近期熱門的 Alpha Arena 專案，將 ChatGPT、Gemini、Grok 等不同的大型語言模型 (LLM)，推上了金融交易的競技場，讓這些前沿 AI 模型槓桿交易Crypto，網頁是公開顯示歷史資金和持倉變化。這個概念極具吸引力：讓最強的 AI 們同台競技，比較它們的交易績效。

在令人興奮的「AI 交易」敘事之下，本文將從技術層面拆解 Alpha Arena 的運作機制，看看技術原理是否真的無懈可擊 ？

一、 運作機制：當 LLM 成為量化交易員

Alpha Arena 的核心是利用呼叫大型語言模型 API，讓多個 LLM 扮演交易決策者的角色。其運作流程可以拆解為「輸入」、「處理」與「輸出」三階段。

輸入：將市場「文本化」的提示詞

系統會向 LLM 發送一個設計好的提示詞，其內容包含：

• 狀態數據 : 當前帳戶績效、倉位、交易次數等。
  

• 市場數據 : 中間價、EMA (指數移動平均線) 等技術指標資料。
  

• 關鍵指標文本化: 這是本專案的特色之一。它將 MACD、RSI 這類傳統的時間序列數據，用自然語言描述出來（例如：「RSI 目前為 46.4」），強迫 LLM 在文本層面理解技術指標。

處理：模型的「思考鏈」 (Chain of Thought)

下面是網頁上實際的 GPT-5 API 回應結果:

{"cot_trace": "**Examining liquidation risk**\n\nWhen it comes to a short position, liquidation happens if the price rises above a certain level. In my case, the liquidation price is 0.17 and it matches the entry, which gives me pause. Since the current price is 0.167, I’m feeling safe for now. Yet, the liquidation price being so close means I can't widen my stop, especially since it is set at 0.171712. That puts me at critical risk, as the stop is above the liquidation price.\n**Assessing long position risks**\n\nIt seems the liquidation price might be rounded, like 0.170 when it could have more decimals. If liquidation happens at 0.17, hitting 0.1717 would liquidate before the stop, which doesn’t seem feasible. While we shouldn't close early, I’m checking my long position in BNB. Invalidation requires a 4-hour candle close below 990 and open interest over 62000. Currently, the price is 993.635 and OI is 65954.12, which doesn’t trigger invalidation. Although the 4-hour trend is negative, I’ll stick to my strategy.\n**Confirming holding positions**\n\nI need to hold all six positions without any adjustments since modifications like adjusting stops or profit targets aren’t allowed. For each coin, I have to provide an object that includes several fields: coin, signal (which will be 'hold'), the full quantity size, profit target, stop loss, invalidation condition, leverage, confidence, and risk in USD. \n\nFor example, with ETH having a quantity of -1.3, I’m writing it as is since the instructions specify using the full current size. There’s a bit of confusion about sign conventions, but I’ll follow the guidelines provided for holding.\n**Finalizing position details**\n\nI’m confirming the details for short positions, where negative quantities matter. For example, the quantity for my first position is -1.3, so I’ll output that. The profit target is 3407.47, the stop loss is 3719.44, the leverage is 12, confidence is 0.63, and the risk is 156.53. \n\nI’ll check other positions too, like SOL with quantity -35.79, XRP -1509.0, and BTC -0.02. For BNB, I have a quantity of 3.5, a profit target of 1073.65, and a specific invalidation condition related to open interest that isn’t met yet.\n**Creating hold signal JSON**\n\nI need to ensure the hold signal is set correctly. If any stops or targets were triggered since entry, the system will handle that automatically. I won't enter new trades since we have existing positions in all symbols, and we can't increase size. \n\nThe output will be a single JSON object with keys for each coin: ETH, SOL, XRP, BTC, DOGE, and BNB. Each will have the required fields formatted as floats. I'll ensure precision and check if any invalidation for BNB has triggered, but we can't infer anything from the current status. Now, I’ll produce the JSON accordingly.\n",
"cot_trace_summary": "My current strategy is to hold all positions as my analysis suggests current market conditions do not warrant adjustments despite a significant overall loss. I'm maintaining my short positions in ETH, SOL, XRP, BTC, and DOGE, as well as my long position in BNB, focusing on their individual exit plans and risk management parameters."}

如 cot_trace 所示，LLM 會接收提示詞，並進行一段類似人類的「思考過程」。它會評估風險（”Examining liquidation risk”）、評估倉位（”Assessing long position risks”），並最終決定其行動。

輸出：結構化的 JSON 交易決策

LLM 最終會回傳一個標準化的 JSON 物件，作為其交易指令。這個 JSON 包含了所有關鍵決策：

• 交易訊號 (Signal): hold (持有) 或 sell (賣出)。
• 風險參數 (Risk Parameters): profit_target (止盈) 和 stop_loss (止損)。
• 退出條件 (Invalidation Condition): 一個 LLM 即時生成的、基於技術指標的出場規則（例如：「4 小時 K 線收盤價高於 3800 並且 4 小時的 MACD 柱狀圖連續 2 根為正值」）。
• 信心指數 (Confidence): 一個 0 到 1 的數字，表示模型對此決策的信心。

範例格式如下：

{
"ETH": {
          "risk_usd": 156.53,
          "leverage": 12,
          "confidence": 0.63,
          "quantity": -1.3,
          "invalidation_condition": "Close early only if a 4h candle closes above 3800 AND the 4h MACD histogram turns positive for 2 consecutive bars.",
          "profit_target": 3407.47,
          "stop_loss": 3719.44,
          "justification": "",
          "coin": "ETH",
          "signal": "hold"
        }
}

二、 方法論缺陷：是「策略」還是「幻覺」？

儘管機制看似完整，但從嚴謹的量化交易角度審視，Alpha Arena 在方法論上存在幾個根本性的缺陷。

缺陷一：策略是「幻覺」，而非「回測」的產物

這是最核心的問題。LLM 產出的 invalidation_condition（退出條件）並不是一個經過系統性回測證明其有效的策略。

相反地，它更像是 LLM 基於其龐大的訓練數據（網路論壇、分析文章），「幻覺」或「拼湊」出來的、當下聽起來最合理的交易規則。這如同要求 AI「即時創造」一道新菜，而非嚴格執行一道經過千次測試的米其林食譜——聽起來很棒，但穩定性與安全性存疑。

缺陷二：缺乏一致性與可重複性

傳統的量化交易程式是確定性的：相同的輸入（RSI > 70）永遠會觸發相同的條件。

但 LLM 本質上是機率性的。這意味著，即使下次遇到完全相同的市場數據和提示詞，LLM 也不保證會生成完全相同的 cot_trace 或 invalidation_condition。它下一次可能認為「RSI 跌破 50」才是出場條件。這使得整個系統極度不穩定、無法驗證，也無法回測一個「隨機變動」的策略。

缺陷三：不科學的「自信度」評分

經過分析顯示，模型給出的 confidence 分數高度集中在 0.6-0.7 之間，且未見低於 0.6 的分佈。這種集中的數值分佈，不像科學計算的結果，反而更像 LLM 作為評判者（LLM as a judge）時產生的「幻覺分數」。
我們直接去抓取網頁的 api 回應，實際去分析 LLM 的輸出，統計所有模型的 LLM Response ，分析發現 0.6-0.7 出現的頻率非常高且頻繁，且沒有出現低於 0.6 信心的分佈，不是很合理情況。

正常情況下，如果分數是經過科學計算的，它應該是一個連續的分佈。

--- confidence 分數的出現次數 ---
分數 0.62: 48 次
分數 0.63: 32 次
分數 0.64: 16 次
分數 0.65: 85 次
分數 0.67: 17 次
分數 0.7: 100 次
分數 0.75: 62 次
分數 0.78: 24 次
分數 0.8: 12 次
分數 0.85: 12 次
分數 0.9: 12 次

缺陷四：時間序列「文本化」導致時間意義缺失

將 MACD、RSI 這類時序數據轉換為文本序列，是為了迎合 LLM 的輸入格式。然而，Transformer 架構是基於 token 的順序去預測下一個 token，它無法真正理解「時間的連續性」。

當時間序列被「壓平」成文字時，LLM 的「腦海」中缺乏了時間的維度。雖然它可能在預訓練中學到了 MACD 和 RSI 的基本概念（這或許能解釋 Deepseek 表現較好的原因），但要求它基於這種「無時間感」的文本去做出精確的時序預測，是有難度的。

三、 潛在價值：為何 Alpha Arena 仍有價值

儘管缺陷明顯， Alpha Arena 也是有其價值。它的真正價值不在於當下的交易績效，而在於它展示的潛力：

潛力一：革命性的「可解釋性」 (Explainable AI)

LLM 的思維鏈是這個專案最有趣的部分。傳統量化交易的「黑盒子」模型（例如 SVM 或神經網路）很難解釋為什麼它要買入。

而 Alpha Arena 迫使 LLM 用人類可讀的語言來「解釋」它的決策過程（”Examining liquidation risk…”）。對於某些機構而言，這種決策過程透明化的特性是有價值的，可以使用 AI 輔助決策。

2. 潛力二：「非結構化數據」的巨大潛力

目前專案僅將「結構化」的技術指標文本化，這確實是上面說的缺陷之一。

但如果在這個框架中，讓 LLM 在 Prompt 中加入，去處理非結構化數據，這就是 LLM 相較於傳統模型，最具壓倒性優勢的地方。
例如：

• 「這是過去 1 小時社群平台上關於 BTC 的恐慌指數」
• 「聯準會主席在 5 分鐘前的發言偏向鷹派」

傳統模型難以理解這些文本的語意和情緒。而 LLM 交易機器人是有潛力將「市場情緒」、「新聞事件」和「技術指標」真正融合在同一個決策模型中的架構。

潛力三：一個極具價值的「元實驗」

Alpha Arena（阿爾法競技場）這個名字本身就點出了其價值。它不是在宣稱誰是最好的交易模型，而是建立了一個「競技場」讓所有模型同台競技。

這本身就是一個非常有價值的實驗。它讓我們首次有機會在相同的規則下，橫向比較不同 LLM（GPT-5, Gemini,Grok…）的金融推理能力。

四、 結論：一個「有趣」但尚未成熟的未來

從技術層面分析來看，Alpha Arena 目前更像是一台令人興奮的「概念車」。它存在「策略幻覺」、「缺乏一致性」等根本性的方法論缺陷，使其目前的交易結果不具備嚴謹的科學意義。

然而，它的價值絕非零。Alpha Arena 成功地展示了 LLM 在決策可解釋性和融合非結構化數據方面的巨大潛力。它作為一個「AI 競技場」的實驗，其價值遠高於它產生的帳面損益。

總體而言，這是一個「好玩有趣」且極具啟發性的專案，它為我們揭開了 AI 金融交易未來樣貌。

你一定懂那種瞬間——螢幕上跳出一檔飆股，心裡直覺「它會漲」。但直覺不會每次都對。於是我們決定反過來做：把靈感拆成可驗證的「因子」，把「為什麼漲」說清楚，然後用資料驗證。

難嗎？不簡單。因為我們有工具可以把難的事做得乾淨俐落。

和一般做法，哪裡不一樣？

一般做法：先選幾個看起來厲害的指標，湊一套回測；結果好就覺得是神功，結果差就再換一套。

我們的做法：先把策略拆解，再逐一檢驗每個因子的線索：它帶來的超額報酬是多少？在什麼狀態下有效？會不會太擁擠（大家都在用）？彼此相關性高不高？

沒有 Finlab 我們得自己處理：資料下載、清洗、對齊、換股對齊、月/季頻率對接… 一個環節錯了，結果就不可信。

有了 finlab，我們可以直接用一致頻率的資料集與安全的 resample 邏輯，把時間對齊、避免偷看未來；剩下的，就是認真跟資料搏鬥。

我們的範例策略：

三個最基本、卻常被忽略「為什麼」的因子：市值、營收動能、價格動能。

• 為什麼要小市值？因為小市值在資訊修正與資金挹注時，彈性常常更大。
• 為什麼看營收加速？因為是最扎實的推力。
• 為什麼要動能？因為市場的從眾與慣性，往往延長趨勢。

from finlab import data, backtest

marketcap = data.get('etl:market_value')
revenue   = data.get('monthly_revenue:當月營收')
close     = data.get('price:收盤價')

cond_smallcap = marketcap.rank(pct=True, axis=1) < 0.3
cond_revgro   = (revenue.average(3) / revenue.average(12)).rank(pct=True, axis=1) > 0.7
cond_momentum = (close / close.shift(20)).rank(pct=True, axis=1) > 0.7

pos = cond_smallcap & cond_revgro & cond_momentum
report = backtest.sim(pos, resample='ME', upload=False)
report.display()

為什麼要用 rank？比較的是「相對位置」，而不是絕對數值。

把策略拆成可驗證的語言：特徵 & 標籤

先定義我們「到底要預測什麼」：未來一段時間的超額報酬（相對市場平均）。這是策略的真目標，而不是單看漲跌。

from finlab import data
import finlab.ml.feature as feature
import finlab.ml.label as label

features = feature.combine({
    'marketcap' : cond_smallcap,
    'revenue'   : cond_revgro,
    'momentum'  : cond_momentum
}, resample='ME')

labels = label.excess_over_mean(index=features.index, resample='ME')

為什麼用超額報酬？ 因為我們將焦點從「追隨市場」轉向「超越對手」。我們比較的不是大盤的絕對速度，而是相對於競爭者的反應速度。

因子報酬（Factor Return）：它到底有沒有賺到「解釋力」？

把每個因子的「獨立效果」抽出來，看長期累積報酬線條。線條不只代表報酬，更是「這個因子值得被相信」的證詞。

from finlab.tools.factor_analysis import calc_factor_return
from finlab.plot import plot_line

factor_return = calc_factor_return(features, labels).cumsum()
plot_line(factor_return, unit='.0%', title='因子累積報酬')

