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 指標在台股怎麼用：當動能選股因子，配廣度風控

RSI 台股回測的關鍵數字：

本文所有數字皆出自 finlab 套件（2.2.17）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。2026-10-26 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 1.23 降到 1.07，仍在我們設的 1.0 門檻之上。這次重跑另外補做了換股日、風控檢查頻率、逐層拆解與參數逐格掃描，結論比首發版保守很多，首發版的幾個錯誤也在對應段落更正。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；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「近期的上漲幅度占總漲跌幅的比例」。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 $n = 14$）每日漲幅的平均；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。
• $\overline{D}_n$ 是同一段期間每日跌幅的平均（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 $100$。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 $RSI = 50$。

從公式可以直接讀出一件事：RSI 反映的是近期漲跌幅的相對比例，和股價的絕對位置無關。一檔一路小漲、很少下跌的股票，RSI 可以長時間停在 60 到 80，不會因為「漲多了」就自動掉回 30。後面的回測會看到，台股裡 RSI 高的股票拿來選股，比 RSI 低的股票好很多。

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。台股吃不吃這一套，直接回測。

RSI 的兩種算法：Wilder 平滑與簡單平均

上面公式裡的「平均」有兩種做法，算出來的 RSI 差很多：

1. Wilder 平滑（TA-Lib 與 finlab 採用）：前 $n$ 天的漲跌幅先取簡單平均當起點，之後每天更新 $\overline{U}_t = (\overline{U}_{t-1} \times (n-1) + U_t) / n$，跌幅同理。每一天的漲跌都會留在平均裡，只是權重越來越小。
2. 簡單平均：漲幅、跌幅各取最近 $n$ 天的算術平均，第 $n+1$ 天以前的漲跌完全不算。部分教學文章與軟體用這種。

我們手算 Wilder 版的台積電 RSI(14)，和 finlab data.indicator("RSI", timeperiod=14) 自 2015-01-30 起逐日比對，最大差 0.0，兩者完全相同。換成簡單平均版，在 2023 年 7 月到 2024 年 6 月這一年，台積電的兩種 RSI 平均差 6.4 點、最大差 24.4 點；用簡單平均版會出現 4 次跌破 30 的超賣買點，Wilder 版一次都沒有。拿看盤軟體的 RSI 對照本文數字之前，先確認軟體用的是哪一種。另外，finlab 的 RSI 預設用未還原收盤價計算，除權息造成的價格缺口會被當成當天的下跌。

教科書的「RSI 低於 30 買進」，在台股 11 年都輸給 0050

我們在可交易宇宙（流動性前 300 名，定義見回測方法）裡，把九種 RSI(14) 用法各跑一次月底換股的回測，全部等權、不擇時。研究段（2015–2021）與 2022 年起分開列：

表上看得出三件事：

• 超賣派兩種做法都很差。 每月買 RSI 最低的 30 檔，研究段年化 1.49%；月底 RSI 低於 30 的股票全部持有，研究段 -5.09%，全期最大回撤 -63.0%。後者每個月底符合的股票中位數只有 3 檔，141 個月中有 35 個月一檔都沒有、整籃空手。
• 買強勢股比買弱勢股好。 RSI 最高 30 檔研究段 17.04%，是九種用法裡唯一在研究段贏過 0050 的；2022 年起也是 17.79% 對最低 30 檔的 13.70%。這和 Jegadeesh & Titman (1993) 記錄的中期動能效應方向一致：過去一段時間的贏家，傾向繼續贏；Asness, Moskowitz & Pedersen (2013) 則發現動能效應在多個國家的股市與多種資產都存在。Jegadeesh & Titman 用過去 3 到 12 個月的報酬衡量動能，Asness 等人用過去 12 個月（跳過最近一個月），都比 RSI(14) 的觀察期長得多，這裡只是方向相同。
• 2022 年起九種裸用法全部落後 0050。 這段 0050 年化 30.51%，最好的裸用法只有 17.97%。單靠 RSI 讀數選股，不加任何篩選與風控，在近幾年的台股贏不了大盤。

