均線怎麼用才對？台股 11 年回測：靠近新高選股＋20 日線濾網的純技術策略

均線在台股的正確用法：拿長均線找趨勢，短均線只當換股日的濾網

先用一張表回答你搜尋「均線」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 收盤價與 etl:adj_close 含息還原股價），回測區間 2015-01-30 至 2026-09-30，基準為同一天起算的含息買進持有 0050。文末附可下載的 strategy.py 與 data.csv，執行後會印出本文的主要表格。對回測的觀念還不熟，可先看回測是什麼。

均線是什麼

均線（Moving Average，MA）就是「過去 N 個交易日收盤價的算術平均」，每天往前滾動一格，所以叫「移動」平均。它平滑掉單日的雜訊，反映一段時間裡市場對價格的共識成本。台股最常用的幾條：5 日（週線）、20 日（月線）、60 日（季線）、120 日（半年線）、240 日（年線）。短均線靈敏但雜訊多，長均線平滑但反應慢，這是均線天生的取捨。技術指標的基礎名詞可參考名詞詞彙表。

從均線衍生出幾種散戶最熟的訊號：

黃金交叉：短均線由下往上穿過長均線（例如 20 日穿過 60 日），被視為轉強訊號。

死亡交叉：短均線由上往下跌破長均線，被視為轉弱訊號。

多頭排列：短均線在長均線之上（多條均線時，短 > 中 > 長），被視為趨勢向上。

乖離率：收盤價相對均線的偏離程度，公式為（收盤價 − 均線）/ 均線；本文用「收盤價對 20 日均線的乖離」。乖離率單獨成篇的回測見乖離率怎麼用才對。

這些訊號到底有沒有用？散戶最常拿它們選股：挑剛黃金交叉、挑多頭排列、挑低乖離想等反彈的股票。以下先用回測檢驗這些教科書選股法，再說明把均線換個尺度（看「離 52 週新高多近」）之後結果有什麼不同。

均線的數學定義

均線的核心只有一條算術平均，黃金交叉則是兩條不同窗長均線的相對位置：

$SMA_n = \frac{1}{n}\sum_{i=0}^{n-1} C_{t-i}\,;\quad \text{黃金交叉}: SMA_{\text{short}} > SMA_{\text{long}}$

把符號逐一拆開：$C_{t-i}$ 是第 $t$ 天往前數第 $i$ 天的收盤價，$C_t$ 就是當天收盤；$n$ 是均線的窗長（台股常用 20、60、120、240 日）；$SMA_n$ 把最近 $n$ 天的收盤價相加再除以 $n$，得到一條平滑後的價格線。窗長 $n$ 越大，納入的歷史天數越多，曲線越平滑、對最新一根 K 棒的權重越低，因此反應越慢；$n$ 越小則越貼近現價、越靈敏，但也越容易被單日跳動帶著走。黃金交叉的定義是把短窗均線 $SMA_{\text{short}}$（例如 20 日）和長窗均線 $SMA_{\text{long}}$（例如 60 日）相比：前者由下往上超過後者的那一天叫黃金交叉，反向跌破叫死亡交叉。這個公式裡每一天的權重都相同（都是 $1/n$），這是 SMA 和 EMA（指數移動平均，近期權重較高）最大的差別，也是它反應偏慢的根源。

一張圖看懂黃金交叉、死亡交叉，以及它為什麼會「甩巴掌」

理論講完，直接把公式畫到真實個股上。下面兩張圖用台積電（2330）與聯發科（2454）2023 年 7 月到 2024 年 6 月的還原前收盤價，疊上 20 日與 60 日兩條 SMA，並在價格線上標出黃金交叉（向上三角）與死亡交叉（向下三角）。均線先用完整歷史算好再切出這一年，所以窗口開頭的 60 日線也有值：

台積電這一年走的是一段乾淨的上升趨勢，20×60 均線只交叉了 2 次：2023-08-14 死亡交叉、2023-11-06 黃金交叉，之後一路在多頭排列裡走完主升段。這是黃金交叉派最理想的情境。同一套規則換到聯發科就變樣了：

