obv 指標怎麼用才對？台股 11 年回測：拆成吸籌確認＋廣度擇時的純技術策略

obv 指標在台股的正確用法：拆成吸籌確認加廣度擇時

若想比較OBV以外的選股規則，可看營收篩選創新高策略，核對股價新高、RSI 與營收條件如何形成持股。

本文所有數字皆出自 finlab 套件（2.2.16 版）抓取的上市櫃真實價量資料（price 收盤價與成交量、etl:adj_close 含息還原股價），obv 由 TA-Lib 的 OBV 計算。資料截至 2026-09-30，策略第一個換股淨值日是 2015-01-30，含息 0050 從同一天起算。文末附可下載的 strategy.py、data.csv 與 metrics.json，執行 strategy.py 印出的數字與本文表格相同。對回測的觀念還不熟，可先看回測是什麼。

obv 指標是什麼

obv（On-Balance Volume，能量潮）是 Joseph Granville 在 1963 年提出的量價指標。計算很單純：每個交易日，收盤上漲就把當日成交量「加」到前一日的 obv、下跌就「減」掉、平盤不變，一路累加成一條累積量能曲線。它背後的假設是「量先於價」：成交量的方向領先價格，obv 持續走高代表買盤在累積、走低代表賣壓在堆積。obv 的原始論述見 Granville（1963）的《Granville's New Key to Stock Market Profits》。技術指標的基礎名詞可參考名詞詞彙表。

這裡有個多數教學略過、卻最關鍵的性質：obv 是「累積值（level）」，不是「比率」。它從資料起點開始累加，所以一檔成交量大、上市久的權值股，obv 數字天生就比一檔剛上市的小型股大上好幾個量級。這個性質直接決定了 obv 該怎麼用、不該怎麼用，也是它最常被誤用的地方。

obv 的數學定義

把上面那段白話寫成公式，obv 就是一條按漲跌方向累加成交量的遞迴序列：

$OBV_t = OBV_{t-1} + \begin{cases} V_t, & C_t > C_{t-1}\\ -V_t, & C_t < C_{t-1}\\ 0, & C_t = C_{t-1}\end{cases}$

逐個符號拆開來看：$OBV_t$ 是第 $t$ 個交易日收盤後的能量潮數值；$C_t$ 與 $C_{t-1}$ 分別是當日與前一日的收盤價；$V_t$ 是當日成交量（股數）。規則只有三條：今天收高（$C_t > C_{t-1}$），就把整筆當日成交量「加」進前一日的 obv；今天收低（$C_t < C_{t-1}$），就把整筆當日成交量「減」掉；收平則不動。

從公式可以一眼看出三件事，剛好解釋了後面的回測結論。第一，obv 是前後相依的累加序列（$OBV_t$ 一定要先有 $OBV_{t-1}$），沒有自然的零點或上限，數值大小取決於累積了多久、量有多大，所以跨股比大小會偏向成交量大的大型股（下一節有實測）。第二，它只用「收盤漲跌的方向」決定加減，不看漲跌幅大小：漲 0.1% 和漲 9% 對 obv 的貢獻一樣，都是把當日全部成交量加進去，這讓 obv 對小幅震盪特別敏感、訊號容易反覆。第三，它是價量結合的指標：價格只貢獻「方向」（正負號），量貢獻「力道」（加減的大小），所以 obv 衡量的是帶量的方向性。

實務上常見三種用法，以下用台股回測一一檢驗：

橫截面選股派：挑「obv 數值最高」或「obv 斜率最強」的股票，假設量能最強者續強。

創新高與背離派：看單股 obv 突破前高、或 obv 與股價背離，當買賣訊號。

量能廣度派（本文主張）：不看單股絕對值，改看「股票池裡有多少比例的股票 obv 站上自身均線」，當大盤量能的多空溫度計。

教科書最常見的用法：obv 數值最高選股，風險調整後輸給 0050

我們在可交易宇宙（60 日均成交金額前 300 大、收盤 > 10 元、60 日均量 > 100 萬股，排除 ETF、權證與特別股、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）裡，把幾種 obv 選股用法各取 30 檔等權、每月換股、不做任何擇時，結果如下：

最多人用的「obv 數值最高」選股，研究段年化 17.9% 看起來贏過 0050 的 15.1%，但月夏普只有 0.78（0050 是 1.00），2022 年起年化 22.1% 更落後 0050 的 30.5%。報酬沒有比 0050 多，波動卻更大。

原因就在前面講的「累積 level」性質。我們在每月換股日檢查這 30 檔持股的市值：它們在股票池內的市值百分位中位數是 70.5（100 代表最大），平均約 21.5% 的持股同時是股票池市值前 30 大。也就是說，比 obv 大小會系統性地偏向大型股，這層資訊和市值因子大幅重疊。換成 90 日 z-score 之後，持股的市值百分位中位數降到 47.2、與市值前 30 大的重疊剩 10.3%，大小偏誤大致消失，研究段月夏普也由 0.78 升到 0.90。