把 RSI 再加工的花式用法（5 日變化、加速度、z-score）研究段落在 6.88% 到 10.38%，都比直接取 RSI 最高 30 檔差。把長週期 RSI 搭配基本面追漲的另一種做法見長週期 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。

首發版更正：首發版表格的「RSI 由下向上穿越 50」一列（研究段 16.68%），程式實際做的是「RSI 大於 50 的股票裡，取 RSI 最高 30 檔」，和「RSI 最高 30 檔」幾乎是同一籃股票，兩列數字才會幾乎相同。真正「月底當天剛上穿 50」的籃子研究段是 -6.32%，上表已改正，並補上「RSI > 50 全部持有」與「RSI > 70 全部持有」兩列。

把訊號畫在個股上：兩派買賣點

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 月的窗，上半部是收盤價並標出兩派的買賣點，下半部是 RSI(14) 與超買 70、超賣 30 兩條線：

圖上標了兩派常見訊號：超賣派（RSI 跌破 30 買、突破 70 賣，三角形）與動能派（RSI 上穿 55 買、跌破 45 賣，圓點與叉號）。

• 超賣派整年沒有出手。 台積電這一年上漲 66.8%，RSI(14) 最低只到 32.0，沒有一天低於 30，超賣買點觸發 0 次；「突破 70 該賣」反而觸發 9 次。照超賣派操作，這一年在台積電上一張都不會買。
• 動能派訊號頻繁。 動能派同窗觸發 18 次買、10 次賣，兩派合計 37 個訊號，平均 6.6 個交易日一個。買進次數比賣出多，是因為 RSI 常在 45 到 55 之間來回，上穿 55 好幾次才會跌破 45 一次。

聯發科（2454）同窗上漲 102.6%，超賣買點 1 次、超買賣點 10 次、動能派買 10 次賣 7 次，合計 28 個訊號：

兩張圖說明單看一檔股票的 RSI 來決定進出的困難：強勢股上，超賣派幾乎等不到買點，超買訊號卻一再叫你下車。後面的策略因此把 RSI 拿來「同一天橫向比較誰最強」，每月換股一次。

想自己算任一檔股票的兩派訊號，可以用下面這段程式碼（RSI 用完整歷史計算後再取觀察窗，窗內第一天也用真實的前一天判斷穿越）：

import finlab
from finlab import data
 
# 套件會在需要資料時自動引導登入
finlab.login()
 
# 用完整歷史計算 RSI(14)，再取觀察窗
rsi = data.indicator("RSI", timeperiod=14)
sid = "2330"
r = rsi[sid]
 
# 超賣派：RSI 跌破 30（進入超賣）買、突破 70（進入超買）賣
oversold_buy = (r < 30) & (r.shift(1) >= 30)
overbought_sell = (r > 70) & (r.shift(1) <= 70)
 
# 動能派：RSI 上穿 55 買、跌破 45 賣
momentum_buy = (r > 55) & (r.shift(1) <= 55)
momentum_sell = (r < 45) & (r.shift(1) >= 45)
 
window = slice("2023-07-01", "2024-06-30")
signals = {"超賣買": oversold_buy, "超買賣": overbought_sell, "動能買": momentum_buy, "動能賣": momentum_sell}
for name, sig in signals.items():
    print(name, int(sig.loc[window].sum()))

台積電印出 0、9、18、10，把 sid 換成 "2454" 印出 1、10、10、7，與上面兩張圖相同。首發版把穿越判斷放在觀察窗內做，窗內第一天會被誤判成穿越，台積電動能派買點寫成 19 次、聯發科賣點寫成 8 次，這次一併更正。

