data.indicator() 一行算全台股技術指標（TA-Lib Python 回測）

先講最有用的一件事：在 finlab 裡，算一個技術指標到全台股，只要一行。

from finlab import data
 
rsi = data.indicator("RSI", timeperiod=14)

這一行回傳的 rsi，欄是全部上市櫃股票代號、列是日期，涵蓋約 2700 多檔股票、近 19 年的歷史。它是一個 FinlabDataFrame，可以直接放進選股條件與 sim() 回測，不需要再為每一檔股票寫迴圈。實際跑出來，這個指標矩陣的形狀大約是 4700 個交易日 × 2759 檔股票，資料從 2007 年 4 月一路接到 2026 年 6 月。

這篇文章用 RSI、KD、MACD、ATR 四個最常被問到的指標當例子，先示範 data.indicator() 的算法與特色，再附一個用 RSI 當訊號源的真實台股回測（結果輸給含息 0050，但這正是重點），最後給可下載的 strategy.py 與 data.csv 讓你自己重現。

關鍵數字：一行 data.indicator() 算出什麼

下面這張表是 2026-06-26 當天，data.indicator() 在台積電 2330 上算出的真實指標值，全部來自下方可下載的腳本，沒有一個是手填的：

把同一個 RSI 套到當天有正常交易、且 60 日均量大於 500 萬股的流動股票池（約 402 檔）上，可以一眼看到全市場的多空溫度：RSI 中位數 49.8，落在 30 以下的超賣股只有 7 檔，70 以上的超買股有 15 檔。這代表那一天台股整體不算過熱、也沒有恐慌，是個相對平衡的位置。下面這張全市場 RSI 分布圖，就是這一行算出來的成果：

這就是 data.indicator() 相對於傳統寫法最大的差別。早年要算技術指標，得先把每一檔股票的開高低收量整理成字典，再對每一檔跑一次 TA-Lib，最後把結果塞回 DataFrame。同樣的事，data.indicator() 一行就替全市場做完，而且回傳的是可以直接回測的格式。

data.indicator() 的幾個特色

data.indicator() 底層是呼叫 TA-Lib 的 abstract 模組，把指標套到 finlab 的全市場價格資料上。它有幾個讓回測變簡單的設計：

• 一行算全市場：傳指標名稱（例如 "RSI"、"STOCH"、"MACD"、"ATR"），回傳整個市場的指標矩陣，不必逐檔迴圈。
• 多輸出自動拆開：像 KD（STOCH）會回傳 K、D 兩個矩陣，MACD 會回傳 MACD 線、訊號線、柱狀圖三個矩陣，用多重指定接住即可。
• adjust_price 用還原股價：傳 adjust_price=True 會改用還原權息後的價格來算指標，避免除權息當天的價格跳空污染均線與通道類指標。
• resample 換頻率：傳 resample="W" 或 resample="M" 可以直接算週線、月線的指標，不用自己先降頻。
• market 切換台股 / 美股：搭配 data.set_market("us") 後再呼叫，同一行就能算美股的指標。
• **kwargs 改參數：TA-Lib 的參數直接當關鍵字傳進去，例如 data.indicator("RSI", timeperiod=10)、data.indicator("STOCH", fastk_period=9)，把教科書常用的 KD（9、3、3）一秒設好。
• 回傳 FinlabDataFrame：結果可以直接和其他條件做布林運算（例如 rsi < 30），再丟進 sim() 回測，中間不用轉格式。

至於指標總數，TA-Lib 本身提供約 158 個函式（用 talib.get_functions() 可列出完整清單），涵蓋重疊研究、動量、成交量、波動度、型態辨識等大類；若再加上 pandas-ta，可用的指標達到上百種。data.indicator() 支援的就是這個 TA-Lib（或 pandas-ta）函式庫，名稱與參數和 TA-Lib 文件一致，所以查到的任何一個指標都能套用到全台股。

到這裡你已經知道它能做什麼了。如果想直接照這篇把環境裝好、把指標算出來，用下面這句提示詞讓 AI 幫你設定 FinLab、抓好台股資料、跑通 data.indicator()：

