維持率計算：融資維持率計算機、追繳價怎麼算、大盤多少算斷頭

大盤融資維持率是什麼？

大盤融資維持率，是把全市場「融資擔保品的現值」除以「全市場融資金額餘額」，算出整個市場用融資借錢買股的人平均握著多少抵押價值的一個倍數；它衡量的是全市場散戶槓桿的熱度，個人帳戶離追繳線多遠要看自己的整戶維持率，那是另一個層級的數字。 搜尋「維持率計算」時，最容易混淆的是個人帳戶追繳價與大盤融資維持率：個人維持率用來看你離 130% 追繳線多遠，大盤融資維持率用來看市場融資籌碼是否過熱。兩者公式同源，但放到全市場後方向完全反過來：個人帳戶維持率越高越安全，大盤融資維持率越高反而代表融資越擁擠、越接近過熱。還有一點先講明：這頁的數字是用公開融資餘額與收盤價推估的估算值，沒有每日公開的官方序列可以對照，讀的是相對位置，不是市場的實際帳戶維持率。2026 年 7 月底，同一個名字在市場上出現好幾個數字，有的來自不同口徑，有的只是不同日期，下面有一節把它們排在同一天比較（誤差來源見「為什麼它是估算值」）。

大盤版本的計算式如下：

$\text{大盤融資維持率}=\frac{\text{全市場融資擔保品現值}}{\text{全市場融資金額餘額}}=\frac{\sum_i(\text{融資餘額張數}_i\times\text{收盤價}_i\times1000)}{\text{上市融資金額}+\text{上櫃融資金額}}$

融資：跟券商借錢買股票，自己只出一部分（自備款），其餘由券商墊付，是一種槓桿。標準定義見 /glossary。

分子是所有融資買進部位「現在值多少錢」，分母是「總共借了多少錢」。股價漲、擔保品變值錢，倍數上升；市場急殺、擔保品縮水，倍數下滑。所以它本質上是一個反向情緒指標：數字衝高，代表融資資金擁擠、追價意願強，往往是相對危險的時候；數字被殺到低點，通常對應恐慌底部，融資被斷頭洗出場。這個方向，和 融資維持率與 0050 擇時 那篇實際拿來做擇時的邏輯是一致的。

重點摘要

一句話收：這個指標高，代表「市場上用融資追價的人很多」，不是「市場很安全」；它真正的用處是當情緒溫度計，而不是個人風險的儀表板。自 2009 年至今 4,312 個交易日，它最深只到 1.2996，沒有明顯跌破 1.30，這條線後面會解釋為什麼像一塊地板。

先算你自己的：融資維持率計算機

搜尋「維持率計算」的人，多半要的是這個：輸入融資買進價與目前股價，算出整戶維持率、追繳價、距離追繳線還能跌多少，以及跌破 130% 之後每張要補繳多少錢。上市六成、上櫃五成的融資成數已內建，選市場就好。有人搜的是融資維持率計算器、融資追繳計算機、融資補錢計算機或融資斷頭計算機，指的都是同一個工具：追繳價就是斷頭壓力價，補繳金額就是把維持率補回 130% 要拿出來的錢。想知道這些數字怎麼推導出來的，往下讀「怎麼算」那一節。

再看大盤水位：全市場融資維持率走勢

下方工具用 finlab 的台股資料畫出大盤融資維持率估算值的歷史走勢，疊上加權報酬指數（含息）對照，標出最新值、水位帶與歷史低點；資料每交易日盤後更新，可以切換時間範圍、用游標逐日讀值。

大盤融資維持率怎麼算？

要懂大盤的版本，得先懂個人帳戶的版本，因為大盤只是把每一戶的分子分母全部加總起來。

台灣券商實務上，個股／整戶的融資維持率 = 融資擔保品市值 ÷ 融資金額。注意分母是「你借的錢」，不是帳戶總市值，這一點等一下和美式算法對照時最關鍵。

用一個帶真實數字的例子走一遍。假設你看上一檔上市股票，股價 100 元、買 1 張（1,000 股），總價 100,000 元：

• 上市融資成數為 60%，券商借你 60,000 元，你自備 40,000 元（自備款 40%）。
• 買進當下，擔保品市值 = 100,000，融資金額 = 60,000。
• 初始融資維持率 $=\dfrac{100{,}000}{60{,}000}\approx1.667$，也就是約 167%。

上櫃股票的融資成數是 50%，借一半、自備一半，初始維持率 $=\dfrac{1}{0.5}=200\%$，比上市更高，因為自備款更厚。

接下來是會痛的部分。整戶擔保維持率跌到 130% 會被追繳（這條線 2015 年起為 130%，之前是 120%）。把追繳價算出來：股價一路跌到 $P$ 時，維持率 $=\dfrac{1000P}{60{,}000}=1.30$，解得 $P=78$ 元。也就是說，從買進價 100 元跌到 78 元（下跌約 22%）就觸發追繳。換成公式：