方向是對的：z-score 最高 30 檔與最低 30 檔，研究段年化相差 13.4 個百分點、2022 年起相差 10.1 個百分點。但即使標準化過，z-score 最高 30 檔的月夏普仍低於 0050，2022 年起年化也只有 23.6%。obv 一階斜率（5 日變化量）噪音更大，研究段月夏普只有 0.59。單靠 obv 排序選股，在這段期間沒有一種贏過含息 0050 的風險調整報酬。延伸閱讀：技術面與基本面選股的差異、動能策略。

在單股上實際畫一次：兩個教科書派別的買賣點長什麼樣

橫截面選股之外，多數人對 obv 的第一印象其實來自單股圖上的兩個派別：obv 創新高派（obv 突破前 60 日最高就追、跌破前 60 日最低就賣）與量價背離派（價格創 20 日新高但 obv 沒跟上＝賣警訊；價格創 20 日新低但 obv 沒破低＝買背離）。下圖以台積電（2330）2023-07 到 2024-06 約一年的日線為例，上方面板是股價並標出兩派的買賣箭頭，下方面板是 obv 原始線與其 60 日均線：

光看這一張，兩派的毛病就攤在眼前。創新高派訊號太頻繁：這段窗裡 obv 突破前 60 日最高的買進訊號觸發了 20 次、跌破前 60 日最低的賣出 4 次，平均約兩週就要動一次，多數只是 obv 在前高附近反覆穿越，每次進出都付手續費與證交稅。背離派的賣警訊太早：整段出現 10 次賣背離、3 次買背離，台積電在這一年從 580 元附近漲到 960 元以上，那些「價創高、量沒跟」的賣警訊大多出現在上漲途中，賣完價格繼續漲。換一檔鴻海（2317）同窗來看是同一個結構：創新高買 13 次、賣 6 次，背離買 5 次、賣 6 次，合計 30 個訊號。

單股級的 obv 訊號頻繁又雜，要嘛被交易成本吃掉、要嘛太早出場，這也是後面我們把 obv 改成「標準化濾網」與「市場廣度」來用的動機。

想自己重畫這張圖、換股票或換窗口檢查，可以用下面這段程式碼。訊號用完整歷史計算（窗口開頭的回看期不會缺資料），再取 2023-07 到 2024-06 這段；台積電執行後會印出 20、4、3、10 次，與上圖相同：

import finlab
from finlab import data
import matplotlib.pyplot as plt
 
finlab.login()  # 套件會在需要資料時引導你完成登入
 
# 1. 單檔收盤價與 obv（以台積電 2330 為例），用完整歷史計算
sid = "2330"
close = data.get("price:收盤價")[sid].dropna()
obv = data.indicator("OBV")[sid].reindex(close.index)
 
 
def cross_up(cond):
    """條件由不成立轉為成立的那一天。"""
    cond = cond.fillna(False).astype(bool)
    return cond & ~cond.shift(1, fill_value=False)
 
 
# 2. 創新高派：obv 突破前 60 日（不含當日）最高 = 買，跌破前 60 日最低 = 賣
prior_high = obv.shift(1).rolling(60).max()
prior_low = obv.shift(1).rolling(60).min()
newhigh_buy = cross_up(obv > prior_high)
newlow_sell = cross_up(obv < prior_low)
 
# 3. 量價背離派：價格創 20 日新高但 obv 沒有 = 賣；價格創 20 日新低但 obv 沒有 = 買
price_high = close >= close.rolling(20).max()
price_low = close <= close.rolling(20).min()
obv_high = obv >= obv.rolling(20).max()
obv_low = obv <= obv.rolling(20).min()
divergence_sell = cross_up(price_high & ~obv_high)
divergence_buy = cross_up(price_low & ~obv_low)
 
# 4. 取 2023-07 到 2024-06 這段，數一數各派訊號
window = slice("2023-07-01", "2024-06-30")
signals = {
    "newhigh_buy": newhigh_buy[window],
    "newlow_sell": newlow_sell[window],
    "divergence_buy": divergence_buy[window],
    "divergence_sell": divergence_sell[window],
}
for name, flags in signals.items():
    print(name, int(flags.sum()))
 
# 5. 畫雙面板：上面板股價與買賣點、下面板 obv 與 60 日均線
price = close[window]
markers = {
    "newhigh_buy": ("^", "green"),
    "newlow_sell": ("v", "red"),
    "divergence_buy": ("^", "blue"),
    "divergence_sell": ("v", "orange"),
}
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 7), sharex=True)
ax1.plot(price.index, price, color="black", linewidth=1)
for name, flags in signals.items():
    marker, color = markers[name]
    days = flags.index[flags.values]
    ax1.scatter(days, price.loc[days], marker=marker, color=color, label=name)
ax1.legend()
ax2.plot(price.index, obv[window], label="OBV")
ax2.plot(price.index, obv.rolling(60).mean()[window], label="OBV MA60")
ax2.legend()
plt.show()