關於安裝：data.indicator() 需要環境裡有 TA-Lib 或 pandas-ta。過去 TA-Lib 因為要先裝 C 語言函式庫而難搞，現在大多數平台已經可以直接 pip install ta-lib 裝好（背後改用預編譯套件）。finlab 套件本身的取得，照上面 AI 輔助設定流程準備就會把這些依賴一併處理好，你不需要手動拼湊環境。

四個指標的 data.indicator() 寫法

下面四段是這篇示範的四個指標。每一段都附一句白話的「它在量什麼、典型怎麼讀」，讓你不只看得懂程式碼，也知道訊號代表什麼。

KD（STOCH）：收盤在區間裡的相對位置

KD 量的是「今天收盤落在最近一段高低區間的哪個位置」，數值在 0 到 100 之間。典型讀法是 K 向上穿過 D 形成黃金交叉、且位置在低檔（K<20）時，視為短線轉強的訊號；反過來在高檔（K>80）死亡交叉則是轉弱。

from finlab import data
 
# STOCH 是多輸出指標，一行同時拿到 K 與 D 兩個全市場矩陣
k, d = data.indicator("STOCH")
 
# 看台積電 2330 最近一筆
print(k["2330"].dropna().iloc[-1])   # 2026-06-26：10.70
print(d["2330"].dropna().iloc[-1])   # 2026-06-26：36.67

文章開頭那張縮圖，就是把這兩條線疊在台積電 2330 的還原股價上畫出來的。當天 2330 的 K 值只有 10.70、落在低檔區，而 D 值還在 36.67，K 尚未向上穿過 D，屬於低檔但還沒出現黃金交叉的狀態。

RSI：近期漲跌力道的擺盪指標

RSI（Relative Strength Index，相對強弱指標）由 Wilder (1978) 在《New Concepts in Technical Trading Systems》提出，把一段期間內的上漲幅度與下跌幅度相比，換算成 0 到 100 的數值。典型讀法是 RSI 低於 30 視為超賣、高於 70 視為超買。

from finlab import data
 
rsi = data.indicator("RSI", timeperiod=14)
 
# 全市場一次到位：今天有多少檔超賣、多少檔超買
liquid = data.get("price:成交股數").rolling(60).mean() > 5_000_000
today = rsi.iloc[-1][liquid.iloc[-1]].dropna()
print((today < 30).sum())   # 全市場超賣檔數：7
print((today > 70).sum())   # 全市場超買檔數：15

把 RSI 算到全市場之後，它不只能看單一檔，還能聚合成「市場廣度」：當天超賣 7 檔、超買 15 檔，就是一個橫截面的多空溫度計。等一下的回測就是用這個 RSI<30 的超賣訊號當進場條件。

MACD：中期動能的方向

MACD 是兩條不同週期指數均線的差，再對它取一條訊號線，兩者相減就是柱狀圖（histogram）。典型讀法是 MACD 線向上穿過訊號線（柱狀圖由負轉正）視為動能轉強。要注意的是，柱狀圖在台股實測比較像是反轉的提示而非順勢的動能訊號，這點在 MACD 台股 11 年回測 有完整的拆解。

from finlab import data
 
# MACD 是三輸出指標：macd 線、訊號線、柱狀圖
macd, macd_signal, macd_hist = data.indicator("MACD")
 
print(macd["2330"].dropna().iloc[-1])        # 41.57
print(macd_signal["2330"].dropna().iloc[-1]) # 47.15
print(macd_hist["2330"].dropna().iloc[-1])   # -5.58（為負，短線動能偏弱）

2026-06-26 當天，台積電 2330 的 MACD 線（41.57）還在訊號線（47.15）下方，柱狀圖為 -5.58，代表那段時間短線動能偏弱、尚未轉強。

ATR：波動度的絕對大小

ATR（Average True Range，平均真實區間）量的是一檔股票每天的平均波動幅度，是個以「元」為單位的絕對波動度，常被用來設停損距離或做部位大小控制（波動越大、單位風險越高，部位就配越小）。它本身沒有超買超賣的概念，是個風控用的尺。

from finlab import data
 
# 一行算全市場 ATR；adjust_price=True 用還原股價避免除權息跳空
atr = data.indicator("ATR", adjust_price=True, timeperiod=14)
 
# atr 是 FinlabDataFrame，可用來算「波動度過濾」或停損距離
print(atr.shape)   # 例如 (4700+, 2700+)：全市場、全歷史一次到位

ATR 的完整台股回測、以及怎麼用它搭出肯特納通道（Keltner Channel）做停損停利，整理在 ATR 指標與肯特納通道台股回測。這裡只示範它一樣是一行 data.indicator() 就算到全市場。