同樣一年、同樣的 20×60 規則，聯發科觸發了 6 次交叉（3 次黃金交叉、3 次死亡交叉）。看圖就懂問題在哪：2023 年 7、8 月與 2024 年 1 月、4 月那幾段整理裡，兩條均線黏在一起反覆穿越，2024-01-25 死亡交叉賣在 943 元，一個月後 2024-02-23 又在 1,100 元黃金交叉買回；2024-04-30 再賣在 992 元，2024-05-28 又在 1,310 元買回。這就是「甩巴掌」（whipsaw）：均線交叉在趨勢明確時有用，在盤整時會被雜訊頻繁觸發，買賣點常落在小波段的錯誤一端。

這兩張圖用的是下面這段程式碼，你可以換成任何股票自己重畫，直觀感受不同個股的訊號密度：

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()
 
# 均線先用完整歷史算好,再切出要看的一年,窗口開頭的均線才不會是空值
close = data.get("price:收盤價")
stock_id = "2454"          # 換成你想看的股票代號
window = slice("2023-07-01", "2024-06-30")
ma_short = close[stock_id].rolling(20).mean()
ma_long = close[stock_id].rolling(60).mean()
 
# 黃金交叉:短均由下穿上長均的那一天;死亡交叉:由上跌破的那一天
above = ma_short > ma_long
was_above = above.shift(1, fill_value=False)
golden = (above & ~was_above)[window]
death = (~above & was_above)[window]
px = close[stock_id][window]
 
print(f"黃金交叉 {golden.sum()} 次,死亡交叉 {death.sum()} 次")
 
# 畫價格 + 兩條均線,標出交叉點
fig, ax = plt.subplots(figsize=(12, 5))
ax.plot(px.index, px, label=f"{stock_id} 收盤", color="#111827")
ax.plot(px.index, ma_short[window], label="20 日均線", color="#7C3AED")
ax.plot(px.index, ma_long[window], label="60 日均線", color="#F59E0B")
ax.scatter(px.index[golden], px[golden], marker="^", s=90, label="黃金交叉")
ax.scatter(px.index[death], px[death], marker="v", s=90, label="死亡交叉")
ax.legend()
plt.show()

stock_id 為 "2454" 時會印出「黃金交叉 3 次，死亡交叉 3 次」，換成 "2330" 是各 1 次。多換幾檔盤整股自己看一次，就能體會「均線交叉的有效性取決於個股當下是趨勢還是盤整」，這也是它不適合無差別套到全市場選股的直觀原因。

散戶最常見的均線選股，在台股 11 年都沒贏過大盤

我們在可交易宇宙（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、處置股）裡，把四種「均線選股」各跑一次月再平衡的回測，每月等權持有 30 檔：

四種常見用法的月夏普，研究段與 2022 年起都輸含息 0050；年化報酬只有多頭排列在研究段與 0050 打平（15.2% 對 15.1%），但它的月夏普只有 0.70（0050 是 1.00）、全期最大回撤深達 -45.2%：報酬差不多，波動與回撤大得多。把條件收緊成「近 20 天剛發生黃金交叉」反而更差，研究段年化掉到 9.3%，年換手 11.2 次也是四種裡最高。「跌破均線抄底」研究段只有 5.4%，接近無效。

原因不難理解：「對 20 日均線的乖離」是個雙義訊號。高乖離可能是強勢延續、也可能是過熱準備回檔；低乖離可能是落底反彈、也可能是趨勢轉空的起點。我們把 20 日乖離的五種橫截面取法（最高、最低、5 日變化量、5 日加速度、60 日 z-score）都跑過，研究段月夏普落在 0.33～0.62，全部輸給同期含息 0050 的 1.00。問題出在「拿哪一條均線、衡量哪一段的偏離」。延伸閱讀：技術面與基本面選股的差異、動能策略。

換個尺度用均線：看收盤離 52 週新高多近

散戶的均線選股之所以失靈，在於訊號太短、太雙義。把觀察尺度拉長到一整年，再把短均線降級成換股時的濾網，結果就不一樣了。本文的純技術策略由兩個零件組成。

零件一：靠近 280 日滾動最高價，當選股因子

第一個零件是看「收盤價 ÷ 自身過去 280 個交易日的最高收盤」，我們稱為新高靠近度（prox）。這個比值越接近 1，代表收盤越貼近自己過去約 13 個月（280 個交易日，略長於 52 週）的高點；越低代表離高點越遠、結構越弱。每月底在可交易宇宙裡，挑 prox 最高的 20 檔，也就是挑「最靠近自己 52 週新高」的一籃強勢股。收盤剛好等於 280 日最高收盤的股票 prox 都是 1，名次並列時會全部入選，所以有 6 個月選出超過 20 檔，最多是 2021 年 3 月的 31 檔。