把這段交給你的 AI 助理，請它換成你想看的股票或調整窗口，就能確認「單股 obv 訊號頻繁而難用」在你關心的標的上是否一樣成立。

把 obv 拆成兩個有用的零件

直接比 obv 絕對值選股站不住，但拆開來看，它有兩個各自有用的零件，本文的純技術策略就建立在這兩個零件上。

零件一：obv 的 90 日 z-score 當吸籌確認濾網

既然 obv 的絕對值跨股不可比，解法是「別跟別人比，跟自己比」。把每一檔股票的 obv 用 90 日時序 z-score 標準化，也就是看「今天的 obv 相對它自己過去 90 日的均值，高出幾個標準差」。z-score 為正，代表這檔股票的累積量能相對自身近期仍偏多、量能持續流入，也就是還在吸籌；z-score 轉負，代表量能相對自身在退潮。會這樣標準化，是因為「成交量帶有報酬資訊」在實證上有依據：Campbell, Grossman & Wang (1993) 在《Trading Volume and Serial Correlation in Stock Returns》發現，股票報酬的序列相關會隨成交量變化。要把這份資訊抽出來，得先把每檔股票的量能放回它自己的歷史基準看。

z-score 的視窗長短有差。同樣取最高 30 檔等權：40 日視窗研究段年化 14.0%、2022 年起 13.5%，高低分位的年化差在 2022 年起只剩 1.5 個百分點；60 日視窗為 15.5% 與 20.8%；90 日視窗 18.8% 與 23.6%，研究段月夏普 0.90 是四種視窗裡最高；120 日視窗 17.5% 與 24.8%，2022 年起略好。視窗太短時 z-score 跟著每日漲跌跳動，量能「持續流入」的意思就被稀釋了。

這個零件在本文的角色是一道吸籌確認濾網：只保留「obv 90 日 z-score > 0」的股票，篩掉量能已經相對自身退潮的標的，再在這個池子裡用別的因子排序。z-score 回答的是「這檔股票的量能還在不在」這個是非題，排名高低交給下一步的動能因子。

零件二：股票池的 obv 廣度當大盤擇時開關

單看一檔指數（例如 0050）的 obv 有沒有站上自己的均線，訊號太雜：盤整期會反覆穿越。改看「可交易股票池裡有多少比例的股票 obv 站上各自的 60 日均線」，就得到一個橫截面、比較平滑的大盤量能度量，我們稱為 obv 廣度。廣度高，代表多數個股的量能結構偏多；廣度崩落，代表量能普遍在退潮。把它做成 risk-on／risk-off 的開關，就是整套策略的防禦腿。

圖上看得到兩件事：2015 年中、2018 年 10 月、2020 年 3 月、2022 年與 2026 年 7 月，廣度都跌破 0.55；但策略淨值在 2026 年 7 月仍明顯下挫。原因是回測每月換股一次，廣度只在換股日讀取，月中跌破門檻要等到月底才轉守（後面的「首發後的新資料」一節有逐日拆解）。

用量能結構控曝險的想法，和 Moreira & Muir (2017) 在《Volatility-Managed Portfolios》的出發點相近：他們證明依已實現波動度在風險升高時調降曝險，能提高投資組合的夏普比率。obv 廣度量的是量能結構，和波動度是兩種訊號，本文只借用「風險惡化時降曝險」這個想法，效果要看本文自己的回測，他們的結論不能搬過來當證據。

把兩個零件分別加到同一個「風險調整動能 14 檔」選股籃上，各自的貢獻如下：

讀法：吸籌確認單獨加上去，研究段與 2022 年起的月夏普各多 0.04 到 0.05，最大回撤小幅收斂；廣度擇時在研究段反而讓年化少 3.5 個百分點（risk-off 時改持 0050，錯過部分個股反彈），但把 2022 年起的月夏普由 0.92 拉到 1.09、全期最大回撤由 -43.1% 收斂到 -39.4%。兩個零件都加，研究段月夏普 1.25 與無 obv 版本幾乎相同，主要差別在 2022 年以後與回撤。選股端用「風險調整後最強」的股票，是因為 Jegadeesh & Titman (1993) 的動能效應：過去 3 到 12 個月的贏家在中期傾向繼續贏。本文用的 40 日（約 2 個月）比他們測的最短回看期還短，40 日是 2026 年 6 月在台股研究段選出的參數，學術結果只能說明方向，不能保證這個窗長。