一個真實回測：RSI 超賣均值回歸（輸給 0050）

光會算指標沒有意義，關鍵是把它放進回測看它到底有沒有用。這裡用最直覺的一種用法當例子：每個月在流動股票池裡，買進所有 RSI(14) 低於 30 的超賣股，等權持有，月底再平衡。直覺上這是「跌深反彈、均值回歸」的賭注。

結果如何？把它和同一段期間、同一視窗的含息 0050 擺在一起，差距非常清楚：

在本文設定下、2016 到 2026 這段期間，這個單純的 RSI 超賣策略年化是 -2.03%，總報酬甚至為負（-18.9%），而同期含息 0050 年化 23.99%、總報酬 851.1%。不只報酬輸，風險還更大：策略最大回撤 -67.77%，比 0050 的 -33.96% 深了一倍。日夏普 0.06 對上 0050 的 1.24，連同一個量級都談不上。

為什麼會這麼差？因為台股具有強烈的動能特性，這在 Jegadeesh & Titman (1993) 的動能效應，以及 Asness, Moskowitz & Pedersen (2013) 跨市場的驗證裡都有記錄：過去中期的贏家傾向繼續贏。RSI 低於 30 的股票，在台股多半是「下跌中繼」而不是跌深反彈的候選，用 RSI 超賣去接它們，等於系統性地買進正在走弱的股票，愈攤愈低。這也和擺盪指標被廣泛使用後容易失效的觀察一致，Lo, Mamaysky & Wang (2000) 在用統計方法檢驗技術型態的研究中就指出，技術訊號的價值高度取決於市場結構與使用方式，而非訊號本身。

這個結果說明的是指標的正確定位：RSI 的價值在於「把全市場一次算出來，當成一個橫截面的訊號層或風控層」，再搭配其他選股核心使用，而非單獨拿一個門檻當買賣聖杯。把 RSI 改當動能因子（買強勢、避開弱勢）的完整實測，在 RSI 台股 11 年回測 有反過來的結論。

下面是這個 RSI 超賣回測的互動式報告，可以自己拉時間軸、看每段的部位與報酬：

回測方法與口徑

為了讓上面的數字可被檢驗，這裡把回測設定講清楚：

• 回測區間：2016-01-01 到 2026-06-26，全段為樣本內（in-sample），本文未另做樣本外切分，這個結論是「單一 RSI 超賣門檻在這段期間的表現」，不宜外推成所有期間。
• 股票池與流動性過濾：上市櫃股票，並用 60 日均量大於 500 萬股做流動性過濾，避免回測買得到、實單買不到。
• 交易成本：用 finlab sim() 的台股預設，手續費 0.1425%（打 5 折）並已內扣賣出證交稅 0.3%。
• 再平衡與權重：月頻再平衡、符合條件者等權持有，平均同時持有約 7.6 檔。
• 滑價與容量：本文未額外假設滑價，也未估算策略容量；實際衝擊取決於資金規模與個股成交量。
• 前視偏差：指標用當期收盤後可得的價量資料計算，月底依當時可得資料換股。
• 基準：0050 含息，用 etl:adj_close 還原價在同一視窗以 .loc 對齊後做買進持有，未經 sim()、不含交易成本。日夏普與月夏普分別以日頻、月頻年化，兩者口徑不同不可直接互比。

這段把方法攤開，是為了讓你判斷數字的可信度，而不是只看一個漂亮（或難看）的年化數字。

從一行指標到完整策略

data.indicator() 的真正用途，是當作你選股流程的零件。常見的接法是：用一個指標的全市場矩陣做布林條件、和基本面或籌碼面條件做交集，再把結果丟進 sim()。例如把 RSI 當成廣度風控（全市場超賣股太多時降曝險）、把均線當成趨勢濾網、把動能當成主選股因子，三者性質不同，疊起來才有互補。