完整策略：趨勢池內 RSI(28) 最高 13 檔，月底看廣度決定部位

策略分成選股與風控兩層，全部只用價量：

1. 趨勢池：在可交易宇宙中，只留收盤同時站上 60 日均線（季線）與 120 日均線（半年線）的股票。
2. 選股：趨勢池內取 RSI(28) 最高的 13 檔，每檔 1/13 權重。28 日週期比看盤軟體預設的 14 日更平滑。
3. 廣度風控：可交易宇宙內收盤站上 60 日均線的股票比例，稱為廣度。廣度大於 0.40 持有滿倉；小於等於 0.40，整籃部位縮到一半，其餘放現金，不加碼、不放空、不開槓桿。
4. 檢查時點：每月最後一個交易日換股，廣度也只在這一天讀取。月中廣度跌破 0.40，要等到月底才減碼；月中回升，也要等到月底才加回。

首發版更正：首發版寫成每日計算廣度、跌破門檻就把整籃縮到半倉、廣度回升次日恢復滿倉，回測其實是 sim(resample="M")，部位只在月底讀取，風控是每月檢查一次。這個落差的影響見後面「廣度風控只在月底看一次」一節。

可交易宇宙的程式碼如下：

import numpy as np
import pandas as pd
from finlab import data
 
# 套件會在需要資料時自動引導登入
import finlab
finlab.login()
 
close = data.get("price:收盤價")
volume = data.get("price:成交股數")
amount = data.get("price:成交金額")
 
# 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
liquid = ((volume.rolling(60, min_periods=20).mean() > 1_000_000)
          & (close > 10)
          & amount.rolling(60, min_periods=20).mean().is_largest(300))
 
# 只留代號剛好 4 碼數字的股票，排除 ETF（00 開頭）、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(str(sid)) == 4 and str(sid).isdigit()
    and not str(sid).startswith("00") and str(sid) not in financial
]
flagged = (data.get("etl:is_flagged_stock")
           .reindex(index=close.index, columns=common_cols).fillna(False).astype(bool))
universe = liquid[common_cols] & ~flagged
close = close[common_cols]

趨勢池與 RSI 選股：

# 趨勢池：收盤同時站上 60 日（季線）與 120 日（半年線）均線
ma60 = close.rolling(60).mean()
ma120 = close.rolling(120).mean()
above60 = close > ma60
trend_pool = universe & above60 & (close > ma120)
 
# RSI(28)：指標輸出的欄位比收盤價少，先對齊欄位；趨勢池內取 RSI 最高的 13 檔
rsi28 = data.indicator("RSI", timeperiod=28).reindex(columns=common_cols)
basket = (rsi28.where(trend_pool).rank(axis=1, ascending=False) <= 13) & trend_pool

廣度風控與回測：

from finlab.backtest import sim
 
# 廣度：宇宙內收盤站上 60 日均線的比例
breadth = above60.where(universe).sum(axis=1) / universe.sum(axis=1).replace(0, np.nan)
risk_on = (breadth > 0.40).fillna(False)
 
weights = basket.astype(float)
weights = weights.div(weights.sum(axis=1).replace(0, np.nan), axis=0).fillna(0.0)
scale = risk_on.map({True: 1.0, False: 0.5})
position = weights.mul(scale, axis=0)
 
# 每月最後一個交易日換股（風控也只在這天讀取），從 2015 年起回測
report = sim(position.loc["2015":], resample="M", fee_ratio=1.425 / 1000 * 0.3, upload=False)

這四段程式碼我們在乾淨環境用 finlab 2.2.17 依序實跑，資料截止日設為 2026-09-30 時，淨值與本文 data.csv 的 2,842 個交易日逐日相同，廣度也逐日相同。要對上本文數字，在可交易宇宙那段程式碼的 from finlab import data 下一行加上 data.truncate_end = "2026-09-30"；不加就會用到最新資料。首發版頁面上的選股骨架沒有排除 ETF、金融股與處置股，可下載的 strategy.py 從 2007 年起回測、也沒有固定資料截止日，跑出來的數字和文章不同；data.csv 則是 6 月定案前另一版策略（低波趨勢池加 ATR 停損）的淨值。三個檔案這次都換成與文章同一套邏輯。