完整策略：obv 雙核心純技術選股

把兩個零件疊上風險調整動能與反波動加權，組成一套可執行、可重現、完全不含基本面的純技術策略：

1. 風險調整動能（選股排序因子）：在可交易宇宙裡，每檔股票算「（收盤 ÷ 40 日前收盤 − 1）÷ NATR」，NATR 是 ATR14 ÷ 收盤。它衡量每承擔一單位波動換到多少動能，避免單純追高把高波動股選進來。
2. obv 吸籌確認（零件一，當濾網）：只在「obv 90 日 z-score > 0」的股票上計分。
3. 持股：在通過吸籌確認的股票裡，取風險調整動能最高的 14 檔，以反波動（1 ÷ NATR）加權，波動越低的股票配重越高。
4. 大盤擇時（零件二，obv 廣度）：同一個可交易宇宙裡「obv 站上自身 60 日均線」的個股比例 > 0.55 為 risk-on、≤ 0.55 為 risk-off。
5. 資產配置：risk-on 時滿倉持有那 14 檔；risk-off 時選股清零，整池改持含息 0050（不空手、不用槓桿）。
6. 月再平衡：每月最後一個交易日產生訊號、下一個交易日收盤換股。廣度也只在這一天讀取，月中轉弱要等到月底才轉守。

選股與擇時訊號的核心程式碼如下（可直接交給你的 AI 助理改寫；這裡的宇宙條件是簡化版，沒有均量門檻，也沒有排除金融股與處置股，選出的持股與廣度數值會和完整版略有不同；完整條件與回測在文末可下載的 strategy.py）：

import numpy as np
from finlab import data
 
close = data.get("price:收盤價")
amount = data.get("price:成交金額")
 
# 可交易宇宙（簡化版）：60 日均成交金額前 300 大、收盤 > 10 元，排除 ETF 與權證
liquidity = amount.rolling(60, min_periods=20).mean()
common_cols = [
    s for s in close.columns
    if str(s)[:4].isdigit() and not str(s).startswith("00")
]
universe = (liquidity.is_largest(300) & (close > 10))[common_cols]
 
# 風險調整動能 =（40 日報酬）÷ NATR，NATR = ATR14 ÷ 收盤
natr = data.indicator("ATR", timeperiod=14) / close
risk_adj_mom = (close / close.shift(40) - 1) / natr.replace(0, np.nan)
 
# 零件一（吸籌確認）：obv 的 90 日時序 z-score > 0
obv = data.indicator("OBV")
obv_mean = obv.rolling(90, min_periods=45).mean()
obv_std = obv.rolling(90, min_periods=45).std()
accumulating = ((obv - obv_mean) / obv_std > 0)[common_cols]
 
# 零件二（大盤擇時）：宇宙內 obv 站上自身 60 日均線的比例
above_ma = (obv > obv.rolling(60, min_periods=30).mean())[common_cols]
breadth = above_ma.where(universe).sum(axis=1) / universe.sum(axis=1).replace(0, np.nan)
risk_on = breadth > 0.55
 
# 吸籌確認池內取風險調整動能最高 14 檔，以 1 ÷ NATR 反波動加權
score = risk_adj_mom[common_cols].where(universe & accumulating)
basket = score.rank(axis=1, ascending=False) <= 14
inv_vol = (1 / natr[common_cols]).where(basket)
weight = inv_vol.div(inv_vol.sum(axis=1), axis=0).fillna(0.0)

三段績效與同一天起算的含息 0050 並列如下（資料截至 2026-09-30）：

讀法：研究段年化多出 11.2 個百分點，月夏普與月索提諾都明顯領先，最大回撤比 0050 深約 4 個百分點；2022 年起年化 30.7% 與 0050 的 30.5% 打平，月夏普、月索提諾落後，最大回撤深 5 個百分點。全期加總後，策略勝在年化報酬（28.1% 對 21.2%），月夏普 1.09 對 1.07 只小幅領先；月索提諾、最大回撤與年化波動（28.7% 對 19.8%）都輸給 0050。它的定位是「長期年化較高、但波動與回撤都比 0050 大，2022 年以後已經沒有報酬優勢」的動能策略，全程不吃任何財報或營收資料。

