MAE & MFE 是什麼？最大不利偏移如何幫你設停損停利（2026 台股回測實證）

MAE 與 MFE 是什麼？（別和機器學習的 MAE 搞混）

MAE（Maximum Adverse Excursion，最大不利偏移）是一筆交易在持有期間，帳面上最深的一次虧損；MFE（Maximum Favorable Excursion，最大有利偏移）則是帳面上最高的一次浮盈。 注意：這裡的 MAE 是交易回測的波幅指標，和機器學習裡的「平均絕對誤差（Mean Absolute Error）」完全是兩回事——同樣縮寫 MAE，但本文講的是交易的套牢與獲利歷程，不是模型誤差。

把一批交易的 MAE 攤開，獲利交易的 MAE 多半很淺、虧損交易很深，這個落差就是設停損的依據。我們用 pip install finlab 實測台股一個「營收成長 × 動能」策略（2007–2026），關鍵數字如下：

結論先講：MAE/MFE 是診斷交易體質的利器，能清楚分離贏家與輸家的套牢深度；但「照著分佈設一條固定停損線」並不是穩賺的開關——實測它反而吃掉報酬。 下面先講清楚 MAE/MFE 是什麼，再用真實回測拆解該怎麼用。

一般我們跑回測會取得報酬率曲線、最大回撤、夏普率等策略總體數值，但這些指標讓我們難以一窺策略下每筆交易的實際波動細節。交易就像跑步比賽，若只看總體數值結果，就像只看一個人跑步的結果，不看過程細節，但這些過程都是我們可以觀察、優化的階段，比如要觀察策略波動時序、勝敗手交易的波動分布是否明顯分群、策略的停損停利怎麼放比較好？藉由對波動性的分析，就不用每次都要堅持跑完煎熬的過程，可能讓我們在更佳點位出場，減少被洗掉、沒高歌離席的遺憾。

MAE 是什麼？

MAE 是 Maximum Adverse Excursion（最大不利偏移），指一筆交易在持有期間，從進場點算起曾經出現過的最大帳面虧損幅度。

換句話說，它記錄的不是最終的賺賠結果，而是這筆交易途中「最痛」的那一刻離進場價有多遠。以做多為例，MAE 就是持有過程中累積跌幅的極大值。把一批交易的 MAE 攤開來看，你會發現獲利交易的 MAE 往往偏小、虧損交易的 MAE 往往偏大，這個落差正是設定停損點的依據。它衡量的是「進場後要先扛多少帳面虧損」，屬於風險管理面的指標。

MFE 是什麼？

MFE 是 Maximum Favorable Excursion（最大有利偏移），指一筆交易在持有期間曾經出現過的最大帳面獲利幅度。

它對應的是 MAE 的另一面：持有過程中價格曾經跑到對你最有利的位置，距離進場價的幅度。本文進一步把 MFE 拆成 GMFE（全域最大有利幅度）與 BMFE（MAE 發生之前的最大有利幅度）兩種口徑，用來判斷獲利是出現在回檔之前還是之後。MFE 偏向出場面，常被用來推估合理的停利或加碼點位。

用真實台股回測解讀 MAE/MFE（2026 實測）

光看定義不夠。我們用 pip install finlab 跑一個「營收年增為正 × 60 日動能最強 30 檔、月頻換股」的策略（2007–2026，已含手續費與 0.3% 證交稅），把 6,767 筆交易的 MAE 攤開來看。

獲利與虧損交易的 MAE 分得很開

獲利交易的套牢普遍很淺（中位僅 -2.7%），虧損交易則動輒回到 -14% 以上。換句話說，一筆交易若已經套到 -10% 以下，它最終演變成虧損的機率遠高於獲利——這正是「用 MAE 反推停損」的邏輯依據。