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：

研究段的年化、月夏普、月索提諾都勝過 0050，最大回撤略深。2022 年起年化落後 0050 2.8 個百分點，月夏普 1.07 對 1.21、回撤 -35.0% 對 -34.0% 也都輸。全期勝在年化，領先 0050 5.3 個百分點，月夏普 1.07 打平，月索提諾與最大回撤略差。全期年化波動 27.8%，0050 是 19.8%。年換手約 8.9 倍。

「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。

完整互動式回測（月報酬熱力圖、權益曲線、年度績效）：

逐層拆開：趨勢池、RSI 與廣度風控各自的作用

把策略的零件一個一個拿掉，其餘設定不變，同一天起算：

從這張表讀出的事：

• 報酬主要來自 RSI 排名。 趨勢池全部持有、不看 RSI，全期年化只有 12.05%；同一個池子挑 RSI(28) 最高 13 檔，加同一套風控是 26.48%。
• RSI(28) 比 28 日報酬好用。 同一個趨勢池改用 28 日漲幅選 13 檔，全期年化 21.56%、最大回撤 -47.31%。RSI 看的是漲幅占總漲跌幅的比例，同樣漲 30%，一路小漲的股票 RSI 會比大起大落的股票高。一種解讀是 RSI 排名偏向走勢較平穩的上漲股，本文沒有另外驗證這個機制。
• 趨勢池的作用很小，60 日均線那一半幾乎沒作用。 拿掉趨勢池（全宇宙加風控）全期年化 26.21%，與完整策略的 26.48% 接近，回撤 -37.03% 略深。只留 120 日均線的結果和完整策略幾乎一樣（全期 26.51%），2022 年起的數字完全相同、研究段只差 0.05 個百分點，60 日均線這個條件在這套策略裡幾乎沒有作用。
• 廣度風控用報酬換回撤。 趨勢池內不減碼全期年化 31.23%、最大回撤 -40.30%；加上風控後是 26.48%、-35.40%，每年少賺約 4.8 個百分點，換到回撤淺 4.9 個百分點。研究段月夏普 1.19 升到 1.24，2022 年起反而由 1.15 降到 1.07。首發版的原句是「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」，用首發版自己的數字（趨勢池研究段 28.82% 對完整策略 25.51%）就不成立，這次更正。
• 不減碼的版本 2022 年起贏 0050。 趨勢池內不減碼 2022 年起年化 34.72%，高於 0050 的 30.51%，但這是拿掉風控後的事後觀察，本文策略的參數不因此更動。

廣度風控只在月底看一次

回測只在每月最後一個交易日讀取部位，日頻的廣度訊號和實際減碼之間有落差。2015 年起，廣度跌破 0.40 的區段共 71 段，其中 49 段在月底前就回升，從來沒有執行；有執行的 22 段，從跌破到第一個月底的交易日數中位數 3.5 天、最長 20 天。141 個月底換股日中，有 29 個（20.6%）判定減碼。

減碼的效果集中在少數幾個月。29 個減碼月份裡，不減碼的籃子下個月平均 +3.2%，比滿倉月份的 +2.5% 還高；虧損月份 11 個，滿倉的 111 個月份裡則有 38 個虧損。少賠最多的三次是 2020-02-27（不減碼 -15.0%，策略 -7.5%）、2018-09-28（-13.3% 對 -6.6%）與 2022-09-30（-12.1% 對 -7.2%）。不減碼籃最差的 8 個月裡，有 5 個月在月底判定滿倉，例如 2021-12-30 月底廣度 0.815，下個月籃子 -13.6%；2025-08-29 廣度 0.673，下個月籃子 -11.2%，同期 0050 +10.1%。

如果把同一個月底選出的 13 檔改成每天依廣度調整部位，全期年化 26.02%、最大回撤 -44.20%，2022 年起月夏普 0.98，三項都比月底檢查差。每天檢查在 2026 年 7 月少賠（-19.5% 對 -23.4%），拉長到 11 年卻沒有比較好。