完整互動式回測（月報酬熱力圖、權益曲線、年度績效）：

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。risk-off 改持的含息 0050 是高流動性 ETF。
• 股票池：上市櫃普通股，60 日均成交金額前 300 名、收盤 > 10 元、60 日均量 > 100 萬股。
• 排除類別：排除 ETF（代號 00 開頭）、權證與特別股等非 4 碼數字代號、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。策略全期沒有持有過非 4 碼的代號。
• 生存者偏差：價格資料保留了後來下市或停止交易的股票（2015-01-30 有收盤價、2026-09-30 已無收盤價的 4 碼代號個股共 142 檔，含本來就不在股票池內的金融股），宇宙每天依當時的成交資料篩選，沒有只用今天還存在的股票回推。
• 前視偏差：風險調整動能、obv 90 日 z-score 與 obv 廣度均只使用當日（含）以前的價量；月底產生訊號、下一個交易日換股。完全不使用財報或月營收等基本面資料，自然沒有財報公布日對齊問題。
• 擇時執行頻率：obv 廣度每天都算得出來，但回測只在每月最後一個交易日讀取。2015 年以來廣度 67 次跌到 0.55 以下，其中 48 次在月底前就回到門檻上方而從未執行；其餘 19 次中位數延遲 4 個交易日、最長 18 個交易日。換股日處於 risk-off 的月份佔 15.6%。實際交易若改成每日檢查，結果會不同，本文沒有回測日頻版本。
• 權重：risk-on 時選股籃以反波動（1 ÷ NATR）加權、單一股票不另設上限，籃內權重加總為 1；risk-off 時整池轉持單一資產含息 0050。
• 周轉率：年換手約 9.6 次（選股集中 14 檔、月再平衡、擇時切換），高於被動持有，成本敏感度較高，已在 sim() 內扣手續費與證交稅下計算。
• 基準口徑：含息 0050 用 etl:adj_close 還原價買進持有純算術計算，不含交易成本，從策略第一個淨值日 2015-01-30 起算；2022 年起那一段兩者都從 2022 年第一個交易日起算。
• 樣本內外：研究段 2015-2021、2022-01 至 2026-09 分開回報。參數在 2026 年 6 月定案，當時的篩選條件同時要求研究段與 2022 年以後的成績過門檻，所以 2022 年起這段嚴格來說是「選參數時看過的驗證段」；完全沒看過的資料只有 2026-06-09 之後的近四個月，結果見下面的新資料追蹤。

穩健度

下面說的「過門檻」，指研究段年化 ≥ 25%、月夏普 ≥ 1.2，且 2022 年起年化 ≥ 15%、月夏普 ≥ 1.0，這是 2026 年 6 月定案時用的同一組標準。

• 單參數鄰格：研究段多數站得住，2022 年起分散：固定其餘參數、一次只動一個（動能窗 30／50 日、z 視窗 60／120 日、選股 12／16 檔、廣度均線 40／90 日、門檻 0.52／0.58），10 個鄰格的研究段月夏普落在 1.01 到 1.37，2022 年起落在 0.97 到 1.23，四項門檻全過的有 5 格。
• 最敏感的是動能窗：改成 30 日，研究段年化掉到 19.8%、月夏普 1.01，2022 年起卻升到 40.5%；改成 50 日，研究段 26.4%、月夏普 1.19，2022 年起降到 26.0%、月夏普 0.97。40 日在兩段之間取得平衡，但這代表動能窗是讀者最該保留戒心的參數。
• z 視窗不敏感：吸籌確認的 z 視窗改 60 日或 120 日，2022 年起月夏普 1.12、1.10，與 90 日的 1.11 幾乎相同。
• 廣度均線視窗：改成 40 日，研究段 1.20、2022 年起 1.02；改成 90 日，研究段升到 1.37、2022 年起 1.05，兩者都沒有比 60 日在兩段同時更好。
• 防禦腿的選擇看過新資料：risk-off 改成空手，研究段月夏普反而升到 1.54，但 2022 年起年化只剩 21.6%、月夏普 0.89。防禦腿選 0050 的決定，是在看過 2022 年以後資料的情況下做的。
• 反波動加權沒有明顯加分：改成等權，研究段年化 29.1%、月夏普 1.28，2022 年起年化 29.1%、月夏普 1.05，全期年化 29.1% 反而略高。反波動加權的作用比較像是讓權重偏向低波動股，對報酬沒有一致的貢獻。

參數最佳化：找一片站得住的高原，避開單一孤峰

這套策略有兩個最值得檢查的參數：選股檔數（決定持股集中度）與obv 廣度門檻（多少比例的個股 obv 站上均線才持股）。把所有組合跑一遍、挑研究段最高的那一格上線，是過度最佳化的典型陷阱：研究段最漂亮的單一峰值，常常是運氣湊出來的，換到新資料就垮。比較穩當的做法是看色溫圖找「一片站得住的高原」。

我們對選股檔數（13／14／15／16）× obv 廣度門檻（0.52／0.55／0.58／0.60）做 4×4 網格，每一格都用該設定重算選股籃與擇時訊號、重跑回測，色溫填研究段月夏普：

研究段是一片緩坡：16 格研究段月夏普落在 1.19 到 1.33，14 格在 1.20 以上。橫看選股檔數，13 到 16 檔的差距都在 0.06 以內；縱看門檻，0.58 那一列最高（1.30 到 1.33），0.60 那一列最低（1.19 到 1.21），研究段年化也降到 22.9% 到 24.0%，未達 25% 門檻。

