威廉指標怎麼用才對？台股 11 年回測：把它當相對強勢主因子的純技術策略

威廉指標在台股的正確用法：當相對強勢主因子，不是抓超買超賣

散戶最熟的威廉指標（Williams %R）用法是「跌破 -80 超賣就買、突破 -20 超買就賣」。但把這個規則放進台股做 11 年回測（2015-2026），「超賣買進」研究段年化報酬只有 3.78%、若改用「超賣後回升金叉」進場研究段甚至是 -1.53%，幾乎等於沒賺或倒賠。問題不在威廉指標，而在用反了方向——它在台股的價值在於衡量「相對強勢」，而非抓均值回歸的反彈。用 finlab 抓的上市櫃真實價量資料攤開來看，把威廉指標反過來讀、取數值最高（最接近 0、近期最強勢）的股票，方向立刻就對了。本文進一步把它做成一套完全不含基本面的純技術策略：以長窗（35 日）威廉指標當「中期相對強勢主因子」（複合分中佔 0.6 權重），疊上 0.4 權重的 60 日報酬動能，取綜合分最高的 11 檔、以反波動度加權集中持有；外面再套一層「0050 還原價站上 60 日均線」的純技術擇時開關，多頭滿倉、空頭把整體部位縮到半倉。這套「威廉指標相對強勢主因子 + 指數擇時半倉」純技術策略研究段（2015-2021）年化 29.62%、月 Sharpe 1.38，樣本外（2022-2026）年化 33.94%、月 Sharpe 1.22，全期（2015-2026）年化 31.27%、月 Sharpe 1.21、最大回撤 -34.38%，三段都勝過含息 0050（全期年化 20.98%、月 Sharpe 1.05、回撤 -33.96%）。代價也一併講清楚：選股集中 11 檔、又用高 beta 的強勢股，全期回撤與 0050 同級偏深，這是用集中度換報酬的取捨。

先用一張表回答你搜尋「威廉指標」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），回測區間 2015-01 至 2026-06-09，基準為含息 0050。研究段（research）為 2015-2021、樣本外段（oos）為 2022-2026，兩段一律同時揭露。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。

威廉指標是什麼

威廉指標（Williams %R，TA-Lib 代號 WILLR）是 Larry Williams 在 1973 年提出的擺盪指標，計算公式是：%R =（近 N 日最高價 − 當日收盤價）/（近 N 日最高價 − 近 N 日最低價）×（−100）。它的值域固定在 −100 ~ 0 之間：

接近 0：收盤價收在近 N 日高低區間的頂端，代表近期相對最強勢。

接近 −100：收盤價收在近 N 日高低區間的底端，代表近期相對最弱勢。

教科書默認用法把它當 KD 類擺盪指標：高於 −20 視為超買（該賣）、低於 −80 視為超賣（該買），假設價格會均值回歸、回到區間中段。預設回看窗 N 通常取 14 日。技術指標的基礎名詞可參考名詞詞彙表。

這裡藏著一個關鍵的觀念分歧：威廉指標到底該當「均值回歸訊號」（超賣會反彈、超買會回落），還是「相對強勢訊號」（強的續強、弱的續弱）？這兩種讀法方向完全相反。哪一種對？不靠嘴上爭論，直接回測。

威廉指標的數學定義：它衡量「收盤離近期高點多遠」

把上面的白話寫成公式，威廉指標 %R 的定義是：

$\%R = \frac{H_n - C}{H_n - L_n}\times(-100)$

逐項拆解每個符號：

• $C$：當日收盤價。
• $H_n$：近 $n$ 日（含今日）的最高價。
• $L_n$：近 $n$ 日的最低價。
• $H_n - L_n$：近 $n$ 日的高低價差，也就是這段期間的波動區間。
• $H_n - C$：收盤價離區間頂端（近期最高點）還有多遠。

