相對成交量指標（RVOL）：公式、門檻與測試方法

目錄

1. 相對成交量指標是怎麼算的？
2. 多高才算高？哪個 RVOL 數值算異常？
3. RVOL 平均要用幾個交易日？
4. 相對成交量能不能當突破的進場過濾條件？
5. 沒有成交量條件的期貨回測，能提供什麼比較基準？
6. 為什麼成交量只代表活動、不代表方向？轉倉又會怎麼影響它？
7. 常見問題
8. 參考文獻

相對成交量指標是怎麼算的？

相對成交量指標（RVOL）是把當根 K 棒的成交量，除以過去一段設定交易日數中，同一個時段 K 棒的平均成交量。讀數 2.0 代表該時段的活動量是平常的兩倍。把它當成突破規則前面的過濾條件，就能拿來測試：在相同成本下，分別跑有過濾與沒有過濾的版本。

相對成交量是比值，不是筆數。只要記住這一個公式就夠了：

RVOL = 這根 K 棒的成交量 ÷ 過去 N 個交易日同一時段的平均成交量

這裡的這根 K 棒是剛收線的那一根，同一時段是每個過去交易日中，同一個時鐘時間的那根 K 棒，N 則是平均值所用的過去交易日數。想像一位餐廳老闆在判斷午餐尖峰是否特別忙：她會拿今天的午餐人潮和平常的午餐人潮比，而不是拿全天平均，那樣會把下午三點的空檔也算進去。

常見的錯誤是用全天平均當分母。期貨在一個交易時段內的成交量呈現 U 型：開盤前後量大，盤中量小，收盤前又放大。若拿全天平均當分母，每個開盤都會看起來很忙，每段盤中都會看起來很冷清，指標等於只是在重複時鐘。同一時段平均會把這種形狀拿掉，留下你真正要看的東西：這一分鐘的活動量和它平常的水準相比如何。可以測試的技術分析工具與指標指南把 RVOL 放在成交量工具之中，並說明為什麼大多數成交量工具都需要一個基準，才會有意義。

多高才算高？哪個 RVOL 數值算異常？

沒有固定的標準線。合適的門檻，是能在你自己的資料上留下足夠交易數、可以供判斷的那一條。交易者通常把低於 1.0 視為冷清、1.5 到 2.0 視為偏高、2.0 或 3.0 以上視為異常，這些區間可以當作起步的用語，但它們不是參數設定。一個預設 2.0 的圖表範本，並沒有針對你的市場、K 棒週期或交易時段調校過；流動性高的股價指數期貨 5 分鐘 K 棒，與冷門合約 1 分鐘 K 棒之間，超過 2.0 的 K 棒比例可能差很多。

RVOL 區間	判讀	常見原因	當成最低門檻使用的效果
低於 1.0	冷清	午間低迷、假期交易時段	幾乎保留所有交易，等於沒過濾
1.0 到 1.5	正常	一般交易時段	保留大部分交易
1.5 到 2.0	偏高	定期經濟數據公布、開盤時段	刪除很大一部分交易
2.0 到 3.0	異常	突發新聞、大單	只保留一小部分交易
高於 3.0	極端	重大事件、單一合約的轉倉週	只保留極少數交易

要設定自己的門檻，應該在寫任何規則之前，先看你自己資料上 RVOL 的分布：

1. 為你要交易的時段，計算每一根 K 棒的 RVOL，涵蓋完整歷史，並使用你打算實單採用的同樣基準長度。
2. 把數值排序，記下超過 1.5、2.0 和 3.0 的 K 棒各佔多少比例。若某個門檻只有兩百根中的一根通過，一年下來可能只剩幾筆交易。
3. 把該比例乘上你基礎規則產生的訊號數。若結果是整段歷史只剩幾十筆交易，這個門檻就太嚴，無法用來評比；樣本這麼小時，少數兩三筆交易的變動，就會大幅改變平均每筆損益。
4. 在回測前先寫下門檻，並讓鄰近的數值（例如 2.0 旁邊的 1.5 和 2.5）在同一輪中一起跑，這樣你才看得出結果是在一個區間內都成立，還是只靠某個剛好的數值。

