MAD 移動均線距離策略（Moving Average Distance）台股實證報告

MAD 移動均線距離策略在台股的實證分析

動能效應（Momentum Effect）自 1993 年被 Jegadeesh 與 Titman 提出以來，一直是量化交易者的聖杯。MAD 策略的核心指標 —— MRAT，本質上是在衡量價格相對於市場平均成本的偏離程度。當短期均線明顯凌駕於長期均線之上，且在市場橫截面排序中位居領先群時，代表市場多頭共識正在快速形成。本文會將這一學術理論轉為可實際執行的台股策略，透過每月底紀律的換倉機制，並加上純 OHLC (開高低收) Price Action 過濾條件，以降低高 MRAT 但趨勢轉弱的訊號誤判。我們的目標除了要捕捉價格偏離所帶來的動能，同時透過純粹的市場價格過濾可能已出現趨勢衰竭的雜訊，以尋求更純粹且穩定的 Alpha 收益。

從高品質資訊開啟量化之路

本研究採用專為台股開發的 TQuant Lab 回測系統，透過與 TEJ API 深度整合，大幅提升因子運算與數據整併效率：

• TQuant PIT 資料集：提供 Point-in-Time 資料，精確紀錄數據發布的原貌，有效排除「前瞻偏差 (Look-ahead Bias)」，確保回測結果具備高度實戰參考價值。
• TejToolAPI 資料整併：支援跨頻率數據轉換，能一鍵整併季、月、日等不同頻率的資料（如財報與日股價），簡化進出場訊號的建構流程。
• 專業分析模組：內建 Zipline 回測引擎與 Pyfolio 績效模組，並支援 Alphalens 進行因子健檢，在回測前即可先行驗證因子的預測力與穩定性。

TQuant Lab 回測系統提供標準化且具高度重現性的實驗平台，助您精確模擬真實交易邏輯。

👉 立即造訪 TQuant Lab 官網，掌握台股量化開發利器。

MAD 台股量化策略

MAD 選股策略與條件

• 核心因子：MRAT = MA(21) / MA(200)。

• 選股條件：MRAT 分位 > 90% 且 MRAT > 1 + 橫截面標準差。

• Price-action 過濾：

• F1 Close/近20日高點>0.88。

  • F2 近10日低點高於前10日(近11~20日)低點。
  • F3 近5日振幅小於前10日(近6~15日)振幅。

此策略僅保留同時滿足 F1 F2 F3 條件的股票。

• 交易機制：月底產生訊號，次一交易日執行換倉（避免前視偏誤）。

資料來源與期間設定

• 資料來源：TEJ 股價資料庫
• 樣本範圍：台灣證券交易所上市普通股（股票池約 939 檔）
• 回測期間：2019-12-29 至 2024-06-30（績效資料至 2024-06-28）
• 再平衡頻率：每月月底
• 部位配置方式：等權重（1/N）
• 初始資金：1,000 萬元
• 交易成本：台股手續費模型 + 0.3% 證交稅
• 滑價成本：單筆訂單之成交上限為該時段市場總成交量之 2.5%；價格衝擊係數設定為 0.1
• 槓桿限制：未額外槓桿（依回測預設）👉 立即前往 [GitHub] 獲取 TQuant Lab 完整程式碼，掌握策略實作細節。

MAD 策略在台股的回測結果

回測結果判讀

MAD 策略的月度報酬資料顯示，MAD 策略在 55 個月份中有 40 個月份為正報酬，正報酬月占比約 72.73%；另有 33 個月份跑贏基準，占比約 60%。這表示策略的超額報酬並非集中於少數單月，而是具有一定的持續性。從月度相對績效來看，較明顯的超額報酬主要出現在2020 年 4 至 5 月、2021 年 2、4、6 至 7 月、2022 年 6 至 8 月，以及 2023 年 2 月與 8 月等月份。

指標項目 MAD 策略 台灣加權指數 (Benchmark) 年化報酬率 (Annual return) 61.61% 20.27% 累計報酬率 (Cumulative returns) 701.98% 122.66% 年化波動率 (Annual volatility) 34.12% 17.845% 夏普比率 (Sharpe Ratio) 1.58 1.12 最大回撤 (Max Drawdown) -38.03% -28.55% Alpha 0.39 Beta 1.04