整個式子先算「收盤距離近期高點的差距佔整個區間的比例」，再乘上 $-100$ 把值域翻到 $-100 \sim 0$。所以當收盤價正好等於近期最高點（$C = H_n$），分子為 0，$\%R = 0$，是最強勢的讀數；當收盤價落在近期最低點（$C = L_n$），分子等於整個區間，$\%R = -100$，是最弱勢的讀數。換句話說，$\%R$ 量的是「今天收在近 $n$ 日箱型的相對位置」，而非漲跌幅或波動大小——這正是它能反過來當相對強勢排序工具的數學根源。這條公式和 KD 的未成熟隨機值（RSV）幾乎是同一個東西的鏡像，差別只在 KD 量「收盤離低點多遠」、威廉指標量「收盤離高點多遠」，這也是為什麼後面會說它和 KD 資訊高度重疊。

散戶最常見的「超賣買進」，在台股 11 年幾乎沒賺到錢

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、金融股、KY 股、處置股）裡，把幾種「威廉指標選股」用法各跑一次月再平衡的回測。研究段（2015-2021）結果如下：

結論很清楚：最多人用的「超賣買進」在台股研究段年化只有 3.78%，若再加一道「超賣後回升金叉」的進場確認，研究段反而變成 −1.53% 倒賠。 同期含息 0050 研究段年化是 15.29%，超賣均值回歸這條路在台股完全落後。

原因不難理解：台股是「強者恆強、弱者續弱」的市場。收在近期區間底端（WILLR 超賣）的股票，往往是基本面或籌碼出了問題的續弱股，接刀只會被套；而擺盪指標假設的「超賣必反彈」，在台股流動性宇宙裡並不成立。把同一個指標反過來讀——取收在區間頂端（WILLR 最高、最強勢）的股票——研究段年化立刻從 3.78% 跳到 10.29%，方向對了。這個 14 日裸因子只是把方向擺正的起點，本文後面會把它升級成更穩的中期相對強勢主因子。這條路和 Jegadeesh & Titman (1993) 的動能效應一致：過去的相對贏家，中期傾向繼續贏。延伸閱讀：技術面與基本面選股的差異、動能策略。

在單一檔股票上，兩個派別的買賣點長怎樣

回測數字告訴你哪條路有 edge，但很多人會問：那畫在 K 線上到底是什麼感覺？我們挑台積電（2330）與聯發科（2454）在 2023-08 ~ 2024-06 這段約 11 個月、多空轉折明顯的窗，把威廉指標（14 日）兩個派別的訊號標出來看。下方面板是 %R 的走勢，加上 −20（超買）與 −80（超賣）兩條帶，價格面板則標出兩派各自的進出場點。

兩派的規則完全相反：

• 超賣派（教科書均值回歸）：%R 由下上穿 −80 視為超賣反彈買進、由上下穿 −20 視為超買賣出。
• 相對強勢派（本文主張）：%R 上穿 −20 進入強勢區視為轉強買進、跌破 −80 視為由強轉弱賣出。

圖上有兩件事一眼可見。第一，這兩檔在這段窗裡都是走多頭，但超賣派的買點稀稀落落、賣點卻一大堆：台積電超賣派只觸發 11 次買、卻有 20 次賣；聯發科更極端，只有 5 次買、23 次賣。原因是強勢股的 %R 長時間黏在 −20 上方的強勢區，很少跌到 −80，所以「超賣才買」幾乎沒機會上車，反而一碰到 −20 就賣、把整段上漲讓出去。第二，相對強勢派的進出剛好相反：台積電 21 次買、11 次賣，聯發科 22 次買、5 次賣，順著上升段持有、賺到趨勢。

但同一張圖也暴露單股使用威廉指標的硬傷：訊號太頻繁、容易甩巴掌（whipsaw）。%R 在 −20 與 −80 之間反覆穿越，每穿一次就是一組進出，盤整段尤其嚴重，光看單檔很容易被一連串假訊號磨損。這正是為什麼本文不把威廉指標當「單股進出場訊號」，而是當「橫截面排序工具」——把全市場個股的 %R 拿來比高低、每月選一籃最強的，用分散與月頻再平衡稀釋掉單股的雜訊。

