策略公開，大部分都會無效化，唯有自己打造，永不失效
我們在新的選股平台中，分享了一堆策略，但是這些是公開的策略，大家都看得到，所以難保之後不會失效。所以唯有打造自己的策略，你才更有底氣，在股票市場中生存！
設計股票策略，對剛開始進入股市，或是剛使用選股系統的人來說，並不簡單。我有看過初學者，花很多精力，直接爆寫長達 100 行程式碼選股，用了超多條件，但效果還是不太好。所以決定分享一個 SOP，只要遵照以下幾個步驟，通常都可以找到不錯的策略，量化交易不難，而設計策略其實可以很單純。
1. 尋找因子
這邊說的因子，也不是什麼特別的東西，而是日常所使用的一些指標，可以是「股東權益報酬率」或是「RSI」指標，不論是技術面或是基本面，只要是可以量化的數值，都可以拿來當作因子。可以到我們的資料庫搜索看看，是否有你感興趣的資料。我們提供了大部分股票的資料，除了分點券商外（太貴還沒買），你想的到的因子都可以製作。目前（2021/11/21）完全免費，你可以趁這個時機全部下載下來試試看。
2. 判定效果
找到了想選股的資料，我們要先確定因子是否有效果，你要設計一個條件式，來測試單一因子是否有選股的效果。以「股東權益報酬率」來說明，我會設計從寬鬆到嚴苛，撰寫選股條件，範例如下：
from finlab import data
roe = data.get('fundamental_features:ROE稅後')
roe_rank = roe.rank(axis=1, pct=True)
stocks1 = roe_rank > 0.2 # 寬鬆，選擇前 80% 的股票
stocks2 = roe_rank > 0.4
stocks3 = roe_rank > 0.6
stocks4 = roe_rank > 0.8 # 嚴苛，選擇前 20% 的股票我會將上述四個條件都試試，回測總報酬率或是夏普值，以程式碼中的 stocks4 為範例：
from finlab import backtest
report = backtest.sim(stocks4, resample="Q", fee_ratio=0, tax_ratio=0))這邊的換股頻率是「每季 (Q)」，因為「股東權益報酬率」是每個季度會公佈，所以我們只關注每季價格的變化，但假如你的指標是價格，則可以使用其他的頻率，例如「每週 (W)」或是「每月 (M)」。有些人製作因子，也會用「近四季平均或累計」來表示，並且以「每年 (A)」為單位換股，這樣也是可以的。假如上述回測有長期打贏大盤，那可以說，這個因子可能是有用的！
但很多人看回測看的是「報酬率累計是否比大盤高」，這是不正確的做法，一個極端的例子就是，當一個策略報酬率如下：
- 第一天比大盤多 3%
- 之後每一天都跟大盤的報酬率一模一樣。
這樣此策略的「報酬率累加」永遠都比大盤的高，但實際交易並沒有顯著的效果。所以平常除了看 alpha beta sharpe 之外，也可以目測「報酬率累計跟大盤差距越來越大」，假如有的話，才代表此因子時時刻刻都在發揮作用。
3. 決定是否棄用因子
假如你發現此因子沒有任何作用（回測都比大盤爛），請你先直接棄用，而不是加入其他的因子。有點像是蓋大樓，假如地基沒有打穩，地震就會垮。你要設想 2000 檔股票裡面，其實只有幾檔是寶，假如今天用了差勁的因子不小心過濾移除了，錯過挑選它的好機會，有可能只選出一些烏合之眾，就算再用好的濾網，也選不出好股票。所以請直接將此因子移除吧！
4. 篩選條件
當做完上述檢測，你發現這個因子真的有用！就可以開始針對因子設定條件，你可以將第二步驟已經回測的數據拿出來，例如總報酬率如下（示意）：
- 篩選出前 80％ 的股票：總報酬 300%
- 篩選出前 60% 的股票：總報酬 500%
- 篩選出前 40％ 的股票：總報酬 700%
- 篩選出前 20% 的股票：總報酬 700%
以上四種條件，從寬鬆到嚴格，你會使用哪一個條件呢？要記住我們的目的在於「總體報酬率高」及「有效分散風險」，前者當然是為了賺錢，而後者是為了「少賠錢」。有了以上得目的，相信你不難選出第三個：「篩選出前 40％ 的股票」當作是最佳的條件了。你會發現 3 跟 4 篩選出的股票數量不同，但是報酬率都差不多，在同樣的報酬率下，越多股票對你越有利，除了分散風險外的好處，由於樣本數多，也不太會過擬合。還有額外的好處是：你保留足夠多的股票，可以再加入其他的因子來篩選出更有上漲潛力的股票。
5. 重複 1~4 步驟
假如你留有足夠多的股票，這時候就可以再加入因子，看看是否能提升報酬率。有些因子之間會有加成效果，而有些則沒有。你甚至可以調整因子篩選的順序，不過會建議主要的因子不要再改順序了，除非你想做一個完全不同的策略。至於到底有多少因子才夠呢？其實並不一定，但最終目的是篩選出 20～30 檔股票以內，畢竟太多股票對一般人來說也是很難一次買齊。
選擇較少股票，這其實是一件不容易的事情，因為股票少，整體投資組合勢必波動變大。因此在股票少的狀況下，必須確保策略報酬波動小，就是這個階段的關鍵。
新因子額外篩選股票，程式的寫法，如下：
stocks4 = (stocks4 * new_factor).is_largest(30)其中 stocks4 就是原本篩選出來的股票，數值為 0 (False) 或 1 (True) 代表是否被選入，而 new_factor 就是新因子，這樣就可以用新的因子篩選出前 30 名的股票，這邊的 new_factor 是大於零，且越大越好。假如所有股票的 new_factor 同時有正負，要記得加上一個 threshold，讓 new_factor + th 的數值一定為正：
stocks1 = (stocks1 * (new_factor + th)).is_largest(10)組合好就可以將篩選完的股票進行回測囉！
backtest.sim(stocks1, resample='Q')以下還有一些複雜的方法，但是個人覺得用以上的方法找好策略已經綽綽有餘，除非你每一種因子都已經玩很無聊，那以下比較進階的方法就適合你：
進階：非線性
這個世界並不是線性的，以上述的範例「股東權益報酬率」來說，我們只是假設其數值越高越好，將因子與績效之間的關係假想成是線性。但現實生活中，報酬率與因子之間可能是非線性的，例如「股東權益報酬率」太高，有可能會有均值回歸的狀況發生，使未來股票走勢不好。假如希望可以做的更精細，可以在上述第四步驟中，再額外調整篩選股票的區間段，例如將股票依照因子大小分成五份來回測。
進階：N 階因子
另外，上述步驟中，是假設因子之間並沒有關連，但事實上它們之間會交互作用，例如你單純買「投信買進」的股票可能沒什麼用，但是假如你買「股價暴跌投信還買進」的股票，可能就有用。可以在上述第四步驟中，再額外加入這種反向因子，但是條件越多就會越複雜，要盡量避免過於複雜而導致過擬合喔！
總結
選股策略千百種，上述方法是我覺得一定可以產生出好策略的 SOP，但關鍵在於，不要盲目加入一堆條件，把好的股票都篩掉了！要慎選因子。現在就開始使用我們免費公開的超好用回測系統來選股吧！
https://ai.finlab.tw