圖 1 : 策略累計報酬率圖（Equity Curve）

說明：策略期末資產約為 8,019.8 萬元，累計報酬明顯優於基準。策略的超額報酬主要來自市場趨勢較明顯、且中小型股表現較活躍的階段。

圖 2：最大回撤圖（Drawdown）

MAD 策略之績效總結與模型優化建議

策略優化建議

雖然本策略具備亮眼報酬表現，但其波動與回撤亦相對偏高，最大回撤甚至深於大盤，顯示在風格反轉或流動性收縮階段，資產曲線將面臨較大壓力；同時，由於策略核心偏重動能與趨勢延續，一旦市場轉入盤整或均值回歸環境，可能導致訊號連續失真並引發績效回吐。基於此，後續優化可從多個量化面向著手，包括導入流動性濾網（如成交值與換手率門檻）以降低衝擊成本、加入市場狀態濾網（如均線趨勢或波動regime）以動態調整曝險、調整再平衡頻率（如雙週或事件觸發機制）以提升訊號時效性，以及結合第二因子（如品質或低波動）以強化策略在下行期間的抗跌能力，從而在維持報酬潛力的同時，改善整體風險報酬結構。

結論

本研究證實 MAD 策略能透過 MRAT 指標與價格過濾機制，在台股市場穩定捕捉動能效應並獲取顯著超額報酬。儘管具備高勝率與獲利持續性，但在市場反轉或盤整期仍面臨較大的回撤壓力，顯示動能因子具有明顯的週期侷限。未來應導入流動性濾網與多因子組合優化，以在維持成長動力的同時改善風險報酬結構，提升策略的長期穩定性。

從高品質資訊開啟量化之路：TEJ TQuant Lab 回測系統

自 Jegadeesh 與 Titman 提出動能效應以來，捕捉強勢趨勢已成為量化交易的核心。然而，要在台股中精準計算 MRAT 偏離度並結合 Price Action 濾網，即時完成橫截面排序與換倉紀律，極度仰賴高效率的數據處理能力。要將這套學術理論轉化為穩定的 Alpha 收益，唯有透過專業的回測系統，方能精準控管動能策略的高波動風險。

TEJ 量化資料庫：克服前瞻偏差的關鍵數據

量化回測最忌諱使用「未來資料」。TEJ 量化資料庫 的核心優勢在於完善的 Point-in-Time (PIT) 當時點數據架構。這代表資料庫紀錄的是數據「當時」發布的正確數值與時間點，而非事後修正後的數字。透過 PIT 數據，您能確保回測時使用的是當時市場真正能取得的資訊，徹底排除「前瞻偏差（Look-ahead Bias）」，讓回測績效具備極高的實戰參考價值。

TQuant Lab：一站式量化策略開發平台

TQuant Lab 是專為量化交易者設計的專業開發環境，整合了從數據調取、策略研發至績效評估的全流程優勢：

• 精準數據與高效整併：內建 Point-in-Time (PIT) 量化資料集，配合 TejToolAPI 自動完成跨頻率數據整併（如將季、月頻率財務指標轉換至日頻率），讓使用者在排除前瞻偏差的前提下，快速建構如「營收成長率」等複雜選股因子。
  

• 高模擬度事件驅動回測：採用 事件驅動 (Event-driven) 架構，全方位模擬台股真實交易環境。回測過程中嚴謹計入證交稅、手續費與滑價成本，並具備注意股、處置股等流動性過濾機制與資金控管功能，確保回測績效具備高度的可執行性。
  

• 多構面績效量測指標：系統化產出專業評估報表，包含涵三大構面：

• 報酬指標：累計報酬率、年化報酬率、Alpha 值。
  

  • 風險指標：最大回撤 (MDD)、夏普比率 (Sharpe Ratio)。
    
  • 持股分析：前十大持有標的占比、換手率統計。
    

數據的品質與工具的效率，決定了量化模型的生命力。不論您是想複製大師經典策略，或是開發獨門的因子模型，TEJ 與 TQuant Lab 都是您在資本市場中最堅實的數據後盾。

🚀 準備好開啟您的量化交易之路了嗎？ 👉立即前往 TQuant Lab 官方網站，查看更多策略範例與產品資訊。

本文內容僅供研究與學術探討之用，不構成任何投資建議。

延伸閱讀

https://www.tejwin.com/insight/%E5%B0%A4%E9%87%91%E6%B3%95%E7%91%AA-%E4%B8%89%E5%9B%A0%E5%AD%90%E6%A8%A1%E5%9E%8B%E7%AD%96%E7%95%A5/