如果你想自己把這張圖畫出來、換成別檔股票看，下面這段程式碼示範用 finlab 的 data.indicator 算威廉指標、再用簡單的穿越邏輯標出兩派買賣點：

import pandas as pd
import matplotlib.pyplot as plt
from finlab import data
 
# 套件會在需要資料時自動引導登入
import finlab
finlab.login()
 
# 載入收盤價，計算威廉指標（回看窗 14 日）
close = data.get("price:收盤價")
willr = data.indicator("WILLR", timeperiod=14)
 
# 取單一檔股票（台積電 2330）的一段窗來看
sid = "2330"
px = close[sid].loc["2023-08":"2024-06"]
w = willr[sid].loc["2023-08":"2024-06"]
 
# 超賣派：%R 上穿 -80 買、下穿 -20 賣（均值回歸抄底）
buy_oversold = (w > -80) & (w.shift(1) <= -80)
sell_oversold = (w < -20) & (w.shift(1) >= -20)
 
# 相對強勢派：%R 上穿 -20 進入強勢區買、跌破 -80 轉弱賣
buy_strength = (w > -20) & (w.shift(1) <= -20)
sell_strength = (w < -80) & (w.shift(1) >= -80)
 
# 上下兩個面板：上畫股價與買賣點，下畫威廉指標與超買超賣帶
fig, (ax_px, ax_ind) = plt.subplots(2, 1, sharex=True, figsize=(12, 7))
 
ax_px.plot(px.index, px, color="#374151", label=sid)
ax_px.scatter(px.index[buy_strength], px[buy_strength], marker="^",
              color="#10B981", label="相對強勢派買進")
ax_px.scatter(px.index[sell_strength], px[sell_strength], marker="v",
              color="#EF4444", label="相對強勢派賣出")
ax_px.legend()
 
ax_ind.plot(w.index, w, color="#06B6D4", label="威廉指標 WILLR(14)")
ax_ind.axhline(-20, ls="--", color="#9CA3AF")  # 超買帶
ax_ind.axhline(-80, ls="--", color="#9CA3AF")  # 超賣帶
ax_ind.legend()
 
plt.tight_layout()
plt.show()

威廉指標真正有效的兩個調整

調整一：把回看窗拉長到中期（35 日），當相對強勢主因子

預設的 14 日回看窗偏短，混進大量短線雜訊。把回看窗拉長，威廉指標衡量的就從「短線位置」變成「中期相對強勢」，訊噪比明顯變好。本文把回看窗設在 35 日：在後面的參數網格裡，14 日那種短窗最差、28 到 42 日的中期窗整片站上高位（研究段月 Sharpe 約 1.25 ~ 1.38），其中 35 日在研究段保留最多報酬。

更關鍵的一步是改變它的角色：不再讓威廉指標單獨選股，而是把它當複合分裡的主導因子。對每檔股票，先把 35 日威廉指標做橫截面排名（值越接近 0、近期越強勢，排名越高），再把 60 日報酬動能也做橫截面排名，兩者按 0.6 與 0.4 的權重相加得到綜合分——威廉指標主導方向、動能做交叉確認。這比裸用單一指標穩，因為兩個都偏「強者恆強」的訊號相互佐證，能濾掉只靠單一讀數的偽強勢股。