$\text{上市追繳價}=\text{買進價}\times0.6\times1.30=\text{買進價}\times0.78$

上櫃因為成數 50%，追繳價 = 買進價 × 0.5 × 1.30 = 買進價 × 0.65，要跌約 35% 才追繳；自備款厚，撐得住的跌幅就大。

把這套放大到全市場，就是大盤融資維持率。分子是「每一檔股票的融資餘額張數 × 當日收盤價 × 1000」加總起來的全市場擔保品現值，分母是上市與上櫃的融資金額餘額相加：

$\text{大盤融資維持率}=\frac{\sum_i(\text{融資餘額張數}_i\times\text{收盤價}_i\times1000)}{\text{上市融資金額}+\text{上櫃融資金額}}$

資料怎麼來，FinLab 用的是三組公開統計：每檔股票的融資餘額張數取自融資交易日報（margin_transactions:融資今日餘額）、上市櫃融資金額餘額取自融資券總餘額（margin_balance:融資券總餘額）、收盤價取自每日行情（price:收盤價）。三者每個交易日更新，所以這個指標是逐日可算、可回溯的時間序列。

為什麼它是估算值，不是官方統計

證交所與櫃買中心每日公布的是融資餘額（張數與金額），沒有每日公開的「全市場融資維持率」序列。證交所在 2026-07-28 曾就此發布過數字（見下一節），但那是針對爭議的說明，不是逐日更新的統計。這條曲線是拿公開餘額乘上收盤價推估出來的擔保品覆蓋倍數，和券商後台看得到的逐戶維持率不是同一個東西。三個誤差來源要先知道：

分母是餘額金額，不是逐戶融資本金。 融資交易金額餘額是全市場借款的總量統計；實際每一戶的融資本金還受券商自訂成數、抵繳擔保品、券資相抵、部分還款影響，這些細節在總量資料裡看不到。

總量比率不等於任何一戶的維持率。 每個人的買進成本與持股組合都不同，總量數字是被市值加權的平均數，權重集中在少數大型股身上（集中度的實際數字見後面盲點那一節）。所以它無法回答「現在有多少帳戶已經接近追繳」。

它是日終資料，不是盤中數字。 融資餘額與收盤價都要等收盤才定案，盤中不會更新；處置股、興櫃與不得融資的個股也不在計算範圍內。

分子分母都含 ETF，不只個股。 只要是可以融資的標的都算進來。以 2026-07-29 為例，全市場融資餘額有 24.2% 的張數落在 ETF（290 檔），但 ETF 單價低，只占擔保品現值的 4.3%（451 億元），其中又有將近一半是槓桿與反向 ETF，0050、0056、006208 三檔加起來只占全市場 0.31%。槓桿反向 ETF 是短線交易工具而不是長期持股，所以這部分會讓「散戶槓桿熱度」的讀數多一些雜訊。反過來說，把 ETF 從分子剔掉並不會更準：官方公布的融資餘額金額同樣含 ETF，只剔分子會讓 2026-07-29 的水位從 1.56 掉到 1.49，變成分子分母對不起來的數字。

同一天，為什麼有 143%、171.7%、175% 三個數字

2026 年 7 月底這個指標成了新聞。7 月 27 日市場流傳的估算顯示全市場融資維持率掉到 143%（CMoney 的估算值），被解讀成大規模斷頭在即；證交所隔天澄清，截至 7 月 27 日全市場整戶信用交易擔保維持率約 175%，遠高於 130% 的追繳門檻，全市場融資擔保維持率也仍高於 166% 的原始維持率，並指 143% 是「未完整計算整戶信用交易因子」的結果。同日追繳與處分金額分別低於全市場成交金額的 0.1% 與 0.03%，明顯低於 2025 年 4 月關稅那次。接著 CMoney 在 7 月 29 日宣布停止提供融資維持率、融券維持率與整體維持率並逐步下架歷史資料；同一時間 財經 M 平方的融資維持率也停更，最後一筆是 140.38%（前一筆 150.23%），它的口徑是不含 ETF 的融資股票市值除以融資餘額。

這些數字算的是不同的東西，只是共用同一個名字。把它們排在 7 月 27 日同一天看：

本頁走的是總量口徑，同一天算出 171.7%，和證交所說的「仍高於 166% 原始維持率」落在同一個量級，距離被點名的 143% 有 28 個百分點。證交所的 166% 是上市融資六成成數的倒數（1 ÷ 0.6 ≈ 1.667），也就是剛開倉、還沒有帳面損益時的水位。要注意這條線對混合上市與上櫃的部位並不精準：上櫃成數五成、初始維持率 200%，所以整個市場「零損益」的錨其實略高於 1.667。本頁 2009 年以來的中位數 1.670 落在錨的稍下方，代表長期而言融資部位的帳面損益接近打平、略偏虧損，這是觀察到的規律，不是算式必然。