這和散戶用的短均線乖離差在哪？20 日乖離問的是「現在離近一個月的平均成本多遠」，只反映一兩週的波動；新高靠近度問的是「現在離一整年的高點多近」，捕捉的是中長期趨勢結構。學術上，George & Hwang (2004) 在美股發現「收盤 ÷ 52 週最高價」對未來報酬的預測力，強過單純的過去報酬動能。他們的解釋是錨定效應：投資人把 52 週高點當參考價，股價逼近高點時不敢追，好消息反映得慢，之後才補漲。這個結果也與 Jegadeesh & Titman (1993) 的中期動能效應同方向。本文的新高靠近度就是 George & Hwang 那個比值換成 280 個交易日的台股版本。

零件二：換股日用 20 日均線過濾

選出最靠近新高的 20 檔之後，第二個零件用個股自己的 20 日均線過濾：換股日收盤在自身 20 日均線之下的入選股，這個月不買。執行上有兩點要先講清楚：

1. 只在換股日檢查一次。 回測在每月最後一個交易日讀訊號、下一個交易日成交，均線也只在那天讀取；持有期間月中跌破 20 日線，要等到下一個換股日才處理。統計全期 141 個換股月共 2,628 筆持股，其中 2,080 筆（79.1%）到下一個換股日（含當天）為止曾收在自身 20 日線下。換句話說，強勢股在一個月裡跌破月線是常態，這個濾網擋掉的只是「換股日當天已經轉弱」的那幾檔。
2. 被濾掉的名額不是轉成現金。 布林部位在 sim() 裡是等權，濾掉 5 檔就由剩下 15 檔平分（2026-07-31 換股日就是 15 檔各 6.67%）。全期 141 個月裡有 60 個月因為濾網不滿 20 檔，最少 6 檔（單檔權重 16.7%），另有 6 個月因為名次並列超過 20 檔；從來沒有全部被濾掉而空手的月份。

如果改成「月中一跌破就賣」會不會比較好？我們統計了其中 2,032 筆在換股日之前就跌破的持股（另 48 筆剛好在換股日當天才跌破，不列入），從第一次跌破當天收盤到下一個換股日，報酬中位數 +0.6%、平均 +1.7%，54.0% 是正的：跌破後立刻賣掉，平均反而會少賺一點。真正的日頻停損牽涉補位與交易成本，屬於另一個策略，本文沒有拿它替換。

下圖比較「不加濾網」（同宇宙、同新高靠近度選 20 檔等權）與不同窗長的換股日均線濾網：

不加濾網全期年化 24.9%、最大回撤 -31.5%；加 20 日線濾網年化 25.8%，但最大回撤加深到 -34.1%。換成 10、60、120 日線，全期年化都落在 25.2%～25.8%，彼此只差 0.6 個百分點。濾網對報酬的貢獻不到 1 個百分點，也沒有壓低回撤：這個策略的報酬幾乎全部來自零件一的新高靠近度。

完整策略：靠近新高選股＋換股日 20 日線濾網

把兩個零件組成一套可執行、可重現、完全不含基本面的純技術策略：

1. 選股因子：在可交易宇宙裡，每檔算「收盤 ÷ 自身過去 280 個交易日最高收盤」的新高靠近度，每月底取最高的 20 檔（名次並列時全部入選）。
2. 均線濾網：換股日收盤在自身 20 日均線之下的入選股不買。
3. 持股與權重：剩下的股票等權持有，月再平衡；月中不檢查均線、不補倉。
4. 全程不使用槓桿 ETF、不含任何財報或月營收輸入。