調整二：反波動加權集中持有 + 指數擇時半倉控風險

選好相對強勢的一籃股票後，還有兩個工程細節決定成敗。

第一是權重：取綜合分最高的 11 檔，以反波動度加權（權重和 60 日報酬波動度成反比，池內正規化），讓波動較低、走勢較穩的強勢股配重較高，壓低整體組合的顛簸。

第二是風控：相對強勢因子選的是高 beta 的強勢股，空頭裡跌得更兇，這是結構性弱點。對症下藥的解法是純技術的指數擇時——計算 0050 還原價（etl:adj_close）的 60 日均線，只看「0050 有沒有站上自己的 60 日均線」這一個訊號；為避免在均線附近反覆甩巴掌，用「近 10 個交易日 ≥ 50% 在均線上」的多數決平滑。判定為 risk-on 時維持滿倉、risk-off 時把整體部位縮到半倉（其餘轉現金，全程不加碼、不用槓桿），次日回到 risk-on 即恢復滿倉。這個「在系統性風險升高時調降曝險」的邏輯，和學術上的波動度擇時一致——Moreira & Muir (2017) 在《Volatility-Managed Portfolios》證明：在風險惡化時降低曝險，能顯著提升投資組合的 Sharpe。大盤站上 60 日均線與否，正是一個可操作、可重現的市場狀態訊號。

訊號分工從頭到尾清楚：威廉指標（疊動能）負責選股（挑中期相對強勢），0050 指數擇時負責風控（空頭減碼到半倉），兩者各司其職。整套只用價量、完全不碰財報或月營收。關於用大盤訊號降低回撤，也可參考市場濾網如何降低回撤與均線市場濾網。

參數最佳化：找一片高原，不是找一個孤峰

到這裡會有人擔心：選 35 日、11 檔，會不會只是事後挑到漂亮的參數？要回答這個問題，光報一組最佳數字並不夠，得把兩個最關鍵的旋鈕——威廉指標回看窗（21 / 28 / 35 / 42 日）與持股檔數（10 / 11 / 12 / 14 檔）——擺成一張二維網格，對完整策略（複合分選股 + 反波動加權 + 0050 指數擇時半倉）逐格真跑回測，看研究段月 Sharpe 的分布。

判讀色溫圖的關鍵，是看它像一片連續的高原，還是像一根突兀的孤峰。如果最高的 Sharpe 只孤零零出現在某一格、周圍四鄰全部很差，那通常是過擬合的警訊——換個鄰近參數就垮，代表這個成績是運氣不是結構。這張圖呈現的是前者：回看窗 28、35、42 日那三列整片偏綠（研究段月 Sharpe 約 1.21 ~ 1.38），相鄰格子之間平滑過渡；相對弱的是 21 日那一列（約 1.07 ~ 1.14），但即使這一列也都還在 1.0 以上。也就是說，「回看窗要拉長到中期」這個結論在連續一片參數上都成立，不是靠某一格僥倖。

正因為它是高原，本文選的 35 日、11 檔（研究段月 Sharpe 1.38）並不是孤零零的尖峰：它的鄰格——35 日 10 檔（1.25）、35 日 12 檔（1.33）、42 日 11 檔（1.38）、28 日 11 檔（1.26）——全都不弱。為了說明「就算不踩在最高那格，結論也一樣」，下圖把勝出設定和網格裡鄰域最穩健的那一格（42 日、12 檔）擺在一起對照研究段與樣本外月 Sharpe：

數字據實如下：勝出設定（35 日、11 檔）研究段月 Sharpe 1.38、樣本外 1.22；換到鄰域最穩健的 42 日、12 檔，研究段 1.29、樣本外 1.26。 兩組在研究段與樣本外幾乎打平，研究段 CAGR 也分別是 29.62% 與 27.03%、全期最大回撤 -34.38% 與 -34.93%，差距都在小數點層級。這正是「在高原上選參數」該有的樣子——選哪一格結論都成立，沒有免費的午餐；任何宣稱「精準調到某神奇參數、換一格 Sharpe 就翻倍」的優化，反而要當成過度最佳化的紅旗。