把同一張網格換成看 2022 年起，排序就不同了：16 格落在 0.97 到 1.15，最高的是門檻 0.55 那一列（1.08 到 1.15），研究段最高的 0.58 那一列在 2022 年起只有 1.07 到 1.10；門檻 0.52 配 13、14 檔則掉到 1.0 以下。全期最大回撤介於 -43.9% 到 -33.9%，四項門檻全過的有 10 格。本文維持 6 月定案的 14 檔、門檻 0.55，不因新資料改設定。

下圖把上一節的 10 個單參數鄰格與預設值並排，藍色是研究段、紫色是 2022 年起：

研究段與 2022 年起的高低經常相反：動能窗 30 日研究段最低、2022 年起最高；廣度均線 90 日研究段最高、2022 年起只有 1.05。如果你看到某個最佳化「換個參數夏普就從 0.8 跳到 1.8」，那通常是踩到過擬合的地雷。關於過擬合與參數穩健，延伸可看策略最佳化會不會過擬合。

不同大盤狀態下的表現：逐年攤開

判斷一套策略是不是只靠某一段行情湊出來，最直接的方法是把每一個年度單獨結算、和含息 0050 對照。下表的 0050 與策略從同一天起算（2015 年自 1 月 30 日起，2026 年截至 9 月 30 日）：

12 個年度區間有 6 個勝過 0050。領先主要來自 2020、2021、2023 三年（分別多 35.2、28.6、83.6 個百分點），2022 年空頭也少跌 10 個百分點；但 2024 年起連續三個年度區間落後，2024 年差 39.2 個百分點、2026 年到 9 月底差 42.0 個百分點。這套策略的領先集中在少數幾個大年，近三年反而跑輸 0050。

首發後的新資料：2026-06-09 之後

本文首發版的資料截至 2026-06-09，參數也在那時定案。從那天到 2026-09-30，策略下跌 16.8%，同期含息 0050 上漲 8.9%。分段拆開如下：

四段連乘就是上面的區間報酬，虧損集中在 7 月。6 月底 obv 廣度 0.704、處於 risk-on，選出的 14 檔持股在 7 月 1 日買進、8 月 3 日換股出場，14 檔全部虧損，逐檔報酬中位數 -30.8%，跌最深的國巨（2327）-51.6%。同一個月 0050 只跌 4.0%，虧損來自策略持有的那一群強勢股同步回檔。策略淨值在 2026-06-22 創高，到 9 月底仍比高點低 25.1%。

這次虧損和擇時的執行頻率直接相關。obv 廣度在 7 月 17 日跌到 0.524，第一次低於 0.55，但回測要等到 7 月 31 日的換股訊號、8 月 3 日收盤才把選股籃換成 0050。從跌破前一天 7 月 16 日收盤到 8 月 3 日出場，策略淨值下跌 18.7%，同期 0050 跌 3.6%；其中 7 月 17 日當天就跌了 8.3%，收盤確認跌破之後到出場仍再跌 11.4%（日頻讀取能省下多少，本文沒有回測：7 月 22、23 日廣度又短暫回到 0.55 以上）；7 月 30 日的低點離 7 月 16 日跌了 27.3%。8 月整月廣度多半在 0.55 以下，策略持有 0050，8 月 31 日廣度剛好回到門檻上方，9 月又換回選股籃。研究段最差的單月是 2020 年 3 月的 -12.8%，2022 年以後在此之前最差的是 2025 年 3 月的 -15.9%；2026 年 7 月的 -28.7% 是研究段最差單月的兩倍多。

延長資料後，2022 年起的月夏普由 1.38 降到 1.11、年化由 38.8% 降到 30.7%，仍高於這類策略設定的 1.0 與 15% 門檻，因此本次屬於一般刷新：參數維持 2026 年 6 月的設定，數字全部換成新資料重跑的結果。但真正沒看過的這四個月，策略落後 0050 25.7 個百分點，下一次季度重跑會把 2026 年第四季補進這張表。