選股端的核心程式碼（可直接交給你的 AI 助理改寫、或下載完整版執行）：

import finlab
from finlab import data
from finlab.backtest import sim
 
# finlab 會在需要資料時自動引導登入
finlab.login()
data.truncate_end = "2026-09-30"   # 與文章同一個資料截止日
 
# 1) 載入價量資料
close = data.get("price:收盤價")
amount = data.get("price:成交金額")
 
# 2) 可交易宇宙:成交額前 300 大、收盤 > 10 元,只留代號剛好 4 碼數字的股票
#    (完整版另有 60 日均量 > 100 萬股門檻,並排除金融保險與處置股,見文末 strategy.py)
liquidity = amount.rolling(60, min_periods=20).mean()
common_cols = [s for s in close.columns
               if len(str(s)) == 4 and str(s).isdigit() and not str(s).startswith("00")]
universe = (liquidity.is_largest(300) & (close > 10))[common_cols]
 
# 3) 選股因子:收盤對自身 280 日最高收盤的靠近度,越接近 1 越貼近 52 週新高
prox = close / close.rolling(280).max()
 
# 4) 每月底取池內 prox 最高的 20 檔
basket = prox.where(universe).rank(axis=1, ascending=False) <= 20
 
# 5) 20 日均線濾網:換股日收盤在自身 20 日線之下的入選股不買
ma20 = close.rolling(20).mean()
position = basket & (close > ma20)
 
# 6) 每月換股回測(sim 只在每月最後一個交易日讀部位)
report = sim(position.loc["2015":], resample="M", fee_ratio=1.425 / 1000 * 0.3, upload=False)
stats = report.get_stats()
print(f"年化 {stats['cagr']:.1%},最大回撤 {stats['max_drawdown']:.1%}")

這段簡化版用 finlab 2.2.16 實跑，印出「年化 21.3%，最大回撤 -38.4%」，比完整版的 25.8%／-34.1% 差。差距來自簡化版少了 60 日均量 > 100 萬股、排除金融保險股與處置股三道篩選，可交易宇宙裡多了流動性較差、事件風險較高的股票。要對上文中數字，請下載文末的 strategy.py。

這套策略研究段（2015-01-30～2021-12）年化 26.5%、月夏普 1.34、月索提諾 2.13、最大回撤 -34.1%；2022 年起（2022-01～2026-09）年化 24.8%、月夏普 0.99、月索提諾 1.48；全期年化 25.8%、月夏普 1.09、月索提諾 1.63、最大回撤 -34.1%、年化波動 26.0%。同一天起算的含息 0050：研究段 15.1%、2022 年起 30.5%、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%。全期勝 0050 的只有年化報酬（多 4.6 個百分點）；月夏普 1.09 對 1.07 接近打平，最大回撤相當，月索提諾與波動都輸。年換手約 8.9 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：

研究段大勝，2022 年起落後 0050

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。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 年起另列（涵蓋 2022 升息熊市與其後的強多頭，資料截至 2026-09-30）：

研究段策略的年化、月夏普、月索提諾都大幅領先（年化 26.5% 對 15.1%），靠的是「靠近新高」選股在震盪市裡持續挑到趨勢明確向上的強勢股；但研究段最大回撤 -34.1% 比 0050 的 -28.2% 深。2022 年起情況反轉：0050 年化 30.5%，2024 年後單年漲幅 37%～74%，策略年化 24.8%，月夏普 0.99、月索提諾 1.48 也都低於 0050 的 1.21、2.44。

這裡有一個口徑要交代：參數（280 日、20 檔、20 日線）是 2026 年 6 月定案的，當時已經看得到 2022 年之後的資料，選參數的標準也包含 2022 年起的表現。所以 2022 年起只能算「選參數時看過的驗證段」，真正沒看過的新資料只有 2026-06-09 之後的近四個月，結果在下一節。

策略衰退追蹤：2026-06-09 之後的新資料

本文首發版的資料截至 2026-06-09。從那天到 2026-09-30，策略下跌 11.8%，同期含息 0050 上漲 8.9%：

2026 年 7 月單月 -24.4% 是全期最差的一個月，研究段最差月是 2015 年 7 月的 -14.0%，2022 年起在此之前最差是 -11.5%。拆開來看：6 月 30 日換股日選進的 20 檔，7 月 1 日進場、持有到 8 月 3 日換股，其中 18 檔虧損，中位數 -19.9%，最差的 8261 富鼎 -41.7%、6271 同欣電 -41.6%。這 20 檔在 7 月裡全部都曾收在自己的 20 日線下，最早的 7 月 2 日、最晚的 7 月 23 日，但濾網每月只讀一次，回測照樣抱到月底。7 月 31 日換股日重新選股，當天入選的 20 檔裡有 5 檔仍在月線下被濾掉，8 月只持 15 檔。策略淨值在 2026-06-22 創高，2026-07-30 回落 31.5%，到 9 月底仍比高點低 20.2%。

