RSI 指標台股 11 年回測：當動能選股因子＋廣度風控的純技術策略

RSI 指標在台股的正確用法：當動能選股因子加廣度風控

幾乎每一篇 RSI 教學都告訴你同一句話：RSI 低於 30 是超賣、該買，高於 70 是超買、該賣。但把這條規則放進台股做 11 年回測（2015-2026），「RSI 低於 30 買進」研究段年化報酬只有 1.13%、月 Sharpe 0.16，幾乎等於沒賺。問題不在 RSI，而在用反了方向。用 finlab 套件抓的上市櫃真實價量資料攤開來看，RSI 在台股真正有效的用法剛好相反——把它當成相對強勢動能選股因子，橫截面取 RSI 最高的強勢股（強者恆強），而不是抄超賣。把這個動能訊號放進「站上季線、站上半年線」的趨勢池選 13 檔強勢股，再用「全市場站上季線的個股比例（廣度）」當純現金減碼風控——廣度跌破 0.40 就把整籃曝險縮到半倉、其餘轉現金，全程不加槓桿。這套「RSI 強勢動能加廣度風控」純技術策略研究段（2015-2021）年化 25.5%、月 Sharpe 1.23、最大回撤 -30.4%，樣本外（2022-2026）年化 31.7%、月 Sharpe 1.23，全期（2015-2026）年化 27.8%、月 Sharpe 1.13、最大回撤 -35.4%——三段都勝過含息 0050（全期年化 21.0%、Sharpe 1.05、回撤 -34.0%），且不含任何基本面、可下載重現。

先用一張表回答你搜尋「RSI」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 與 etl:adj_close 含息還原股價），RSI 以 TA-Lib RSI 計算，回測區間 2015-01 至 2026-06-09，基準為含息 0050。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；想釐清技術面與基本面選股的差別，可參考技術面與基本面選股的差異。

RSI 是什麼

RSI（Relative Strength Index，相對強弱指標）由 Wilder (1978) 在《New Concepts in Technical Trading Systems》提出，是一個動量振盪指標。它把一段期間（常用 14 日）內的上漲幅度與下跌幅度相比，換算成一個 0 到 100 的數值：

RSI = 100 −（100 /（1 + RS）），其中 RS = 該期間平均上漲幅度 / 平均下跌幅度。

直覺上，RSI 衡量「近期的上漲動能占總波動的比例」。連續上漲時 RS 變大、RSI 趨近 100；連續下跌時 RSI 趨近 0。技術指標的基礎名詞可參考名詞詞彙表。

RSI 的數學定義：兩個平均，一個壓縮

把上面那句白話寫成公式，RSI 只用兩個量、再做一次壓縮：

$RS = \frac{\overline{U}_n}{\overline{D}_n},\qquad RSI = 100 - \frac{100}{1 + RS}$

逐項拆解每個符號：

• $\overline{U}_n$ 是過去 $n$ 日（常用 $n = 14$）裡，所有「上漲日」漲幅的平均；某日收盤比前一日高多少，就把那個正的差額計入，下跌日記為 0。
• $\overline{D}_n$ 對應同一段期間裡所有「下跌日」跌幅的平均（取正值）；上漲日記為 0。
• $RS$（相對強弱比，Relative Strength）就是這兩個平均相除：近期漲多於跌時 $RS > 1$，跌多於漲時 $RS < 1$。$RS$ 本身範圍從 0 到無限大，不好讀。
• 後面那條 $RSI = 100 - 100 / (1 + RS)$ 是一個壓縮函數，把 $0$ 到 $\infty$ 的 $RS$ 映射回 $0$ 到 $100$ 的有界區間。當 $RS \to 0$（全是跌日）時 $RSI \to 0$；當 $RS \to \infty$（全是漲日）時 $RSI \to 100$；漲跌力道相當（$RS = 1$）時 $RSI = 50$。

實務上 $\overline{U}_n$、$\overline{D}_n$ 採用 Wilder 設計的平滑遞迴（等效於 $\alpha = 1/n$ 的指數移動平均，而非單純的簡單平均），讓 RSI 不會因為某一天的極端漲跌而劇烈跳動。本文用 TA-Lib 的 RSI(timeperiod=14)，內部就是這套 Wilder 平滑，與看盤軟體的預設值一致。理解這條公式有個關鍵啟示：RSI 的高低反映的是近期漲跌力道的相對比例，而不是價格的絕對位置——一檔長期上攻的強勢股，RSI 可以長時間維持在 60 到 80，並不會因為「漲多了」就自動掉回 30。這正是後面回測會看到「高 RSI 不該當賣訊號」的數學根源。