RVOL 平均要用幾個交易日？

依你希望過濾條件忽略什麼來選擇基準長度，然後把相鄰的長度一起測試。約 5 到 10 個交易日的短基準，對持續性的活動量變化反應很快，但會被單一新聞日扭曲。20 到 50 個交易日的長基準比較穩定，但要花較久才會察覺市場已經永久變得更熱絡或更冷清。

單一暴量日造成的扭曲是機械性的。假如某次數據公布讓 08:30 那個時段的成交量在當天增為三倍，那麼 5 日平均在接下來五個交易日會上升約 40%，該時段的一般 K 棒會連續一週讀到 1.0 以下，正常的日子也會被過濾掉。同樣的暴量日只會讓 20 日平均上升約 10%，多數門檻都能吸收而不被察覺。長基準的代價是：當活動量真的改變時，例如合約規格調整或新商品上市後，20 日基準要花一個月才會追上。

特性	短基準（5 到 10 個交易日）	長基準（20 到 50 個交易日）
反應速度	反應快	穩定
弱點	容易被單一暴量日扭曲	對持續性的改變調整較慢
適用情境	流動性高合約的盤中規則	波段規則與日 K 棒

有兩個實務做法可以減輕這個問題。一是基準改用中位數，而不是平均數，因為單一暴量日無法把中位數拉得太遠。另一是把基準長度當成其他參數一樣處理，尋找高原區：一次跑 10、15、20、30、40 個交易日，然後看結果是落在一片平坦的區域，還是只有一個尖峰，這和參數穩健度：高原還是幸運尖峰中描述的測試是同一套方法。只在 20 個交易日時才有效的長度，是被歷史擬合出來的，並不是依市場選出來的。

相對成交量能不能當突破的進場過濾條件？

可以，而放在另一條規則前面當過濾條件，正是 RVOL 最容易被公平測試的用途。過濾條件是指必須成立才允許進場、但本身不會產生進場訊號的條件。基礎規則可以是帶有開盤區間長度、進場與停損設定的開盤區間突破、通道突破，或是像KD 指標公式與測試方法一文中的超賣讀數，也可以是RSI 70/30 門檻與 RSI 規則測試方法，或是隨機指標 %K 與 %D 設定。過濾條件背後的道理很簡單：以該時段而言成交量大的突破，背後的參與者比冷清時段的突破多，所以過濾條件是想把那些薄弱、飄移的訊號剔除。

公平的測試是把同一規則分成有過濾與沒有過濾兩個版本，在相同的成本、交易時段與執行設定下比較，並讀取兩個數字：過濾條件刪掉了多少筆交易，以及扣除成本後的平均每筆損益有什麼變化。

1. 單獨跑基礎規則。記錄交易筆數、扣除手續費與滑價後的平均每筆損益，以及最大回撤。
2. 加上 RVOL 過濾條件，門檻與基準使用你事先寫下的數值。其他一律不動。
3. 比較。有用的過濾條件會刪掉相當比例的交易，而且平均每筆損益的提升幅度超過交易筆數的減少幅度，獲利又分散在整段歷史中。沒用的過濾條件則是幾乎隨機地刪除交易，平均每筆損益幾乎沒有變化。有害的過濾條件會刪掉獲利的交易，常見原因是進場那根 K 棒成交量很大，代表價格變動其實已經結束。
4. 用同一輪中相鄰的門檻重複測試，並數一數有多少個門檻得出一致的結論。

你嘗試的每個門檻與每個基準長度，都是另一個變體；在同一段歷史上挑出最好的那一個，會帶有一種選擇偏誤，在樣本外不會重現。Bailey、Borwein、López de Prado 與 Zhu（2014）說明了這種偏誤隨嘗試次數增加得有多快。有過濾和沒過濾的版本應放在同一輪中，讓它們在同一份資料上接受評比，並且在看結果之前就寫好通過條件。在 AlphaPrime（Valynox）中，你在策略生成中定義的進場條件、參數範圍與搜尋限制，決定了搜尋可以把哪些過濾條件放在突破規則前面，因此有過濾與沒過濾的候選策略，是在同一組成本與交易時段下評估，而不是分成兩個專案各自跑。