我們對這一系列技術指標策略設了一條檢查線：2022 年起的月夏普要在 1.0 以上、年化在 15% 以上。資料延長到 2026-09-30 後，2022 年起年化 24.8% 還在線上，月夏普 0.99 跌破了 1.0。依照我們的刷新規則，跌破就不回頭改參數，改為公開逐季追蹤。後面參數段會看到，不加濾網或換成 10、60、120 日線濾網，2022 年起月夏普是 1.02～1.06，剛好在線上；挑這種格子讓策略「重新過關」，等於用看過的資料調參，我們不這麼做。

逐年攤開，策略 12 年裡勝 0050 的有 6 年，2024 年起連三年落後：

全期年化的領先主要來自 2017、2019～2021 與 2023 年。落後的六年裡，2016 與 2024～2026 年是 0050 大漲、策略漲得較少；2018、2022 年是兩者都跌、策略跌得較多。

月營收 YoY 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「收盤對 280 日最高收盤的靠近度」這個純價格因子，濾網只用個股自身的 20 日均線，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。

常見的延伸問題是：在選股端疊一層月營收年增率（YoY）過濾，績效會不會更好？站內創新高策略就是這個方向：價格創新高再加營收確認。本文不把它納入主策略，原因有二：其一，主策略只取 20 檔、集中度已高，再加營收過濾會大幅縮小可選池；其二，月營收公布有時間落差，要正確對齊「當期（含）以前已公布」的資料才不會用到未來資訊。想實驗的讀者可在下載的程式碼裡，於新高靠近度排名前加一層 monthly_revenue:去年同月增減(%) 的過濾自行對照，記得只用已公布的資料。

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 > 100 萬股、收盤 > 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、特別股與 6 碼代號），再排除 ETF（00 開頭）、金融保險股、處置與全額交割股。KY 股的代號也是 4 碼數字，沒有被排除。改用首發版「前 4 碼是數字就放行」的口徑重跑，所有數字完全相同。
• 執行頻率：每月最後一個交易日讀訊號、下一個交易日成交，新高靠近度與 20 日線濾網都只在這天讀取；月中不出場、不補倉。被濾掉的名額由其餘入選股等權平分，持股最少時 6 檔，單檔權重最高 16.7%。
• 價格口徑：新高靠近度與 20 日均線用的是未還原收盤價（price:收盤價），除權息、減資會讓股價跳空，可能影響選股；績效則由 sim() 以還原價計算。
• 前視偏差：新高靠近度與 20 日均線只使用當日（含）以前的價格；完全不使用財報或月營收，沒有公布日對齊問題。
• 生存者偏差：宇宙每天依當時資料篩選。2015-01-30 有收盤價、2026-09-30 已無收盤價的 4 碼普通股有 142 檔，這些後來下市或停止交易的股票在當時都可能被選入。
• 起算日：所有變體與 0050 都從策略第一個淨值日 2015-01-30 起算；2022 年起的分段固定自 2022-01-01。
• 周轉率：年換手約 8.9 次，成本敏感度較高，已在 sim() 內扣手續費與證交稅下計算。
• 套件版本：finlab 2.2.16，資料截止日釘在 2026-09-30。

穩健度與參數最佳化：研究段是高原，2022 年起整片變平

策略有兩個關鍵參數：新高靠近度的滾動最高視窗（看多長一段的高點）與等權持股檔數（決定集中度）。最危險的做法是把參數掃一遍、挑研究段最好的那一格就上線。正確的看法是把整片參數空間畫成色溫圖，看高夏普是連成一片，還是只有一格孤峰。

下面把視窗（240／252／280 日）× 持股檔數（15／20／25 檔）共 9 組各跑一次（20 日線濾網固定），每格標的是研究段月夏普：

研究段九格月夏普 1.12～1.34，持 20 檔那一列 1.24／1.30／1.34 最高，持 25 檔那一列最低（1.12～1.25），三列都是視窗越長越好。要注意的是：本文預設的 280 日 × 20 檔就是研究段最高的那一格，參數是在這張圖上挑出來的。同一張網格換成 2022 年起的月夏普：