如果你想看各個指標單獨當因子、或搭成完整策略後在台股的真實成績，可以從這幾篇接著讀：

• 13 個常用技術指標總覽：一頁看完 13 個指標各自當選股因子與風控的台股回測。
• KD 指標台股 11 年回測：把 KD 拆成斜率因子加大盤風控的純技術策略。
• MACD 台股 11 年回測：柱狀圖在台股是反轉訊號而非動能訊號。
• 布林通道台股 11 年回測：把布林通道拆成選股因子與大盤風控。
• ATR 與肯特納通道台股回測：用 ATR 設停損停利與通道。
• 乖離率台股 11 年回測：乖離率是動能因子，不是抄底訊號。
• 威廉指標台股 11 年回測：把威廉 %R 當相對強勢主因子。
• OBV 能量潮台股回測：把 OBV 拆成吸籌確認與廣度擇時。
• 均線台股回測：靠近新高選股加均線停損。

這篇接續 Python 時間序列實作 的資料整理基礎；想看用深度學習解析 K 線、預測股價的延伸，可以參考 MI-LSTM 股價預測論文台股實測。指標名詞的定義可查 量化交易詞彙表。把指標組成可驗證的完整策略、再做風險評估的全貌，整理在 量化交易完整指南。

自己重現這篇的回測

文章裡每一個數字都來自下面這支腳本，可以直接下載重跑：

• 策略程式碼：strategy.py
• 權益曲線對照表：data.csv

腳本登入只需要一行 finlab.login()，finlab 會在需要資料時自動引導你完成登入，不需要在程式碼裡填任何金鑰。把它跑起來，就能複製出本文的指標範例值與 RSI 超賣回測。

常見問題

Q：data.indicator() 和自己用 TA-Lib 有什麼差別？ TA-Lib 一次只算一檔股票的序列，你得自己對每一檔迴圈、再把結果組回 DataFrame。data.indicator() 直接回傳全市場、全歷史的指標矩陣（FinlabDataFrame），可以馬上拿來做選股條件與 sim() 回測，省掉資料整理與迴圈。

Q：到底有幾種指標可以算？ TA-Lib 本身約 158 個函式，用 talib.get_functions() 可列出完整清單；再加上 pandas-ta，可用的指標達上百種。data.indicator() 的指標名稱與參數和 TA-Lib 一致，查到的指標基本都能套用。

Q：TA-Lib 還是很難安裝嗎？ 現在大多數平台已經可以直接 pip install ta-lib 裝好，不再需要手動編譯 C 函式庫。若用上面的 AI 輔助設定流程準備環境，這些依賴會一併處理好。

Q：怎麼改 KD 或 RSI 的參數？ 直接把 TA-Lib 的參數當關鍵字傳進去。例如 data.indicator("RSI", timeperiod=10)、data.indicator("STOCH", fastk_period=9) 就能把 KD 設成教科書常用的 9、3、3。

Q：adjust_price 什麼時候要設 True？ 算均線、通道、ATR 這類和「價格水準」有關的指標時建議設 adjust_price=True，用還原權息後的價格，避免除權息當天的跳空把指標扭曲。純粹的擺盪指標（如 RSI、KD 用的是相對位置）影響較小。

Q：單一技術指標可以直接當買賣訊號嗎？ 本文的 RSI 超賣回測說明了風險：單一門檻在台股 2016 到 2026 年化 -2.03%、最大回撤 -67.77%，輸給含息 0050 一大截。指標適合當橫截面的訊號層或風控層，搭配其他選股核心使用，而不是單獨當聖杯。

Q：可以算美股的指標嗎？ 可以。先 data.set_market("us") 切到美股，再呼叫 data.indicator()，同一行就會算美股的指標矩陣。

最後更新：2026-06｜回測區間：2016-01 到 2026-06｜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，所有指標值與回測數字均由 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。文中 RSI 超賣均值回歸策略全段最大回撤 -67.77%、年化為負，僅作為「單一指標不宜直接當買賣訊號」的反面教材，實際交易前請自行評估風險、滑價與交易容量。