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：當相對強勢排序工具，不抓超買超賣

威廉指標台股回測的關鍵數字：

本文所有數字皆出自 finlab 套件（2.2.16）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 用延長後的資料重跑，參數一個都沒改：首發版（資料截至 2026-06-09）2022 年起月夏普 1.22，現在降到 0.99，低於我們設的 1.0 門檻，文中新增「策略衰退追蹤」一節交代發生什麼事。研究段年化由首發的 29.6% 變成 29.8%，原因是 finlab 版本差異（新版讓首個淨值日由 2015-02-26 提前到 01-30），用新版在首發同一截止日重跑就是 29.8%，和新資料無關。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。

教科書常見用法把它當 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，回測可以分出高下。

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」，與漲跌幅或波動大小無關，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。

「離近期高點多近」在學術上有直接對應的研究：George & Hwang (2004) 在美股發現，收盤價接近 52 週最高價的股票，後續報酬高於遠離高點的股票，預測力還強過單純的過去報酬。威廉指標的回看窗短得多（本文用 35 日），所以只能算同一類訊號的短窗版本，效果要在台股另外驗證。

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，只留代號 4 碼數字，排除 00 開頭 ETF、金融保險股、處置股）裡，把幾種「威廉指標選股」用法各跑一次等權、月換股、不擇時的回測：

結論很清楚：最多人用的「超賣買進」在台股研究段年化只有 3.7%。 「超賣回升才進場」的版本，若只買換股日當天剛好穿越 -80 的股票，每個月入選的檔數中位數只有 12 檔，141 個換股日裡有 5 個一檔都沒有，研究段 -1.6%；放寬成「近 20 個交易日內曾回升」，每月入選中位數 171 檔，研究段也只有 7.4%。兩種寫法都輸給同期含息 0050 的 15.1%。

原因不難理解：台股長期呈現「強者恆強、弱者續弱」。收在近期區間底端（%R 超賣）的股票，往往是基本面或籌碼出了問題的續弱股，接刀容易被套；擺盪指標假設的「超賣必反彈」，在流動性宇宙裡並不成立。把同一個指標反過來讀：取收在區間頂端的股票，14 日版研究段年化從 3.7% 升到 10.6%，回看窗拉長到 35 日再升到 19.1%，勝過同期 0050。這和 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。

但表格最右欄要一起看：2022 年起，這五種裸用法全部落後含息 0050 的 30.5%，連研究段最好的 35 日相對強勢也只有 16.7%。裸用威廉指標選股，近幾年在台股沒有優勢；後面的完整策略之所以還能做出成績，靠的是和 60 日動能的組合，這一點會在「拆開綜合分」一節用數字說明。

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優勢，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（222 個交易日）的窗，把威廉指標（14 日）兩個派別的訊號標出來看。%R 用完整歷史計算後再取窗內，窗內第一天沒有前一日，不算交叉。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：%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。

圖上有兩件事值得注意。第一，這兩檔在這段窗裡都是多頭（台積電收盤 +70.4%、聯發科 +96.4%），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 經常停在 −20 上方：台積電有 36.5% 的交易日 %R 高於 −20，聯發科 44.6%，跌到 −80 以下的日子都只有約 15%。所以「超賣才買」很少有機會上車，反而一碰到 −20 就賣、把上漲讓出去。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。

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。所以本文把威廉指標當「橫截面排序工具」用：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單股的雜訊。

想自己把這張圖畫出來、換成別檔股票看，下面這段程式碼用 finlab 的 data.indicator 算威廉指標、再用簡單的穿越邏輯算出兩派訊號：兩派的次數都會印出來（台積電這段窗是超賣派 11 買 20 賣、相對強勢派 21 買 11 賣），圖上標的是相對強勢派的買賣點：

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，用完整歷史計算）
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)
 
print("超賣派 買", int(buy_oversold.sum()), "賣", int(sell_oversold.sum()))
print("相對強勢派 買", int(buy_strength.sum()), "賣", int(sell_strength.sum()))
 
# 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：回看窗拉長到 35 日，再和 60 日動能合成綜合分

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」：裸用時研究段年化從 10.6%（14 日）升到 19.1%（35 日）。