2022 年起九格全部落在 0.96～1.01，研究段那種「20 檔、長視窗最好」的形狀已經消失。這張表說明兩件事：一是參數選擇本身沒有造成孤峰，換到哪一格都差不多；二是 2022 年起的落後是整個策略的問題，換參數救不回來。

再看一次只動一個參數的 10 個鄰格（視窗 200／240／252／320、檔數 15／25／30、濾網均線 10／60／120 日）：

10 個鄰格的研究段月夏普 1.19～1.33，都低於預設的 1.34；2022 年起 0.87～1.06，有 6 格在 1.0 以上（濾網 10 日 1.06、持 30 檔 1.05、濾網 60 與 120 日各 1.02、持 15 檔與 25 檔各 1.00）。最敏感的是把視窗縮到 200 日：研究段 1.19、2022 年起 0.87、全期年化 21.5%，視窗太短會混進太多短期反彈股。方向性結論是「視窗別短於 240 日」，持股檔數在測過的 15～30 檔之間差異不大；至於精確該設 280 還是 252，資料給不出差別。

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：取收盤除以 280 日最高收盤最高的 20 檔，換股日收盤在 20 日均線之下的不買，其餘等權，每月換股。兩個鄰近參數是均線濾網天數與新高回看天數。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 1.08 對 0050 的 0.96，2022 年起 0.84 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 組鄰近參數的日夏普都在 0.88 到 0.96 之間，均線濾網 15 到 25 日、新高回看 240 到 320 日都差不多，但沒有一組追上 0050。前段（2015 到 2020 年）日夏普 1.00 贏 0050 的 0.89，後段 0.95 輸 1.24，三項都不成立，跟上文「研究段大勝，2022 年起落後 0050」一致。上文的年化 25.8% 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 25.5%，換成 sim() 預設成本是 23.2%。

「均線趨勢過濾」也一起重跑

曾列在策略庫的均線趨勢過濾也是均線策略：市值前 200 大、近 60 日成交額在前半的股票裡，收盤站上 120 日均線且 20 日均線在 60 日均線之上，取 6 個月動能前 20 檔等權，每月換股。鄰近參數是長均線天數與持股檔數，我們用同樣的三項檢查把它重跑到 2026-10-27。檢查方法與口徑同上。

9 組參數的日夏普（括號內是年化報酬，粗體是原參數）：

原參數年化 21.2%、日夏普 0.79、最大回撤 -48.8%，同期 0050 含息年化 23.9%、日夏普 1.15。9 組鄰近參數全部輸，前段（2018 到 2022 年中）0.69 對 0.75、後段 0.88 對 1.47，前後兩段也都輸，三項都不成立，策略頁已撤下。頁面最後顯示的是資料到 2026-06-09 的版本（日夏普 0.95 對 0050 的 1.22），當時日夏普就已經輸 0050。通過三項驗證的策略見營收篩選創新高策略。

策略的限制與取捨

• 2022 年起落後大盤：2022-01～2026-09 年化 24.8% 對 0050 的 30.5%，2024 年起連三年落後。0050 單年大漲 37%～74% 的這三年，多半等權持有 20 檔的策略都沒跟上。
• 月中不處理轉弱：濾網每月只讀一次，2026 年 7 月 20 檔持股全部在月中跌破 20 日線，回測照樣抱到月底，單月 -24.4%。
• 集中度帶來較深回撤：持股多半是 20 檔、全期最大回撤 -34.1%、年化波動 26.0%，波動比 0050 的 19.8% 高三成以上。
• 高周轉、成本敏感：年換手約 8.9 次，已扣手續費與證交稅，但實單滑價會進一步侵蝕，資金規模越大越明顯。
• 崩盤型態涵蓋有限：回測從 2015 年起算，未對 2008、2011 年的崩盤型態做測試；首發版下載檔從 2008 年起跑的那一版，最大回撤是 2008～2009 年的 -48.7%。
• 容量：選股多半 20 檔、宇宙限前 300 大，大資金部署需重估流動性衝擊；回測未逐筆估算滑價與借券成本。