沒有成交量條件的期貨回測，能提供什麼比較基準？

要評估過濾條件，就需要一個比較基準，而本文背後的回測正好提供了一個：完全沒有成交量條件的規則。這次測試的標的是 ES（E-mini S&P 500）日 K 棒，期間為 2019-01-02 至 2025-06-30，做多做空皆可，一口，每筆交易收取 $20 手續費與 $25 滑價。規則只用 Percent Rank 作為唯一的進場與出場依據，沒有停損、沒有停利，也沒有任何過濾條件。Percent Rank 是今天的數值在回顧期視窗內所處的位置，以 0 到 100 表示。這次測試的是一個由標準指標組成的替代規則，而不是相對成交量本身；它的目的，是展示在日 K 棒上，沒有過濾的基準長什麼樣子，而 RVOL 過濾條件就是要放在這個基準前面。

圖中的候選策略，是搜尋從 1,024 個嘗試中留下來的那一個，依報酬對回撤的比值挑出。事後挑選留下的候選策略會讓它看起來比實際好：其他候選策略表現較差，而留下的這個，是在同一段歷史上和所有候選策略一起比較後才脫穎而出的。這些數字是一口合約在過去量測到的結果，不是預測，也不代表 Percent Rank 規則能賺到這些錢，或讀者可以期待同樣的結果。

方塊中有兩件事對 RVOL 測試很重要。六年半下來只有 63 筆交易，所以任何加在這個規則上的過濾條件，都是從一個本來就很小的樣本中再刪掉交易，在讀平均每筆損益之前，必須先檢查剩下的筆數。另外，日 K 棒上沒有盤中時段可以分組，因此 RVOL 變成今天的成交量除以過去 N 個交易日的平均日成交量。這個做法比較簡單，但也讓下一節的轉倉問題更加明顯，因為日 K 棒涵蓋的是兩個合約在整個交易日的成交量。

為什麼成交量只代表活動、不代表方向？轉倉又會怎麼影響它？

RVOL 偏高只告訴你有很多合約易手，並沒有告訴你價格會往哪個方向走。每一筆交易都有買方和賣方，所以成交量算的是達成交易的次數，而不是一次投票。定期經濟數據公布、大型基金的再平衡，或是做市商為選擇權部位避險，都可能讓某個時段的成交量變成三倍，卻沒有往任何方向的持續推力。因此 RVOL 應該放在一條已經明確指定方向的規則前面，前面幾節的比較也是讀平均每筆損益，而不是數有多少根高 RVOL 的 K 棒。

在期貨中，還有第二種與新聞無關、會造成錯誤讀數的來源：季度轉倉。ES 在三月、六月、九月與十二月到期，在每次到期前的幾天，成交量會從即將到期的合約移到下一個合約。一條依近月合約連續的序列，會在轉倉日之前看到到期合約的成交量逐日下降，然後跳到已經承接大部分活動的下一個合約。若直接解讀，到期合約的 RVOL 會跌到 0.5 以下，而下一個合約的 RVOL 則因為拿自己轉倉前稀少的日子當基準，會跳到 3.0 以上。這兩種讀數都不反映市場的真實狀況。

處理的方法有三種，依工作量由多到少排列：

1. 在轉倉週把即將到期合約與次月合約的每根 K 棒成交量加總，並用加總後的序列建立基準。如圖所示，這樣整個轉倉過程中的總活動量是平穩的。
2. 逐合約讀取成交量，並在轉倉日用舊合約的同時段平均值，作為新合約基準的起點，讓轉倉後的最初幾天不會拿新合約轉倉前稀少的日子來比較。
3. 把轉倉週排除在基準和過濾條件之外，確保在合約遷移期間讀到的 RVOL 不會放行任何進場。這樣每季要損失一週的交易日，但不需要額外的資料。