這些數字的絕對水位不能互換，但它們對「正在快速去槓桿」的判斷一致。而且拿不同日期的數字互比會放大差距：本頁的序列 7 月 27 日 171.7%、7 月 28 日 161.1%、7 月 29 日 156.0%、7 月 30 日 154.0%，三個交易日就掉了 17.6 個百分點。所以「154% 對 175%」那個看起來很大的落差，一部分是口徑，一部分只是差了三天。

那為什麼還能用？因為誤差的方向與量級每天大致固定，序列的相對位置仍然可讀。要看的是它離自己的歷史分佈多遠、往哪個方向走，不是把 1.54 當成「市場平均帳戶離追繳線還有多遠」的精確測量。

用 finlab 自己算一次

這條曲線沒有黑盒子：三組資料、兩個加總就能重現。下面這段程式跟本頁圖表、也跟 FinLab 生產環境的算法完全一致：

import finlab
from finlab import data
 
finlab.login()
 
融資餘額張數 = data.get('margin_transactions:融資今日餘額')
收盤價 = data.get('price:收盤價')
融資券總餘額 = data.get('margin_balance:融資券總餘額').ffill()
 
擔保品現值 = (融資餘額張數 * 收盤價 * 1000).sum(axis=1)
融資金額餘額 = 融資券總餘額[['上市融資交易金額', '上櫃融資交易金額']].sum(axis=1)
 
維持率 = (擔保品現值 / 融資金額餘額).dropna()
維持率 = 維持率[維持率 > 0]
 
print(維持率.tail(3).round(3))
print('中位數', round(維持率.median(), 3), '平均', round(維持率.mean(), 3))
print('1.4 以下的交易日佔比', f'{(維持率 <= 1.4).mean():.1%}')
print('10 日均線', round(維持率.rolling(10).mean().iloc[-1], 3))

資料截至 2026-07-29 跑出來是：

date
2026-07-27    1.717
2026-07-28    1.611
2026-07-29    1.560
dtype: float64
中位數 1.67 平均 1.664
1.4 以下的交易日佔比 1.0%
10 日均線 1.706

finlab.login() 不必貼 token，套件會引導你完成登入。想把 1.30、1.40、1.80 三條參考線畫上去，或換成 10 日均線的版本，把下面這段話貼給你的 AI，它會幫你裝好套件、跑完並回圖：

進階：用 Plotly 做成三合一互動儀表板

算出序列之後，可以再把「維持率對大盤」「上市融資餘額與買賣超」「上櫃融資餘額與買賣超」疊成一組會連動的互動圖，判讀時就不用在三張圖之間切換：

接續上一段算好的 維持率 與 融資券總餘額，再補兩個買賣超欄位與大盤報酬指數，就能畫出同樣的圖：

import pandas as pd
from plotly.subplots import make_subplots
import plotly.graph_objects as go
 
融資券總餘額['上市融資買賣超'] = 融資券總餘額['上市融資交易金額'].diff().fillna(0) / 1e8
融資券總餘額['上櫃融資買賣超'] = 融資券總餘額['上櫃融資交易金額'].diff().fillna(0) / 1e8
大盤 = data.get('benchmark_return:發行量加權股價報酬指數').squeeze()
 
df = 維持率.loc['2020':]
df2 = 融資券總餘額.loc[df.index[0]:]
 
fig = make_subplots(
    rows=3, cols=1, shared_xaxes=True, vertical_spacing=0.05,
    specs=[[{'secondary_y': True}]] * 3,
    subplot_titles=('融資維持率', '上市融資餘額', '上櫃融資餘額'))
 
fig.add_trace(go.Scatter(x=df.index, y=大盤.reindex(df.index), name='大盤加權報酬指數'), row=1, col=1)
fig.add_trace(go.Scatter(x=df.index, y=df, name='融資維持率'), secondary_y=True, row=1, col=1)
fig.add_trace(go.Scatter(x=df.index, y=df.rolling(10).mean(), name='維持率 10 日均線'), secondary_y=True, row=1, col=1)
 
for i, 市場 in ((2, '上市'), (3, '上櫃')):
    fig.add_trace(go.Scatter(x=df2.index, y=df2[f'{市場}融資交易金額'], fill='tozeroy', name=f'{市場}融資餘額'), row=i, col=1)
    fig.add_trace(go.Bar(x=df2.index, y=df2[f'{市場}融資買賣超'],
                         marker_color=['red' if v > 0 else 'green' for v in df2[f'{市場}融資買賣超']],
                         name=f'{市場}融資買賣超'), secondary_y=True, row=i, col=1)
 
假日 = pd.date_range(df.index[0], df.index[-1]).difference(df.index)
fig.update_xaxes(rangebreaks=[dict(values=假日)])
fig.update_layout(height=800, hovermode='x unified',
                  xaxis3=dict(rangeslider=dict(visible=True), type='date'))
fig.show()

三個 Plotly 的坑先講在前面：台股週末沒交易，時間軸要用 rangebreaks 把非交易日藏起來，不然折線會出現一段段的斷點；維持率（倍數）和指數（點數）量級差太多，要靠 specs 裡的 secondary_y 開雙 Y 軸各自對應；shared_xaxes=True 搭配最下方子圖的 rangeslider，拖動拉桿時三張子圖才會一起連動。