用均線最常踩的五個坑

把這篇的回測結論整理成五個一上手就容易犯、而且資料證明會傷績效的錯誤：

1. 拿均線交叉去選股。 近 20 天剛黃金交叉的股票取 30 檔，研究段年化 9.3%、月夏普 0.50，比單純多頭排列（15.2%）還差，年換手 11.2 次也最高。

2. 在盤整股上盲信交叉訊號。 前面聯發科那張圖一年觸發 6 次交叉，兩次在一個月內「賣在 943 元、買回 1,100 元」這類位置來回甩巴掌。判斷不出個股當下是趨勢還是盤整，就會被雜訊一刀刀磨掉獲利。

3. 拿 20 日乖離當選股訊號。 五種橫截面取法研究段月夏普 0.33～0.62，全部輸 0050。要讓均線變成有效的選股因子，得把尺度拉長到「離一整年的高點多近」，新高靠近度研究段月夏普 1.34。

4. 以為月線濾網會幫你停損。 回測裡的 20 日線只在換股日檢查，持股到下一個換股日為止曾跌破月線的比例高達 79.1%；加了濾網全期最大回撤反而從 -31.5% 加深到 -34.1%。真要日頻停損，得另外設計補位與成本，那是另一個策略。

5. 挑研究段最漂亮的那一格參數。 本文預設格就是研究段最高格（1.34），但 2022 年起九格全部擠在 0.96～1.01。研究段的高原不保證之後的表現，只代表參數沒有過度敏感。

這五個坑的共同根源，是把均線放到它不擅長的角色，或高估了每月檢查一次的濾網能做的事。對指標家族的整體差異與正確分工，可參考RSI、MACD、KD 比較與如何挑選台股。

2026-10 更新與更正

資料延長到 2026-09-30，2026-10-24 用 finlab 2.2.16 重跑。把資料截止日設回上一版的 2026-06-09，用同一版套件算出研究段 26.5%／月夏普 1.34、2022 年起 30.4%／1.21、全期 28.0%／1.21；改用首發時的 finlab 2.0.13 重跑則是 27.4%／1.35、30.6%／1.21、28.6%／1.22，與上一版完全相同。研究段由 27.4% 變成 26.5%，來自套件版本更新（第一個淨值日由 2015-02-26 提前到 2015-01-30，持股路徑也略有不同）；2022 年起與全期的下滑則來自新增的資料。另有以下更正：

• 「個股跌破 20 日線就清空、降為現金」與回測不符。 回測每月換股一次，20 日線只在換股日讀取，月中跌破不會出場；被濾掉的名額由其餘入選股平分，不是轉成現金。本文已改寫為「換股日 20 日線濾網」，並補上月中跌破的統計。
• 「三段都勝含息 0050」不再成立。 2022 年起策略 24.8% 落後 0050 的 30.5%（上一版 30.6% 對 30.4% 只差 0.2 個百分點）。
• 教科書表重寫。 上一版的「跌破均線抄底」與「超賣接刀」是同一個籃子，重複列出；「黃金交叉＋多頭排列」實際規則是「多頭排列取 60 日漲幅前 30」，沒有交叉條件。本版改名並新增真正限定「近 20 天剛黃金交叉」的一列。
• 示意圖的交叉次數。 上一版寫台積電 3 次（2 黃金、1 死亡）、聯發科 7 次（4 黃金、3 死亡），把窗口第一天已在多頭排列算成一次黃金交叉；正確是台積電 2 次、聯發科 6 次。
• 頁內第一段程式碼。 上一版只用窗內資料算均線（前 59 天沒有 60 日線），而且 ~above.shift(1).fillna(False) 在目前的 pandas（3.1）會把多頭排列期間的每一天都標成黃金交叉（台積電 157 天）。已改為完整歷史計算與 shift(1, fill_value=False)。
• 頁內第二段與下載檔的宇宙。 上一版以「前 4 碼是數字」判斷普通股，會放進 124 個非 4 碼代號（如 01001T）；已改為剛好 4 碼。重跑確認這些代號從未被選入，數字不受影響。
• 下載的 strategy.py 重現不出文中數字。 上一版沒有釘資料截止日、從 2008-06-30 開始持股，2015-2021 段是 26.3%／1.33。新版釘在 2026-09-30、從 2015 起評，印出的三段績效、教科書四列、零件拆解、逐年、首發後的區間與逐月報酬，逐格等於本文。
• 0050 起算日與「排除 KY」。 0050 改從策略第一個淨值日 2015-01-30 起算（上一版自 2015-01-05）；宇宙說明拿掉「排除 KY」。