光拉長還不夠，第二步是把它和 60 日報酬動能合成綜合分。對每檔股票，先把 35 日 %R 做橫截面百分位排名（值越接近 0、近 35 日越強勢，排名越高），再把 60 日報酬也做橫截面排名，兩者按 0.6 與 0.4 的權重相加。%R 看的是「收盤在近 35 日區間的哪個位置」，60 日報酬看的是「這段時間漲了多少」，兩個條件同時成立的股票，才是既在漲、又收在近期高點附近的那一群。

調整二：反波動加權集中持有 + 0050 均線擇時半倉

選好相對強勢的一籃股票後，還有兩個工程細節。

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，入選股內正規化），波動較低的股票配重較高。全期換股日單檔權重最高到 22.1%，每月最大單檔的中位數是 12.4%。

第二是風控：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。換股日判定為 risk-on 就滿倉，risk-off 就把整體部位縮到半倉，其餘放現金，全程不加碼、不用槓桿。要注意回測每月只在最後一個交易日讀一次這個開關，月中轉弱不會提前減碼，這個落差的影響在下面「0050 均線擇時」一節有數字。這裡採用的是可操作、可重現的趨勢濾網；它和 Moreira & Muir (2017) 以已實現變異數調整曝險的方法不同，只共享「風險升高時降低曝險」的一般風險管理理念，該論文並不是 60 日均線訊號的實證依據。

分工從頭到尾清楚：%R 疊動能負責選股，0050 均線負責風控。整套只用價量、完全不碰財報或月營收。用大盤訊號降低回撤的其他做法，可參考均線市場濾網。

拆開綜合分：威廉指標與 60 日動能各自的貢獻

綜合分裡兩個因子各佔多少功勞？把權重改成只用其中一個，其餘設定（11 檔、反波動加權、0050 擇時半倉）全部不變，各跑一次：

讀法：兩個因子單獨用，研究段月夏普都低於 0050（0.98、0.74 對 1.00），2022 年起年化也都落後；只用 60 日動能的研究段年化 16.6% 略高於 0050 的 15.1%，代價是 -44.5% 的回撤。兩者合在一起才變成 29.8%、月夏普 1.39。所以這套策略的優勢來自兩個條件的交集，說威廉指標「單獨扛起」選股並不精確。反波動加權也不是報酬來源，改成等權，研究段 31.4%、2022 年起 27.5%，月夏普幾乎一樣，回撤略深。

0050 均線擇時：半倉、全現金、不擇時三種做法

風控層到底幫了多少？同一籃股票，比較三種處理 risk-off 的方式：

擇時的作用主要在研究段：月夏普從 1.24 提高到 1.39，2022 年全年少賠 4.6 個百分點（-31.4% 對不擇時的 -36.0%），全期最大回撤從 -42.4% 收斂到 -38.5%。代價是多頭年少賺，2017 年少 16.0 個百分點、2023 年少 23.7 個百分點，研究段年化因此從 32.6% 降到 29.8%。半倉優於全現金：全現金版研究段年化少 4 個百分點、月夏普也較低。2022 年起三種做法的月夏普都在 1.0 以下，擇時沒有改變近幾年的結論。

月頻檢查的落差要一起知道。2015 年起，0050 擇時開關轉成 risk-off 共 27 次，其中 4 次在月底前就轉回、從來沒有執行；其餘 23 次從轉弱到第一個換股日，中位數要等 10 個交易日，最長 22 個交易日。全期 72.9% 的交易日是 risk-on，141 個換股日裡有 38 個（27.0%）是半倉。

參數最佳化：研究段的高原，2022 年起的下坡

選 35 日、11 檔，會不會只是事後挑到漂亮的參數？我們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），排成 4×4 網格，對完整策略逐格真跑回測。看色溫圖要找一整片都偏綠的高原；一格特別深綠的孤峰，多半是湊參數湊出來的。研究段的色溫圖符合高原的樣子：

研究段 16 格的月夏普在 1.08 到 1.39 之間，28、35、42 日三列全部在 1.22 以上，21 日那一列最低（1.08 到 1.16）。「回看窗要拉長到中期」在研究段是一整片成立的結論。