為什麼先看累積線？ 因為短期雜訊會騙人，長期線條的斜率與轉折，才能看出它是偶然還是規律。

因子集中度（Centrality）：因子擁擠嗎？

當一個因子被同時大量採用，接著因子趨向擁擠、碰到回檔風險上升。我們用主成分分析的權重，量化「共同性」。

• 數值大：近期用它選股都賺，表示擁擠；下一步要警戒回檔。
• 數值小：近期表現差，反而可能接近「冷門反擊」的起點。

from finlab.tools.factor_analysis import calc_centrality
centrality = calc_centrality(calc_factor_return(features, labels), 12)

plot_line(centrality, title='因子集中度')

為什麼要看擁擠度？ 因為市場是動態的，當所有人一起衝進同一個因子，邊際報酬就會變脆弱。

因子貢獻度 (Shapley Values)：把功勞分清楚

我們不只看「有賺」，還要知道「誰在出力」。Shapley 用公平分配的方式，拆解各因子的邊際貢獻。

from finlab.tools.factor_analysis import calc_shapley_values
shapley = calc_shapley_values(features, labels)
plot_line(shapley, title='因子貢獻度')

為什麼要拆貢獻？ 因為多因子策略容易「誰都沾一點」，但在壓力時刻，你要知道要砍誰、留誰。

IC（Information Coefficient）：預測力的體檢表

我們把分數和未來報酬做相關（可用 rank），長期 IC 穩定偏正、且不是只靠少數極端時期拉高，才叫做真正的「可預測」。

from finlab.tools.factor_analysis import calc_ic

features_ic = {
    'marketcap': -marketcap,  # 小市值用負號
    'revenue'  : revenue.average(3) / revenue.average(12),
    'momentum' : close / close.shift(20),
}
features_ic = feature.combine(features_ic, resample='ME')

ic_df = calc_ic(features_ic, labels, rank=True)
plot_line(ic_df, title='因子相關性')

為什麼要看 IC？ 因為報酬可能來自風格或偶然，但「相關性」在長期裡更難偽裝。

趨勢偵測：隨時間變化數值

我們用回歸去看「集中度、貢獻、IC」的趨勢：上升？下降？還是平？

from finlab.tools.factor_analysis import calc_regression_stats
centrality_trend = calc_regression_stats(centrality)

• p 值小 + 斜率正：真正在升溫；
• p 值小 + 斜率負：退潮真正發生；
• 解釋力低（R²小）：暫時別下定論，當它不存在。

實例分析

• Marketcap (市值因子)

slope: -0.000111 (負值)
p_value: 3.10e-17 (極度顯著)
r_squared: 0.40 (中等偏強解釋力)
trend: down

解讀: 市值因子的集中度呈現非常強烈且統計上極度顯著的下降趨勢。

• Revenue (營收因子)

slope: 0.000018 (正值)
p_value: 0.0048 (顯著)
r_squared: 0.056 (解釋力較弱)
trend: flat (因 r_squared < 0.1)

解讀: 營收因子有統計上顯著的上升趨勢，但由於解釋力不足 (r_squared < 0.1)，被歸類為 flat。

• Momentum (動能因子)

slope: 0.000093 (顯著正值)
p_value: 1.14e-17 (極度顯著)
r_squared: 0.41 (中等偏強解釋力)
trend: up

解讀: 動能因子的集中度呈現非常強烈且統計上極度顯著的上升趨勢。這是一個明確的信號，表明動能因子非常「熱門」，大量資金正在追逐這個策略。

為什麼做趨勢？ 因為資金有輪動。與其死守某一信仰，不如跟著證據調整權重。

總結

解決分析前的難點

• 多頻資料對齊：日價、月營收、季財報……沒有統一索引會災難。
• 風險：偷看未來、不同頻率窗口誤用，都會讓結果「看起來很美」。
• 擁擠：策略跑出來以後，大家都用，它就不香了。這就是為什麼Centrality與趨勢偵測是必要的。
• 因子工具把「報酬、擁擠、貢獻、IC」變成可重複的研究流程。

行動建議：你可以直接用這篇當「研究框架」模板

1. 用 feature.combine/label.excess_over_mean 定義問題；
2. 跑 因子報酬 / 集中度 / Shapley / IC / 趨勢 五件套；
3. 用趨勢結果去調整權重，而不是迷信單因子。

歡迎參考 Colab 範例檔

前言

市場上的高股息 ETF 各有特色，這次將以富邦特選高股息30（00900）為例，分析其追蹤的「臺灣指數公司特選臺灣上市上櫃高股息30指數」。這檔ETF 的選股邏輯強調多次審核與財務、流動性標準，選擇高股息且具備穩定配息能力的個股。

00900 特色整理

一年三次審核，嚴選 30 檔高息股；納入市值＋流動性＋營業利益安全閥。

復刻 00900：研究流程全解析

資料來源與規則拆解

根據公開說明書，復刻「特選臺灣上市上櫃高股息30指數（00900）」的成分股篩選與調整流程，重點如下：

初始採樣母體

• 臺灣上市與上櫃普通股股票為基礎。
• 選取發行市值前 200 大股票。

流動性條件

• 最近三個月日均成交金額排名前 90%者

財務健全性與指標篩選

• 定期審核（四月、七月、十二月）：最近四季營業利益總和須為正

股利率計算

• 四月定審（第一次）
  • 已公告現金股利者：股利率 = 最近四季現金股利總和 ÷ 審核資料截止日股價
  • 未公告現金股利者：股利率 = 最近四季 EPS 總和 × 過去三年平均現金股利發放率 ÷ 審核資料截止日股價
• 七月定審（第二次）
  • 股利率 = 最近四季現金股利總和 ÷ 審核資料截止日股價
• 十二月定審（第三次）
  • 股利率 = 最近四季 EPS 總和 × 過去三年平均現金股利發放率 ÷ 審核資料截止日股價

成分股數量

• 每次均固定 30 檔

指數調整與生效時點

• 每年三次定期審核：4月、7月、12月第7個交易日為基準日

復刻結果

在經過一連串比對後，復刻而得的策略股池與原版 00900 報酬率曲線有高度相關。這意味著，我們的 復刻版 00900 確實能有效重現 00900 的選股結果。

相關性分析：

復刻 00900 報酬 :

我們的「復刻版 00900」與官方版本高相關，證明邏輯拆解合理。

進階優化

IC Decay：讓「好因子」真正常駐

什麼是IC Decay？為什麼分析IC Decay很重要？

想像一下：同一份藏寶圖，今天不只告訴你哪裡有金礦，還附上一張「礦脈多久才會枯竭」的熱力圖——這就是 IC Decay 帶來的視野。

「IC」（Information Coefficient，資訊係數）是用來衡量一個因子對未來報酬預測力的重要指標，IC 高代表這個因子和未來報酬關聯性強。

IC Decay，則是指「這個預測力會隨時間流逝而衰退嗎？衰退速度如何？」

簡單來說，我們不僅看因子對短期報酬有沒有預測力，也要觀察對長期如 60天、120天以後的報酬還有沒有預測力。

• IC Decay 平緩： 這個因子在不同持有期間都有效，適合長線
• IC Decay 快： 因子適合短線，長線預測力不佳

應用在多因子策略：

• 幫助我們挑出「耐久型」的好因子
• 可以依照持股週期調整因子組合，強化策略穩定性

用 IC Decay 檢驗 00900 因子品質

我們針對前述幾個因子，進行 IC Decay分析，步驟如下：

1. 計算各因子對不同持有期（如20天、60天、120天）的 IC
2. 畫出IC Decay曲線，觀察哪些因子「報酬預測力持久」
3. 排除短線效應太明顯、容易失效的因子

重點解讀：

• 市值：IC IR 明顯是負值，且隨預測天數加長而下降，代表市值這個因子的預測不只失準，而且不穩定。
• 七月股利率、十二月股利率：IC IR 明顯隨持有天數增加而上升（橘線到 1.5 以上），代表這兩個因子隨時間拉長後，預測力不只穩定，甚至更強。

多因子組合 IC Decay

接下來，我們將這些因子進行整合，以組合分析的方式評估其綜合效果。

分析 120 天預測期的前三名因子組合:

• 七月股利率
• 七月股利率 + 十二月股利率
• 四月股利率 + 七月股利率

綜合解讀 ：

• 組合因子（如「七月股利率 + 十二月股利率」）能提供更高的平均預測能力 (IC Mean)。
• 單因子「七月股利率」或「七月股利率+十二月股利率」的組合，在預測的穩定性 (IC IR) 上可能更優，尤其是在較長的預測期。
• 整體來看，這些以股利率為基礎的因子組合在中長期（如 60 天至 200 天）展現出較好的預測潛力，並且其預測的穩定性隨時間增長。

分析最佳單一因子 IC Decay : 七月股利率 ,十二月股利率

綜合解讀 ：

• 在單因子比較中，「七月股利率」無論是在平均預測能力 (IC Mean) 還是預測穩定性 (IC IR) 上，都優於「十二月股利率」。
• 「七月股利率」的 IC IR 隨預測天數增加而上升的特性。

總體結論：

1. 「七月股利率」是核心強勢因子： 無論是作為單因子還是組合的一部分，「七月股利率」都表現出強勁的預測能力和非常好的穩定性（尤其是其 IC IR 持續上升）。
2. 因子組合的價值： 將不同月份的股利率因子進行組合，有潛力獲得比單一因子更高的 IC Mean，即更強的平均預測信號。
3. IC Mean vs. IC IR 的考量：
   • 「七月股利率 + 十二月股利率」組合擁有最高的 IC Mean，如果追求最強的平均預測信號，這是一個好選擇。
   • 但若更看重預測的穩定性，「七月股利率」（單獨或與十二月股利率組合）則因其較高的 IC IR 而更具吸引力。這是策略構建中需要權衡的一點。
4. 適用的預測週期： 這些因子/組合的 IC Mean 大多在約120天至160天達到高峰或保持強勢，而 IC IR 甚至在200天時仍在上升。這暗示它們更適合中長期的投資策略，而非短期的預測。IC Mean 初期（20天至~120天）的上升趨勢值得注意，可能表示因子效應的滯後性。
5. 潛力因子/組合： 「七月股利率 + 十二月股利率」因其高 IC Mean 顯示出很好的潛力。而「七月股利率」因子本身因其優異的 IC IR 表現，是構建因子模型時的重要候選。
   另外也附上同前一篇的分析結果，整理出各預測週期內，因子在前10名組合中的出現頻率，以及120天預測期下，不同因子數量與 ICIR 的關係，並列出120天預測期的前10組最佳因子組合。

優化後的成績單

最後我們使用表現較好的 七月股利率 + 十二月股利率 + yield_ratio 組合進行優化，可以發現績效、夏普值、最大回檔都有更好的結果。

獲利能力分析：

抗風險能力分析：

風險報酬分析：

勝率期望值分析：

結論

00900 高股息ETF的選股規則已經相當嚴謹，但我們透過 IC Decay 分析，能夠再進一步挑選出「預測力持久」的黃金因子組合，打造更穩健、具備長期優勢的量化策略。未來也能持續利用 IC Decay動態追蹤因子表現，讓自己的策略不斷升級，也歡迎參考 Colab 範例檔。

前言

市面上的高股息 ETF 百花齊放，這次要來復刻 00919 群益台灣精選高息 ETF，如果 0056 是台股存股族的啟蒙，00919  就像下一代改裝版。它主打「精準高息、精準卡位、精準領息」三大賣點，看似簡單，其實暗藏許多量化細節。本文帶你：

1. 完整拆解官方邏輯，一步步復刻 00919 的選股流程。
2. 用量化工具驗證：驗證相關性和重疊率。
3. 再往前優化：刪掉雜訊因子、加入高效指標，打造報酬更高、回撤更低的 00919 優化版。

一、00919 三大「精準」拆解

查看基金介紹發現有幾個特色

• 精準高息：用「實際宣告」取代「預估數字」

00919 選擇鎖定「已公告現金股利」的企業，從確定的金額計算真實殖利率，進一步提升股息來源的可靠度與穩定性。

• 精準卡位：提前布局的策略優勢

00919 採雙階段審核機制，五月、十二月雙審核，透過這種快與早並重的選股機制，達到真正「買在除息前」與「走在市場前」的投資節奏。

• 精準領息：每一分股息都不浪費

選股時機對應企業除息時程，投資人持有期間能真正參與除息、獲取現金配息，讓每一分錢都落袋為安。

名詞解釋 – 殖利率：每股現金股利 ÷ 股價。殖利率越高，代表用相對便宜的股價就能拿到較高現金回報。

二、復刻 00919：研究流程

1. 資料擷取
   • 00919 公開說明書
2. 邏輯拆解
   • 採樣母體 → 流動性 / 財務健全性 → 股利資訊 → 排序 → 替換規則。

三、復刻 00919 的關鍵步驟

1. 初始採樣母體：
   • 臺灣上市與上櫃普通股股票為基礎。
   • 選取發行市值前 300 大股票。
2. 基本條件篩選：
   • 日平均成交金額需高於 8,000 萬元。
   • 近四季稅後股東權益報酬率 (ROE) 皆為正數。
3. 股利資訊篩選（五月定審限定）：
   • 排除董事會尚未決定股利金額的公司。
   • 排除已除息且於審核生效日前已完成發放的股票。
4. 排序並選取成分股：
   • 五月定審：依近四季股利率排序，選出前 30 檔。
   • 十二月定審：依據預估股利率排序，選出前 30 檔。

def calculate_ranks(date, is_may_review=True):
    """計算特定審核日期的股票排名"""
    nearest_date = get_nearest_past_trading_date(date, all_trading_dates)
    if nearest_date is None:
        return pd.Series(dtype=float)  # 空序列
        
    if is_may_review:  # 5月定審
        # 計算排名 - 5月定審使用股利率
        score = (市值.rank(axis=1, pct=True) + 股利率.rank(axis=1, pct=True) + yield_ratio.rank(axis=1, pct=True))[conds & (board_cash_dividend > 0)]
    else:  # 12月定審
        # 計算排名 - 12月定審使用預估股利率
        score = (市值.rank(axis=1, pct=True) + 預估股利率.rank(axis=1, pct=True) + yield_ratio.rank(axis=1, pct=True))[conds]
        
    if nearest_date not in score.index:
        return pd.Series(dtype=float)  # 空序列
        
    return score.loc[nearest_date].dropna().rank(ascending=False, method='min')

