有，研究段年化 1.6%；由 20 以下翻上來再買，研究段 -6.4%。單股上同一條規則有時接刀、有時抄到底，平均下來贏不了 0050。
2. 拿 mfi 當選股排序。 在同一個選股池挑 MFI 最高的 12 檔，兩段年化都只有 21% 左右、回撤 -46.0%；換成多窗動能是 28.5% 與 31.1%。
3. 以為廣度擇時隨時在保護。 回測只在月底看一次，日頻訊號一年轉向近 39 次；照字面每天調整，全期年化降到 17.4%。換股日從月底挪到月中，全期只剩 11.4% 到 18.1%。
4. 拿 mfi 建多空。 研究段價差每年 +6.1%，2022 年起翻成 -6.8%。

前兩個陷阱是把 mfi 用在個股進出或排序，全期年化都沒贏 0050；第三個是擇時的讀取方式，換股日或檢查頻率一改，全期年化就少約 10 到 17 個百分點；第四個是方向，多空價差在 2022 年起翻成負的。各擺盪指標的用法差異，可再看 RSI、MACD、KD 三個指標的比較。

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：站上季線與半年線、波動較低的股票裡，取多窗動能最強 12 檔，剔除其中 MFI(21) 池內分位最低 20% 後等權，MFI 廣度 20 日變化轉負時減碼到五成，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 修正下載程式與文章引擎的差異後，用和新版 strategy.py 相同的規則同口徑重跑（finlab 2.2.21，資料截至 2026-10-27），下面是修正後的數字；把新版 strategy.py 的 DATA_END 改成 "2026-10-27"、FEE 改成 1.425 / 1000，可以重現下表「全期」那一列。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 1.06 對 0050 的 0.96，2022 年起 1.04 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）：

策略年化領先 0050 約 5.2 個百分點，風險調整後小輸。9 組鄰近參數全部輸，MFI 週期拉長到 25 日時日夏普掉到 0.76 到 0.82，和上一節廣度參數敏感的結果一致；前段（2015 到 2020 年）日夏普 0.90 對 0.89 小贏，後段 1.17 輸 1.24，三項都沒過。照原文手續費三折，日夏普 1.11 略高於 0050 的 1.08。

這一段 2026-10-27 第一次上線時，用的是當時可下載的 strategy.py。它和文章的回測引擎有一處不同：季線用 rolling(60, min_periods=20)，上市不到 60 個交易日的新股也有季線，會擠進「波動最低 150 檔」的排名。當時的數字是原參數年化 25.0%、日夏普 1.02，鄰近參數 9 組 0.77 到 1.03，前段 0.88 對 0.89、後段 1.14 對 1.24；我們用同一支舊程式逐格重現了這些數字，換成和引擎相同的季線後就是上面的表，三項的結論都沒有改變。照三折手續費跑到首發的 2026-06-09，新版是全期年化 28.9%、月夏普 1.12，舊版是 28.2%、1.09。

策略的限制與取捨

• 換股日運氣：研究段 26.5% 只出現在月底換股這一組，挪到每月 5 到 25 日研究段只剩 8.2% 到 13.5%，全期 11.4% 到 18.1%，全部輸給 0050。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。
• 廣度擇時的參數很敏感：廣度的 mfi 週期、回看天數與門檻稍微一動，2022 年起月夏普就在 0.6 到 1.2 之間跳動；這次重跑的三項驗證裡，9 組鄰近參數也全部輸給 0050。
• mfi 的作用集中在擇時：剔除濾網平均每月只拿掉 0.4 檔，報酬的主要來源是選股池內的多窗動能；擇時讓回撤由 -50.4% 降到 -36.3%，代價是每年少賺約 1.5 個百分點。
• 近年落後大盤：2022 年起年化 30.5% 與 0050 打平，月夏普 1.04 對 1.21；2024、2025 年連續兩年大幅輸 0050；首發之後四個月 -0.3% 對 +8.9%。
• 回撤比 0050 深：全期最大回撤 -36.3%，0050 是 -34.0%；年化波動 25.9% 對 19.8%。
• 高周轉、成本敏感：年換手約 7.4 倍，改用 sim() 預設手續費全期年化 26.1%、2022 年起月夏普 0.99；實單滑價會進一步侵蝕。
• 容量：每月只持有約 12 檔，宇宙限前 300 大成交金額，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；data.csv 除了策略與 0050 的淨值，也附上每天的 mfi 廣度與滿倉／減碼判定。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。同樣把成交量放進指標的還有 OBV 能量潮回測；想一次看完常用技術指標在台股的回測結論，可讀技術指標台股回測總覽。籌碼面的資金動向，可以用三大法人買賣超資料與分點主力買超交叉驗證。