同一張網格換成 2022 年起的月夏普，整片往下掉（兩張圖用同一組色階，1.0 是中間的淡黃色）：

2022 年起的 16 格落在 0.81 到 1.05，只有 35 日 10 檔（1.01）與 42 日 12 檔（1.05）高於 1.0；42 日 11 檔是 0.998，圖上四捨五入顯示成 1.00。首發版用的穩健格選法（研究段月夏普 3×3 鄰域中位數最高）選出的正是 42 日 12 檔，它的研究段 1.33、2022 年起 1.05，四道門檻（研究段年化 ≥ 25%、月夏普 ≥ 1.2、2022 年起年化 ≥ 15%、月夏普 ≥ 1.0）都過。我們仍然不換：看到新資料之後才把參數挪到剛好過門檻的那一格，就是拿答案回頭調參，季度刷新的規則是參數不動、據實記錄衰退。

完整策略：35 日威廉指標 + 60 日動能 + 0050 均線擇時半倉

把上面的設計組成一套可執行、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 35 日 %R 排名（越接近 0 排名越高）；② 60 日報酬排名。按 0.6 與 0.4 的權重相加成綜合分。
2. 持股：取綜合分最高的 11 檔，以反波動度（1 ÷ 60 日報酬波動度）加權。
3. 風控：0050 還原價站上自己的 60 日均線，再用「近 10 個交易日 ≥ 50% 在均線上」平滑，得到 risk-on / risk-off 開關。
4. 部位調節：換股日 risk-on 時滿倉持有那 11 檔；risk-off 時整體部位縮到半倉、其餘放現金，不加碼、不用槓桿。
5. 每月最後一個交易日換股，月中不檢查。

選股與擇時的核心程式碼（可直接交給你的 AI 助理改寫、或下載完整版執行）：

from finlab import data
from finlab.backtest import sim
 
# 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]
 
# 因子一：35 日威廉指標的橫截面百分位，越接近 0（越強勢）分位越高（權重 0.6）
willr = data.indicator("WILLR", timeperiod=35).reindex(columns=common_cols)
willr_rank = willr.where(universe).rank(axis=1, pct=True)
 
# 因子二：60 日報酬的橫截面百分位（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，權重與 60 日報酬波動度成反比
score = 0.6 * willr_rank + 0.4 * mom_rank
basket = (score.where(universe).rank(axis=1, ascending=False) <= 11) & universe
inv_vol = 1.0 / close.pct_change().rolling(60, min_periods=30).std().clip(lower=1e-4)
weights = inv_vol.where(basket)
weights = weights.div(weights.sum(axis=1), axis=0).fillna(0.0)
 
# 0050 擇時：站上自己的 60 日均線，再用近 10 個交易日多數決平滑；沒站上時整體部位減半
idx = adj_close["0050"].dropna()
idx_ma60 = idx.rolling(60, min_periods=30).mean()
raw_on = (idx > idx_ma60).reindex(close.index).ffill().fillna(False)
risk_on = raw_on.rolling(10, min_periods=1).mean() >= 0.5
position = weights.mul(risk_on.map({True: 1.0, False: 0.5}), axis=0)
 
# 每月最後一個交易日換股，從 2015 年起回測
report = sim(position.loc["2015":], resample="M", fee_ratio=1.425 / 1000 * 0.3, upload=False)

data.indicator 算出來的欄位比收盤價少幾檔，所以要先 reindex 對齊再篩選。這段程式碼我們用資料截至 2026-09-30 實跑，6 月 30 日、7 月 31 日、8 月 31 日、9 月 30 日四個換股日的 11 檔持股與權重和完整回測逐檔相同，最後淨值也一致。主要績效表、四種零件拆解、逐年與衰退追蹤表格都在文末可下載的 strategy.py。

這套策略研究段（2015-01-30 至 2021 年底）年化 29.8%、月夏普 1.39、月索提諾 2.44、研究段最大回撤 -34.4%；2022 年起（至 2026-09-30）年化 26.9%、月夏普 0.99、月索提諾 1.48、最大回撤 -38.5%；全期年化 28.6%、月夏普 1.09、月索提諾 1.64、最大回撤 -38.5%、年化波動 28.3%，年換手約 8.7 次。同日起算的含息 0050 研究段 15.1%、月夏普 1.00；2022 年起 30.5%、1.21；全期 21.2%、月夏普 1.07、月索提諾 1.85、最大回撤 -34.0%、年化波動 19.8%。全期勝過 0050 的是年化報酬（28.6% 對 21.2%，多 7.4 個百分點），月夏普 1.09 對 1.07 幾乎打平，月索提諾、最大回撤與波動都輸；2022 年起四項全輸。