教科書對 RSI 的標準解讀是兩條水平線：RSI 高於 70 算「超買」（暗示該賣）、低於 30 算「超賣」（暗示該買）。這套解讀背後的假設是均值回歸——價格漲多了會回檔、跌多了會反彈。聽起來很合理，但合理不等於賺錢。台股到底吃不吃這一套？直接回測。

教科書的「RSI 低於 30 買進」，在台股 11 年幾乎是死訊號

我們在可交易宇宙（成交金額前 300 大、收盤 > 10 元，排除 ETF、金融股、KY 股、處置股）裡，把幾種「RSI 選股」用法各跑一次月再平衡的回測。每個月底依照當下的 RSI(14) 讀數排序選股、持有約 30 檔，研究段（2015-2021）結果如下：

結論很反直覺，卻很清楚：最多人用、每本教科書都教的「RSI 低於 30 超賣買進」，在台股研究段年化只有 1.13%、月 Sharpe 0.16，幾乎是死訊號。 而被多數教學當成「該賣」訊號的高 RSI，拿來選股反而年化 16.7%，是超賣買進的十幾倍。樣本外（2022-2026）同樣的對比依然成立：取 RSI 最高 30 檔年化 22.23%，取最低 30 檔只有 14.36%。

為什麼會反過來？因為台股具有強烈的動能特性。RSI 高代表近期買盤持續、強勢延續，在月頻再平衡下這個延續性可以被收割；而 RSI 低的股票在台股多半是「下跌中繼」，不是跌深反彈的候選——接刀沒有均值回歸的保護，只會愈攤愈低。這和 Jegadeesh & Titman (1993) 的動能效應一致：過去中期的贏家，傾向繼續贏。而 Asness, Moskowitz & Pedersen (2013) 進一步證明動能效應跨多國股市與多種資產普遍存在，並非單一市場的偶然，這也支持「在台股收割強勢延續」這個方向。

至於把 RSI 再加工的那幾種花式用法——一階差分（變化速度）、二階差分（加速度）、時序 z-score 高檔——研究段年化全部落在 6.51%~9.92%，反而比單純取 RSI 最高還差。原因是 RSI 本身已經是動量振盪指標，再對它取差分只放大噪音、損失訊號。延伸閱讀：把長週期 RSI 搭配基本面追漲的另一種選股做法見長週期 RSI 追漲策略；RSI 和 MACD、KD 的橫向比較見RSI、MACD、KD 三大指標台股實測。

看一張圖就懂：兩派訊號在個股上長什麼樣

把公式畫到真實個股上，最能看出教科書兩派用法的問題。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 RSI(14) 與超買 70、超賣 30 兩條帶：

圖上標了兩派常見訊號：超賣派（RSI 跌破 30 買、突破 70 賣）與動能派（RSI 由下向上穿越 55 買、跌破 45 賣）。兩派在這檔強勢股上的行為剛好對照出問題：

• 超賣派整年幾乎不出手。 台積電這段是緩漲到急攻的多頭，RSI(14) 全年沒有一次跌破 30——超賣買點觸發 0 次，反而是「突破 70 該賣」觸發了 9 次。也就是說，照教科書超賣派操作，你在這檔最會漲的股票上一張都不會買，還會在它一路創高的途中被「超買」訊號勸下車 9 次。
• 動能派訊號頻繁、來回洗。 動能派在台積電同窗觸發 19 次買、10 次賣，兩派合計 38 個進出訊號——平均每幾週就要你動一次手。多數穿越發生在橫盤段，買完沒多久又跌破 45 出場，這就是典型的 whipsaw（被上下假突破來回甩巴掌）。聯發科（2454）同窗也有 29 個訊號，型態類似：超賣買點只出現 1 次，動能派來回 18 次。

兩張圖一起說明了本文的核心：單看一檔股票的 RSI 數值高低來決定進出，在台股強勢股上不是漏掉行情（超賣派）就是被洗到暈頭（動能派穿越）。 RSI 真正的價值不在「某一檔何時買賣」，而在「同一時點橫向比較全市場誰最強」——這也是為什麼後面的策略把它當成月頻的橫截面選股因子，用全市場的廣度訊號統一控曝險，而不是讓 RSI 自己頻繁進出。