維持率與追繳：跌破 130% 之後會發生什麼事？

前面算出「跌到哪個價位會被追繳」，這一節講追繳發生之後的程序。時間軸很短，只有兩個營業日，搞錯任何一步都可能被強制賣出：

三個常被忽略的細節：第一，補繳的目標是把「整戶」維持率補回 130% 以上，不是把單一檔股票補回來，帳戶裡其他部位漲跌都會影響要補多少。第二，「回升暫免」只暫免一次性處分，之後再跌破 130% 就沒有第二次兩天緩衝，須當日下午補繳。第三，斷頭賣出後若擔保品不足清償融資債務，差額仍須償還，斷頭不是損失的上限。（追繳與處分程序依各券商融資融券契約與交易所信用交易章則，本段依元大證券信用交易問答與永豐金證券說明整理，查證日 2026-07-15；實際時點以往來券商通知為準。）

追繳要補多少錢？斷頭價是哪個價位？

補繳金額有一條很好記的公式。以現金補繳時，現金存入信用帳戶會計入擔保品，要補到「（目前股價 + 每股補繳）÷ 每股融資金額 = 1.3」；而追繳價本身就等於每股融資金額 × 1.3，兩式相消之後：

$\text{每股補繳金額}=\text{追繳價}-\text{目前股價}\qquad\text{每張}=\text{每股}\times1000$

延續上面「怎麼算」那一節的例子：上市股 100 元融資買進，追繳價 78 元。跌到 75 元，每張要補（78 − 75）× 1000 = 3,000 元，補完維持率剛好回到 130%（(75 + 3) ÷ 60 = 1.3）；跌到 70 元，每張要補 8,000 元。換句話說，觸繳之後股價每再跌 1 元，每張就要多準備 1,000 元現金。要注意兩件事：這是「補到剛好 130%」的最低值，補完只要股價再跌一點就會再次跌破，實務上多半會補得更厚；補繳的目標是整戶維持率，帳戶裡其他部位的漲跌會一起算。除了現金，也可以用償還部分融資或補提抵繳證券的方式處理，金額算法依券商規定，以通知書為準。

至於「斷頭價」：它不是另一條獨立的價位線。維持率 130% 對應的那個股價（也就是追繳價）就是斷頭壓力價，跌破之後進入上表的兩個營業日補繳程序，期限內沒補足才會被處分。所以斷頭的「價位」用本頁上方的計算機算追繳價就是了，真正決定斷頭與否的是跌破後那兩天有沒有把錢補進去。

回到本頁主角：這套個人帳戶的追繳機制，正是大盤融資維持率會在 1.30 附近出現「經驗地板」的微觀原因。當全市場平均維持率逼近 130%，代表大量帳戶同時踩進上面這張時間表，被迫在兩天內補錢或被斷頭，賣壓在短時間內集中釋放，這就是下方「真實案例」一節看到的多殺多末跌段。

一般公式 vs 台灣常用公式差異

這一節是多數中文資料漏掉、卻最容易讓人誤判的地方：台灣的「維持率」和美式的「維持保證金率」，分母根本是兩個東西，不能用同一把尺去讀。

美式（美股融資交易）算的是維持保證金率 = 權益 ÷ 帳戶總市值，其中權益 = 市值 − 借款。美國 Reg T 規定初始保證金 50%（最多借一半）、維持最低 25%（權益占市值不得低於四分之一）。台灣算的是維持率 = 擔保品市值 ÷ 融資金額，分母是「借款」。同一個帳戶狀態，兩種算法給出完全不同的數字：一個拿市值當分母，一個拿借款當分母。

所以那條常被誤用的「美股維持保證金 25%」，不能拿來對應台灣的 130% 追繳線：兩邊是兩種不同的比率，分母各自不同，數字沒有可比性。要對照，得先換算。設台灣維持率為 $R$（= 市值 ÷ 借款），則美式權益比 = $1-\dfrac{1}{R}$：

讀法是：台灣的 130% 換算成美式權益比約 23%，確實落在美國 25% 維持線附近，這不是巧合：兩地的「斷頭安全邊際」其實設在相近的位置，只是用不同的比率語言表達。但你不能直接把 130 和 25 並排比大小，那會得出「台灣門檻寬鬆五倍」的錯誤結論。同理，台灣上市初始 167% 對應美式約 40%，上櫃初始 200% 正好對應美式 Reg T 的初始 50%。看懂這張換算表，再回頭看大盤融資維持率，就會明白為什麼全市場數字會在 1.3 到 2.1 這個區間遊走，而不是用美式的百分比去想它。

這張換算表的每一列都可以用本頁上方的融資維持率計算機驗算：輸入買進價與目前股價，它會同時給出台灣維持率、追繳價與對應的美式權益比。

大盤融資維持率多少算高？多少算危險？

大盤融資維持率越高，代表散戶融資籌碼越擁擠、越接近過熱；越低，代表融資被殺到斷頭、往往落在恐慌底部。它是反向情緒指標，方向和「個人帳戶維持率越高越安全」剛好相反。