1. 成分股替換規則：
   • 排名前 15 名直接納入成分股。
   • 既有成分股若跌出 46 名以外則剔除。
   • 排名 16 至 45 名的股票列為候補，優先保留既有成分股。
   • 十二月定審單次最多更替 8 檔股票。

# 建立空的結果DataFrame
position = pd.DataFrame(False, index=effective_dates, columns=close.columns)

# 處理所有調倉日期和排名數據
all_ranks = {}
valid_dates = []

for date in effective_dates:
    try:
        is_may_review = (date.month == 5)
        ranks = calculate_ranks(date, is_may_review)
        if not ranks.empty:
            all_ranks[date] = ranks
            valid_dates.append(date)
    except Exception as e:
        print(f"處理 {date} 時發生錯誤: {e}")

valid_dates = sorted(valid_dates)  # 確保日期順序

if not valid_dates:
    print("沒有有效的調倉日期，無法進行模擬")
else:
# 使用 Pandas 向量化處理成分股替換
    prev_components = None
    target_component_count = 30 # 設定目標成分股數量

    for i, date in enumerate(valid_dates):
                ranks = all_ranks[date]

                # 1. 排名在第15名以內者納入成分股
                top_15 = set(ranks[ranks <= 15].index)

                # 2. 排名16至45名為候補名單
                candidates = set(ranks[(ranks > 15) & (ranks <= 45)].index)

                # 暫定的成分股 (先加入前15名)
                current_components_tentative = set(top_15)

                # 如果不是第一次調倉
                if prev_components is not None:
                        # 加入排名16-45之間的既有成分股
                        existing_in_candidates = prev_components.intersection(candidates)
                        current_components_tentative.update(existing_in_candidates)

                        # 對於12月定審，額外限制最多替換8檔
                        if date.month == 12:
                                # 計算基於 Top15 + 既有候補 所得的新增股票
                                added = current_components_tentative - prev_components

                                # 如果新增超過8檔，需要減少替換數量
                                if len(added) > 8:
                                        # 取出新增的股票並按排名排序 (rank越小越好)
                                        added_with_rank = pd.Series({stock: ranks.get(stock, float('inf')) for stock in added})
                                        # 只保留排名最好的前8名新增的股票
                                        to_keep = set(added_with_rank.sort_values().index[:8])
                                        to_remove_due_to_limit = added - to_keep

                                        # 從暫定名單中移除因超過8檔限制而被剔除的股票
                                        current_components_tentative = current_components_tentative - to_remove_due_to_limit

                # --- 補滿至目標數量 ---
                num_needed = target_component_count - len(current_components_tentative)
                if num_needed > 0:
                        # 找出所有排名16-45，但尚未被選入的股票
                        remaining_candidates = candidates - current_components_tentative
                        if remaining_candidates: # 確保還有候選股可補
                                # 依排名排序這些候選股
                                remaining_candidates_with_rank = pd.Series({stock: ranks.get(stock, float('inf')) for stock in remaining_candidates})
                                sorted_remaining_candidates = remaining_candidates_with_rank.sort_values().index

                                # 選取排名最好的 num_needed 檔來補滿
                                stocks_to_add = set(sorted_remaining_candidates[:num_needed])
                                current_components_tentative.update(stocks_to_add)
                # --- 補滿邏輯結束 ---

                # 最終確認的成分股
                current_components = current_components_tentative

                # 設定成分股
                # 確保只設定存在的欄位
                valid_cols = [col for col in current_components if col in position.columns]
                position.loc[date, valid_cols] = True

                # 更新前一期成分股
                prev_components = current_components

    # 5. 前向填充空值，確保非調倉日也有持股
    position = position.loc[valid_dates]

1. 生效日期計算：
   • 審核基準日後第 5 個交易日正式生效。

def calculate_review_dates(trading_dates: pd.DatetimeIndex):
    """
    計算台灣高股息指數的審核與調倉日期
    
    台灣高股息指數規則:
    - 5月: 第17個交易日為審核基準日，審核資料截至5月第10個交易日
    - 12月: 第7個交易日為審核基準日，審核資料截至11月最後交易日
    - 生效日: 審核基準日後第5個交易日
    """
    review_dates_info = []
    start_year = trading_dates[0].year
    end_year = trading_dates[-1].year

    for year in range(start_year, end_year + 1):
        # 5月定審
        may_review_basis_day = get_trading_day_of_month(year, 5, 17, trading_dates)
        may_data_cutoff_day = get_trading_day_of_month(year, 5, 10, trading_dates)
        
        if may_review_basis_day and may_data_cutoff_day:
            target_effective_day_index = trading_dates.searchsorted(may_review_basis_day) + 5
            if target_effective_day_index < len(trading_dates):
                may_effective_day_target = trading_dates[target_effective_day_index]
                may_effective_day = get_nearest_future_trading_date(may_effective_day_target, trading_dates)
                if may_effective_day:
                    review_dates_info.append({
                        'year': year, 
                        'month': 5,
                        'cutoff_date': may_data_cutoff_day,
                        'basis_date': may_review_basis_day,
                        'effective_date': may_effective_day
                    })

        # 12月定審
        dec_review_basis_day = get_trading_day_of_month(year, 12, 7, trading_dates)
        nov_data_cutoff_day = get_last_trading_day_of_month(year, 11, trading_dates)
        
        if dec_review_basis_day and nov_data_cutoff_day:
            target_effective_day_index = trading_dates.searchsorted(dec_review_basis_day) + 5
            if target_effective_day_index < len(trading_dates):
                dec_effective_day_target = trading_dates[target_effective_day_index]
                dec_effective_day = get_nearest_future_trading_date(dec_effective_day_target, trading_dates)
                if dec_effective_day:
                    review_dates_info.append({
                        'year': year, 
                        'month': 12,
                        'cutoff_date': nov_data_cutoff_day,
                        'basis_date': dec_review_basis_day,
                        'effective_date': dec_effective_day
                    })

    # 按生效日期排序
    review_dates_info = sorted(review_dates_info, key=lambda x: x['effective_date'])
    # 移除無效日期
    review_dates_info = [info for info in review_dates_info if info['effective_date'] is not None]
    
    if not review_dates_info:
        raise ValueError("無法計算出任何有效的審核與生效日期，請檢查日期計算邏輯或資料範圍。")
    
    return review_dates_info

四、復刻結果

在經過一連串比對後，復刻而得的策略股池與原版 00919 報酬率曲線有高度相關。這意味著，我們的 復刻版 00919 確實能有效重現 00919 的選股結果。

相關性分析：

復刻 00919 報酬 :

長期持有 00919 報酬 :

我們的「復刻版 00919」與官方版本高相關，證明邏輯拆解合理。

五、進階優化：

雖然我們已成功復刻 00919 的選股邏輯，但這僅是起點。在接下來的優化階段，我們希望進一步提升策略效率與穩定性。因此，我們先行剔除效度不高的條件，以降低雜訊與過度擬合（overfitting）的風險，同時納入經過 IC/IR 驗證、具高預測力的關鍵因子，讓策略在維持高息特性的同時，具備更好的長期報酬潛力。

IC/IR 指標告訴我們，有些條件不但沒幫忙，還在拖後腿，列如：

• 市值條件 IC 為 負值
• 流動性條件 IC 也是 負值

名詞小辭典 – IC / IR
• IC（Information Coefficient）：因子對未來報酬的預測能力，>0 正向、<0 反向。
• IR（Information Ratio）：IC 均值 ÷ IC 標準差，衡量穩定度，>1 代表因子「又準又穩」。

當我們發現市值與流動性條件的 IC 為負時，決定剔除。這樣的做法其實也呼應了我們作為一般投資人的一項優勢，不像 ETF 必須考量大規模資金進出時的流動性風險，我們可以更靈活地聚焦在報酬潛力本身，因此不再納入這些與 ETF 結構相關的限制性條件，也是合理的選擇。

接下來，我們回頭檢視先前 先前文章， 「復刻 0056 ETF」文章中表現優異的因子，將這些經驗延伸應用到本次策略中。透過重新分析其 IC 與 IR 指標，我們挑選出具有預測力的關鍵因子，將其納入排序邏輯中與原有條件結合。

可以發現，股利率、預估股利率、cash_dividend_annual 以及 ROE 都展現出良好的表現，屬於具有預測力的優質因子。

接下來，我們將這些表現突出的因子進行整合，以組合分析的方式評估其綜合效果，並驗證是否能進一步提升選股策略的穩定性與報酬潛力。

可以發現，無論是在 60 天或 120 天的時間尺度下，ROE 與年化股息率的組合表現穩定且亮眼。因此我們將這組優勢因子正式納入五月與十二月的選股排序邏輯中。接著，我們進一步精簡成分股數量，並取消複雜的替換規則，打造出更簡潔、集中、操作效率更高的「終極策略版本」。這樣的設計，能兼顧高勝率與操作彈性，真正貼近一般投資人的實戰需求。

六、優化後的成績單

1. 年化報酬率： 提高至約 47%，相較於原版明顯領先。
2. 夏普比率： 從遠本的 1.16 提高至約 1.83，相較於原版明顯領先。

更難能可貴的是在差不多的最大下跌風險下，提高報酬率和穩定性，不必日日擔心股價大幅震盪。如此一來，投資人就能同時享有領股利的安心感，又能捕捉股價成長的爆發力。
獲利能力分析：

抗風險能力分析：

風險報酬分析：

勝率期望值分析：

在不犧牲「領息」特色的前提下，獲利更高、風險更低。

七、行動建議

1. 進階派：跟著本文邏輯，自行用FinLab 復刻並優化。
2. 客製派：把優化後因子丟進量化平台，持續調參，打造專屬高息策略。

風險提醒：高息 ≠ 無風險。股息遞延、宏觀逆風都可能影響績效。請按自身資金配置與風險承受度操作。

結語：高息，也可以很聰明

復刻只是起點，希望這篇文章能點燃你的研究慾望，讓「領息」不再只是被動等待，而成為可以精雕細琢、持續進化的好策略。

若你已經迫不及待想動手，接下來：

• 依本文框架補上程式碼段並回測驗證。
• 加入自己的好因子和條件，調整策略。
• 也歡迎參考 Colab 範例檔。

祝你在下一個除息季，順利把每一分股息都握在手中！

菲比斯的崛起

菲比斯是生物技術學歷出身，近 30 歲時投入券商工作，擔任期貨與證券從業人員，關鍵的交易歷程在 2013~2015年，花 3 年從 10 萬本金成長到 1000 萬的規模，十分驚人，資金到一定規模後離職，成為全職交易人。
初期由於低薪和本金不多，有靠信貸取代券商融資的高利率，操作股票期貨、週選擇權來擴大槓桿。
以上槓桿操作是否適合投資新手？有待思量～第一步的容錯率低，壓力大，如果用最低保證金壓滿小資金，稍不慎就會被清空帳戶，還會面臨欠債風險，進入賭徒輪迴。必須有一定交易實力、心理素質，對風險有所認知才適合此套方法，菲比斯也是在2013年以前花了幾年摸索，如果你是新手，無法承受槓桿的壓力，也對短期交易的勝率沒自信，可以參考「給小資族的禮物｜低價股量化策略的實戰訣竅」一文，提供比較保守的做法。

股票期貨的推薦

「菲比斯」交易市場聚焦在台股，交易商品遍及上市櫃、 興櫃股票、股票期貨、台期指、選擇權、可轉換公司債資產交換 CBAS，不太碰權證與現股當沖。交易週期偏短。
其最推薦以股票期貨當作台股主要操作工具，如果標地有股期，就買股期，如果沒股期或股期流動性太低，才買現股。
股期優點是交易稅費低，具7.5倍左右的槓桿，方便資金調度，可多可空，且交易時段比較長，有機會領先現股先佈局。
股期空單的好處在沒融券強制回補的限制，也不用付借券費，是相當好的做空工具。另外股期多單也可替代存股操作，省去股利所得稅的問題。
股期缺點在標地只有200檔上下，其中有足夠交易流動性的，可能不到100檔，所以若策略以中小型股為主，可能很難在此工具佈局。
「菲式思考」贏的第一步重要思維挑選「低成本的工具、資金」來操作，還沒入市，選對工具就先贏在起跑點，反過來說滿共同基金的人，一開始就先輸「管理費3%」。

成為全職投資人的標準

「你必須掌握風險、穩定地賺錢，持續兩年賺的錢比原先工作所賺的高兩三倍。」(菲式思考：p.107)，其實這是比較鬆的標準了，更嚴謹的要求是要走過一個景氣循環(5~10年)，驗證自己在系統風險下的存活率。再來如果是高薪職業，如醫生、工程師，靠投資要賺到比原先工作高兩三倍，除非投入本金很高，不然很難達標，放棄工作的機會成本挺高的，高薪族群比較適合靠本業搭配保守的投資。
另一面思考，本業非高薪的人是否較適合投入全職投資？我認為既然行業有天花板，那投資交易確實是沒有上限的地方，靠工作薪資存到100萬容易，但要累積到千萬以上，又不想等很久，就難了，確實要靠投資來衝。
若本金太少，也很難做好基本的持股分散、多空雙向策略佈局。
以年薪36 萬來說，2~3 倍是 72~108 萬，以全職主動投資人50% 報酬率的水準，至少要累積到150~200萬的資金再考慮全職，你說沒有操作的頭期款怎麼辦？存頭期款、工作的期間就是你最好學習投資知識、認識風險的時候，才不會書到用時方恨少，到時輸一屁股。
另外你最好要有一個覺悟，要有隨時可以回職場的能力，讓你「全職投資人」失敗時，還有能力生存下去。

