台灣50 策略實驗室：KDJ／MACD

網頁檢視器：https://roxign.github.io/stock/（手機、電腦皆可）

• 高低點排行（首頁）：每天收盤後，依 KDJ 與 MACD 有多低（買點）或多高（賣點・做空）排序 50 檔、另 55 檔代表股與 ETF，附 60 日走勢縮圖、背離與鈍化標籤、你的規則的買賣觸發價、能否融券，以及歷史上同樣高低點之後的表現
• 今日訊號：每個策略在最新收盤後的買賣決定（下一個交易日開盤執行）、明日收盤的觸發價（目標價）、匯率與利差風險提示、各策略過去買賣點的準確度
• 個股回測：選一檔股票，看歷史買賣點、當日訊號、觸發價線與各策略績效
• 規則實驗室：自己組合 KDJ／MACD／均線的買進、賣出條件與停損，馬上在每一檔股票上回測、看交叉驗證，並匯出 MultiCharts 程式碼
• 盲測回放：隨機抽一檔股票和一段期間，一天一天揭曉；自己決定何時買、何時賣，空手時也可以直接賣出放空（隔天開盤成交、持有多久自己決定），一局結束和同期間買進持有比較。每一天有沒有動作都會記錄，訓練買進、放空、賣出、回補四個分身（紀錄存在瀏覽器，可匯出）

以元大台灣50（0050）的 50 檔成分股、另外 55 檔代表股（開發時沒用過的股票，用來檢驗策略），以及 0050、黃金（00635U）、石油（00642U）、美債 20 年（00679B）ETF 為對象，研究以 KDJ 與 MACD 為核心的交易策略，並與「買進持有（什麼都不做）」和「定期定額」比較。策略最終目標平台是 MultiCharts：規則型策略附 PowerLanguage 程式碼；回測則以 Python 進行，結果發佈到上面的網頁（原始檔在 docs/）。

先讀這份：為什麼策略贏不了買進持有？——問題診斷與改進；高低點排行榜：research/low_points.md；指標背離與高低檔鈍化：research/divergence_saturation.md；買賣訊號與通知：research/signals.md；匯率與利差：research/macro_fx_rates.md；強化學習實驗與瓶頸分析：research/rl_bottleneck.md；注意股與處置股：research/attention_disposition.md

• 策略（各自在 strategies/<方向>/，內含 RESEARCH.md 研究筆記與 multicharts/ 程式碼）
  • kdj_macd_rebound — 你的規則：KDJ 與 MACD 在零軸下同步翻揚買進、零軸上同步轉弱賣出（10% 停損）；以及「MACD 死叉才賣」版本
  • kdj_macd_rule — MACD 趨勢＋KDJ 三線超賣反彈
  • kdj_macd_lab — 規則實驗室：規則引擎（stocklab/rules.py，網頁版 docs/rules.js）、6,930 條 KDJ＋MACD 規則的系統搜尋（search.py）、背離與鈍化研究（divergence_study.py）；rules.json 內的規則會成為正式策略（目前是「同步翻揚買、高檔鈍化結束且 DIF 轉弱才賣」與搜尋第一名對照組）
  • kdj_macd_dl — KDJ＋MACD＋小型深度學習（MLP）半倉底倉版
  • events — 注意股與處置股的事件研究（不是正式策略）：證交所公告下載（twse_events.py）、事件研究（study.py）、穩健性與帳戶回測（followup.py）；結論見 research/attention_disposition.md
  • rl — 強化學習研究（不是正式策略，沒有 strategy.py）：PPO、直接強化學習、FQI、模仿完美交易者、跨股配置、跨市場與槓桿，加上瓶頸診斷（需要多準、實際多準、手續費、夜間報酬、倖存者偏差），以及用含下市股的全部上市股票驗證跨股動能（fulluniverse.py、momentum_full.py）；結論見 research/rl_bottleneck.md
• 2026-10-12 瘦身：移除了趨勢追蹤、均值回歸、多空與跨資產、深度學習第二輪等非 KDJ／MACD 的策略。完整版本保留在 git 標籤 all-strategies-2026-10-12（git checkout all-strategies-2026-10-12 可取回），當時的比較結果見 research/signals.md、research/diagnosis.md。

回測方法

項目	設定
資料	Yahoo Finance 日 K（還原權值），2008-01 起；2008–2009 只用於指標暖機（年線需 240 日）與模型訓練，不列入績效
成交	當日收盤產生訊號，隔日開盤成交（不會用到當天還不知道的資訊）
成本	買進手續費 0.1425%；賣出手續費 0.1425% + 證交稅 0.3%（未計折扣與滑價）
部位	只做多，可用 0～1 的持股比例，允許零股
本金	每段期間都從 100 萬重新開始，並先保留 60 個交易日計算指標
樣本內	2010–2020，用來開發策略與調整參數
樣本外	2021–今，開發時不看，只用來最後驗證
定期定額	本金平均分成每月一份，每月第一個交易日開盤買進；另計 XIRR

所有策略在 50 檔股票上用同一組參數，避免針對個股過度最佳化。每個策略都要通過「截斷資料檢查」：把資料砍到某一天後重算，之前的訊號必須完全不變，以確保沒有偷看未來。

資料清理：台股單日漲跌幅上限 2015/6 以前為 7%、之後為 10%，還原後的資料若出現超過 7.5%／10.5% 的單日變動，視為 Yahoo 未還原的減資、分割或錯誤資料（如 2357 華碩 2010 年、2603 長榮 2022 年、2012/1/2 多檔的異常 K 棒）並往前還原；在後來才上市的股票開頭成群出現時，視為上市前（興櫃）資料而剔除（6669、6446、7769）。