下圖是最近一年的每日廣度與策略淨值，虛線是每個月底換股日：

圖上看得到：2025 年 11 月 21 日廣度跌到 0.33，月底回到 0.50，沒有減碼；2026 年 3 月 31 日換股那天廣度剛好是 0.389，4 月整月只持有一半部位，廣度 4 月初就回到 0.40 以上，4 月不減碼的籃子上漲 35.4%，策略只有 20.0%；7 月 17 日跌破後一路下探，7 月 30 日只剩 0.106，7 月 31 日換股時是 0.135，8 月才開始半倉。市場廣度的概念與更多用法，可延伸看用市場濾網降低回撤。

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，全期年化與上面的主表差 0.01 個百分點以內、研究段差 0.02 個百分點，用來確認這個比較的做法沒有偏差。）

2022 年起各換股日互有高低，20 日甚至到 33.11%；差距集中在研究段：月底換股研究段年化 25.70%，其他五個日子只有 14.26% 到 20.09%，月夏普全部低於 1.0。全期年化也只有月底換股明顯贏 0050，20 日與 25 日的 21.51%、21.93% 和 0050 的 21.17% 差不多，5 日、10 日、15 日輸給 0050。

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，研究段的優勢又大半只出現在月底這一組，所以研究段 25.7% 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 指標回測也有同樣的問題，季底換股挪一個月，全期年化從 29.4% 掉到 7.7%。這個檢查是首發版沒有做的。

參數最佳化：RSI 週期與持股檔數

RSI 週期與持股檔數各取四格，每一格都跑完整策略（趨勢池加廣度風控）。研究段月夏普：

同一張網格的 2022 年起月夏普：

研究段 16 格在 1.01 到 1.24 之間，RSI 28 搭 13 檔最高。2022 年起只剩 3 格達到 1.0（RSI 28 搭 13 檔 1.07、RSI 35 搭 11 檔與 13 檔都是 1.02），RSI 14 那一列 0.71 到 0.83。

首發版把 RSI 週期 21 到 35、持股 11 到 20 檔描述成一片連續的穩健高原，但網格只跑了 14、21、28、35 四個週期，中間的週期沒有跑過。這次把 RSI 週期從 20 到 36 每一個都跑一次（持股固定 13 檔）：

週期 27 到 36 研究段月夏普 1.18 到 1.32、2022 年起 1.02 到 1.13，是一段連續偏高的區間；20 到 26 研究段降到 1.02 到 1.12，2022 年起 0.91 到 1.03。本文用的 28 在偏高區間的左緣附近（27 是這一段的第一格），26 與 27 之間有一個明顯的落差。持股檔數 9 到 17 檔逐一跑過（RSI 固定 28），研究段 1.07 到 1.24、13 檔最高；2022 年起只有 12、13、14、16 檔達到 1.0。

廣度門檻與減碼比例的鄰格：門檻改 0.35，全期年化 29.04%、2022 年起月夏普 1.12；改 0.45 是 28.38%、1.17、最大回撤 -32.04%，兩邊都比 0.40 好；risk-off 留 40% 部位是 25.46%，留 60% 是 27.48%。0.40 剛好落在兩個較好的鄰格中間。依季度刷新的規則，參數不因為事後看到鄰格比較好而更換，這些數字列出來，讓你判斷這組參數有多大的運氣成分。

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：

7 月發生的事：

• 6 月 30 日換股時廣度 0.646，判定滿倉。 7 月 1 日進場的 13 檔，持有到 8 月 3 日，11 檔虧損，中位數 -20.7%，最差的國巨（2327）-51.6%，最好的 +4.5%。
• 廣度 7 月 17 日跌破 0.40，策略要等到月底才減碼。 7 月 30 日廣度只剩 0.106，7 月 31 日月底讀到 0.135，8 月起才縮到半倉。同期 0050 從 7 月 1 日高點跌到 7 月 30 日 -14.0%，整月 -4.0%。
• 淨值從 7 月 6 日高點到 7 月 30 日回落 -32.0%。 2026 年 7 月是 2015 年以來策略最差的單月，研究段最差的月份是 2015 年 7 月的 -16.2%。到 9 月底，淨值仍比高點低 21.2%。