但「照 MAE 設固定停損」不是穩賺開關

既然 -10% 能分離贏家輸家，那加上 -10% 停損是不是就更賺？把同一策略加上不同停損門檻重跑：

結果違反直覺：固定停損確實把最大回撤從 -71.5% 壓到 -62.5%，但年化報酬與夏普值也跟著下滑。 原因是這個月頻策略裡，不少交易盤中一度跌破 -10%、最後仍漲回來，固定停損把這些「假摔」的贏家也一起洗掉了。

所以正確的用法是：MAE/MFE 分析是用來「理解」策略的套牢結構、設定心理預期與檢討進場時機的診斷工具，而不是一個照抄就能提高報酬的停損公式。 真要降回撤，移動停利、分批出場、或調整進場時機，往往比一條死板的固定停損更有效。本節數字皆可用文末的 strategy.py 與 data.csv 重現；回測的基本觀念見回測是什麼。

如何顯示 MAE & MFE 分析圖組

Finlab 的回測分析模組可以輕鬆將 Report.get_trades(...) 的結果帶入 Plotly.python 做視覺化呈現。

程式範例

from finlab import data
from finlab.backtest import sim
 
pb = data.get('price_earning_ratio:股價淨值比')
close = data.get('price:收盤價')
 
position = (1/(pb * close) * (close > close.average(60)) * (close > 5)).is_largest(20)
report = sim(position, resample='Q',mae_mfe_window=30,mae_mfe_window_step=2)
report.display_mae_mfe_analysis()

輸出圖組範例

名詞定義

波幅

再分析接下來的圖表前，要先認識一下波幅的分類，有利於分析前建立基礎知識。

• AE (adverse excursion) : 不利方向幅度，做多的話，就是下跌的波段。
• MAE : 最大不利方向幅度，做多的話，就是持有過程中的最大累積跌幅。
• FE (favorable excursion) : 有利方向幅度，做多的話，就是上漲的波段。
• BMFE : MAE之前發生的最大有利方向幅度。若BMFE越高，越有可能在碰上MAE之前，先觸及停利出場 (註1)。
• GMFE (Global MFE) : 全域最大有利方向幅度。若發生在MAE之前，則BMFE等於GMFE。若在MAE之後，則代表要先承受MAE才可能吃到較高的獲利波段。
• MDD (Max Drawdown) : 最大回撤幅度。
• Return : 報酬率。

Edge ratio

來自海龜法則 (註2) 的指標，中文稱優勢比率。 edge ratio為平均GMFE / 平均MAE，這可以藉此評估進場優勢，一個真正隨機性的訊號大致上會帶來相等的MFE與MAE。 若大於1，代表存在正優勢，潛在最大獲利空間比最大虧損多，在持有過程中保有優勢可以中途停利或做其他操作，也就是策略的容錯率較高。反之則為劣勢，可能要抗衡較多的虧損狀態。

如何解讀圖組

將交易分為獲利 (profit-藍點) 與虧損 (loss-紅點) 分別呈現，圖組右方的legend可以任一點選，只看profit或loss的分群呈現。接著會「由上到下、由左至右」，解釋各子圖用途。

報酬率統計圖

子圖1-1，呈現策略下每筆交易的報酬率分布，計算出勝率及平均每筆報酬。 圖片標題為交易勝率，綠色虛線為平均每筆交易的報酬率。 分布曲線越平坦，代表報酬率範圍大，可能有較多的極端報酬率要處理，通常出現在波動大的策略。 若呈現右偏型態(右側的尾部更長，分布的主體集中在左側)，代表多數交易為虧損，若整體策略為獲利，則獲利為少筆交易為主要貢獻。 若呈現左偏型態(左側的尾部更長，分布的主體集中在右側)，代表多數交易為獲利。 若呈現鐘型曲線，代表分布較為平均。

Edge Ratio 時序圖

子圖1-2是策略edge ratio隨進場時間 (x軸) 後的變化，可以判斷隨著持有時間推移，策略有沒有波幅操作優勢。

參數設定

edge ratio的計算設定由回測函數 backtest.sim() 裡的mae_mfe_window, mae_mfe_window_step 兩個參數來控制。