常見問題

Q：mfi 指標是什麼？和 RSI 差在哪？ mfi（資金流量指標）是「帶成交量的 RSI」。RSI 只看價格漲跌，mfi 把每天的典型價格乘上成交量，依典型價格比前一天高或低分成正、負資金流，再換算成 0 到 100 的讀數。它只看典型價格的漲跌方向，不看漲跌幅大小，所以爆量的小漲日也會被算成一大筆正資金流。

Q：mfi 低於 20 真的代表超賣、會反彈嗎？ 在台股橫截面上不一定。月底 MFI(14) 低於 20 的股票全部持有，研究段（2015–2021）年化 1.6%；每月買 MFI 最低的 30 檔是 2.1%，同期含息 0050 是 15.1%。2022 年起這兩種寫法是 7.3% 與 10.4%，仍遠輸 0050 的 30.5%。單股上有時有效（聯發科 2024 年兩次超賣都買在低點），有時是接刀（台積電 2023 年三次超賣買進後都再跌）。

Q：那 mfi 高於 80 就一定要賣嗎？ 回測不支持。月底 MFI 高於 80 的股票全部持有，研究段年化 8.9%，比低於 20 的 1.6% 好；每月買 MFI 最高的 30 檔是 11.2%。不過兩者都輸 0050，也不建議把高 mfi 當買進理由。

Q：mfi 可以單獨拿來當買賣訊號嗎？ 不建議。超賣買、超買賣、由 20 以下翻上來買，或用 mfi 高低排序選股，在台股回測都輸 0050（研究段年化 -6.4% 到 11.2%）。本文的用法是把 mfi 放在一套動能策略裡：剔除動能前 12 檔裡 mfi 偏低的股票（作用很小），以及用選股池內的 mfi 廣度在月底決定滿倉或五成部位。

Q：mfi 的參數（timeperiod）要設多少？14 是最好的嗎？ 14 是 TA-Lib 預設值，本文用 21。只換選股濾網的週期，9 到 35 日的研究段月夏普都在 1.16 到 1.37，結果不太敏感；但廣度也跟著換週期時，2022 年起月夏普在 0.58 到 1.11 之間跳動，只有 19、20、21、23 日四格站上 1.0。21 日不是穩定高原上的一點，換別的週期要先自己重跑。

Q：mfi 和 KD、RSI 一起用會更好嗎？ mfi、RSI、KD 都是擺盪指標，mfi 多算了成交量，三者資訊高度重疊。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 的差異與用法與同系列的單篇回測。

Q：為什麼擇時用選股池內的 mfi 廣度，不用全市場？ 首發版就是用選股池內的比例，文章誤寫成全市場。實測改算整個流動性宇宙的版本，研究段月夏普 1.28，但 2022 年起只剩 0.87、年化 20.2%。選股池內的廣度平常就在 77% 到 96% 之間，策略看的是它比 20 個交易日前高還是低。

Q：這套 mfi 策略適合誰？ 適合想主動選股、能固定在每月最後一個交易日換股、接受 -36% 等級回撤與較高換手成本的人：全期年化 28.0%、月索提諾 1.97，勝含息 0050 的 21.2%、1.85。要注意三件事：2022 年起年化與 0050 打平、月夏普較低；換股日挪到月中，全期只剩 11.4% 到 18.1%；廣度那一層的參數很敏感。偏好低周轉、被動持有的人，買進持有含息 0050 更省心。

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。mfi 剔除濾網加廣度擇時策略全期最大回撤 -36.3%，換股日改到每月 5 到 25 日時全期年化只剩 11.4% 到 18.1%，實際交易前請自行評估風險、滑價與交易容量。