2022 年起的月夏普因此從首發版的 1.23 降到 1.07。同截止日比對：用新版程式與 finlab 2.2.17 把資料截到 2026-06-09，研究段 25.72%、2022 年起 31.66% / 1.23、全期 27.95%；首發版是 25.51%、31.66% / 1.23、27.84%，研究段的小差異可能來自資料修補、套件版本更新與第一個淨值日不同（首發版 0050 也從 2015-01-05 起算，早於策略），本文沒有逐項拆解。1.23 降到 1.07 是這四個月的新資料造成的。

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%。首發版寫「手續費 0.1425%」，程式實際用的是三折後的費率。
• 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，例如 2026-09-30 的持股就有騰輝電子-KY（6672）；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）跑出來的換股日持股與本文完全相同。
• 前視偏差：RSI、均線與廣度都只用當天（含）以前的收盤價，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。
• RSI 計算：TA-Lib RSI，Wilder 平滑，未還原收盤價（finlab data.indicator 預設）。
• 權重：每檔 1/13，risk-off 時整籃合計 50%，其餘現金；單一個股不另設上限。換股日持股一直是 13 檔。
• 周轉率：年換手約 8.9 倍，11 年共 1,830 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）、每天檢查風控的對照組、逐層拆解、RSI 週期 20 到 36 與持股 9 到 17 檔逐格掃描、廣度門檻與減碼比例鄰格、月營收過濾。

不同年度的表現：12 年贏 6 年

策略 12 年裡贏 0050 的有 6 年。2022 年策略 -34.1%，比 0050 的 -21.4% 跌更多，也比不減碼的 -31.3% 差，廣度風控在這一年沒有幫上忙；2024 年 0050 上漲 48.6%，策略只有 14.7%。和不減碼相比，廣度風控只在 2016、2018、2025 三年多賺或少賠，2017 年打平，其餘 8 年都少賺；2026 年至 9 月底策略 48.3%、不減碼 75.2%，差距大半來自 4 月（3 月 31 日判定減碼，4 月不減碼籃 +35.4%、策略 +20.0%）。首發版把 2022 年描述成靠廣度風控壓住回撤，又說 2023–2024 年的反彈段是報酬的主力，2022 與 2024 兩年的逐年數字都不支持，這次改寫。

加上月營收 YoY 會更好嗎：實跑結果兩段都比較差

首發版這一段只有推論，沒有回測。這次實跑：選股前先限定月營收年增率大於 0 的股票（以月營收公布日對齊，只用當時已公布的資料），其餘不變。研究段年化 22.8%、月夏普 1.14，2022 年起 27.4%、1.05，全期 24.6%、最大回撤 -41.1%，兩段都比主策略差，回撤也更深。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選股的差異。

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 60 與 120 日均線的趨勢池裡取 RSI(28) 最高 13 檔等權，股票池站上季線的比例不到 0.4 時部位減半，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 0.95 對 0050 的 0.96，2022 年起 0.91 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 組鄰近參數全部輸，原參數已經是 9 組裡最好的一格；RSI 週期改成 34 日還有 0.90，持股改成 10 或 16 檔就掉到 0.80、0.84。前段（2015 到 2020 年）日夏普 0.85 小輸 0050 的 0.89，後段 1.00 輸 1.24，三項都不成立。跟上文「換股日挪到月中，結果差很多」一樣，績效對持股檔數與換股日都很敏感。上文的年化 26.5% 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 26.0%，換成 sim() 預設成本是 23.8%。

策略的限制與取捨

• 換股日運氣：研究段的優勢大半只出現在月底換股，換到月中，全期年化只剩 17.3% 到 21.9%。
• 2022 年起落後 0050：年化 27.7% 對 30.5%，月夏普 1.07 對 1.21。全期勝 0050 的部分主要來自 2015 到 2021 年。
• 風控每月只看一次：月中崩跌時來不及減碼，2026 年 7 月就是例子；改成每天檢查，長期結果反而更差。
• 集中度高、回撤深：只持有 13 檔，全期最大回撤 -35.4%，年化波動 27.8%，都高於 0050。
• 參數有運氣成分：RSI 週期 28 在偏高區間的左緣，廣度門檻 0.40 兩側的鄰格都比較好。
• 容量與成本：年換手約 8.9 倍，宇宙限成交金額前 300 名；大資金需放寬檔數，並重估流動性衝擊與滑價。