菲式交易邏輯的啟發

• 挑選成長性展望好、評價不太高的股票做多單。基本面與產業面為主，技術面與籌碼面為輔。
• 挑選未來展望不佳的股票做空，平衡部位趨向，有機會再大盤回檔時，降低整體資產回檔。
• 依營收、財報、法說會、產業新聞來追蹤標的展望，認為合理的獲利點達到，逐步出場，若展望不如預期，則不計結果出場。
• 多單與空單的比例隨整體大盤市況調整。
• 利用營收、財報公佈時程、股票期貨換月轉倉來調整持股組合。
• 分散投資，不要重注單押。

以上內容參考書中 p.121 的部分。
在 FinLab 策略監控台上有基本面策略如「營收股價雙渦輪」、「財報指標20大」，也有產業面的策略「多產業價投 」，與菲式思考的基本面策略類似。

FinLab 比較缺少「事件型」與「做空避險」的策略，原因在「事件型」很難搜集到完整的各媒體的歷史新聞資料，法說會影音與簡報分析比數值資料複雜、混亂，但若不要求回測功能，而是將功能定位設定在讓 AI 學習菲比斯的解讀思維，下提示字 (Prompt) 讓 AI 變專業分析師，撥絲抽繭出新聞事件的關聯標地，增加質化分析的效率也是很有價值的，目前 ChatGPT 甚至能做到語音分析的功能，書中提到判斷公司內部人在法說會的語氣和表情，應都可用 AI 快速、大量處理，也許未來 FinLab 會有相關服務上線。
如果要做回測，目前公開資訊觀測站的重訊公告是比較完整的資料，可應用於策略開發。
另外菲比斯多看的是國內財經媒體的新聞，但若要看總經或國際金融，其實是要看過外媒體才有「夠快的時效性」，等國內翻譯外電太慢了，如Bloomberg、WSJ、CNBC，部分網站也提供 RSS 訂閱功能，很方便能下載資料供 AI 找出精華。

做空的回測由於過去10年是大多頭，很難找到績效漂亮的空方策略，但菲比斯提供幾個方向，例如增資股出籠、可轉債大量轉換、內部人申報轉讓就是一個可研究的方向，當市場籌碼供需出現嚴重的不平衡時，就有大行情出現。

未來 FinLab 會增加策略的豐富性，尤其是「事件型」、「做空避險」、「逆勢交易」的策略，增加策略佈局的平衡度。

產業面選股的解析

每個產業都有關鍵指標。

• 電力供應產業要追蹤「政府標案」。
• 營建業要追「合約負債」、「建案完工入帳時間點」。
• 設備業要追「合約負債」、「裝機驗收時間點」。
• 新藥要追「解盲時程」、「競品研發上市進度」。
• 電腦板要追「加密貨幣走勢」、「國外指標大廠財測與新品」。
• 航運要追「新船下水」、「重大景氣循環事件」。
• 金融業要看資產負債表，損益表是給外行看的。

撰寫交易日誌

我認為書中第 235~239 頁交易日誌撰寫的部分除了抒發交易情緒外，更重要的是要寫下如何改進這些缺失？才能避免重蹈覆徹，這是書中缺漏的部分，稍可惜。
策略要定期驗證，追蹤績效是否與過去偏離，或有關鍵政策、規則改變市場。
如果選股進出都是靠量化程式，那交易的缺失就會在執行面，要學會策略驗證 (Validation) 與制定潛在威脅等級表，參考「藍月記事」撰寫的 交易人的基本功：驗證 (Validation) 與潛在威脅等級表：

假設交易策略都沒什麼問題，而差異與缺失若主要來自實際交易的話
通常可能來自於四個方面：

1. 重複發生的不穩定來源：交易成本的變化
2. 偶爾發生的不穩定來源：價格的跳多、跳空
3. 鮮少發生的不穩定來源：市場突然關閉、券商突然出問題、伺服器出狀況
4. 不該發生的不穩定來源：交易程式的問題、整體風控的問題

並試著解決處理問題，設定碰到問題時的 SOP。

結論

以上是「菲式思考」第一部分的心得，「菲比斯」台股交易經驗涉獵很廣，提供許多面向的分析方法、交易工具的特性，啟發 Ben 未來開發的規劃。
其實很多人的起步都比「菲比斯」要好，他 30 歲才起飛，但很多人 20 歲就展開交易的旅程，不一定要和他一樣追求在10年內暴富，投入全職在嚴苛的交易工作、時刻盯盤與分析盤面。
從書中擷取適合自己的路線，照自己的節奏走，將啟發的觀點內化成自己的招式，一樣能走向自己理想的財富目標。

地緣政治風險

有一些風險是沒辦法使用回測衡量，因為歷史從未發生過，或是很少出現，且很難預測出現的時間點。
投資最怕的就是一夕之間歸零，什麼樣的風險會造成一個國家的股市迅速崩盤？不外乎是戰爭、天災、金融風暴，從俄羅斯股市的例子來看，他可說是動盪國家的代表，戰爭、天災、金融風暴、能源危機他都有參與到，每當有地緣政治的大事件發生，股價、匯率都會在短期內出現40%以上的崩盤。

台股最大的風險就是地緣政治風險，雖然兩岸從未真的開戰過，最接近的一次是1997年台海危機，但長期以來都面臨中共的各種威脅是不變的事實，中共從未放棄用武力統一台灣。
尤其是近年美中科技貿易戰、共機共艦繞台，都讓台灣很難不被牽入大國之間的博弈。
經濟學人雜誌甚至還在2021年將台灣列為全世界最危險的地方。
若資金都重壓在一個國家，那你就要問問自己如果最糟糕的情況發生了？我可以承受嗎？
還是選擇預防勝於治療，提早將資金做分散的準備？將資金部署到安全性較高的國家來降低地緣風險，美國目前身為科技與軍事強國、且有完善的資本市場，美股可列為考慮用來當風散投資風險的國家。

股神巴菲特在2023年短進短出台積電讓投資人驚訝巴爺爺為何操作這麼短？結果股神也承認是因為地緣因素才割捨「護國神山」這樣的優良公司。

只投資台股並不一定不好，但連股神都考慮地緣風險，你能不跟進考慮嗎，了解台股和美股的特點和優缺點可以幫助您做出更明智的投資決策。以下是台股和美股的一些資本市場優缺點：

台股的優點

• 地域接近：對於台灣投資者而言，台股更為熟悉和容易接觸，包括了許多本地公司。
• 語言和文化優勢：對於以中文為母語的投資者來說，投資台股可以減少語言和文化障礙，更容易理解和獲取信息。
• 熟悉行業和市場：投資台股可以更容易了解本地市場和行業的動態，掌握相關信息。
• 潛在Alpha空間：外資的台股市場參與度約 30%，還不算競爭太過激烈的市場，一般來說，散戶參與度較高的市場，比較能利用投資人的交易行為錯誤取得超額報酬空間。
• 資金調度：台幣可用來當日常支出，降低會換匯風險。

台股的缺點

• 有限的市場規模：相對於全球範圍內的資本市場，台股的市場規模較小，投資機會可能較為有限。
• 零股市場、個股期貨流通性仍較低，對小資金參與者不友善。
• 缺乏行業多樣性：台股市場的行業結構相對集中，以科技和製造業為主導，其他行業的選擇相對較少。

美股的優點

• 市場規模和機會：美國股市是全球最大的股票市場之一，擁有廣泛的投資機會和多樣的行業選擇。像是軟體業、服務業、軍火業、煙草業…，都是台股缺乏的產業板塊。
• 科技和創新領先：美國是全球科技創新的領導者，許多知名科技公司在美股上市，投資者可以參與到科技發展和創新的機會中。想是看好iphone產品，直接投資Apple就好，不用投資一堆Apple的台企供應鏈。
• 資本流動性高：美股市場具有高度的資金流動性，交易活躍，便於買賣股票。以「股」為最小單位來當主要交易，不像台股以「千股」為主要交易，小資族較能參與市場。
• 金融商品多樣化：有較豐富且低交易成本的 ETF 可操作，著名的 VT 就是在美國發行。

美股的缺點

• 時差和語言障礙：對於台灣投資者而言，投資美股可能面臨時差和語言障礙，需要更多的跨國交流和信息獲取。
• 風險多樣化：美股市場的行業和公司眾多，需要更廣泛的研究和了解，以避免風險集中在某些特定股票或行業。
• 稅制：相較台灣，有較高的股息所得稅，遺產辦理手續繁雜。
• 美股投資不容易取得超額回報： 高市場效率，美國股市是全球最發達和最活躍的股票市場之一，市場參與者眾多，尤其是法人與量化基金成交佔比高，信息傳遞迅速，交易活躍度高。這使得市場相對高度有效，難以通過普通的選股和市場定時來獲得持續的超額回報，面對強大的量化基金交易對手，可能更難超越大盤。

結論

對美國本土交易人而言，美股的缺點幾乎只剩下「美股投資不容易取得超額回報」這一項。
對台灣交易人而言，美股雖然要研發出策略超額報酬的策略比較難，但就算是報酬率較台股普通，仍對分散淺在地緣風險、產業風險有所幫助，投資組合的未來表現會比較穩定，不用擔心台灣「萬一」發生了什麼？
美股相對於台股，就像棒球的美國大聯盟與小聯盟，小聯盟玩到頂尖後，挑戰一下大聯盟，放眼世界，也是必經的道路，FinLab 美股 Beta 版已經上線，就讓 FinLab 帶你一起探險美股的世界吧～

美國投資冠軍的著名著作《超級績效》你看過了嗎？其中到底有甚麼選股奧秘，要如何獲得超額報酬，我們一起來一探究竟。

這位投資冠軍是什麼人物

作者馬克．米奈爾維尼是1997年美國投資大賽的最終冠軍，那一年比賽較特別的是，有別於以往開始適用了新規定，也就是參賽者可以任意交易股票、選擇權、期貨或各種組合，所以聽起來，若沒有跟著運用槓桿，像作者這樣的純粹股票交易者勢必會在投資競賽中處於劣勢。不過，最後他在比賽中透過股票交易獲得的全年總報酬是155%，幾乎是第二名的兩倍。

大家也許會開始好奇他的背景，是不是金融相關領域出身、是不是早年就受到高人指點、或是天生擁有卓越交易天分等，但事實上，他只是個15歲就高中輟學的平凡小散戶，而在那個年代，他所擁有的工具、技術、資源肯定還比現在現在看到這篇文章的你還少，最初他自己開始交易時也只有幾千塊錢(美金)的資本，跟多數人一樣，也都會犯投資新手會犯的錯誤，也是經過多年的研究磨練，才找到如此創造超級績效的方法。

而作者寫這本書的宗旨正是要告訴大家如何發展出這方面的專業技巧，Finlab這次想選用這主題，也是想向大家分享散戶起家卻如此成功的案例與法門，並邀請使用者們繼續跟我們一起從中學習。

如果你是完全的投資新手、想開始學投資但不知道從哪裡下手的人、想嘗試做量化選股但不知道有什麼工具的人、或是有一定市場經驗但總是賺不到錢的人，那麼非常推薦你繼續看下去。

本文除了重點介紹書中精華，也將嘗試把書中選股邏輯程式化，首先驗證看看是否能單純用程式於美股複製出超級績效策略，並且帶大家一起將這套簡短程式應用於台股。我們究竟能不能也在台股中創造出同樣的超級績效策略呢？

論投資心態

在成功能夠發生在現實世界之前，首先必須發生在心靈上。

大家點進來這篇文章，也許會想急著問，所以到底要買什麼股票、還是有什麼特殊秘訣才能賺錢？或是其實也已經對超級績效不陌生，知道要找技術成長線型、知道VCP，但想重新看看還有什麼專業知識點是自己漏掉的。不過我認為，超級績效選股法大解密的重點不會是在選股法，而是在作者建立起這套超級績效過程的心態效仿。

投資理論看來看去就是這些，很多可用來賺錢的資訊、資源、技術也是公開的、大家都可取得的，但能實際做得到的人有多少呢，差別還是在我們自身的心態與思考模式上，畢竟我們也知道思維方式影響行為，行為影響習慣，習慣決定性格，性格決定命運，也就是關乎我們到底會不會賺到錢。

作者在書中一開始就花了一定篇幅講述投資心態，這邊也為大家整理也許已經聽到爛的精神雞湯，但希望能為大家再次建立更為健全的交易心態。

如果你自認為累積了很多交易知識，卻也一直尚未實際獲利，那也不妨回頭檢視自己在交易心態上是否有調整空間。

自我認識 / 自我管理

首先要投資自己—有準備，才有機會

多數人都曾經對於交易產生過興趣，但很少有人會真正許下承諾。「產生興趣」與「許下承諾」之間的差別，在於堅持的意志力。當你對於某件事許下真正的承諾，除了成功之外，將別無其他選擇。

股票市場的賺錢機會可能會突然出現。如果想要有效掌握這些機會，你就必須要有所準備，隨時讓自己能夠付諸行動。

揮灑你的熱情

以我個人來說，當我決定忘卻金錢，而把注意力完全集中在如何讓自己成為頂尖交易者時，那就成為了我獲致成功的關鍵；至於錢財，他們自然會來找你。

最好的開始時機

只擁有知識、夢想和熱情是不夠的；如何實際發揮這一切，才是決定勝負的關鍵。即使不能成為富豪，熱情追求本身也起碼能夠讓你覺得快樂。從事自己喜歡的工作，投入自己所擁有的一切，這就是人生獲致成功的最佳機會。這種機會就開始於今天，最佳時機就是當下。