反向情緒指標：指標數值越「好看」（這裡是越高），市場情緒其實越危險；越「難看」（越低）反而常是進場時機。它衡量的是群眾，不是你自己的帳戶。

下面這張分級表是用 finlab 實跑的歷史序列做出來的：2009-01-05 起算、截至 2026-07-30，共 4,312 個交易日。每一格的「歷史佔比」是這 4,312 天裡落在該區間的天數比例，搭配 FinLab 對指標的原文判讀：

幾個值得記住的統計事實：這段期間維持率的最小值 1.2996、平均 1.664、中位數 1.670、最大值 2.113（2026-05-25）。中位數 1.670 落在「剛開倉、還沒有帳面損益」那條線的稍下方（上市成數六成對應 1.667，上櫃五成對應 2.00，混合起來的錨略高於 1.667，口徑細節見上方那一節）。指標往上偏離，代表融資部位整體有帳面獲利、人氣偏熱；往下偏離，代表融資被套、擔保品縮水，長期略低於錨也有一部分來自除息會壓低收盤價而不會減少借款。

回到當下：截至 2026-07-30，估算值是 1.54，落在 1.4–1.6 這個「偏低」帶（歷史佔比 21.2%）。水位本身還不是重點，掉下來的速度才是：兩個月前的 2026-05-25 才剛創下 2.113 的歷史新高，接著從 7 月 1 日的 1.956 一路掉到 7 月 30 日的 1.540，20 個交易日下降 0.416，是 2009 年以來最大的 20 日降幅；更完整地說，歷來最深的四個 20 日降幅全部落在 2026 年 7 月（-0.416、-0.402、-0.387、-0.338），2020 年 3 月 COVID 的 -0.333 與 2025 年 4 月關稅的 -0.320 排在後面，同期加權報酬指數從 107,781 跌到 92,058，跌掉 14.6%。融資戶在一個月內被洗掉的槓桿，比前面兩次危機的同期間都多。這是對情緒位置的陳述，不是買賣訊號：去槓桿可以在任何水位停下來，也可以繼續往 1.4 走，數字本身不會告訴你哪一天反轉。上方走勢圖每交易日盤後更新，你看到的會是最新一天的水位，而不是這段文字的截稿數字。

真實案例：歷史低點與抄底實測

把歷史上維持率最低的幾天列出來，會看到一個很乾淨的規律：它們幾乎都對應大盤的恐慌底部：

全段歷史最低點是 1.2996，四捨五入就是 1.30，也就是 130%，這正是 2015 年起台灣券商整戶擔保維持率的追繳線。換句話說，整個市場的平均維持率，歷史上沒有明顯跌破過追繳線：每當逼近 130%，大量融資戶被迫斷頭賣出、行情急殺到讓估值便宜到有人願意接，維持率就在那附近止住。130% 像是一條由制度與人性共同畫出來的經驗地板，不是物理定律，但 4,312 個交易日裡它確實撐住了幾次最劇烈的崩跌（1.40 以下的日子只占 1.0%，集中在 2011 歐債、2020 COVID、2022 空頭與 2025 關稅）。

「低點對應底部」不能只是事後看圖說故事，要拿數據驗。把 2009 年以來每一個交易日按當天的維持率水位分組，看它「之後 6 個月、12 個月」0050（含息還原）的平均報酬：

方向很清楚：維持率落在斷頭區那幾天進場，之後一年 0050 平均漲 34.9%（且那 43 個交易日往後一年全數收正），接近「隨便挑一天進場」（+18.2%）的兩倍；反過來在過熱區（≥1.8）進場，之後一年只有 +9.5%，明顯偏低。大家恐慌、融資被洗到斷頭的時候，往往才是報酬期望值最高的進場點。

樣本限制也要一起看：維持率 ≤1.4 的交易日只有 43 天，集中在 2011 歐債（23 天）、2022 空頭（7 天）、2009 金融海嘯尾聲（4 天）、2018 與 2020 COVID（各 3 天）、2025 關稅（2 天）與 2015 年 8 月股災（1 天）那幾次危機，是高度重疊的少數事件，不是 43 次獨立樣本。所以這張表看的是「方向」（低水位之後報酬明顯較高），別把 34.9%、全數收正這些數字當成精確、可複製的勝率。

把這個直覺寫成可回測的擇時規則，FinLab 在 融資維持率與 0050 擇時 這篇做了驗證，把指標的 10 日均線當訊號：跌破 1.42（167% × 0.85）進場、突破 1.84（167% × 1.1）出場，也就是「跌到夠恐慌就買、漲到夠過熱就走」。這套擇時的回測結果，重點不在報酬，而在回撤：