自己跑一次

FinLab Skill 可以讓你的 AI 助理安裝環境、抓台股資料，並重現這篇回測。

裝好之後，下載本文的 strategy.py 與 data.csv。strategy.py 會印出本文的主表、三個逐層拆解版本與每天調整的對照、換股日比較、逐年報酬與 2026-06-09 之後的逐月報酬，資料截止日固定在 2026-09-30，改成 None 就用最新資料重跑。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。13 個常用技術指標的回測整理在技術指標台股 11 年回測總覽；用 ATR 估波動與通道突破的實測見肯特納通道與 ATR。

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，也是看盤軟體的常見預設。本文的選股策略用 RSI(28)。週期從 20 到 36 逐一跑過，27 到 36 這一段研究段月夏普 1.18 到 1.32、2022 年起 1.02 到 1.13，20 到 26 明顯較低；RSI 14 搭配同一套策略，2022 年起月夏普只有 0.71 到 0.83。換股日對結果的影響比週期更大，月底改到月中，全期年化就從 26.5% 掉到 20.0%。

Q：RSI 低於 30 真的不能抄底嗎？ 在本文的設定下，每月買 RSI(14) 最低的 30 檔，研究段年化 1.49%；月底 RSI 低於 30 的股票全部持有，研究段 -5.09%、全期最大回撤 -63.0%，2022 年起兩者也都落後 0050。單看 RSI 低於 30 就買進，在台股回測站不住。

Q：那 RSI 高於 70 要賣嗎？ 本文策略每個月底入選的股票，RSI(28) 中位數約 67，平均有 29.8% 高於 70；2026-09-30 入選的 13 檔，有 7 檔的 RSI(14) 高於 70。這套策略買的正是教科書說「超買」的股票。反過來說，「月底 RSI > 70 全部持有」研究段 13.53%、2022 年起 10.57%，也輸 0050，高 RSI 本身也不是買進理由，要在同一天橫向排名才有用。用事件回測檢驗「超買該不該賣」，見技術指標超買該賣股票嗎。

Q：為什麼月底換股和月中換股差這麼多？ 策略只持有 13 檔，換股那天選到哪 13 檔、廣度讀數是高是低，決定接下來一個月的持股與部位。月底換股全期年化 26.47%，改到每月 5 到 25 日只有 17.27% 到 21.93%，差距集中在 2015 到 2021 年。我們沒有找到月底特別有效的原因，這個差距應該視為換股時點運氣，不能當成可以期待的報酬。

Q：廣度風控到底有沒有用？ 它把全期最大回撤從 -40.3% 壓到 -35.4%，代價是全期年化從 31.2% 降到 26.5%，2022 年起月夏普也從 1.15 降到 1.07。12 年裡只有 3 年比不減碼好。它只在月底讀一次，2026 年 7 月這種月中急跌來不及反應；改成每天檢查，11 年下來回撤反而更深（-44.2%）。

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。三者在台股的實測比較見RSI、MACD、KD 三大指標台股實測。本文的拆解顯示，RSI 的價值主要在橫向排名：同一個池子用 RSI(28) 選股全期年化 26.48%，不看 RSI 全部持有只有 12.05%。

Q：這套策略適合誰？ 適合想研究「指標怎麼當選股因子」、並願意自己檢查換股日與參數敏感度的人。不適合想直接照抄進場的人：它在 2022 年起落後 0050，換股日一動結果就差很多，單月可以跌超過兩成。只想參與台股長期報酬，直接買進持有含息 0050 更省事。

最後更新：2026-10｜回測區間：2015-01-30 到 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。策略全期最大回撤 -35.4%，換股日改到每月 5 到 25 日時全期年化只剩 17.3% 到 21.9%，實際交易前請自行評估風險、滑價與交易容量。