除非你實際採取行動，否則不會有任何成果。你如果要等待最佳時機，或等到所有的條件具備，你很可能永遠都不會開始。動手做些不完美的事情，往往勝過完美地無所作為。

你想要的是什麼-判斷正確？還是賺錢？

股票市場隨時會冒出機會或危機。交易者必須採取迅速而果斷行動，才能及時掌握機會，或排除危機。認賠一筆重大的失敗交易，最能考驗投資人的勇氣。我要的是裡子，不是面子。我要賺錢，沒必要強行維護自尊。

交易是一門事業

大多數投資人只是把交易當成一種嗜好，因為他們另有全職的工作。可是，你如果把交易當作事業經營，他就會提供經營事業的報酬。如果你只是把交易當作嗜好，那麼他也就只會像個嗜好來報答你，但嗜好是不會提供報酬的，它反而只會讓你付出代價。

在1980年代，作者剛開始從事交易時，沒有所謂的即時報價、沒有價格走勢圖，也沒有任何研究工具，甚至當時他也沒有網路可以使用、沒有線上交易，每天只能查閱報紙所刊載的收盤價，透過手工方式繪製股價走勢圖。但是，他依然每個禮拜投入七、八十個鐘頭學習，日以繼夜研究股價走勢與企業財報。

如果我們對於做交易一樣有如此堅定的意志力，搭配在現代唾手可得的各種技術資源，相信賺錢獲利只是個確定會發生的已知結果。

對於揮灑熱情、把注意力集中於手頭事項這個部分，我也非常認同。各個領域的成功人士，不論是像諾貝爾獎得主、企業家、歌手、演員、或是我們自身曾經取得任何印象深刻的突破時，幾乎都不會是因為我們一心想著要取得某個固定成就，而是單純投入於其中，在不知不覺間那長久的累積都會有它的回報。當專注在生活中每個當下，做有所熱情的事，豐盛自然會到來。

風險管理 / 永遠備妥計畫

風險來自於你不知道自己在幹嘛。 – 華倫巴菲特

如果想要避免發生重大虧損，唯一辦法就是在小損失累積為大虧損之前斷然認賠。

投機者如果想賺大錢，避免發生重大虧損是不二法門。我們不能控制股價漲跌，但通常可以控制虧損程度。

投機活動是預期某些即將發生的事態，然後等待事實證明所預期的事態是否發生。你備妥一份計畫，然後開始執行。交易完成之後，你評估結果，作出必要的修正，然後準備新的計畫。關鍵是你應該客觀看待真實的狀況，不會因為恐懼而把事態看得更糟，也不會因為貪婪而把狀況看得更好。

開頭提到作者在投資大賽中與其他期貨選擇權交易者的競爭中依然勝出甚多，作者在書中表示，這是因為他並沒有因此而過分冒險或過分交易，當他發現自己成績大幅落後時，也沒有因此而慌張，更沒有因此修改自己的規則，而是單純更專注於自己的交易計畫，還有兩個致勝關鍵：一致性與風險管理。

一般投資人經常在完成部位建立之後，開始陷入猶豫及迷惘的階段，不知道接下來應該如何處理。如果沒有備妥計畫，所有的交易者不免會擺盪於猶豫與懊悔兩種情緒之間。像是猶豫：是否應該買進、是否應該賣出、是否應該持續持有，或是懊悔：我原本應該買進、我原本應該賣出、我原本應該繼續持有。

制定計畫、擁有一套具一致性的交易法則是作者強調的重點。而我想在這邊，程式交易也正是能有效幫助我們達成此目標的必要工具。

透過把選股邏輯程式化，對於是否該進場該出場，馬上能有個精準確定的依據，而根據回測系統的結果展示，也能清楚知道各個選股邏輯是否真正有效、還有哪裡可以修正。

本篇文章後半將會集合書中所提到的找成長股/市場領導股邏輯，寫成一支順勢策略，若大家已熟悉程式交易、自動/半自動下單等的操作，那也許多認識了這支擁有超額報酬的策略確實就能馬上實際運用賺到更多錢。

不過若是投資新手，不管是技術上因素或是心態上因素無法做到跟著策略訊號買賣，例如說出現買出訊號，但主觀上想等待更好時機反而錯過有效進場點；或是相對的，已經看到策略出現賣出訊號，卻可能對其中幾檔個股存有莫名信心、有感情，遲遲沒有實際賣出而導致超出預期的虧損；或甚至，在開始虧損後則馬上對策略失去信心而回到主觀、純手動、相對沒紀律的操作，這都是非常可惜但絕對可以從心態調整或透過技術提升避免的。

投資小白要從哪些面向切入研究呢？–特定進場點分析SEPA

特定進場點分析SEPA(Specific Entry Point Analysis)是作者自行發展出的一套選股原則，而這也是非常適合推薦給投資新手，當不知道從哪裡開始研究、或是不知道原本自有的交易策略要如何改善時的重點探討面相。

SEPA的五大要素分別是1.趨勢2.基本面 3.催化事件 4.進場點 5.出場點，結合了企業基本面與股價技術面行為的資訊。學投資做交易要認識的內容實在太多，不知道從哪裡下手就由這幾個面向切入吧，也可以用來檢視自己在實際交易時是否在這幾個面向的觀察運用上還有優化空間。以下也簡短節錄各項重點：

趨勢

每支超級強勢股的積極發展階段，幾乎都發生在明確的股價上升趨勢中。而且這些趨勢幾乎都可以在超級漲勢發動初期獲得辨識。

基本面

超級強勢發展階段的驅動力量，大多來自於盈餘、收益、毛利等因素的改善。

催化事件

價格曾經大漲的每支股票，其背後都有催化事件。這些催化事件乍看之下未必明顯，但只要針對公司資料稍作探索，就不難找到與超級潛能有關的線索。

進場點

拿捏進場時效很關鍵，如果進場時效拿捏不正確，可能就會遭遇不必要的停損。多頭行情發展過程中，正確拿捏進場時效，可以讓交易部位立即處於獲利狀態。

出場點

展現超級績效強勢股性質的股票，最後未必都能成功。對於這些潛力股，即使進場時機拿捏正確，同樣未必能夠賺錢。所以，為了保障交易資本，部位必須設定停損，迫使失敗部位認賠。

SEPA的目的，是運用所有重要資訊，針對高勝算交易，選定精確的進場點。目標是買進股票後，部位立即處於獲利狀態。

而作者也提到，他會綜合考慮所有相關的基本面、技術面、市場面等因素，讓整體支撐條件都彼此收斂。所以唯有當全部的考量因素（包括：公司基本面、股價、成交量活動，乃至於大盤市況）都彼此配合時，才會執行交易。

作者實際運用SEPA的篩選程序為：

1.股票必須符合「趨勢樣板」(下一段落即會提到，本文的範例策略也將用此作為技術面主要選股邏輯)的條件，才能視為是潛在的SEPA候選股。

2.符合「趨勢樣板」條件的股票，還需要經由一系列濾網（盈餘、銷貨、毛利成長、相對強度、價格波動程度等）做篩選。符合「趨勢樣板」條件的股票當中，大約有百分之九十五會在這個篩選程序被剔除。

3.將候選股票與「領導股輪廓側寫」比對。也就是評估特定候選股所具備的各項因素，並與過去超級強勢股所建構之歷史模型基本面和技術面條件相比對，觀察兩者之間的符合程度。

4.最後階段採用人工評估。濃縮候選清單中的每個標的，都會個別進行檢定，再根據「相對優先順序」評估程序打分數，而該評估程序包括：盈餘與銷貨數據、盈餘與銷貨意外事件的歷史、每股盈餘成長與加速狀況、收益成長與加速狀況、專業分析師盈餘估計修正、毛利率、產業與市場地位、潛在催化事件、與相同類股中其他股票的績效比較、流動性風險等。

股票篩選程序

進行定量分析時，盡量保持單純，不要採用複雜的模型。每次篩選時，不要同時考慮太多篩選準則，否則可能就會不經意地剔除掉適當的候選股，只因為該股票不符合某單一篩選準則。比較好的辦法，是採用多層次篩選，但每次篩選不要納入太多準則。第一：針對相對強度和趨勢做篩選、第二：針對盈餘與銷貨等基本面因素做篩選。

如果想取得具有一致性的超級績效，我們就需要把袖子捲起來，做些傳統的人工分析。

由作者實際運用SEPA的篩選程序與他整體的股票篩選大方向，可以看出他會運用到大量人工(不論是用人力看大量技術線型圖表或是閱讀財報、找產業相關書面資訊、分析師報告等)，並且有多層次的篩選。不過像本篇文章開頭提到的，除了帶大家理解相關知識點之外，我們正是也想驗證看看，這套超級績效選股是否能完全透過程式複製出來，所以我們將直接篩選使用其中部分邏輯，寫進程式策略。

但不管回測績效如何，我們也不該摒棄原本的人工篩選方法，我們依然可以從中找到能用來輔助並加強程式的關鍵邏輯。

順勢交易—成長股怎麼找

在眾多類型的交易策略中，最純粹也最好理解的概念就是找到成長飆股做順勢交易，買低賣高，進場出場，就這麼簡單，而在超級績效中運用的核心邏輯，其實就也就只是這樣，身為投資新手的你一定也能完全理解。

不過實際上是透過哪些面向鎖定成長股的特徵，我們繼續由SEPA中所提到的趨勢、基本面、進場點、出場點等因素中探討下去。

趨勢—成長型股票生命週期

一支股票的基本面如果發生了狀況，在問題明朗化之前，價格行為經常會先出現重大變化，提前透露出訊息。即使我們完全看不出市場人氣發生變化的理由，但對於這類變化務必要予以尊重。

法人機構龐大買盤所創造的長期趨勢，才是乘風破浪所需要的順風，你必須想辦法讓自己跟這股龐大力量配合。指買進上升趨勢明確的股票，才更有機會掌握真正的超級強勢股。

有些投資者也許秉持著純基本面派的精神，不過作者的看法是，價格除非經過市場確認，否則對於特定企業的基本面看法，從來不敢保有太大信心。因為一家公司的管理與產品真的很棒，這方面基本面條件就遲早該反應在股價行為上。強勁的基本面條件，如果不能獲得股價行為的確認，未來展望看起來恐怕就沒那麼光明。唯有當機構買盤大舉進場，推升股價顯著走高，再考慮進場。如果要達到這個目的，在進場之前，我們就必須先確定這類的資金流入已經發生。

依據股價價格行為，可以將四個階段劃分為：

第一階段—忽略階段：整理

第二階段—上升階段：承接

第三階段—做頭階段：出貨

第四階段—下降階段：投降

股票價格生命週期四階段

其中持上升趨勢的第二階段，正是我們順勢策略中想找來做多的成長股階段。在這個階段，隨著由盈餘動能的累積，大型金融機構的買盤會開始積極進場。股價將呈現階梯狀上升，波段高點與回檔低點會持續墊高。公司如果能夠繼續提供好表現，成長狀況就能夠吸引投資大眾，而買盤也就仍然會源源不斷。

也許有的選股方式是想要逢低承接、逆勢找低點操作，所以選擇在第一階段提早進場，或是等到第四階段試著抄底，不過作者的思路是，如果資本想要加速複利，就必須找到最有搞頭的場所，我們絕對禁不起讓資金被套住，只為了等待另一個我們認為的基本面偉大故事慢慢醞釀成形、慢慢獲得世界其他人的認同。所以作者也表示，他寧願把股價走勢的第一隻腳拱手讓人，藉以換取確認，顯示股票已經蓄積足夠動能而明確邁入了第二階段，畢竟我們的目標不是買進最低價，而是要在最短時間內，賺取最大的報酬。

重要基本面要素—超級強勢股的驅動力量

股票市場不太關心過去，包括企業過去所累積的地位在內。股票市場真正關心的是未來，也就是成長。

超級強勢股會透過盈餘、銷貨、營運利潤的成長和提升，展現其力量。這些強勢企業每季所公布的營運績效，總是優於華爾街的預期，然後藉由這類利多意外，驅動股價走高。千萬不要只因為「名氣」而愛上那些價格大跌的股票。很多真正的贏家，可能是你從來沒聽過名字的股票。它們的光榮日子出現在未來，而不在過去。股票市場存在著許多基本面條件傑出的企業；一家公司不論規模、地位、聲譽如何傲人，投資人都沒有理由去接受較差的績效紀錄。

在「趨勢」的分析中我們已經知道要尋找處於價格成長週期第二階段的股票，而一支股票處在第二階段的時間長短，將會取決於企業基本面條件，也就是強勁的盈餘成長型態能夠維持多久。

作者觀察出，價格表現最傑出的股票，其最近一季盈餘都會較去年同期呈現顯著成長。我們想要看到的，不只是最近一季顯著增加，也希望先前兩、三季有顯著成長。

因此，我們將運用財報中的盈餘、銷貨收入(營業收入)、營運利潤(或營業毛利)，篩選出近季有所成長的標的。

鎖定進場點—VCP(價格波動收縮型態, Volatility contraction pattern)

我們只能挑選那些法人機構介入明顯的股票。我們絕對不想成為第一個進場的先知先覺；反之，我們要尋找行情動能點火待升、失敗風險相對偏低的機會。

走勢圖所呈現的價格型態，必須放在較長期趨勢內做評估。進場如果過早，股價可能重新恢復下降趨勢；進場過晚，則可能碰上最後階段的底部，既有上升趨勢太明顯而隨時可能結束。

身為使用停損單的交易者，你就是弱勢持股者。重點是要成為最後的弱勢持股者；你希望在自己買進之前，所有其他弱勢持股者都已經出場。

找到價格位於成長階段且基本面過關的股票後，我們需要決定較佳的進場點位置。VCP，價格波動收縮型態，是作者所觀察出來具有效力的精準進場點，他所進行的每筆交易，幾乎都符合這個概念。