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：

策略衰退追蹤：2026-06-09 之後發生什麼事

首發版的資料截至 2026-06-09。延長到 2026-09-30 的四個月裡，策略累計 -19.2%，同期含息 0050 +8.9%：

7 月的經過是這樣：6 月 30 日換股時 0050 站在 60 日均線上，策略滿倉持有 11 檔。這 11 檔從 7 月 1 日進場抱到 8 月 3 日，全部虧損，中位數 -27.2%，按權重加總 -26.1%，最差的國巨（2327）-51.6%。同一段時間 0050 從 7 月 1 日的高點到 7 月 30 日回落 14.0%，7 月 31 日反彈，整月 -4.0%。擇時開關用的是 60 日均線加 10 日多數決，反應慢：到 7 月 30 日才轉弱一天，7 月 31 日換股時又回到 risk-on，所以策略一路滿倉，沒有任何減碼。

這一跌讓策略從 2026-07-06 的高點到 7 月 30 日回落 38.5%，成為全期最大回撤；9 月底仍在高點下 24.8%。對照歷史，研究段最差的月份是 2018 年 10 月的 -10.8%，2022 年起在這之前最差是 2022 年 1 月與 9 月的 -13.3%，7 月的 -29.3% 是它的兩倍以上。

同一次執行把淨值截到首發日 2026-06-09 重算，2022 年起月夏普是 1.27（首發版 1.22，差距來自 finlab 版本），研究段 29.8%、月夏普 1.39 不受新資料影響。所以 1.27 降到 0.99，是這四個月、主要是 7 月一個月造成的。依季度刷新的規則，參數不改（網格裡剛好過門檻的兩格見上一節）。

這次衰退說明了兩件事。第一，0050 均線開關是慢訊號，大盤要跌上一段時間才會轉弱；這個月選股籃裡的強勢股跌得比大盤快、也深得多（11 檔中位 -27.2%，0050 月中最深 -14.0%），開關只轉弱了一天、又剛好在月底前轉回。第二，月頻檢查讓任何擇時都只能事後反應。想要針對持股本身的保護，得改成個股停損或日頻擇時，那是另一個策略，需要另外驗證，不在這篇裡改參數。同一批技術指標文在 2026-09 重跑時也普遍在 7 月重挫，經過可對照 MACD 怎麼用才對。

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：上市櫃股票，60 日均量大於 100 萬股、收盤大於 10 元、60 日均成交金額前 300 名。
• 排除類別：只留代號剛好 4 碼數字的股票（排除權證、特別股、6 碼代號），再排除 ETF（代號 00 開頭）、金融保險股、處置與全額交割股。KY 股代號是 4 碼數字，沒有排除，7 月持股裡就有兩檔 KY 股。首發版的頁內程式碼只檢查代號前 4 碼，會放行 6 碼代號；用首發的宇宙規則重跑，換股日實際持股完全相同，數字不受影響。
• 生存者偏差：宇宙每天依當時資料篩選，2015-01-30 有收盤價、到 2026-09-30 已無收盤價的 4 碼普通股共 142 檔，在當時都可能被選入。
• 前視偏差：%R、60 日動能、波動度與 0050 均線都只使用當日（含）以前的價格；月頻再平衡，換股日收盤算出的訊號從下一個交易日起生效。完全不使用財報或月營收等基本面資料（月營收對照組另行說明公布日對齊）。
• 檢查頻率：擇時開關只在每月最後一個交易日讀取，月中不減碼、不加碼。首發版寫「次日回到 risk-on 即恢復滿倉」與回測不符，已更正。
• 權重：入選 11 檔以反波動度加權、入選股內正規化，不設單檔上限；全期換股日單檔最高 22.1%。risk-off 時整體部位 0.5、其餘現金，不持有防禦標的、不用槓桿。
• 周轉率：全期年換手約 8.7 次。
• 基準與起算日：含息 0050 用 etl:adj_close 純算術買進持有，與策略同日 2015-01-30 起算。首發版的 0050 從 2015-01-05 起算，早了一段，已對齊。
• 樣本內外：研究段 2015-2021 是選參數用的；2022 年起在首發時已被看過，是選參數時參考過的驗證段，真正沒看過的資料只有 2026-06-09 之後這四個月。