完整策略：威廉指標相對強勢主因子 + 指數擇時半倉

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：

1. 選股綜合分：可交易宇宙中，對每檔股票算兩項橫截面排名——①威廉指標（35 日）排名（值越接近 0、近 35 日越強勢，排名越高）；②60 日報酬動能排名。按 0.6 與 0.4 的權重相加成綜合分，威廉指標主導、動能做交叉確認。
2. 持股：取綜合分最高的 11 檔，以反波動度（1 ÷ 60 日波動度）加權，波動較低的股票配重較高。
3. 風控（指數擇時）：計算 0050 還原價的 60 日均線，判斷「0050 是否站上 60 日均線」，再用「近 10 個交易日 ≥ 50% 在均線上」的多數決平滑，得到 risk-on / risk-off 開關。
4. 部位調節：risk-on 時滿倉持有那 11 檔；risk-off 時把整體部位縮到半倉、其餘轉現金，全程不加碼、不用槓桿。
5. 月再平衡。

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
 
# 套件會在需要資料時自動引導登入
import finlab
finlab.login()
 
# 載入價量資料
close = data.get("price:收盤價")
volume = data.get("price:成交股數")
amount = data.get("price:成交金額")
adj_close = data.get("etl:adj_close")  # 還原權值股價，算 0050 擇時用
 
# 可交易宇宙：60 日均量 > 100 萬股、收盤 > 10 元、60 日均成交額前 300 大
# 排除 ETF（00 開頭）與權證 / KY（非 4 碼純數字）
liquidity_vol = volume.rolling(60, min_periods=20).mean()
liquidity_amt = amount.rolling(60, min_periods=20).mean()
is_common = pd.Series({s: (str(s)[:4].isdigit() and not str(s).startswith("00"))
                       for s in close.columns})
universe = (liquidity_vol > 1_000_000) & (close > 10) & liquidity_amt.is_largest(300) & is_common
 
# 因子一：威廉指標（35 日）橫截面排名，越強勢排名越高（主因子，權重 0.6）
willr = data.indicator("WILLR", timeperiod=35)
willr_rank = willr.where(universe).rank(axis=1, pct=True)
 
# 因子二：60 日報酬動能橫截面排名（交叉確認，權重 0.4）
mom_rank = (close / close.shift(60) - 1).where(universe).rank(axis=1, pct=True)
 
# 綜合分取最高 11 檔，再以反波動度加權
score = 0.6 * willr_rank + 0.4 * mom_rank
basket = score.where(universe).rank(axis=1, ascending=False) <= 11
inv_vol = 1.0 / close.pct_change().rolling(60).std()
weights = inv_vol.where(basket)
weights = weights.div(weights.sum(axis=1), axis=0)
 
# 指數擇時：0050 站上自身 60 日均線，再用 10 日多數決平滑成 risk-on 開關
idx = adj_close["0050"].dropna()
idx_ma60 = idx.rolling(60, min_periods=30).mean()
raw_on = idx > idx_ma60
risk_on = (raw_on.rolling(10, min_periods=5).mean() >= 0.5)
risk_on = risk_on.reindex(close.index).ffill().fillna(False)

完整的半倉部位調節與回測請見文末可下載的 strategy.py。

這套策略全期（2015-2026）年化 31.27%、月 Sharpe 1.21、月 Sortino 2.34、最大回撤 -34.38%；分段來看，研究段（2015-2021）年化 29.62%、月 Sharpe 1.38、月 Sortino 2.43、最大回撤 -34.38%，樣本外段（2022-2026）年化 33.94%、月 Sharpe 1.22、月 Sortino 2.80、最大回撤 -33.21%，年換手約 8.4 次。 三段風險調整後都站上約 1.2 以上、樣本外不衰退，且都勝過含息 0050（全期年化 20.98%、月 Sharpe 1.05、最大回撤 -33.96%）；代價是回撤與 0050 同級偏深（-34% 等級）。

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：

想加月營收 YoY 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：選股只用威廉指標相對強勢與 60 日動能，風控只用 0050 指數均線，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，也才與本文「威廉指標純技術用法」的主題一致。