• mae_mfe_window : 計算mae_mfe於進場後於不同持有天數下的數據變化，主要應用為優勢比率計算。預設為0，只會產生出場階段的mae_mfe。
• mae_mfe_window_step : 與 mae_mfe_window參數做搭配，為時間間隔設定，預設為1。若mae_mfe_window設20，mae_mfe_window_step 設定為2，相當於 python 的range(0,20,2)，以2日為間距計算mae_mfe。

應用解釋

edge ratio若一直保持在1以上，持有都具有優勢，子圖範例就是這類情況，開局就有不錯表現，明顯的谷底落在第8天後持續走高，代表可能延遲到第8天進場會有低點，之後獲利一路放大優勢。 edge ratio時序圖走勢有很多種，若是開低走高，一開始都低於1，代表策略可能太早進場，一開始都要先承受虧損，這時可以檢討進場時機點，考慮延遲進場。

若 edge ratio走勢保持在1以上，代表策略優勢明顯。若還隨著時間走高，獲利空間也上升，策略容錯率就較大，就算因一些因素延遲進場仍有較大機率有獲利範圍。關於如何用優勢比率時序圖判斷補票、加碼與延遲進場的彈性，可進一步參考 Edge Ratio 彈性進出場應用。 若 edge ratio走勢很常在1以下，代表策略經常被虧損壓著打，是策略負面訊號。

若隨持有時間變化，優勢漸漸流失，比率開始下降，代表MAE普遍變高，可能是策略催化劑褪色，該策略適合短線操作並考慮加上停利提早出場。 若 edge ratio走勢跳動，代表無明顯趨勢可判斷。 若策略週期是20天，發現time_scale大於20時，edge ratio趨勢持續走升，則透露策略可能太早出場，錯過後面更大的報酬，可以考慮修正持股週期，吃到更大的獲利。

MAE/Return 分布圖

子圖1-3，x軸為報酬率，Y軸為MAE，將勝敗手分群顯示成散點圖，比對報酬率與MAE的關係。 此範例中可以發現多數獲利的藍點都有較小的MAE，虧損的紅點有較大的MAE。 虧損部位的MAE第75%位數為10.77%，幾乎所有的藍點都低於這個位置，也就是說過了這個位置，交易最終就容易是虧損結果，可設為停損參考位置，可保留多數獲利部位、減少大賠部位損失。想看單純從 MAE 分佈反推停損點、以及「加了停損反而變差」的完整實測，見本文上方〈用真實台股回測解讀 MAE/MFE（2026 實測）〉一節。 獲利部位的MAE第75%位數為2.93%，代表多數獲利部位在持有過程中可能的最低點區間，碰到這位置後就有較高機率再往上，積極操作者或分批進場者可設為攤平加碼點位置，有機會讓獲利空間更多或賠更多。

MFE/MAE 分布圖

從子圖 2-1、2-2 可以觀察MAE與MFE的數據關係，散點圖大小由報酬率來決定。 比對兩張圖可發現，策略內許多 GMFE很大的標的，都比BMFE大，代表許多漲幅都發生在MAE之後。想要有較高獲利，就要先忍受回檔，通常這容易發生在趨勢波段策略。 若是短線優異的策略，BMFE 會比較高，可以有較高機率在接觸MAE或停損前先做停利。

分佈象限圖解

MAE/BMFE分布圖(註3) 能幫助我們看出策略體質、優化設置停損停利。 大原則是「分布在第二象限的點越多越好， 第四象限的點越少越好」、「獲利與虧損明顯分群在不同象限」。 如此 stop_loss過濾掉多數mae過大的標的，少過濾掉獲利的標的。take_profit盡量讓多數虧損的交易先觸及停利出場。

MDD/GMFE 分布圖

子圖2-3，判斷損益兩平點與鎖利點，橘線為45度線。 橘線以上為MDD > GMFE，如果越多獲利點位於這個位置，代表持有歷程可能歷經大回檔吃掉獲利轉為虧損，雖然最終會是獲利，但我們原本有機會賺更多。