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 另外完整重跑一次，研究段 26.30%／月夏普 1.25、2022 年起 38.78%／1.38、全期 31.04%／1.22，與上一版的 26.27%／1.25、38.78%／1.38、31.05%／1.22 差距在 0.03 個百分點以內，本次的變化來自新增的資料。另有六處更正：①上一版的含息 0050 從 2015-01-05 起算，但策略的第一個換股淨值日是 2015-01-30，0050 在這中間上漲 2.2%；本版改為同一天起算，以 2026-06-09 為截止日，0050 全期年化由 20.98% 變為 20.89%、研究段由 15.29% 變為 15.09%。②上一版可下載的 strategy.py 與 data.csv 是 6 月定案前的舊策略（obv 廣度高時持有 0050、低時改持 00646，從不持有個股），印出的數字對不上文章；現在兩個檔案都與本文策略相同，執行 strategy.py 會印出三段績效、教科書用法對照、零件拆解、逐年報酬與 7 月起的逐月報酬。③上一版教科書表的「obv 數值最高 30 檔」最大回撤 -74.7%（z-score 最高 30 檔 -74.2%），來自從 2007 年 5、6 月就開始持股的回測，含 2008 年金融海嘯（以 2026-06-09 資料重算為 -74.7% 與 -74.5%）；與文中其他數字一樣從 2015 年起算後是 -37.3%（-37.7%），「用近乎腰斬一倍的回撤換報酬」的說法因此刪除，研究段年化也由 17.7% 變為 17.9%。④上一版寫可交易宇宙「排除 KY 股」，實際沒有排除。⑤上一版用法對照圖裡標成「obv 廣度擇時」的 1.15，是 6 月定案前那個 0050／00646 輪動舊策略的數字，本版改成與文中表格同一批回測。⑥上一版寫「z-score 視窗 40／60／90 日都有效」，40 日視窗在 2022 年起的高低分位年化差只有 1.5 個百分點，本版改寫；單股示意圖的訊號也改用完整歷史計算（上一版只用窗口內資料，窗口開頭的回看期不足，頁內程式碼也沒有畫背離訊號），台積電的訊號次數由 20／3／1／9 變為 20／4／3／10、鴻海由 12／7／4／6 變為 13／6／5／6（創新高買／賣、背離買／賣）。

搭配月營收 YoY：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：選股只用風險調整動能與 obv 吸籌確認，擇時只用 obv 廣度，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？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 14 檔、集中度已高，再加營收過濾會縮小可選池，可能壓縮動能因子的選擇空間（本文未測）；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程式碼裡，於選股計分前加一層 monthly_revenue 的 YoY 過濾自行對照。基本面與技術面如何分工，可延伸看技術面與基本面選股的差異。

obv 最常見的四個誤用，與對應的真實數字

1. 直接比 obv 數值大小選股。obv 是從資料起點累加的 level，比大小會偏向大型股：持股的市值百分位中位數 70.5，平均約兩成同時是市值前 30 大。研究段月夏普 0.78 低於 0050 的 1.00，2022 年起年化 22.1% 也落後 0050 的 30.5%。
2. 拿單股 obv 創新高／背離當進出場訊號。台積電一年內創新高派訊號 24 次、多是反覆穿越；背離派 10 次賣警訊大多出現在上漲途中。單股 obv 訊號頻繁又雜，回測站不住。
3. 把 obv z-score 當成唯一選股主因子。標準化確實改善了大小偏誤，z-score 最高 30 檔研究段月夏普升到 0.90，但仍低於 0050，2022 年起年化 23.6% 也落後。z-score 適合當「量能還在不在」的是非濾網，排序選股交給風險調整動能。
4. 指望個股訊號降低大盤回撤。z-score 吸籌籃全期最大回撤 -37.7%，比 0050 的 -34.0% 還深。降系統性回撤要靠 obv 廣度這種大盤級訊號，而且月頻讀取擋不住月中急跌：2026 年 7 月策略單月 -28.7%。

這四點背後是同一個原則：obv 的本質是累積量能 level，適合的位置是「標準化回自身」與「聚合成市場廣度」；直接比絕對值、或當單股的買賣扳機，在台股回測都站不住。

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：OBV 90 日 z-score 為正的股票裡，取風險調整動能最高 14 檔、反波動加權，股票池內 OBV 站上 60 日均的比例不到 0.55 時改持 0050，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 0.96 對 0050 的 0.96，2022 年起 0.94 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在 0.88 到 0.96 之間，OBV z-score 天數與持股檔數怎麼換都差不多，但都低於 0050。前段（2015 到 2020 年）日夏普 0.85 小輸 0050 的 0.89，後段 1.03 輸 1.24，三項都不成立。年化高出 0050 約 4.6 個百分點，是用較大的波動與 -39.9% 的回撤換來的。上文的年化 28.1% 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 27.6%，換成 sim() 預設成本是 25.1%。

策略的限制與取捨

• 集中持股帶來高波動：策略只持 14 檔，年化波動 28.7% 高於 0050 的 19.8%，全期最大回撤 -39.0% 也深於 0050 的 -34.0%，單一月份可能虧近三成（2026 年 7 月 -28.7%）。承受得住這級波動才適合。
• 擇時是月頻，月中急跌擋不住：2026 年 7 月 obv 廣度在 7/17 就跌破門檻，部位到 8/3 才轉持 0050；從跌破前一天 7/16 收盤到 8/3 轉守，淨值跌 18.7%，7/17 收盤確認跌破之後仍再跌 11.4%。實際操作若改成每日檢查，報酬與回撤都會不同，本文沒有回測那個版本。
• 近年落後 0050：2022 年起年化與 0050 打平、月夏普 1.11 低於 0050 的 1.21；2024 年起連續三個年度區間落後，2026 年到 9 月底策略 +32.3%、0050 +74.3%。
• 對動能窗敏感：動能窗改成 30 或 50 日，研究段與 2022 年起的成績往相反方向大幅變動。參數與防禦腿都是在看過 2022 年後資料的情況下定案的，未來表現可能比本文 2022 年起那段更差。
• 高周轉、成本敏感：年換手約 9.6 次，報酬已在 sim() 內扣手續費與證交稅後計算，但實單滑價會進一步侵蝕，資金規模越大越明顯。
• 容量與崩盤型態：選股僅 14 檔、宇宙限前 300 大，大資金部署需重估流動性衝擊；資料起點 2015，未對更早期（2008／2011）的崩盤型態做滾動測試，不保證對沒見過的型態同樣有效。