想自己畫這張圖、把任一檔股票的 RSI 與兩派訊號標出來，可以用下面這段程式碼當骨架（完整的繪圖樣式放在文末可下載的腳本，這裡先給可讀版）：

import pandas as pd
from finlab import data
 
# 登入後抓真實台股價量；finlab 會在需要資料時自動引導登入
close = data.get("price:收盤價")
rsi = data.indicator("RSI", timeperiod=14)
 
# 取單一檔、約一年的窗，避免畫太長擠成一團
stock_id = "2330"
window = slice("2023-07-01", "2024-06-30")
px = close[stock_id].loc[window]
ind = rsi[stock_id].loc[window]
 
# 超賣派訊號：RSI 跌破 30 買、突破 70 賣
oversold_buy = (ind.shift(1) >= 30) & (ind < 30)
overbought_sell = (ind.shift(1) <= 70) & (ind > 70)
 
# 動能派訊號：RSI 由下穿越 55 買、跌破 45 賣
momentum_buy = (ind.shift(1) <= 55) & (ind > 55)
momentum_sell = (ind.shift(1) >= 45) & (ind < 45)
 
# 把訊號日期挑出來，疊到價格圖上即可（繪圖可用 plotly / matplotlib）
buy_dates = px.index[oversold_buy | momentum_buy]
sell_dates = px.index[overbought_sell | momentum_sell]
print("買點數：", len(buy_dates), "賣點數：", len(sell_dates))

這段邏輯刻意分開兩派、各自標訊號，你可以把 stock_id 換成任何一檔，自己觀察「超賣派多久才出一次手、動能派被洗幾次」。

動能 RSI 的真正問題：抱不住的 -40% 回撤

那麼把高 RSI 動能照單全收就好了嗎？沒這麼簡單。裸用「全宇宙取 RSI 最高 30 檔」雖然研究段年化 16.7%，但它的月 Sharpe 只有 0.89、最大回撤高達 -40.56%——報酬是用很深的回撤換來的。高 RSI 容易選到高波動的拋物線股，一旦反轉就是急殺，實務上很難抱得住。

要讓 RSI 動能可用，得做兩件事：先把選股池框在有趨勢結構的強勢股裡，再在大盤系統性轉弱時把整籃曝險降下來。 這兩件事都用純價量達成，不碰基本面、不加槓桿。

完整策略：RSI 強勢動能選股加廣度純風控

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，分成「選股」與「風控」兩層：

1. 趨勢池：先在可交易宇宙中，只保留同時站上季線（收盤 > 60 日均線）與半年線（收盤 > 120 日均線）的股票。RSI 衡量的是相對強弱，先用絕對趨勢框定方向，才不會在下跌段選到「跌得比較少」的弱股。
2. 選股（RSI 唯一因子）：在這個趨勢池內取 RSI(28) 最高的 13 檔，每檔固定 1/13 權重，月再平衡。這裡的 RSI 用 28 日週期——比看盤軟體預設的 14 日更平滑，過濾掉短線雜訊，更能反映「中期的相對強勢延續」。
3. 廣度純風控（不加槓桿）：每日計算可交易宇宙中「收盤站上季線的個股比例」，當成全市場多空力道的廣度訊號。廣度 > 0.40 維持滿倉持有那 13 檔強勢股；廣度跌破 0.40，代表多數個股結構轉弱，就把整籃曝險縮減到半倉（剩下半數轉現金，不加碼、不放空、不開槓桿），廣度回升次日恢復滿倉。

這套設計的核心是「選股只靠 RSI 動能、風控只靠廣度減碼」，兩者分工、各只用價量。把它逐層拆開看建構過程，最能說明每一層在做什麼。下圖用同口徑（2015 起評、統一台股成本）攤出三層的全期最大回撤：裸用全宇宙高 RSI（-42.4%）→ 收斂到站上季線、半年線的趨勢池選 13 檔（-40.3%）→ 再疊上廣度半倉純風控（-35.4%）：

廣度風控壓回撤的同時，研究段月 Sharpe 從趨勢池的 1.18 微升到 1.23，並未犧牲報酬。下圖把廣度訊號（宇宙站上季線的個股比例）和策略淨值疊在一起：每一次廣度跌破 0.40，對應的就是策略把整籃曝險縮到半倉、避開大盤系統性下殺的時點。