長期來看（2009–2021），這套擇時的年化報酬約 10%，是輸給單純買進並長抱含息 0050 的。它真正的價值不在報酬，而在回撤：最大回撤壓在 20% 以內，並且在 2018 下半年、2020 年 3 月 COVID、2021 年 5 月本土疫情這三次急跌前後，都靠維持率衝高（過熱）而提前出場、跌深（恐慌）後再進場，把最痛的幾段躲掉。2018–2021 這段，它的最大回撤約 16%，比大盤平順。

所以它比較像一個「降低過程顛簸」的工具，而不是「賺更多」的工具；對睡不著覺的人有用，對只看終點報酬的人沒用。它擅長提示群眾何時太貪或太怕，不擅長幫你跑贏一個長多的指數。完整回測區間、規則細節與 Python 程式碼都在該策略原文。

三個容易誤判的盲點

這個指標好用，但有三個地方很容易被讀反或讀過頭。

1. 水位低不等於崩盤就在眼前，也不等於已經跌完。 看到指標往下走就喊「要斷頭了」是常見的過度反應，但同樣的去槓桿幅度可以用完全不同的速度發生。拿 2022 和 2020 對照：2022 年維持率從 1 月的 1.742 一路磨到 10 月 13 日的 1.375，同期加權報酬指數自 1 月高點回落 27.7%，整段走了九個月；2020 年 COVID 那次從 1 月的 1.738 掉到 3 月 19 日的 1.348，同期指數回落 28.6%，卻只用兩個月就結束。去槓桿的深度差不多，時間差了四倍。維持率告訴你槓桿已經被洗掉多少，不告訴你這件事會拖多久、還剩多少要洗。

另一個限制是它只是總量平均數，看不出籌碼壓在哪裡。用 finlab 把當天每一檔的融資擔保品現值拆開看：2022-07-01 全市場 3,555 億元，前十大個股只占 19.4%（當年討論度最高的貨櫃三雄合計 6.9%）；到了 2026-07-30 是 10,119 億元，前十大個股占 24.2%、台積電一檔就占 6.7%。集中度會隨時間改變，總量水位大多由極分散的中小部位決定，所以看完總量還要另外拆開看融資餘額壓在哪些股票上（台股板塊圖操作說明 可以把「融資餘額市值」當面積畫成板塊圖）。

2. 它是大盤總量指標，不能拿去推個股追繳。 大盤融資維持率 = 全市場擔保品 ÷ 全市場融資金額，是把所有人、所有股票加總後的單一數字。你不能因為「大盤維持率還有 1.9，很安全」就推論「我手上這檔也安全」：你個股的維持率取決於你自己的買進價、持有的是哪一檔、跌了多少。個股追繳看的是整戶擔保維持率跌破 130%：上市股以融資成數 60% 計，追繳價約等於買進價 × 0.78，也就是從買進價跌約 22% 就觸發；上櫃股融資成數 50%，追繳價約為買進價 × 0.65，要跌約 35%。這些是你帳戶的事，和大盤總量是兩個層級，不能互相換算（換算口徑見上方「一般公式 vs 台灣常用公式差異」那張表）。

3. 高維持率不等於安全。 這是把個人帳戶的直覺硬套到大盤上的典型錯誤。回到大盤層級：當總量維持率衝到 1.9、2.0 這種高位，在你的個人帳戶語言裡是「離追繳很遠、很安全」，但在情緒語言裡是「全市場融資都在賺、人氣過熱」；前一句講的是你的擔保品還夠不夠，後一句講的是群眾還剩多少加碼空間。把兩者混為一談，就會在最該謹慎的時候覺得最安全。這也是為什麼這個指標要當反向訊號讀，而不是當安全分數讀。

怎麼把大盤融資維持率用在實戰？

大盤融資維持率是一個情緒溫度計，不是進出場訊號本身。它告訴你「散戶融資現在是過熱、正常、還是被洗到斷頭」，你拿這個溫度去調整自己的部位節奏，而不是看到數字就無腦買賣。底層算法跟 finlab 生產環境一致（全市場融資擔保品現值除以全市場融資金額餘額），所以你不必自己抓上市櫃的融資餘額對價格，跟 AI 對話框講一句「幫我畫近十年大盤融資維持率，標出 1.4 和 1.8 兩條線」，真資料就跑出來了。下面是四個可操作的步驟。

1. 先看絕對水位：過熱看 1.8、斷頭看 1.4。 這兩條線是 FinLab 對這個指標的判讀基準：位於 1.8 之上，投機資金可能呈現過熱；位於 1.4 以下，融資開始面臨斷頭壓力，可能進入多殺多的末跌段。對照 2009 年以來的實跑分佈，維持率 ≥1.8 只佔 6.6% 的交易日，是個罕見的極端區，不是常態。看的時候先問「現在離哪一條線比較近」：截至 2026-07-30 的 1.54 離 1.40 只剩 0.14，是 2025 年 5 月（關稅急殺後的餘波，最後一天是 05-07）以來第一次回到這個區間，而兩個月前它還在 2.113 的歷史高點。往 1.8 靠要收緊停利紀律，往 1.4 靠則是相反的問題：手上還有多少現金可以接。