MDD > GMFE 的情況常是一開始就吃大虧損～後來轉正，或是途中大賺後，突然急速下殺賠錢。都是比較不理想的狀況。子標題顯示的「Missed win-profits pct」為「獲利交易位於橘線上的數量/獲利交易數」，數值越高代表潛在錯失獲利的機會較高，數值越高代表越需要設定移動停利去保護獲利。

橘線以下為MDD < GMFE，代表獲利的交易達到價格高點後，即使後來回檔，因回檔不會吃掉全部GMFE，所以不會轉為虧損。若是虧損的部位位於橘線以下，由於MAE <= MDD < GMFE、MAE <= Return，可以推導出即使虧損，MAE也會比GMFE小，比較高的機會是小虧出場。子標題顯示的「Breakeven safe pct」 為「橘線下的比例/全部交易數」，也就是越不容易輸的比例。

MAE、ＭFE 密度分佈圖

子圖3-1、3-2、3-3。由 plotly-distplot 繪製而成，看指標的比例分佈曲線。 子圖3-1為 MAE 密度分佈圖，通常策略體質若較優，勝敗手的高峰會有明顯分群，贏錢的MAE通常較小、輸錢的MAE通常較大，向右過了藍紅曲線的交叉點後，虧損的交易會變得比獲利的交易多，可以視為比較緊的停損點或是開始分批停損的參考。勝敗手Q3(第75分位數)的應用可參考MAE/Return 分布圖的說明，勝手Q3為積極者加碼點，敗手Q3為絕對停損點，再不跑就容易大賠啦！

子圖 3-2、3-3 為 MFE 密度分佈圖，應用概念與子圖3-1類似。 多數的敗手不會超過敗手MFE Q3 的位置 (圖中的5.16)，換句話說，漲過這個點後，多數交易最終會是獲利的，既然最終會是獲利的，那就會是一個不錯的突破加碼點位，若想要更高的機率確保加碼點安全性，可以用敗手MFE 大於Q3 的位置，例如藍紅曲線的交叉點。 勝手MFE Q3 則可視為分批停利減碼點參考位置。

Indices Stats

group模式

overlay模式

子圖4-1，將各種數據用提琴圖呈現統計結果，可藉由 display_mae_mfe_analysis 中的 violinmode 參數控制顯示模式，預設為group模式，將勝敗手分群統計，overlay模式為全數統計。提琴圖hover過後能顯示數據的分位數資料，可快速觀察所有數據的統計分佈，方便設定停損停利點能參考分位數的數值。 除了先前介紹的mae_mfe，其他還有統計數值:

• pdays_ratio:獲利交易日數/交易持有日數，中位數數值若大於0.5，代表多數交易持有期間都是獲利，操作起來更有彈性。若mfe高，但pdays_ratio低，代表若沒把握到衝高的少數時期，則會錯過理想報酬。

結論

是不是對波動分析更加瞭解了呢？一張圖表包山包海，完整分析出策略細節。

若想更深入了解 MAE/MFE最大幅度分析法。除了國外資源，中文內容推薦藍月記事，其對這方面的策略體質觀察、優化有全方位的影片教學內容，作者對量化分析與交易心理有獨道見解，推薦大家前往學習。

MAE/MFE 分析屬於程式交易在風險管理環節的一塊，把每筆交易的波幅攤開來檢視，是用程式回測優化進出場規則的常見做法。

常見問題（FAQ）

MAE 和 MFE 有什麼不同？

MAE 衡量的是一筆交易持有期間的最大帳面虧損幅度，方向不利於你；MFE 衡量的則是同一段持有期間的最大帳面獲利幅度，方向有利於你。簡單說 MAE 看「最多會回到多深」、MFE 看「最多曾衝到多高」。前者偏風險與停損面，後者偏出場與停利面，兩者要一起看才能完整描述一筆交易的波動歷程。