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 pandas as pd
from finlab import data
from finlab.backtest import sim
 
# 抓取真實台股價量資料
close = data.get("price:收盤價")
amount = data.get("price:成交金額")
 
# RSI(28)：用 finlab 內建的 TA-Lib 介面計算相對強弱指標
rsi = data.indicator("RSI", timeperiod=28)
 
# 可交易宇宙：60 日均成交金額前 300 大、收盤 > 10 元
liquidity = amount.rolling(60).mean()
universe = liquidity.is_largest(300) & (close > 10)
 
# 趨勢池：同時站上季線與半年線
ma60 = close.rolling(60).mean()
ma120 = close.rolling(120).mean()
trend_pool = universe & (close > ma60) & (close > ma120)
 
# 在趨勢池內取 RSI(28) 最高的 13 檔，等權、月再平衡
high_rsi = rsi.where(trend_pool)
basket = high_rsi.is_largest(13)
position = basket.resample("M").last()

廣度純風控的完整邏輯（每日算宇宙站上季線比例、跌破 0.40 把整籃曝險縮到半倉、其餘轉現金）放在文末可下載的 strategy.py，這裡先呈現選股骨架，讓非工程背景的讀者也能逐步跟上。

完整策略的真實績效

這套「RSI 強勢動能選股加廣度純風控」策略，研究段與樣本外分開回報，所有數字都列出來：

對照含息 0050（研究段年化 15.29%、月 Sharpe 1.0、回撤 -28.22%；樣本外年化 30.42%、Sharpe 1.18；全期年化 20.98%、Sharpe 1.05、回撤 -33.96%），這套 RSI 強勢動能策略研究段、樣本外、全期的年化與月 Sharpe 都勝過含息 0050（全期 27.8% vs 21.0%、Sharpe 1.13 vs 1.05），全期最大回撤 -35.4% 與含息 0050 的 -33.96% 大致相當。年化周轉率約 8.6 倍，屬月頻策略的合理範圍。

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：

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（0.1425%）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/KY/特別股（非 4 碼純數字）、金融保險股、處置與全額交割股（is_flagged_stock），以降低生存者偏差與不可交易標的污染。
• 前視偏差：RSI(28)、均線與廣度均只使用當日（含）以前的價格；選股月頻再平衡、廣度風控逐日判讀，訊號於當期可得。完全不使用財報或月營收等基本面資料，沒有財報公布日對齊問題。
• 權重：趨勢池內等權（固定 1/13）；廣度風控觸發時整籃曝險縮到半倉、其餘轉現金，不加碼也不放空，單一標的不另設上限。
• 周轉率：年換手約 8.6 次（月再平衡 + 廣度半倉切換），屬月頻策略的中等水準。
• 樣本內外：研究段 2015-2021、樣本外 2022-2026 分開回報，所有指標兩段都列，避免只報漂亮的一段。

穩健度

這套策略的優勢不是靠單一參數湊出來的：

• 逐層拆解都站得住：用同口徑（2015 起評、統一台股成本）拆開三層——裸用全宇宙高 RSI 研究段月 Sharpe 1.18、全期回撤 -42.4%；收斂到趨勢池選 13 檔研究段 1.18、全期回撤 -40.3%；再加廣度半倉純風控研究段升到 1.23、全期回撤收斂到 -35.4%。每一層的角色清楚：趨勢池框方向、廣度風控壓回撤，廣度這層是把研究段月 Sharpe 推到 1.23、全期回撤從 -40.3% 砍到 -35.4% 的關鍵一步，且全程零槓桿、不靠大盤擇時運氣。
• 單因子先單獨驗證：高 RSI 動能在無任何過濾時就已有訊號優勢（裸用全宇宙取最高 30 檔研究段年化 16.7%），趨勢池與廣度風控是在這個基礎上做風險調整，不是事後拼湊。
• 跨參數穩健：把 RSI 週期與持股檔數各動一格（見下節色溫圖），鄰格研究段月 Sharpe 普遍站上 1.0、多數站上 1.1，不是靠單一格的孤峰。

參數最佳化：找一片穩健高原，而不是一根孤峰

策略裡有兩個最關鍵、也最容易被「調到漂亮」的旋鈕：RSI 的計算週期（要看多近的動能）與持股檔數（籃子放幾檔）。我們對這兩個旋鈕做 4×4 的網格、每一格都真跑一次完整策略（趨勢池 + 廣度半倉風控）的回測，把研究段月 Sharpe 畫成色溫圖。看色溫圖的正確方法，是找「一整片都偏綠的高原」，而不是「某一格特別深綠的孤峰」——孤峰多半是過度最佳化的產物，換個資料區間就垮；高原才代表結論對參數不敏感、實單站得住。