2. 再看趨勢：用 10 日均線過濾雜訊。 單日數字會跳，真正有意義的是方向。把維持率取 10 日移動平均，觀察它是「從低檔往上爬」還是「從高檔開始鬆動」。前面提到的 10 日均線跌破 1.42 進場、突破 1.84 出場那套規則，正是把這個趨勢判讀寫成可回測的訊號（細節與回測見前一節的策略原文）。用大盤指標當進出場過濾的更一般做法，可以再參考 用大盤指標當進出場過濾。

3. 別單用一個指標。 維持率反映的是融資戶的情緒，不反映基本面、不反映外資籌碼，也不反映指數本身的位階。把它當成多個過濾條件之一（例如搭配大盤均線、成交量、外資買賣超一起看），才不會在一個假訊號上重押。這也是 量化交易是什麼 的基本紀律：任何單一訊號都會有失靈的時候，要靠組合降低被單一指標誤導的機率。把這類風險視角延伸到報酬效率，可以一起看 夏普比率是什麼：它衡量風險調整後報酬，正好補上「維持率擇時用較低回撤換接近報酬」這個說法背後的量化依據。

4. 留意籌碼集中度造成的失真。 維持率的分子是全市場融資擔保品市值，當融資餘額往少數幾檔大型股集中時，總量數字會被那幾檔的漲跌帶著走（2026-07-30 台積電一檔就占全市場融資擔保品現值 6.7%、前十大個股占 24.2%）。看總體數字之餘，值得拆開看融資餘額集中在哪，台股板塊圖操作說明 把「融資餘額市值」當面積畫成板塊圖，一眼就能看出壓在哪。

這四步不需要你寫程式。FinLab 的設計是讓你用自然語言對 AI 描述要看什麼，底層用 finlab 套件實跑真資料、產圖表；真正想看程式怎麼把這些算出來的，程式交易是什麼 會帶你從 AI 輔助安裝流程 開始。想自己把這條曲線跑成互動圖，上方「用 finlab 自己算一次」一節的 Plotly 儀表板段落有完整程式。

常見問題（FAQ）

大盤融資維持率是什麼意思？

它是全市場「融資擔保品的現值」除以「全市場融資金額餘額」的倍數，衡量所有融資戶整體的「擔保品還夠不夠厚」。這個倍數沒有官方的每日序列，是拿證交所與櫃買公布的融資餘額搭配收盤價推估出來的估算值；證交所在 2026-07-28 曾就爭議發布單日數字（整戶約 175%、融資高於 166%），口徑與本頁不同，見上方口徑對照那一節。數字越高，代表市場上的融資部位整體還很有餘裕（通常伴隨股價在相對高檔、散戶融資積極）；數字越低，代表擔保品被跌掉、越多人接近被券商追繳。它是觀察散戶融資情緒冷熱的總體指標，不是個別帳戶的維持率。

大盤融資維持率多少算高？

對照 2009 年以來的實跑數據（截至 2026-07-30，共 4,312 個交易日），中位數約 1.67（167%）、平均 1.66；有 42.8% 的交易日落在 1.6–1.7 這個中性帶。超過 1.7 算偏多偏熱（佔 35.0% 交易日），站上 1.8 以上就屬於投機資金過熱的罕見區（只佔 6.6%）。反過來，跌到 1.4 以下（僅 1.0% 交易日）代表融資開始面臨斷頭壓力。所以粗略記：1.6–1.7 中性、>1.8 過熱、<1.4 斷頭壓力。

大盤融資維持率怎麼算？

公式是「全市場融資擔保品現值 ÷ 全市場融資金額餘額」。分子是把每一檔個股的融資餘額張數乘上當日收盤價、再乘 1000（每張 1000 股）後加總；分母是上市與上櫃的融資交易金額餘額相加。資料分別來自融資餘額、融資券總餘額與收盤價三張表，逐日計算後以倍數呈現（例如 1.67 = 167%）。

維持率計算和追繳價計算差在哪？

維持率計算有兩個層級。個人帳戶看的是「擔保品市值 ÷ 融資金額」，重點是跌到 130% 會不會被追繳；追繳價則是反推股價跌到多少會碰到這條線。大盤融資維持率把全市場所有融資部位加總，重點是散戶融資是否過熱或接近斷頭壓力，它不會告訴你手上某一檔股票的追繳價。

大盤融資維持率現在是多少？

截至 2026-07-30 約為 1.54，落在 1.4–1.6 的「偏低」帶；兩個月前的 2026-05-25 還在 2.113 的歷史高點，7 月的 20 個交易日就下降 0.416（2009 年以來最大的 20 日降幅）。這個數字每個交易日隨股價與融資餘額變動，本頁上方的走勢圖每交易日盤後更新，以圖上的最新值為準，別把這段文字的截稿數字當成今天的數字。另外要記得它是用公開融資餘額推估的估算值，不是官方公布的統計。