作者表示，凡是具有建設性意義的價格結構(股票處於承接狀態)，其底部結構的某個區域，幾乎一定會出現價格波動收縮的現象，而且成交量也會顯著收縮，因此才稱它為「價格波動收縮型態」。

若市場籌碼不再浮動，成交量會顯著萎縮，價格波動也會明顯趨於緩和。設定這種條件，可以避免誤入擁擠的交易，鎖定的股票也不致於成為公眾追逐的焦點，如此可以提高勝算。
關於VCP的介紹，網路上也已有其他更為詳細的文章及影片教學分享，可以自行參考。

出場警訊—交易如果沒有按照計畫發展

任何計劃都需要考慮到負面發展，實際操作中，進行的交易可能有一大部分不會按照預期發展，即使篩選出的股票完美符合事先設定的條件，但有可能進場時機就是不對，也許應該等待更好的架構，但在已經持有部位的情況下，如果實際發展不符預期，或者股價走勢不對勁，我們都必須知道。

以下是作者採用的某些「違反條件」，我們可以考慮將這些判斷當作出場依據。

1. 突破之後，留意二十天移動平均

2. 低價夾量連續三天創新低

3. 小量上漲、大量拉回，代表警訊

類型、產業類別與催化事件

將公司做歸類，能夠有效協助我整理思緒與看法。這種程序可以幫助我決定一支股票所屬的市場類型，並藉此評估該股票處在成熟化循環或發展曲線上的位置。任何公司都不會永遠停留在發展曲線上的相同位置，有些股票會花更長時間待在循環的某個階段；可是，幾乎所有企業都會展現自然的成熟化程序。

作者考慮買進某支股票時，會判斷自己所處理的情況屬於哪種類型。對於相關公司營運所屬產業的性質，必須能夠知道如何預期盈餘成長，而且也了解市場對這方面展望的普遍看法，並觀察目前股價是否已經反應相關資訊。

他將股票劃分為六大類型：1.市場領導股2.頂級競爭股3.機構青睞股4.轉機股5.景氣循環股6.過氣領導股與落後股

本文所寫出的順勢策略主要希望選到市場領導股類型的股票，這也是讓作者賺到最多錢的股票類型。在此先不過多探討，但大家可另行觀察核對。

關於市場領導股：

這類企業會展現出最快速的盈餘成長。任何產業表現最傑出的企業，其銷貨、盈餘與市場佔有率的排名，通常都能保持在前三位。行情最初的上漲過程裡，市場領導股通常會有最大漲幅。它們會領均錢進，開疆闢土。

在成長相對遲緩的產業哩，一家企業如果能夠持續擴張市占率，同樣可以展現出很好的盈餘成長。關鍵重點是：公司必須賺大錢。財務狀況健全、獲利成長、淨值報酬率高、債務結構合理，這些都是企業管理健全的現象。

市場領導股在高速成長階段，有可能創造出驚人的價格漲勢。一般來說，它們的盈餘成長能夠保持在百分之二十或更高的程度。在表現最傑出的五年或十年期間裡，很多市場領導股能夠保持平均百分之三十五～四十五的盈餘成長。在成長最快速的時間裡，某些市場領導股甚至能夠創下三位數的成長。

成長股重點邏輯整理

綜合以上，本篇文章的示範策略將會透過以下條件，試著寫出擁有超級績效的策略。

技術面(趨勢)：

找位於股票生命週期第二階段，也就是符合趨勢樣板(其中部分參數使用作者於他的付費課程中所揭露)的個股

1. 股價高於150日與200日移動平均

2. 150日移動平均高於200日移動平均

3. 200日移動平均至少有一個月期間處於上升狀態

4. 50日移動平均同時高於150日與200日移動平均

5. 股價超出52週低點25%

6. 股價距離52週高點不超過25%

7. 相對強度評等(RS Ranking)不低於70，最好是80多或90多

8. 股價高於50日移動平均

基本面：營收連兩月成長、盈餘大於零且連兩季成長、營業毛利連兩季成長

VCP型態確認：量縮、盤整

出場：簡單運用跌破20日均線作為出場依據

其中，趨勢樣板中的相對強度評等這項數據，作者是直接使用付費資料源，大部分的人想自行寫出這項條件可能容易卡關，不過透過運用python與finlab package，我們就能輕鬆計算出來。

而VCP是多數人早想透過程式模擬的技術型態，不過也是難於清楚定義，在這邊我們把他簡單分為1.量縮與2.盤整兩個部分。量縮可以輕易透過成交量變化寫出，而盤整的概念則較為模糊，但從「價格收縮」的角度出發，我們可以試著單純運用價格波動(標準差的運用)變化來達到。

在下一段落，馬上就能來看看如何實際寫成程式。

台股實作回測(美股績效大公開)

選股條件

技術面：符合趨勢模板(也是位於成長型股票生命週期第二階段)的股票

基本面：營收、盈餘、營業毛利近季有成長趨勢

濾網：VCP型態確認 -量縮、盤整

出場：跌破20日均線

美股回測績效展示

開始動手前先來看看實作在美股的回測績效。

除了使用原始技術面+基本面條件，我們也加入其他濾網。

1.原條件滿足三天再實際進場：等待型態更為正確，降低一進場則被洗盤的現象。(作者表示很多專業玩家非常擅長於引發散戶的停損，他們會設法讓股價跌破明顯支撐區，清出手中的浮動籌碼。)

2.VCP型態確認：尋找滿足作者所說的價格噴發前夕現象，量縮盤整時，當需求一放大、買盤出現則將加速價格向上帶動。

3.排除金融股：金融類股較不常有大幅價格波動，較不符合我們想找的位於價格成長階段的飆股特徵。

4.以乖離率排序，只持有前15名：集中持有與均線乖離大的個股，若是上方乖離大則預期他具有更大動能，若是在下方乖離大則也預期該個股能有個由低處拉回彈升的現象。

5.出場條件拿掉(不滿足原進場條件則出場)：確保持有個股都依然維持強勢狀態，即使還沒跌破均線，但若已經開始表現疲乏則立馬換掉。

可以看到在美股的表現，年化報酬已超過50%，最大下跌甚至下降到20%左右，可以說是非常優秀。

將超級績效選股法搭配程式交易，在美股確實是可行的。而實作於台股的話呢？我們一起寫寫看。

台股實作

import 模組及抓取價量、財報資料。

from finlab import data
from finlab.backtest import sim

# 抓取資料
close = data.get('price:收盤價')
low = data.get('price:最低價')
high = data.get('price:最高價')
revenue = data.get('monthly_revenue:當月營收')
eps = data.get('financial_statement:每股盈餘')
grossprofit = data.get('financial_statement:營業毛利')
volume = data.get('price:成交股數')

接下來就是選股條件的撰寫了，在趨勢樣板中，其實主要只用到了移動平均及一些高低點的比較，很簡單吧。

唯一要說明的是第七項相對強度(Relative Strength, RS)評等，他並不是我們常見的RSI相對強弱指標，而是表達一個個股在整個大盤群體裡的強度的數值。作者在使用上是抓取investor網站的數值，而我們可以運用計算過去一年個股漲跌幅，搭配FinlabDataFrame的強大語法糖quantile_row()抓取百分位數，輕鬆優雅地寫出來。

這篇文章把我們運用在這的相對強度邏輯解釋地非常清楚，可另行參考。

# 技術面選股(趨勢樣板) 
cond1 = ((close > close.average(200)) & (close > close.average(150)))
cond2 = (close.average(150) > close.average(200))
cond3 = close.average(200) > close.average(200).shift(25)
cond4 = ((close.average(50) > close.average(200)) & (close.average(50) > close.average(150)))
cond5 = close > low.rolling(250).min()*1.25
cond6 = close > high.rolling(250).max()*0.75
rs = close / close.shift(250)
cond7 = rs > rs.quantile_row(0.9)
cond8 = (close > close.average(50))

在基本面條件撰寫中，也主要是rise()(上漲)搭配sustain()(維持幾個資料單位)的連環運用。

# 基本面選股
revenue_cond = revenue.rise().sustain(2)
eps_cond = eps.rise().sustain(2) & (eps > 0) 
grossprofit_cond = grossprofit.rise().sustain(2)

VCP的量縮與盤整條件，這邊隨意取了兩個時間段(10日均與60日均)的比較，並加入自設參數，大家可再自行調整。

# vcp條件 量縮+盤整(價格收縮)
volumereduce = volume.average(10) < (volume.average(60)*0.6)
pricecontract = close.rolling(10).std() < (close.rolling(60).std()*0.5)
vcp = volumereduce & pricecontract

# 進場條件取交集
buy = cond1 & cond2 & cond3 & cond4 & cond5 & cond6 & cond7 & cond8 & revenue_cond & eps_cond & grossprofit_cond & vcp

# 出場
exits = (close < close.average(20))
position = buy.hold_until(exits)

# 回測
report = sim(position, name='超級績效',fee_ratio=1.425/1000/3)

回測結果

可以看到，除了在多頭年2021有抓到超級強勢股，但在大盤空頭走勢中完全沒有防守能力，最大下跌甚至超過年化報酬的兩倍，可以說這支策略離可以正式上線使用、穩定獲利還有一段遙遠的距離，接下來我們就繼續分析與優化。

績效解說-為什麼會有落差？

1.產業組成不同

美國上市公司眾多(近上萬家)、且產業組成較為平均，很容易找到實際走出一個完整價格成長循環的案例；而台灣公司數量少，且除了主要的科技金融股，大多就為一般中小型企業，比較不容易看到我們策略邏輯中所想找的「市場領導股」類型股票。

2.市場大小、市值大小、投資人結構差異

美國市場大且公司市值大、投資人類型眾多且分散，股價走勢結果較為貼近市場實際供需；而台灣當沖散戶比例較高、且公司市值小，股價容易出現異常拉抬現象，技術線型參考性降低，因此使用程式選股的效率性相對運用於美股會更為低落。

3.台股具有10%漲跌幅限制

當成長飆股起漲時，也許他的潛力遠超過一日10%，但台股的漲跌幅限制卻局限住了成長空間。

4.手續費差異

若使用Firstrade網路交易美股能享有0元手續費優惠，是以目前在美股回測中手續費直接設定為0元(回測中也尚未考慮交易稅)；而在台灣不管用哪家券商，即使有手續費打折還是會被固定收取一定比例手續費與交易稅。長年回測下來成交筆數多的狀態下，台股交易會有很大比例的手續費與稅的成本。

其他調整

如在美股我們從一開始主邏輯中另外加入各層條件濾網，績效是大幅提升，在台股我們也試著運用一些相應的條件。

1.排除金融股 -在抓取資料時限定範圍

df = data.get('security_categories')
# 排除金融股
category_range = [ind for ind in list(set(df['category'])) if '金融' not in ind]
with data.universe(market='TSE_OTC',category=category_range):
    close = data.get('price:收盤價')
    low = data.get('price:最低價')
    high = data.get('price:最高價')
    revenue = data.get('monthly_revenue:當月營收')
    eps = data.get('financial_statement:每股盈餘')
    grossprofit = data.get('financial_statement:營業毛利')
    volume = data.get('price:成交股數')

2. 出場條件改為跌破25日均線

# 出場條件更動
exits = (close < close.average(25))
position = buy.hold_until(exits)

3. 增加排序條件：以與5日均線的乖離程度排序，乖離越大則排序越前面，選擇只持有前3名的個股。

# 以與均線的乖離程度排序個股
bias = abs((close - close.average(5)) / close.average(5))
exits = (close < close.average(25))
position = buy.hold_until(exits,nstocks_limit=3,rank=bias.rank(1,ascending=True))

很遺憾的，在台股實作我們初步的結論是：把超級績效找成長股的方式直接應用於台股，並無法得到與在美股相當的超額報酬。

不過，透過適當調整參數與增加其他濾網、或是排序，我們依然可以將此策略優化至一定水準，雖然目前在這示範的結果還不到特佳，但還有許多可能有用的條件還沒用上呢，相信大家還是可以以此為基底繼續嘗試。

(寫完文章後，韓老師也已經默默做了一番優化，績效媲美美股表現(我也再去練練)，程式碼可在Finlab VIP策略中看到，立即訂閱起來你就可以直接將此策略使用於台股摟！)

結語-身為散戶要如何繼續精進？

由此策略進一步優化

如上一段所展示，一樣的策略由美股直接挪用來應用在台股並不能獲得一樣的超額報酬，即使稍微調整了還是會有落差，不過，不管是由技術面、或基本面的條件，大家都可以再試著找出較為適合的參數或寫法，像是基本面中，原本只使用連兩季上升的條件，可以改成連三季、或是運用移動平均的判斷、使用與去年同比的變動；VCP型態中，量縮或盤整的日期長度判斷區間也能再自行調整；而出場條件也能由跌破均線再加入其他作者提到的「違反條件」(低價夾量連續三天創新低、小量上漲大量拉回等)。

或是從其他層面優化，例如再增加相關濾網、自行定義新的資料變數來設定個股排序依據、集中持有固定檔數；另外，也能考慮加入大盤走勢數據，以大盤是否為多頭來當作濾網之一想必也能大幅增加此順勢策略防守能力。一個策略，永遠都存在優化空間。

買書來看-增加知識點

本篇文章所做出來的策略其實只運用了超級績效中有提到的部分內容，除非你已經能做到完全自動化程式交易(完全不受任何操作上的限制而達到逼近回測的績效)，就算是固定使用這一套策略，要能實際長期獲利，絕對還有很多眉角要注意。如果你能持續精進、有一套自己的研究，除了複製程式碼，你甚至能在程式篩選出來一籃子股票中，也運用對於財報的理解，做到更細部的人工挑選，篩出其他人看不到但其實更為適合你的投資的個股。