色溫圖讀出三件事：

• 整片網格的研究段月 Sharpe 鄰格普遍站上 1.0（最低 1.00、最高 1.23，只有 RSI21、20 檔一格微幅低於 1.0），代表這套策略的優勢是一整片參數區域共有的，不是靠某一格運氣。RSI 週期 21 到 35、持股 11 到 20 檔那一片多數偏綠（多落在 1.1 到 1.2），是一片連續的穩健高原。
• 我們取的預設 RSI28、13 檔正是全圖最深綠的那格（研究段月 Sharpe 1.23），它周邊的 RSI28、11 檔（1.15）與 RSI35、13 檔（1.18）也都站得住，落在高原中段而非孤懸邊角。
• 右下角持股 30 檔那一欄的長週期格轉淺（RSI35、30 檔掉到 1.01），檔數放太多又搭長週期，會把高 RSI 的強勢訊號稀釋掉、攤平成接近大盤，Sharpe 跟著下滑。

把「預設參數」和「網格內鄰域同樣站得住的穩健格」擺在一起對照，可以看到換個合理參數結論一樣成立：

兩組數字方向一致：把週期拉到 35、持股收到 11 檔，研究段月 Sharpe 1.16、樣本外 1.14，都和預設的 1.23 同一個量級，只是回撤略深到 -39.0%。換句話說，在這片高原上選哪一格結論都成立，沒有「換個參數 Sharpe 就從 0.8 跳到 1.8」的免費午餐——這正是健康的訊號，代表預設值就坐落在高原中段，而不是靠湊參數硬撐。

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 RSI 動能，風控只用站上季線的廣度，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：在選股端再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 13 檔、集中度已高，會持續走強的股票多半同時伴隨營收動能——強勢與營收成長高度重疊，營收 YoY 想加的資訊，價量訊號往往已經先一步反映，再加一層過濾的邊際增量有限，反而因為縮小可選池而犧牲動能的爆發力；其二，月營收是領先指標、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。

不同大盤狀態下，這套策略各自表現如何

同一套策略在多頭、盤整、空頭三種市況下的脾氣差很多，分研究段與樣本外看才知道它怎麼賺、怎麼賠。把兩段的真實數字攤開（樣本外含截至 2026-06 的資料）：

三種市況各有重點：

• 多頭段 是這套策略賺主要報酬的時候。高 RSI 動能在多頭裡最吃香，強者恆強的延續性可以被月頻再平衡一路收割，樣本外 2023–2024 的反彈段就是年化衝到 31.7% 的主力來源。
• 盤整段 報酬轉弱、回撤累積得快。橫盤時個股輪動快，前面個股示意圖看到的 whipsaw 在這種市況最嚴重；本策略靠的是不依賴單一檔的訊號頻繁進出，而是月頻換股加趨勢池過濾，把盤整段守住。
• 空頭段 是廣度風控存在的理由。2022 升息殺估值那段，全市場站上季線的個股比例一路崩落、跌破 0.40，策略把整籃曝險縮到半倉、其餘轉現金，才把樣本外最大回撤壓在 -35.0%、與含息 0050 的 -33.96% 相當；若裸用全宇宙高 RSI 動能不做廣度風控，同期回撤一度到 -42.4%。

結論是這套策略的個性是「多頭吃飽、盤整守住、空頭靠廣度減碼少賠」，而不是任何市況都穩賺。理解它在不同市況的脾氣，才能在真正進場時對報酬與回撤有合理的預期。關於用大盤訊號在不同市況降回撤，可延伸看市場濾網如何降低回撤。

策略的限制與取捨

• 集中度帶來較深回撤：策略只持 13 檔、全期最大回撤 -35.4%，與含息 0050 的 -34.0% 大致相當但並不算淺。選股集中換到較高報酬，代價是單股與類股風險集中，承受得住這級回撤才適合。
• 廣度風控只能減碼、不能歸零：跌破門檻時整籃曝險縮到半倉而非空手，目的是兼顧降回撤與不錯過反彈；在 V 型急殺急彈的市況下，半倉減碼能少賠但不會完全躲過下殺。
• 樣本外恰逢有明確趨勢的區間：樣本外 2022-2026 經歷 2022 空頭與 2023-2024 反彈，廣度風控在有明確趨勢的市況下表現較好；不同未來市況下風控效益會變動。
• 容量與成本：持股 13 檔、宇宙限前 300 大成交金額，中大型資金可承載，但集中度高、年換手約 8.6 次，超大資金需放寬檔數，並重估流動性衝擊與滑價。