交叉驗證（8 折）：只看「2021 至今」這段大多頭，買進持有幾乎無法被超越，策略在空頭或盤整時的優點會被掩蓋。因此把 2010 至今切成 8 段（2010–11、2012–13、2014–15、2016–17、2018–19、2020–21、2022–23、2024–今），每段各用 100 萬本金重新回測，統計策略在幾段勝過買進持有（evaluate.py --cv，網頁總覽的「交叉驗證」表）。有三種模式：

• 固定參數：發佈的參數直接用在每一段（2010–2020 的各段和調參資料重疊，只能看「在不同市況的表現」）。
• 重新選參數（規則型）：每一段都改用「在其他 7 段平均表現最好的參數」來測，等於每段都是沒看過的資料。
• 重新訓練（深度學習）：每一段都用完全沒看過該段資料、並剔除標籤期間重疊樣本（purge／embargo）訓練出的模型。 後兩種會用「未來的段」來幫「過去的段」選參數或訓練，只用來衡量穩健度，實際可交易的版本仍是前推式（walk-forward）的訊號。

對照組與投資組合計分板（依 research/dl_literature.md 的建議）：

• 對照組：每個策略都要和三個「沒有選股能力」的版本比較——B1 固定曝險（同樣的平均持股比例一次買進）、B2 別檔訊號（把別檔股票的訊號套到這檔）、B3 波動目標（依波動度調整部位、平均持股相同）。贏不了它們，代表策略的好處只是「持股比例」或「大盤擇時」。
• 投資組合計分板：50 檔放在同一個帳戶（可持現金）一起回測，和 0050 買進持有、0050 定期定額、50 檔等權買進持有比較。注意 50 檔是今天的成分股，「50 檔等權買進持有」受倖存者偏差影響，大幅高於 0050。
• 所有實驗設定都記錄在 research/trials.jsonl，最後用 Deflated Sharpe 校正多重檢定。

限制：成分股是 2026/10/02 的名單，早年回測存在倖存者偏差；2021 年後台股大多頭，買進持有的報酬很難被超越，請同時看 Sharpe 與最大回撤。回測結果不代表未來績效，也不是投資建議。

每日訊號與通知

收盤後執行 daily_update.py：下載最新資料 → 重算所有策略的部位 → 產生訊號與低點排行榜（stocklab/signals.py、stocklab/screen.py，輸出 docs/data/signals.json、docs/data/low.json）→ 重建網頁資料；加 --push 會提交並推送到 GitHub Pages。

• 委託：策略在收盤時決定部位，回測也在隔天開盤成交，所以「今天收盤的決定」就是明天開盤的委託（買進、加碼、賣出、減碼、放空、回補）。
• 觸發價（目標價）：規則型策略會在 ±10% 漲跌幅內逐一假設明日收盤價重算，找出「明日收盤到多少就會出現買進／賣出（含停損）」；深度學習版本無法事先算出。
• 訊號品質：每個策略過去買點、賣點之後 5／20 個交易日的超額漲跌、上漲比例、勝率，分樣本內、樣本外、50 檔、代表股。
• 通知文字：網頁「今日訊號」頁最下方可複製；Python 端 stocklab.signals.digest() 產生相同內容，之後可接 LINE、Email、Telegram 等管道。
• 每日更新只需要股價、大盤與匯率資料；Yahoo 晚一天時用 FinMind 補（約 120 次請求，低於未註冊每小時約 300 次的上限）。

使用方式

python -m venv .venv
.venv/Scripts/python -m pip install -r requirements.txt
.venv/Scripts/python daily_update.py                                      # 每日：資料 → 部位 → 訊號 → 網頁（--push 推送）
.venv/Scripts/python evaluate.py --family kdj_macd_rule --periods is,oos   # 單一方向的排行（含 50 檔與代表股）
.venv/Scripts/python evaluate.py --family kdj_macd_rebound --controls --portfolio  # 加上對照組與投資組合計分板
.venv/Scripts/python -m strategies.kdj_macd_lab.search                   # 系統搜尋 KDJ＋MACD 規則組合
.venv/Scripts/python build_site.py --cached                              # 用已算好的部位重建網頁資料
.venv/Scripts/python -m http.server 8765 -d docs                         # 本機預覽 http://localhost:8765

在 MultiCharts 使用

1. 開啟 PowerLanguage Editor → File → New → Signal，名稱自訂。
2. 貼上 strategies/<方向>/multicharts/<策略>.txt（網頁「策略說明」頁也可直接複製），按 F3 編譯。
3. 在日 K 圖表加入 Signal，於 Format Strategy → Properties 設定手續費 0.1425%、賣出證交稅 0.3% 與滑價。
4. MultiCharts 的資料源若未還原權值，結果會與本專案回測有差異。

專案結構

stocklab/        共用框架：成分股與代表股、資料下載與清理、指標、回測引擎、對照組、投資組合、試驗紀錄、
                 signals.py（每日訊號、觸發價、訊號品質）、screen.py（低點排行榜）、rules.py（規則實驗室引擎）、
                 macro.py（匯率與聯準會／日銀利率）
strategies/      KDJ／MACD 策略（新增規則：加進 strategies/kdj_macd_lab/rules.json）
research/        研究筆記與試驗紀錄（含已移除策略當時的研究）
evaluate.py      在終端機印出策略 vs 基準的排行（不改動網頁）
build_site.py    執行全部策略並輸出 docs/data/
daily_update.py  每日更新：資料 → 部位 → 訊號 → 網頁（→ git push）
docs/            GitHub Pages 網頁；engine.js 與 stocklab/backtest.py 邏輯一致