常見的延伸問題是：在相對強勢這一籃裡，再要求個股「月營收年增為正」會不會更好？這是一個合理的研究方向，但屬於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 11 檔、集中度已高，再加營收過濾會明顯縮小可選池，反而犧牲相對強勢的爆發力；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，於綜合分計算前加一層 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。

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：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，以降低生存者偏差與不可交易標的污染。
• 前視偏差：威廉指標、60 日動能與 0050 均線都只使用當日（含）以前的價格；月頻再平衡，訊號於當期可得。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。
• 權重：選股以反波動度（1 ÷ 60 日報酬波動度）加權、池內正規化，單一標的不另設硬上限；風控層為 0050 指數擇時開關，risk-off 時把整體部位縮到半倉、其餘轉現金，不持有額外防禦腿、不用槓桿。
• 周轉率：勝出策略年換手約 8.4 次，屬中等。
• 樣本內外：研究段 2015-2021、樣本外 2022-2026 分開回報，所有數字兩段都列，避免只報漂亮的一段。

穩健度

這套策略的 edge 不是靠單一參數湊出來的：

• 回看窗穩健：把威廉指標回看窗在 21 / 28 / 35 / 42 日間掃過，28 日以上整片站上研究段月 Sharpe 約 1.21 ~ 1.38；最短的 21 日略低（約 1.07 ~ 1.14）但也都在 1.0 以上——是一片連續高原，不是孤峰。
• 持股數穩健：在 35 日窗下取 10 / 11 / 12 / 14 檔，研究段月 Sharpe 分別約 1.25 / 1.38 / 1.33 / 1.32，方向一致，不是靠特定檔數湊出來。
• 勝出設定不靠尖峰：勝出格（35 日、11 檔）與鄰域最穩健格（42 日、12 檔）在研究段與樣本外月 Sharpe 都幾乎打平（前者 1.38 / 1.22、後者 1.29 / 1.26），換鄰格結論不變。
• 樣本外站得住：勝出策略樣本外月 Sharpe 1.22、年化 33.94%，涵蓋 2022 台股空頭，沒有「研究段漂亮、樣本外崩掉」的過擬合特徵。

使用威廉指標常見的四個陷阱

整理本文回測與單股示意圖暴露出的問題，初學者用威廉指標最常踩的坑有四個：

1. 把超賣 −80 當無腦抄底訊號。 這是最普遍也最致命的誤用。台股強者恆強，跌進超賣區的常常是續弱股，回測研究段年化只有 3.78%、加金叉確認甚至 -1.53% 倒賠。超賣不等於便宜，更不等於要反彈。
2. 拿單一檔股票當進出場依據、被甩巴掌磨損。 前面台積電、聯發科的示意圖已經看到：%R 在 −20 與 −80 之間反覆穿越，盤整段尤其頻繁，每穿一次就是一組進出。單股使用容易陷入 whipsaw，把獲利耗在來回的手續費與滑價上。比較穩的用法是把它當橫截面排序工具、用一籃股票與月頻再平衡稀釋雜訊。
3. 用 14 日預設值就上場。 預設回看窗 14 日偏短、雜訊多。把回看窗拉到 28 ~ 42 日的中期區間，威廉指標衡量的才是「中期相對強勢」，訊噪比明顯變好，本文的參數網格裡這片中期窗整片站上研究段月 Sharpe 1.2 以上。
4. 和 KD、RSI 疊在一起用。 從數學定義就看得出來，威廉指標衡量「收盤離近期高點多遠」，KD 的 RSV 衡量「收盤離近期低點多遠」，兩者幾乎是鏡像、資訊高度重疊。把三個擺盪指標硬疊在一起通常是負貢獻；真正互補的是「不同性質」的訊號，例如威廉指標相對強勢（選股）+ 60 日報酬動能（交叉確認）+ 0050 指數擇時（風控）。