130% 是什麼？追繳怎麼算？

130% 是台灣券商「整戶擔保維持率」的追繳門檻（2015 年起，先前為 120%）。當你個人帳戶的擔保品市值 ÷ 融資金額跌破 130%，券商會通知補錢或補擔保品，補不足就可能被斷頭。換算成跌幅：上市股初始維持率約 167%（融資成數 60%），追繳價約是買進價 × 0.6 × 1.30 = × 0.78，也就是自買進價跌約 22% 觸發；上櫃股初始維持率 200%（成數 50%），約跌 35% 才觸發。值得對照的是，大盤融資維持率在 2009 年以來的歷史最低點是 1.2996（2025-04-09 對等關稅恐慌），幾乎正好貼在 130% 上，這條線像一塊全市場層級的經驗地板。

融資追繳要補多少錢？斷頭價怎麼算？

以現金補繳、補到剛好 130% 來算，每股補繳金額 = 追繳價 − 目前股價，每張再乘 1,000。例如上市股 100 元融資買進（追繳價 78 元），跌到 75 元時每張要補 3,000 元。這是最低值，實際應補金額以券商通知書為準，而且補的是整戶不是單一檔。斷頭價則不是另一條線：追繳價就是斷頭壓力價，跌破後兩個營業日內沒補足才會被處分。本頁上方的計算機輸入買進價與現價，追繳價和補繳金額會一起算出來。

大盤融資餘額和融資維持率差在哪？

融資餘額是「絕對金額」：市場上總共借了多少錢買股票，單位是元或張。融資維持率是「比率」：這些借款背後的擔保品還值幾倍。餘額高不必然危險，如果股價同步上漲、擔保品市值跟著厚，維持率仍可維持高檔；真正危險的是餘額高、但股價開始跌使維持率快速下滑的組合。看餘額知道槓桿規模，看維持率知道這些槓桿現在有多脆弱，兩個要一起看。

大盤融資維持率越高越好嗎？

不是。這點剛好和個人帳戶相反：你自己的整戶維持率當然越高越安全（離 130% 追繳越遠）。但大盤融資維持率是一個反向情緒指標，它越高，代表散戶融資越熱、籌碼越浮、行情越接近過熱；它在歷史低點（如 2020-03 COVID 的 1.348、2011 歐債的 1.318）往往對應的是大盤恐慌底部，融資被洗乾淨反而是相對安全的進場時機。把「個人維持率高＝安全」的直覺套到大盤指標上，結論會剛好相反。

融資維持率可以單獨拿來擇時嗎？

可以當訊號之一，但不建議單用。FinLab 的 0050 擇時回測顯示，單靠維持率 10 日均線進出場，2009–2021 年化約 10%、報酬其實輸給長抱含息 0050，它的價值在於把最大回撤壓在 20% 以內、避開幾次急跌。換句話說，它擅長降低過程顛簸，不擅長提高終點報酬，搭配其他過濾條件（均線、量能、籌碼）一起用，才比較穩。

引用文獻

• Brunnermeier, M. K., & Pedersen, L. H. (2009). "Market Liquidity and Funding Liquidity." Review of Financial Studies, 22(6), 2201–2238. 提出「資金流動性」與「市場流動性」相互強化的螺旋：當融資維持率跌破門檻、融資戶被迫斷頭賣出，賣壓壓低價格、又進一步壓低其他人的擔保品市值，觸發更多追繳，這正是大盤維持率跌到 1.4 以下時「多殺多末跌段」背後的機制。

• Adrian, T., & Shin, H. S. (2010). "Liquidity and Leverage." Journal of Financial Intermediation, 19(3), 418–437. 指出槓桿具有順週期性：行情好、擔保品市值上漲時，市場參與者傾向加大槓桿（維持率被推高）；行情反轉時又被迫去槓桿。這解釋了為什麼大盤融資維持率會在高檔（散戶搶融資）與低檔（被迫去槓桿）之間循環，適合當成反向情緒指標來讀。

相關閱讀

• 融資維持率與 0050 擇時：本文擇時規則（10 日線跌破 1.42 進、突破 1.84 出）與回測數字的出處。
• 台股板塊圖操作說明：用「融資餘額市值」當面積拆開融資壓在哪幾檔，補上總量維持率看不到的集中度。
• 用大盤指標當進出場過濾：把維持率這類總體指標接進策略當過濾條件的做法。
• 夏普比率是什麼：同系列風險指標工具，衡量風險調整後報酬；與維持率一起看槓桿帶來的尾端風險。
• 量化交易是什麼：為什麼單一指標要靠組合過濾，而非孤注一擲。
• 程式交易是什麼：想看程式怎麼算這些指標，從 AI 輔助安裝流程 開始。
• 台股選股方法：把情緒指標延伸到選股的整體框架。
• FinLab 名詞庫 /glossary：跨全站口徑一致的標準定義。

投資有風險，過去績效不代表未來表現。本內容僅供教學參考，不構成投資建議，請依個人風險承受度審慎評估。

最後更新：2026-08-04｜文中統計截至：2026-07-30；上方走勢圖每交易日盤後更新｜作者：FinLab 量化研究團隊