穩健度

把前面幾節的檢查收在一起，哪些站得住、哪些在新資料後變弱：

• 站得住的：讀數方向（超賣買進兩段都低於相對強勢讀法）、回看窗要拉長（研究段 28 日以上整片 1.22 以上）、加權方式不影響結論（等權與反波動加權的月夏普幾乎一樣）。
• 變弱的：2022 年起的網格 16 格只有 2 格高於 1.0，首發版是 16 格全部在 1.0 以上；兩個因子單獨用、三種擇時做法，2022 年起月夏普也都在 1.0 以下。問題出在整套方法近幾年的表現；換參數最多只能勉強過 1.0，而且是看過新資料才挑得出來。

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：選股只用威廉指標與 60 日動能，風控只用 0050 均線，沒有任何財報或月營收輸入。純技術訊號每日可得、沒有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：在可交易宇宙裡先要求「月營收年增為正」，再跑同一套選股與擇時，會不會更好？我們實際跑了：月營收以公布日對齊、只用已公布的數字，YoY > 0 的股票才能入選，其餘設定不變。結果研究段年化 29.0%、月夏普 1.32，2022 年起 25.4%、0.93，全期最大回撤 -38.0%；對照完整策略的 29.8%／1.39 與 26.9%／0.99，兩段都略差。在這套 11 檔的集中策略裡，加營收過濾沒有幫助，所以不放進主策略。想自己試別的搭法，可在下載的程式碼裡於綜合分計算前加一層 monthly_revenue 的過濾。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。

不同年度的表現：12 年贏 7 年，2022、2024 與 2026 年落後

12 個年度裡 7 年贏 0050，2020、2021、2023 三年都多贏 30 個百分點以上。輸的 5 年裡，2018、2022 是空頭年跌得比 0050 深；2024、2026 是 0050 本身大漲的年份（2024 年 0050 +48.6%、2026 年截至 9 月 +74.3%，策略都不到 0050 的一半）；2016 年則是 12.7% 對 19.6%。2022 年起年化落後 0050，就是這三個年度疊起來的結果。

使用威廉指標常見的五個陷阱

整理本文回測與單股示意圖暴露出的問題，用威廉指標最常踩的坑有五個：

1. 把超賣 −80 當無腦抄底訊號。 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 3.7%，只買當天剛回升的股票甚至 -1.6%。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。 台積電、聯發科的示意圖裡，%R 在 −20 與 −80 之間反覆穿越，每穿一次就是一組進出，獲利容易耗在來回的手續費與滑價上。比較穩的用法是當橫截面排序工具、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。 14 日偏短、雜訊多。拉到 28 ~ 42 日，研究段月夏普整片在 1.22 以上；14 日裸用的最高 30 檔研究段只有 10.6%。
4. 和 KD、RSI 疊在一起用。 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。真正互補的是不同性質的訊號，本文的例子是 %R（收盤位置）配 60 日報酬（漲幅），兩者單獨用研究段月夏普都低於 0050，合起來才有用。KD 的台股回測見 KD 指標怎麼用。
5. 以為大盤濾網能保護選股籃。 0050 均線擇時是慢訊號，又只在月底讀取；2026 年 7 月選股籃 11 檔全跌、策略單月 -29.3%，0050 月中回落 14.0%，開關只轉弱一天、月底又轉回，完全沒有減碼。持股集中在強勢股時，要另外想個股層級的風險控管。

這五點的共通教訓是：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」，搭配其他性質的訊號、風控與分散使用。