MAE 怎麼幫我決定停損點？

把一批交易依勝敗分群、畫出 MAE 分佈後，獲利交易的 MAE 通常偏小、虧損交易的 MAE 通常偏大。本文範例中虧損部位的 MAE 第 75 百分位數落在 10.77%，幾乎所有獲利的藍點都低於這個位置，因此把停損放在這附近，有機會保留多數獲利部位、同時止住容易演變成大賠的交易。實務上仍需依自己策略的分佈重新計算，不宜直接套用單一數字。

MFE 怎麼幫我決定停利點？

從 MFE 密度分佈圖可以看到，多數虧損交易的 MFE 不會超過敗手 MFE 的第 75 百分位數（本文範例為 5.16），漲過這個位置後多數交易最終偏向獲利，可當作突破加碼的參考；而勝手 MFE 的第 75 百分位數，則比較適合當作分批停利減碼的位置。GMFE 與 BMFE 的相對高低，也能提示獲利是發生在回檔之前還是之後，影響停利該設得多積極。

在 FinLab 怎麼看一支策略的 MAE / MFE 分佈？

在 sim() 回測時帶入 mae_mfe_window 與 mae_mfe_window_step 參數，再對 report 呼叫 display_mae_mfe_analysis()，就會輸出本文介紹的整組圖表，包含報酬率統計、Edge Ratio 時序、MAE/Return 與 MFE/MAE 散點、密度分佈與提琴圖。把游標移到提琴圖上還能讀到各指標的分位數，方便對照設定停損停利的位置。

MAE 是不是機器學習的「平均絕對誤差」？

不是。本文的 MAE 是交易回測指標 Maximum Adverse Excursion（最大不利偏移），衡量一筆交易持有期間最深的帳面虧損；機器學習裡的 MAE 是 Mean Absolute Error（平均絕對誤差），用來衡量模型預測誤差。兩者只是英文縮寫相同，意義完全不同。

照 MAE 分佈設停損，績效一定會更好嗎？

不一定。MAE 分佈能清楚分離贏家與輸家的套牢深度（本文實測：獲利交易僅 11% 曾深於 -10%、虧損交易卻有 70%），但把固定停損加進一個月頻動能策略後，最大回撤雖下降，年化報酬與夏普值反而變差——因為固定停損會把盤中假摔、最後漲回的贏家一起洗掉。停損是否有效，必須對你自己的策略重新回測，不能照抄單一數字。

什麼是 Edge Ratio（優勢比率）？

Edge Ratio = 平均 GMFE ÷ 平均 MAE，源自海龜法則。大於 1 代表進場後潛在獲利空間比潛在虧損大、策略有正優勢、容錯率高；小於 1 則代表經常被虧損壓著打。搭配 Edge Ratio 時序圖還能判斷該不該延遲進場或加碼，詳見 Edge Ratio 彈性進出場應用。

本文僅為策略分析方法與工具的教學說明，所有數據皆來自歷史回測，不代表未來績效，不構成投資建議。實際下單請自行評估風險。

相關學習資源

• 註1:最大幅度分析05- MFE 為何要在 MAE 之前？ – 藍月記事
• 註2:Edge ratio:海龜法則觀後感
• 註3:最大幅度分析08-MAE MFE 分布 SL/TP 四大區塊 – 藍月記事

延伸閱讀：回測是什麼、程式交易是什麼、Edge Ratio 彈性進出場應用、逆向外資策略的風控啟示、夏普比率計算器、名詞詞彙表。

資料口徑與來源

• 資料來源：finlab 套件 report.trades（MAE/GMFE/BMFE 等逐筆交易波幅）與 backtest.sim()。
• 示範策略：營收年增為正 × 60 日動能最強 30 檔、月頻換股、單檔上限 10%，已含手續費與 0.3% 證交稅；2026 實測區間 2007～2026，共 6,767 筆交易。此策略僅為示範 MAE/MFE 分析之用，非投資建議。
• 更新頻率：每季重跑刷新；本文 2026 實測數據截至 2026-06。

最後更新:2026-06｜回測區間:2007～2026（2026 新增實測）｜作者:FinLab 量化研究團隊（經量化研究員審閱）