而書中其他內容都可再衍生其他各種策略，例如運用價格下降週期做空個股、抓盈餘由負轉正找轉機股做多等。而除了策略主邏輯，另外像停損設置、判斷市場為多頭空頭來決定使用不同策略、或是多策略資金管理、策略加簡碼等，還有各種學問等著我們來發掘呢。所以也邀請大家自行靜下來閱讀書中內容，找出屬於自己的成功因子。

給懶惰的你-直接投美股吧！

如果懶得自己優化策略用於台股(誰知道參數要放什麼才對，其他選股條件？沒靈感啦)，也不想買書來看(內容實在太多了太冗長了是吧)，不想看其他推薦影片(生活太忙碌？耍廢時間都不夠了)，怎麼辦呢？其實也沒關係，我們絕對理解，身為投資新手的你願意看到這也真是辛苦了(掌聲鼓勵鼓勵！)，好消息是，看完這篇文章的同時你也已經擁有一個美股超級績效策略了(啊你如果沒認真吸收也沒思考其中程式碼在做什麼也不算數，快點把文章存起來多看幾次)，你絕對可以運用本篇提到的邏輯，即日起開始操作美股買賣。

而日後Finlab也會讓美股資料或相關功能更為完整，讓大家自己在下實單之前，多運用finlab package多跑幾次不同的回測看看，增加信心！

給積極的你-你所需要的資源與成長路徑，也盡在Finlab

投資與股票交易是一條沒有盡頭的成長之路，有太多面向、太多細節要去學習要去注意，而所需要的資源，Finlab也都幫你準備好了(如果這是你第一次看到Finlab文章，真是恭喜你來到金礦密集區，這邊有太多寶物等你來挖)，不管是各面向知識文章、資料運用教學、選股操作工具、或是視覺化回測系統，應有盡有，而且我們也在持續茁壯中。

如果還不想花錢成為VIP用戶，這邊也一定有讓你看不完的免費資源，若基本內容吸收得差不多了、想挑戰更進階的概念、直接使用更酷炫策略、並且想獲得最新數據協助回測，歡迎加入訂閱Finlab VIP的行列！

Andy 是我的籃球球友，每到週末，我們都會一同打球。23歲年輕的他是我們隊上的流川楓，然而今天卻手感失常，睡眼惺忪顯得無精打采，大家問他怎麼了？

Andy：「現在剛好是會計簽證忙季，有很多帳務要整理，剛好團隊的同事離職，業務又加重在我身上，連續幾天加班到很晚。上班上到有點厭世啊！然而沒收入就不能過日子，物價又一直高漲，不知道何時才能存到第一桶金？讓日子輕鬆點。」

另一位球友 Ben 問到：「你第一桶金的定義是100萬嗎？」

Andy：「起碼500萬吧！我想在30歲做右買房，覺得100萬太少了，繳買房的頭期款都嫌吃力，500萬繳個頭期款，還可能剩2-300萬好準備成家，還有點資金進行投資，獲利拿些來當旅費。理想上希望在30歲達到這個目標！」

Ben:「哇！感覺是有點難度的目標耶！光靠本業收入很難達成。現在已經存到多少了呢？」

Andy:「現在存到少少的20萬了，月薪大概4萬，每個月大概有1.5萬元結餘。有想學投資，但不知道從何學起？感覺投資很危險，記得小時候家中有長輩投資碰到股災，搞得家裡充滿低氣壓，時常被告誡不要碰投資，定存就好。」

Ben:「這樣要達到財務目標根本是不可能的任務啊！其他人覺得呢？」

財務曲線的理想大夢

「人生就像滾雪球。重要的是要找到夠溼的雪和一道長長的山坡。」 ～ 股神巴菲特。

投資成功的關鍵在找到適合的投資工具與足夠的時間，及早投資享有複利優勢，人人都懂，問題是要如何挑適合自己的工具與知道要等多久？畢竟每個人得的慾望及規劃不同。

「Andy 的春秋大夢能夠實現嗎？我們為了預測 Andy 未來的財務狀況，特別寫了一個程式來模擬他未來的資產變化，讓 Andy 可以看到 30、40、50歲後的資產是多少，如此一來， Andy 就可以知道每個月要存多少？什麼時候達到他短期財務目標？我們把這個工具稱為「財務曲線計算機！」這個計算機的用法非常簡單，只需要打開連結，輸入個人理財條件後，可以模擬在不同年化報酬率(0-50%)、每月定期投資、複利再投入的條件下得知財務曲線的變化，如果連模擬都無法達成，那目標可達性就很低，要考慮調整規劃。

想知道人生財務曲線預測的實作細節，可以參考FinLab在Hahow的線上課程 「Python 理財：打造小資族選股策略」。

Andy 說他不是醫牙電資的背景出身，就是個普通上班族，收入不高，經常性每月薪資約4萬，每月開銷大概2.5萬，每月結餘約有1.5萬元可進行投資，現在手上有20萬存款，胸懷大志想在30歲達到500萬資產，將他到條件輸入進程式，得到的結果是…

同表的X軸是年紀，Y軸是模擬資產數值，不同顏色的線代表不同年化報酬率的結果，可以發現投資的前5年看不出明顯效果，但28歲後，複利的差距開始拉大。

如果 Andy 只有活存，到30歲最終有146萬存款，離 500 萬目標甚遠。
從圖表得知，若年化投資報酬率是30%，最終資產是483.45萬，接近他的目標，也就是說要達到他的目標大概要30-35%的報酬率！

0050 ETF 適合嗎？

Andy 天真地問：「要如何達到每年30%的報酬率呢？坊間很多老師和書本 都說 0050 元大台灣50 這類指數型 ETF 很棒！印象前幾年指數大漲，好像有達到年漲30%!穩定性也不差，還可以領股息，只要台灣沒倒，這個標的就不會倒。」

來簡單回測一下，讓Andy了解現實的殘酷，如果策略沒經過空頭的考驗，那很容易會以為年年可發大財，2019-2020 受惠FED大撒幣，台股指數確實達到30-35%，但市場有循環，2008、2011、2015、2018、2022的空頭就會讓投資者虧損，虧損高達20%也是有可能發生的。

牛熊輪迴平均下來，年化報酬率 10% 才是合理的期待，要期待 0050 未來每年都上漲，並不太實際。

Andy 的財務曲線模擬在年化報酬率 10% 的情況下，最終只會累積到 217萬。
另外若遇到熊市， 0050 波動風險比你想像中還大，2008年 最大回撤率高達55%，2020、2022也有30%回檔，定力不夠的投資新手不見得能扛住。

Andy 聽完分析後，有點氣餒，看來他的目標不是無腦投入指數型投資那麼簡單！目前看起來他有幾個選擇

1. 努力投資自己拉高薪資
2. 降低慾望或延長達標時間
3. 研究別的投資發法，ex:主動投資選股技巧

Andy 說他已經放棄靠努力工作拉高薪資了，覺得再怎麼努力也是社畜，只能活在底層。

Andy 截圖一張網路上「台灣人大學志願選填指南」給我看，Andy說:「按我的條件，長相與能力普普，沒特別的興趣，很幸運的家裡沒負債、需要給一點孝親費、有想買房，按圖中路徑，只能電資醫牙/科技業，問題是我對理工沒興趣也沒能力啊！」

聽的有點令人哭笑不得，現實的殘酷是選擇比努力重要，在台灣想在追求高薪的話，除了科技業，選擇不多，如果對數理沒天份，確實很難。

但我想圖上少寫了一條路徑，那就是靠「投資或金融交易」，不管你職涯選哪條路，如果想買房或致富，那必定會接觸到「投資或金融交易」，靠錢去滾錢，而不是只靠勞力與時間去換取有限的報酬。

資料來源：生活中的程式

當然選擇長期持有 0050 也可能達標，10%年化報酬只要等到36歲就有機會達標，畢竟學習主動投資也是要花心思，不是無腦持有。多等6年好像還好，Andy 你要不要考慮一下？

Andy 沈思了一會兒說：「多6年蠻久的，等於多2倍的時間！剛剛經過延長試算，如果達到年化 30% 報酬率，那在36歲就有機會達到2500萬！會是10%績效的5倍！接近我不敢說的財富自由，或將脫離社畜人生，且 0050 好像沒我想像中的優。人生苦短，生命該恣意浪費在美好的事物上，能花越少時間是越好。有沒有什麼選股策略可以給小資族別的選擇方向？」

Andy 雖然是小資族，但及早有理財意識，已經勝過當年的我，如果再讓我回到23歲的小資時代，會如何規劃呢？

小資族的翻身計畫

資金少該怎麼辦？

像 Andy 這樣的新手小資族最大特點就是資金少。
如果只操作現貨、不開槓桿開始，該如何用少少資金就能參與市場？
首要是將標的限縮在低價股。操作高價股如果買零股，交易比較不方便，與一般市場的價差大。限縮在低價股比較方便交易。

另一個選擇低價股操作的原因是聽說低價股潛在報酬可能比較大，之前有聽說過低價股樂效應，10元的股票要翻倍感覺比100元翻倍容易，真的如此嗎？
我們目標是比較高的報酬率，從飆股多的池子篩選股票比較容易，低價股裡真的有樂透般的股票嗎？

低價股的樂透效應

低價股真的比較會漲嗎？讓我們來看低價股效應的相關研究：

「Weld, W. C., R. Michaely,R. H. Thaler, and S. Benartzi (2009)和林韋伶 (2018)主張投資人對於低價股具一定之幻覺，認為低價股具有較高的上漲空間，因此藉由此特性組成投資策略，能獲取超額報酬，相對高價股而言，反而較不具上漲空間，且會有更高之下跌風險。

Kumar(2009) 提出低價股如同樂透彩票一般，如果投資人正在尋找『便宜的賭注』，低價股將具極大吸引力，因此認為股票市場可能具低價股效應。」

– 摘自(臺灣股票市場之低價股效應探討 蔡承祐)

研究利用每月最後一個交易日的收盤價來組建所需的投資組合，首先，於每月底，依照最後一日收盤價的高低平均分成 5 個股價組合，組合 1 為最低股價之組合，依序組合 5 為最高股價之組合。接著，計算 5 組股價組合次月的等權報酬，並同時買進組合 1 與賣出組合 5 形成淨投資為零的套利組合(zero-investment arbitrage portfolio)，進行後續低價股效應之探討。

此篇論文能給我們幾個低價股策略開發的指引：

1. 低價股效應存在於台股整體市場交易熱絡的時期，簡單說就是低價股在牛市較有機會狂飆，而在熊市或流動性較低的時候則會沈寂很久，這暗示低價股搭配動能因子(追突破、出量)會較容易抓到低價股效應的漲勢。
2. 1、2 月份春節子期間的低價股效應較為明顯
3. 非金電類股存在相對顯著之低價股效應，金融類股不具低價股效應(長期低價，大股本、低波動)。

看完低價股研究的論文後，看起來低價股小資族策略可能有搞頭，不過還是要寫成程式來驗證，我們可依此推衍3個策略擬定步驟：

1. 定義低價股
2. 定義動能突破
3. 排除金融股

關鍵策略條件

定義低價股

有兩種方式：

1. 絕對值定義：比如定義25元以下就算低價股。你以為25元以下標的不多嗎？以近年來說，有超過30%的股票在這價位以下，在熊市時，整體市場可能有超過一半以上的標的低於25元。
2. 移動式分級比較：用分位數的觀念定義低價股時間序列，跟絕對值比起來，優點是會隨整體市況做調整，取每時期一定比例的標的，定義比較客觀。
   缺點是若在2008的大熊市，許多股票跌爛，有快一半的股票到10元以下，級距縮小到差異不明顯的狀況，如果你只取前10%低價當選股池，那可能會錯過很多標的。
   要解決此問題，可以設定每期前30%低價的條件，加上股價低於25元的條件，如此可以想有依照市況來決定標準，又可避免熊市時錯過許多低價標地的機會。

定義動能突破

小資金最有效率的方式應該是追突破，買在漲勢的發動點，適合小資金去拚高週轉率，用高效率的方式去滾報酬。如果買到低價的殭屍股，也就是交易冷清的股票，你可能會持有到懷疑人生。

很多散戶害怕追高，但其實股價越來越貴對短線交易者是好事，越買越便宜代表你是虧損的。重點在漲多少就不追？如何判斷剛從底部起漲？

飆股的長相 是我很喜歡的台股投資書籍，給我不少啟發：

像是作者對起漲點的判斷：「股票飆漲前，必須有一段細長的平穩期，股價波動變小，代表飆漲前的寧靜，不安定籌碼都已出場。一旦突破穩定期，就是新一波浪潮的開始」

如何定義穩定期？書中提供很簡單的做法，ex:120天內股價短期高低區間在30%以下。
公式為「範圍(%) = (1-最低價/最高價」)*100」。

如何定義股價技術面突破？這代表股價突破長期壓力，上空萬里無雲，ex:收盤價創120天新高。

藉由突破穩定期的做法，可以降低追高的風險，儘量買在靠近起漲點的位置。

排除金融股

金融股很多都是低價股，但也是不太波動的大牛皮股，低價股效應不顯著就將之排除。

策略程式實作

程式很簡單，另外說明一些小細節。

由於小資族不是專業操盤人，不適合太高頻的交易週期，如果每月都有新資金可以投入，那每月換股是較實在的選擇。

由於資金有限及考量操作容易度，我們將每期持股檔數最高設定為5檔，不然若選到20檔，也沒足夠資金買滿標的。我們將符合條件的股票，再選股價最低的前5檔，以更符合低價股效應。

position_limit 參數設定單檔持股上限，因為不是每期都會選滿5檔，如果只有一檔，沒設定position_limit會變成100%重壓，不要不信邪，很多人往往重壓那一次就倒。想知道更多回測細節可以參考 量化平台文件。