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：35 日威廉指標與 60 日動能的綜合分取最高 11 檔、反波動加權，0050 近 10 個交易日站上 60 日均線的天數不到一半時部位減半，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 1.09 對 0050 的 0.96，2022 年起 0.83 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，日夏普在 0.79 到 0.98 之間，威廉指標天數縮短到 28 日時最弱；前段（2015 到 2020 年）日夏普 1.01 贏 0050 的 0.89，後段 0.96 輸 1.24，三項都不成立，跟上文「研究段的高原，2022 年起的下坡」一致。上文的年化 28.6% 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 27.8%，換成 sim() 預設成本是 25.5%。

策略的限制與取捨

• 集中度帶來較深回撤：策略只持 11 檔強勢股，全期最大回撤 -38.5%、年化波動 28.3%，都比含息 0050 的 -34.0%、19.8% 差。2022 年起年化 26.9% 也落後 0050 的 30.5%，用更大的波動並沒有換到更高的報酬。
• 高換手、成本敏感：年換手約 8.7 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。
• 擇時只看大盤、只看月底：0050 均線開關反應慢，選股籃跌得比大盤快時來不及；月頻檢查讓減碼的時間點中位數晚 10 個交易日，急殺急漲的行情裡可能來不及或剛好賣在低點。
• 容量與成本：宇宙限前 300 大、選股僅 11 檔，單檔權重最高到 22.1%，大資金部署需重估流動性衝擊；回測未逐筆估算滑價，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。strategy.py 把資料截止日釘在 2026-09-30，執行後會印出本文的主要表格、零件拆解、逐年報酬與衰退追蹤；把 DATA_END 改成 None 就用最新資料。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。各技術指標正確用法的橫向比較，見13 個技術指標的台股回測總覽。

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。本文把回看窗設在 35 日；在參數網格裡，28 到 42 日的中期窗研究段月夏普整片在 1.22 到 1.39。重點不在微調到某個神奇數字，而在於用「中期」的視角衡量相對強勢。要注意的是，2022 年起整張網格都下滑到 0.81 到 1.05，換參數最多只能勉強過 1.0。

Q：威廉指標「超賣（< -80）一定會反彈」嗎？ 不一定。每月買 14 日 %R 最低的 30 檔，研究段年化只有 3.7%；只買換股日當天剛從 -80 回升的股票，研究段 -1.6%。台股弱勢股往往續弱而非反彈，把超賣當抄底訊號，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，硬疊在一起通常沒有加分。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 %R 搭 60 日報酬選股、再用 0050 均線控風險。各擺盪指標的比較可參考 RSI、MACD、KD 比較，RSI 當選股因子的回測見 RSI 怎麼用。

Q：威廉指標可以單獨拿來當買賣訊號嗎？ 不建議。超賣買、超買賣在台股單獨選股都站不住；就算反過來讀，35 日 %R 單獨挑 11 檔研究段也只有 13.8%，輸給 0050。它比較適合當排序工具，和其他訊號一起用。

Q：威廉指標和波動度指標（如 ATR）有什麼關係？ 威廉指標是「相對位置」量，反過來讀就成了相對強勢因子；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？ 適合想參與台股強勢股、能接受 -38% 等級回撤與較高換手成本的人：它全期年化 28.6%、高於含息 0050 的 21.2%，但 2022 年起年化 26.9% 落後 0050 的 30.5%，2026 年 7 月單月 -29.3%。目前它處在衰退追蹤狀態，不適合受不了深度回撤、或偏好低周轉被動持有的人；這類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？它擋得住崩跌嗎？ 訊號單純，比較不容易在歷史上被調參調出漂亮的假象：0050 還原價有沒有站上自己的 60 日均線，每日可得、定義明確，再用 10 日多數決壓掉均線附近的假訊號。它在研究段把月夏普從 1.24 提高到 1.39、2022 年少賠 4.6 個百分點，但它是慢訊號、又只在月底換股日讀取，2026 年 7 月 0050 月中回落 14.0%、選股籃大跌時，開關只轉弱一天，完全沒有減碼。

FinLab 量化研究團隊長期維護台股量化資料、FinLab Python 套件教學與策略研究文章；本文審閱重點為資料口徑、前視偏差、交易成本與回撤風險。

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。威廉指標相對強勢策略全期最大回撤 -38.5%，2022 年起年化落後含息 0050，實際交易前請自行評估風險、滑價與交易容量。