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、data.csv 與 metrics.json，即可在自己的環境重跑、改門檻、換防禦標的。strategy.py 把資料截止日釘在 2026-09-30，改成 None 就會用最新資料重跑；data.csv 是策略、0050 與 obv 廣度的逐日數列。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、程式交易是什麼與如何挑選台股。想對照 RSI、KD、MACD 等其他指標的回測結論，可讀13 個技術指標的台股回測總覽；同樣用廣度做擇時、也遇到月頻落差的例子，可看布林通道的台股回測。關於用大盤訊號降低回撤，也可看市場濾網如何降低回撤。

常見問題

Q：obv 指標怎麼看？數字越大越好嗎？ 不對。obv 是累積量能，數字大小受股本、成交量與累積時間主導，跨股比大小會偏向大型股（台股研究段「obv 最高 30 檔」月夏普 0.78，低於 0050 的 1.00）。正確看法是「跟自己比」：用時序 z-score 看 obv 相對自身近期是否偏多，或看股票池的 obv 廣度判斷大盤量能。

Q：obv 背離一定會反轉嗎？ 不一定。台積電 2023-07 到 2024-06 一年內出現 10 次「價創新高、obv 沒跟上」的賣警訊，股價卻從 580 元附近漲到 960 元以上。單股背離訊號噪音大，obv 比較可靠的角色是標準化後的吸籌濾網與市場廣度擇時。

Q：obv 可以單獨拿來當買賣訊號嗎？ 不建議。obv 創新高追、背離反向、obv 數值橫截面選股，在本文的台股回測都沒有贏過含息 0050 的風險調整報酬。obv 適合當選股的確認濾網或大盤量能開關，搭配其他因子使用。

Q：obv 的參數（均線天數）要設多少？ 本文用 60 日當 obv 廣度的均線視窗、90 日當個股 z-score 標準化視窗、廣度門檻 0.55、選股 14 檔。z 視窗改 60 或 120 日幾乎沒差；廣度均線改 40 或 90 日、門檻在 0.52 到 0.60 之間，研究段月夏普都在 1.19 以上，但 2022 年起的表現會跟著變，動能窗則是最敏感的參數。與其細調參數，先用對位置比較重要。

Q：obv 和成交量、MFI 差在哪？ 成交量是單日的量，obv 是把量按漲跌方向累加成趨勢線。MFI（資金流量指標）則把價量加權後做成 0 到 100 的擺盪指標，可以直接比超買超賣，回測結論見 MFI 資金流量指標的台股回測。obv 的特色是「累積 level」，最適合的用法是標準化看自身、或聚合成市場廣度。

Q：為什麼要用「廣度」，只看大盤指數的 obv 不行嗎？ 單一指數的 obv 穿越均線在盤整期雜訊太大、來回甩巴掌；股票池的廣度是橫截面的量能度量，比較平滑。本文把廣度擇時加到同一個選股籃上，2022 年起月夏普由 0.92 升到 1.09、全期最大回撤由 -43.1% 收斂到 -39.4%。代價是研究段年化少 3.5 個百分點，而且月頻讀取會延遲轉守。

Q：這套策略適合誰？ 適合想主動選股、能接受 -39% 等級回撤、單月近三成虧損與較高換手成本的人：全期年化 28.1%、月夏普 1.09，研究段大幅勝過含息 0050，但 2022 年起只與 0050 打平，2024 年起連續落後。受不了深度回撤、或偏好低周轉被動持有的人，直接買進持有含息 0050 更省心。

Q：obv 和 KD、RSI 一起用會更好嗎？ 這些都是從同一組價量序列算出來的指標，資訊高度重疊，疊在一起很難增加新資訊（本文沒有回測這個組合）。本文的做法是讓不同性質的訊號分工：用風險調整動能排序選股、用 obv 90 日 z-score 確認量能、用 obv 廣度當大盤擇時開關。各擺盪指標的用法可參考 RSI、MACD、KD 比較。

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。obv 雙核心純技術策略全期最大回撤 -39.0%、2026 年 7 月單月 -28.7%，實際交易前請自行評估風險、滑價與交易容量。