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。data.csv 兩欄（策略、含息 0050）都從 2015-01-30 起歸一，與文中統計同一個起點。strategy.py 的資料截止日寫在 DATA_END，改成 None 就會用最新資料重跑，可以自己延續本文的衰退追蹤。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。其餘常用技術指標的台股實測結論，匯整在13 個技術指標回測總覽。

常見問題

Q：均線參數要設多少？20 日、60 日、240 日哪個最好？ 看用途。拿來選股時，本文看的是收盤離 280 日最高收盤多近，視窗在 240～320 日之間研究段月夏普 1.23～1.34，短到 200 日就明顯變差。拿來當換股日濾網，10、20、60、120 日全期年化都在 25.2%～25.8%，差別不大。拿 20 日乖離去選股，測過的五種取法都贏不過大盤，那是用法的問題。

Q：黃金交叉買進真的會賺嗎？ 拿來選股的話，台股 11 年回測站不住。近 20 天剛黃金交叉的股票取 30 檔，研究段年化 9.3%、月夏普 0.50、全期最大回撤 -46.4%；同期含息 0050 是 15.1%、1.00、-34.0%。黃金交叉在盤整期還會反覆觸發、來回甩巴掌。

Q：什麼是「新高靠近度」？為什麼比黃金交叉好用？ 新高靠近度是「收盤價 ÷ 自身過去 280 個交易日的最高收盤」，越接近 1 代表越貼近自己約 52 週的高點。黃金交叉看的是兩條短均線剛交叉的那一瞬間；新高靠近度看的是離一整年高點多近，反映中長期趨勢結構。本文用它選最靠近高點的 20 檔，研究段月夏普 1.34，黃金交叉選股是 0.50。

Q：跌破均線就該停損嗎？ 本文的回測沒有日頻停損。20 日線只在每月換股日檢查一次，換股日在月線下的入選股不買。統計全期持股，79.1% 到下一個換股日為止曾跌破月線；在換股日之前就跌破的那些，從第一次跌破到換股日的報酬中位數 +0.6%：對這種靠近新高的強勢股，一跌破月線就賣，平均並沒有少虧。日頻停損要另外處理補位與成本，屬於另一個策略。

Q：均線可以單獨拿來當買賣訊號嗎？ 拿 20 日乖離或均線交叉橫截面排名選股不建議，研究段月夏普都不超過 0.70，輸給含息 0050 的 1.00。把均線的尺度拉長成「對 280 日高點的靠近度」當選股因子，研究段才有明顯超額報酬；但 2022 年起這套策略也落後 0050，要搭配逐季追蹤。

Q：均線和布林通道、肯特納通道有什麼關係？ 布林通道的中軌就是均線（常用 20 日），上下軌是中軌加減標準差；肯特納通道則用 ATR 定義通道寬度。均線是它們共同的骨幹。各指標的正確用法可參考肯特納通道與 ATR 指標。

Q：均線和 KD、RSI、MACD 一起用會更好嗎？ 這些大多是同性質的價格衍生指標，資訊高度重疊，硬疊在一起通常沒有加分。比較有效的組合是讓均線各司其職：長尺度的新高靠近度負責選股、短均線負責換股日過濾。各指標的差異可參考RSI、MACD、KD 比較。

Q：這套策略適合誰？ 適合想主動選股、能接受 -34% 等級回撤與 26% 年化波動、也能接受某些年份大幅落後大盤的人：全期年化 25.8% 勝 0050 的 21.2%，但 2024 年起連三年落後，2026 年 7 月單月 -24.4%。偏好低周轉、不想承受單月 -20% 以上跌幅的人，直接買進持有含息 0050 更省心。延伸閱讀：如何挑選台股。

最後更新：2026-10｜回測區間：2015-01-30 ～ 2026-09-30（2026-10-24 以 finlab 2.2.16 重跑）｜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。本文均線選股純技術策略全期最大回撤 -34.1%，2026 年 7 月單月下跌 24.4%，實際交易前請自行評估風險、滑價與交易容量。