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、換風控規則。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。風控相關延伸：ATR 波動度指標、肯特納通道與 ATR、用市場濾網降低回撤。

常見問題

Q：RSI 參數要設多少？14 是最好的嗎？ 14 日是 Wilder 的原始建議，也是看盤軟體預設值。但本文做動能選股時用的是 RSI(28)——較長週期更平滑、過濾短線雜訊，更能反映中期的相對強勢延續。參數網格顯示週期 21 到 35、持股 11 到 20 檔那片研究段月 Sharpe 大多站上 1.1，結論對週期不敏感。重點不在微調週期，而在用法方向——把它當動能選股因子而非超賣訊號。

Q：RSI 低於 30 真的不能抄底嗎？ 在台股，把「RSI 低於 30 買進」當無腦抄底訊號，研究段回測年化只有 1.13%、月 Sharpe 0.16，接近無效。原因是低 RSI 無法區分「健康回檔」與「趨勢轉空」，台股低 RSI 股多為下跌中繼。想抄底反彈需要額外的趨勢與基本面條件，單看 RSI 數值不夠。

Q：那 RSI 高於 70 要賣嗎？ 本文的回測恰恰相反：橫截面取 RSI 最高的強勢股反而有真實的訊號優勢（裸用全宇宙取最高 30 檔研究段年化 16.7%）。高 RSI 代表動能強，在月頻框架下傾向延續，不是該賣的訊號。真正該管的是「大盤系統性轉弱」時的整籃減碼（廣度跌破門檻縮半倉），而不是看到單一檔 RSI 高就賣。延伸閱讀：技術指標超買該賣股票嗎用事件回測直接檢驗了這個問題。

Q：RSI 可以單獨拿來當買賣訊號嗎？ 不建議單獨用 RSI 數值高低決定進出。本文有效的做法是把高 RSI 當「選股因子」、全市場廣度當「整籃風控」，兩者分工。單靠 RSI 穿越 30/70 進出，在台股回測站不住。

Q：RSI 和 KD、MACD 有什麼差別？該用哪個？ RSI、KD 都是擺盪類指標、資訊高度重疊，MACD 偏趨勢。台股實測下三者選股能力不同，RSI 相對突出。詳細的橫向比較見 RSI、MACD、KD 三大指標台股實測。硬把多個擺盪指標疊在一起通常是負貢獻，比較有效的是「不同性質」訊號搭配，例如動能選股加廣度風控。

Q：為什麼要用趨勢池，不直接買高 RSI 的股票？ 裸用全宇宙高 RSI 動能全期最大回撤高達 -42.4%，抱不住。先用「同時站上季線與半年線」框定趨勢池，等於先確認趨勢結構再選強者，把全期回撤先收斂到 -40.3%，再疊上廣度半倉風控，研究段月 Sharpe 升到 1.23、全期回撤進一步壓到 -35.4%。

Q：這套策略適合誰？ 適合想用技術面動能參與台股、又希望把回撤控制在和 0050 相當水準的人。它用 -35% 級的回撤換到研究段、樣本外、全期都勝過含息 0050 的報酬與風險調整報酬。不適合受不了深度回撤、或偏好低周轉被動持有的人——那種需求直接買進持有含息 0050 更省心。

Q：高 RSI 動能會不會只是 2015-2021 那段多頭的運氣？ 樣本外 2022-2026 包含 2022 空頭，策略在這段年化仍有 31.7%、月 Sharpe 1.23，研究段與樣本外同向不衰退；加上參數高原（RSI 週期 21–35、持股 11–20 檔那片 Sharpe 大多站上 1.1）與逐層拆解驗證，較不像單段僥倖。但任何回測都無法保證對未見過的市況同樣有效。

最後更新：2026-06｜回測區間：2015-01 ~ 2026-06-09｜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。RSI 強勢動能策略全期最大回撤 -35.4%，實際交易前請自行評估風險、滑價與交易容量。