這樣適當地分散就像我們打籃球，5檔標的就像5個人團結合作，如果有幾個人狀況不好，還可以有其他人互相支援，不會像今天的球賽，你手感不好，沒得分，我們就輸很大。

position_limit 參數設定單檔持股上限，因為不是每期都會選滿5檔，如果只有一檔，沒設定position_limit會變成100%重壓，不要不信邪，很多人往往重壓那一次就倒。

策略統計分析

來開講回測結果啦！

from finlab.backtest import sim
from finlab import data


df = data.get('security_categories')

# 排除金融股
category_range = [ind for ind in list(set(df['category'])) if '金融' not in ind]


with data.universe(market='TSE_OTC',category=category_range):

    close = data.get("price:收盤價")
    high = data.get("price:最高價")
    low = data.get("price:最低價")
    vol =  data.get("price:成交股數")
    
    # 收盤價近5日至少有1日創收盤價近120日創新
    condition1 = (close == close.rolling(120).max()).sustain(5,1)
    # 近60日股價高低區間在30%內
    condition2 = (1 - low.rolling(60).min()/high.rolling(60).max()) < 0.3
    # 收盤價低於整體市場分級的40%
    condition3 = close <= close.quantile_row(0.4)
    # 收盤價低於25元
    condition4 = close <= 25
    # 5日均大於100張
    condition5 = vol.average(5) > 100*1000

    # 交集所有條件
    position = condition1 & condition2 & condition3 & condition4 & condition5

    # 最後再挑選前5低價的標地
    position = close * (position.astype(int))
    position = position[position > 0].is_smallest(5)
    
    # 每月底產生訊號、隔月第一個交易日進場、開盤價進出、每檔標的持有部位上限為20%、設定交易手續費折扣
    report = sim(position, resample="M", name="低價股策略", upload=True, stop_loss=0.05, trade_at_price='open',position_limit=1/5, fee_ratio=1.425/1000*0.3, mae_mfe_window=40)

Andy 看了都驚呆了！沒想到30% up 的策略這麼快被生成出來了，年化報酬、夏普率、最大下跌都比單純持有0050優秀，2007-2022年共16個年份，只有3年虧損，且有12年(75%)年報酬打敗0050!2007、2012、2015、2016輸給大盤，但空頭年份2008、2011、2018、2022 年皆明顯優於大盤。

當然很少策略是完美的，這隻策略的勝率偏低，未達50%，若投資組合沒買齊全，容易會不如預期的效果。

在輸多勝少的情況下還能大賺，代表獲利的交易有高機率產生爆擊，中到飆股樂透。

另一個明顯缺點是下跌幅度多數時候都比大盤高，所以接下來，我們就必須針對這個策略來優化，適度的增加停損停利點，將風險控制在合理的範圍中。

停損的重要性

散戶有個致命缺點是不執行停損，認為賠錢不賣等於沒賠。
就有論文指出台股散戶投資人習慣賣出強勢股、留下弱勢股，已實現獲利是已實現損失的2.5倍，相比美國投資人則是1.5倍，有較強的處分效應（引自：台灣散戶交易行為探討 黃佳雯 2019年）。在帳面大幅虧損下為了急於翻本而過度交易，反而滿手套牢股。

學會勇敢停損絕對是散戶必學的一課，要懂得汰弱留強！

Andy 疑惑地問：「我也知道停損很重要，可是我很怕我停損後，他就給我繼續漲啊！要怎麼知道何時才該停損呢？」

Andy 這問題問的很好？市面上很多人會用絕對值停損法，例如賠10%就停損，然而這是很粗糙的做法，無法解決停損最佳點的問題

藉由 MAE & MFE 分析去觀察策略波動的規律，讓我們可快速得知停損甜蜜點的區間大概在哪裡，在認識 MAE & MFE 之前，我們先來了解一些基礎概念：

波動分析基礎名詞

策略波動分析

藉由 FinLab量化回測模組，我們可以很方便取得策略頗動分析圖。

藍色為獲利的交易、紅色為虧損的交易。

由GMFE/MAE圖表得知，確實很多爆擊獲利(左上角藍點的部分)，靠大賺小賠維持獲利。虧損多落於-10~-20%，在未設定停損機制的情況下，這樣算是非常不錯的成果，回檔波動有叢聚性，代表策略有一定規則可循。

再從MAE分佈圖來看，可以發現藍紅雙峰有分離情況，藍色虛線代表獲利交易的75%百分位數 MAE 為3.09%，也就是說多數獲利的交易大部分都很少面臨回檔，幾乎多數就是一買就賺，然而紅色虛線代表虧損交易的75%百分位數，就明顯比較差，達11.76％。

而兩條分佈曲線的交界處就可能是停損甜蜜點，代表過了這個點位後，就大部分都是虧損交易，很難漲回到損益兩平，獲利交易則在持有過程很少會觸及此點。

以策略來說，停損甜蜜點大概是5%，可以保留多數獲利交易，且有機會讓多數虧損的交易及早止血。

這類波動特性可解釋為追創新高突破，有不小的機率會失敗，買入後就虧損超過5%的容易回天乏術，要及早停損，讓剩下獲利的標的去奔跑。

加入停損後的回測結果

可以發現加入停損機制-5%(停損訊號產生後高一個交易日出場)後，年化報酬率雖然微幅下降，但策略體質變的更穩定了，原先虧損20%以上的紅點，都往內縮，降低損失。

最大下跌與下跌幅曲線也被有效縮小，虧最多的年份是2011的-5%，這個幅度 Andy 可以靠工作的積蓄來cover，即使當年績效吃鱉，仍可靠工作收入來讓當年資產成長，是實務上較能接受的回檔標準。

勝率變的更低是正常的，因為為了止血，會有一些獲利的交易被犧牲掉，所以勝率和報酬率下降都是正常的。

Andy：「哇！這樣確實比較清楚在哪個位置該跑掉，有了這個我就不會瞎猜、害怕砍在最低點。」

策略未來優化方向

Andy ：「策略模擬結果可以達到年化30%報酬率！想不到光用技術面就能做出不錯的效果，操作低價股來賭樂透比去買彩券實在，感覺人生又有點希望了，但這個策略沒用到企業基本面，感覺持有起來少了安心感，畢竟我是會計人，如果想加入基本面到低價股策略該怎麼做呢？」

可以提供一個方向，再次回到前面提到的參考書籍「標股的長相」，書中提到一個很有道理的觀念，一個乏人問津的低價股票會突然飆漲，通常是基本面產生「關鍵的質變」，像是「轉虧為盈」，低價股之所以會是低價股，通常都是獲利體質不佳，乏人問津，但如果企業開始賺錢、甚至大成長了，比起業績與股價穩定的企業，低價股由於低價優勢，是不是有可能產生倍數獲利的黑馬評價？

如果有100人對此影片按讚，會在做「轉虧為盈」低價股策略的教學。

贈送策略小禮物

看完這一系列分析，是不是對台股量化交易與低價股策略有完整的認識呢？

即使是小資族，仍有別的選擇，可藉由低價股效應去打造適合自己的策略，藉由對波動的分析技巧，了解策略風險，進出有據。

策略程式碼放在連結，歡迎大家下載交流，小資族一起來成長，策略可能還可以再進化喔！就等你來挑戰～如果想要有完整資料庫和教學內容權限，記得要加入 FinLab VIP。

Momentum indicators（動量指標）是什麼？

動量指標的核心含義是：「如果股票的價格正在上漲，那麼它就具有正的動量，反之亦然。因此，動量指標通常用於確定股票的趨勢，並預測價格的未来變化。

常見的動量指標包括相對强弱指標（Relative Strength Index，RSI）和快速隨機指標（Fast Stochastic Oscillator）等。這些指標通常使用股票的收盤架或成交量来计算，並與股票的過去一段時間的價格或成交量進行比較。

Aroon 技術指標是什麼？

AROON 是一種股票技術指標，用於評估股票或其他市場資產的趨勢強度和持續時間。 Aroon指標包括兩條曲線：Aroon Up和Aroon Down。 Aroon Up指標衡量股票在過去多少天內出現過新高，而Aroon Down指標則衡量股票在過去多少天內出現過新低。

AROON 技術指標公式

AROON 指標可以用於識別股票的趨勢轉折點，並評估趨勢的強度和持續時間。它也可以與其他技術指標一起使用，以更精確地分析市場趨勢。

Aroon Up指標的公式如下：

Aroon Up = (Number of periods – Days since the highest high) / Number of periods x 100

Aroon Down指標的公式如下：

Aroon Down = (Number of periods – Days since the lowest low) / Number of periods x 100

在這些公式中，「Number of periods」是指要使用的時間段數量，通常為25天或50天。「Days since the highest high」是指自上一個新高以來的天數，而「Days since the lowest low」則是指自上一個新低以來的天數。

為了計算Aroon Up和Aroon Down指標，需要對股票的每一天的最高價和最低價進行追蹤，並計算自上一個新高或新低以來的天數。然後，可以使用公式計算 Aroon Up 和 Aroon Down 指標的值。

比方計算25天內的 AROON，若最高價出現在第3天，則 Aroon Up 為 12 (3/25*100)，若最高價出現在最近一日，則 Aroon Up 為 100。若最低價出現在第10天，則 Aroon DOWN 為 40 (10/25*100)。

Ta-lib 的 AROON 函數如下：

aroondown, aroonup = AROON(high, low, timeperiod=14)

AROON技術指標分析應用

Aroon Up 和 Aroon Down 指標的值介於0到100之間，Aroon Up 越大代表股價在越近期創新高。Aroon Down 越大代表股價在越近期創新低。
AroonOsc 為延伸應用，定義為 Aroon Up 與 Aroon Down 相減。

當 AroonOsc 為正數時，代表創高日離近期較近，創低日較近期較遠，通常意味著股票正在處於創高的強勢過程，而當 AroonOsc 為負數 時，則意味著股票正在下跌創低的過程。

當 Aroon Up 指標向下跌破 50 時，表示向上的趨勢正在失去動力；當 Aroon Down 指标向下跌破50時，表示向下的趨勢正在失去動力；如果兩個指標都在低位，表示股價没有明確的趨勢；如果指標在70 以上，表示趨勢十分强烈；如果在30 以下，表明相反的趨勢正在醞釀。通常來說，AroonOsc 在0附近時，是典型的無趨勢特徵，股票處於盤整階段 (參考來源)。

FinLab 量化平台實驗 AROON 指標選股

第一次接觸該指標，不知道怎麼做才最好？
可以使用 FinLab 模組的選股條件組合優化器，將可能的條件都先寫出來，最後讓組合優化器將個條件組合全跑一遍，看哪一種效果最好。這次實驗的條件都以AROON指標相關，實驗市場通常使用的條件。

實驗條件

持有條件

• AROON 指標週期設定25日
• aroonup > aroondown : 創高日比創低日較近期發生
• aroonup > 70
• aroondown < 30
• 每月換股

出場條件

• aroonup < aroondown : 創低日比創高日較近期發生

程式範例

from finlab.backtest import sim
from finlab import data
from finlab.optimize.combinations import sim_conditions

with data.universe(market='TSE_OTC'):
    close = data.get("price:收盤價")
    aroondown, aroonup = data.indicator("AROON", adjust_price=True, timeperiod=25)
    c1 = aroonup > aroondown
    c2 = aroonup > 70
    c3 = aroondown < 30
    exits = aroonup < aroondown

    conditions = {'c1':c1, 'c2':c2, 'c3':c3}
    report_collection = sim_conditions(conditions=conditions, resample='M', hold_until={'exit':exits, 'stop_loss':0.1}, position_limit=0.1, upload=False)

# 策略分組指標報告
report_collection.plot_creturns().show()
report_collection.plot_stats('bar').show()
report_collection.plot_stats('heatmap')

回測結果

aroonup > aroondown 的條件回測效果最好，但年化報酬只有6%，同樣都是股價創新高的動能因子，AROON指標跟先前介紹的「創新高延續度動能策略」相比，實在遜色太多，若依照市場一般的參數使用，無法得到太好的效果，有帶進一步的優化研究。

相關資源

• colab範例檔
• 阿隆指标 • 技术指标阿隆（ Aroon ）全解析

影音教學

策略選股優化神器！Finlab Optimize 教學 (Free)
當手上有了一堆選股條件條件，卻不知道該怎麼如何組成一支有用的選股策略嗎? 看這支影片就對了，我會談到該如何對條件進行排列組合，作為策略初始的雛形！

Finlab主力動能策略
押寶股價領先營收突破。而究竟要如何分別運用營收、去年同比與上月環比數據、結合股價創新高篩出強悍的狗狗，繼續看下去吧！

使用相關性統計找出關鍵財報指標

在這次的直播中，你會學到

1. 如何篩選財務指標？
2. 如何預防過擬合？
3. 降低非系統性風險？

新策略上架

• 營收股價雙渦輪
• 財報指標20大
• 多產業價投

關鍵研究報告

• 產業面選股策略｜同業本益比比較法
• 低波動本益成長比策略 | MAE_MFE 機器學習選股
• 投信買賣超選股策略｜時空序列分析的秘招｜停損怎麼設？
• 月營收選股｜股價創新高｜新手必學的雙動能策略
• 用Python回測總經指標(1)｜M1B & M2 年增率
• 用Python回測總經指標(2)｜美國失業率 vs S&P 500指數

新手上路

• 平台速成教學(Free)
• 選股策略系統性學習(1)｜新手初訪(Free)
• 選股回測系統豆知識 (1)｜報酬率計算(Free)
• 選股回測系統豆知識 (2)｜持股比例上限設定(Free)

開發事項

• FinLab Package 更新日誌

未來開發

• 全自動下單解決方案
• 新一代策略數據儀表板
• 移動出場
• 可轉債