這四點的共通教訓是：威廉指標本身沒有錯，錯的是把它當成一個能獨立發號施令的買賣訊號。它的位置應該是「一個衡量相對位置的排序量」，搭配風控與分散使用。

策略的限制與取捨

• 集中度帶來較深回撤：策略只持 11 檔、又是高 beta 的強勢股，全期最大回撤 -34.38%，與含息 0050 的 -33.96% 同級、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；指數擇時半倉只能緩和、無法消除這個結構性弱點。
• 高換手、成本敏感：年換手約 8.4 次明顯高於被動持有，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。
• 擇時對崩盤型態敏感：指數擇時的減碼主要靠 0050 的 60 日均線；若未來空頭型態不同（如急殺 V 轉），均線可能來不及反應或被假訊號甩巴掌，10 日多數決平滑可緩解但不能消除。
• 容量與成本：宇宙限前 300 大、選股僅 11 檔，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，容量未估算。

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。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。

常見問題

Q：威廉指標的參數要設多少？預設 14 日好嗎？ 預設 14 日在台股偏短，混進太多短線雜訊。本文把它當中期相對強勢主因子，回看窗設在 35 日；在參數網格裡，28 到 42 日的中期窗整片站上研究段月 Sharpe 約 1.21 ~ 1.38 並形成高原。重點不在微調到某個神奇數字，而在於用「中期」（28~42 日）的視角衡量相對強勢，避免被「短線」位置的雜訊干擾。

Q：威廉指標「超賣（< -80）一定會反彈」嗎？ 不一定。超賣買進在台股研究段回測年化只有 3.78%，若再加「超賣後回升金叉」確認，研究段甚至 -1.53% 倒賠。原因是台股強者恆強、弱者續弱，弱勢股往往續弱而非反彈。把超賣當無腦抄底訊號，長期接近無效。

Q：威廉指標和 KD、RSI 差在哪？該一起用嗎？ 三者都是擺盪指標，資訊高度重疊，硬疊在一起通常是負貢獻。威廉指標衡量收盤在近 N 日高低區間的位置，與 KD 的計算很接近。比較有效的組合是「不同性質」的訊號搭配，例如本文用威廉指標相對強勢搭 60 日報酬動能選股、再用 0050 指數擇時控風險。各擺盪指標的正確用法可參考 RSI、MACD、KD 比較。

Q：威廉指標可以單獨拿來當買賣訊號嗎？ 不建議。無論是超賣買、超買賣，在台股單獨橫截面選股都站不住（年化個位數甚至倒賠）。它比較適合當「相對強勢的排序工具」搭配大盤風控使用，而不是自己當進出場依據。

Q：威廉指標和動能指標（如 RSI、ATR）有什麼關係？ 威廉指標本質上是一個「相對位置」量，反過來讀就成了相對強勢動能因子。它衡量的是價格在區間中的位置，不衡量波動幅度；波動度量請看台股 ATR 波動度指標與肯特納通道與 ATR 指標。選股方法的全貌可參考台股選股方法總覽。

Q：這套策略適合誰？ 適合想主動參與台股強勢股、追求明顯高於含息 0050 報酬、能接受 -34% 等級回撤與較高換手成本的人：它全期年化 31.27%、月 Sharpe 1.21，研究段與樣本外都勝過含息 0050。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：風控為什麼用「0050 均線」這麼單純的訊號？ 本文刻意把風控收斂到一個可操作、可重現的訊號：0050 還原價有沒有站上自己的 60 日均線。它每日可得、定義明確，再用 10 日多數決平滑就能壓掉均線附近的假訊號。風控的角色是「空頭減碼」，不需要太精巧；訊號越單純、越不容易在歷史上被調參調出漂亮的假象。

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。威廉指標相對強勢主因子 + 指數擇時半倉純技術策略全期最大回撤 -34.38%，實際交易前請自行評估風險、滑價與交易容量。