不論選擇哪一種，回測與實單交易都必須採用相同的處理方式，而且要與價格序列本身的轉倉方式一致；期貨回測的正確做法：合約規格、轉倉與跳動點價值一文涵蓋了價格面的同一個問題。交易所可能會變動合約月份與到期規則，因此在把轉倉日曆固定到你的資料中之前，請先到交易所的合約頁面確認現行的時程。綜觀整個流程，Sullivan、Timmermann 與 White（1999）在有無資料窺探修正下檢驗技術規則的研究，以及 Park 與 Irwin（2007）的文獻回顧，結論都指向同一個方向：在一段歷史與一個門檻上看起來不錯的過濾條件，正是搜尋過程中很常見的結果，只有在相同資料上與沒有過濾的規則比較、並把成本納入計算，才能判斷這道過濾條件是否真的有幫助。

下一步是一個下午的工作：用你自己的 K 棒資料，以 20 個交易日為基準，計算你交易時段的 RVOL，記下超過 1.5、2.0 與 3.0 的 K 棒各佔多少比例，挑出一個仍能讓基礎規則保有數百筆交易的門檻，然後在相同成本下，分別跑有與沒有這道過濾條件的規則。兩者的交易筆數與平均每筆損益，會比任何圖表範本告訴你的都多。

常見問題

RVOL 怎麼計算？

把當根 K 棒的成交量，除以過去一段交易日數（常見為 10 到 20 日）中，同一個時鐘時間 K 棒的平均成交量。數值 1.0 代表該時段的活動量正常，2.0 代表是平常的兩倍。常見的錯誤是用全天平均當分母，因為這樣每個開盤都會看起來很忙，每段盤中都會看起來很冷清。

RVOL 多少算高？

交易者通常把 1.5 到 2.0 稱為偏高，2.0 或 3.0 以上稱為異常，但適合策略的標準線取決於市場與 K 棒週期。請在你自己的歷史資料上計算 RVOL，看每個門檻各有多少比例的 K 棒通過，並選出仍能留下足夠交易數供判斷的門檻。同一輪中也要測試相鄰的數值，才能知道結果在一個區間內是否都成立。

RVOL 平均要用幾個交易日？

5 到 10 個交易日的短基準反應快，但一個新聞日會在之後的交易日造成扭曲。20 到 50 個交易日的長基準比較穩定，但對活動量的持續變化反應較慢。依你希望過濾條件忽略什麼來選擇，可以考慮用中位數代替平均數，並一起測試數個長度，找出高原區，而不是只靠某個剛好的設定。

相對成交量能當進場過濾條件嗎？

可以，但要放在一條已經指定方向的規則前面，例如突破或振盪指標的讀數。在相同成本與交易時段下，分別跑有與沒有過濾的基礎規則，並比較交易筆數與扣除成本後的平均每筆損益。有用的過濾條件會刪掉相當比例的交易，同時提高平均每筆損益；有害的過濾條件則會刪掉獲利的交易。

RVOL 能用在日 K 棒上嗎？

日 K 棒沒有盤中時段可以分組，所以 RVOL 是今天的成交量除以過去 N 個交易日的平均日成交量。它仍然是拿活動量和基準比較，但季度轉倉會更明顯，因為整天的成交量會從即將到期的合約移到下一個合約。可以把兩個合約的成交量加總、用舊合約來設定新基準，或是在過濾條件中排除轉倉週。

參考文獻

• Bailey, D. H., Borwein, J., López de Prado, M., & Zhu, Q. J. (2014). Pseudo-Mathematics and Financial Charlatanism: The Effects of Backtest Overfitting on Out-of-Sample Performance. Notices of the American Mathematical Society, 61(5), 458–471.
• Sullivan, R., Timmermann, A., & White, H. (1999). Data-Snooping, Technical Trading Rule Performance, and the Bootstrap. The Journal of Finance, 54(5), 1647–1691.
• Park, C.-H., & Irwin, S. H. (2007). What Do We Know About the Profitability of Technical Analysis? Journal of Economic Surveys, 21(4), 786–826.