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！

市面上最受投資人青睞的高股息 ETF，莫過於 元大高股息 ETF（0056）。它是許多台灣投資人「存股領股利」的代表標的。0056 的選股方法，是從臺灣50指數與臺灣中型100指數為母體，優先篩選出具備相對高殖利率（預期下一年股息）之公司，最終組成 50 檔成分股。

然而，許多人只知道它「給股利」、風險似乎不高，卻很少真正挖掘其選股邏輯背後的細節和可能的缺陷。為了讓大家更深入了解這套機制，我們運用量化交易的方法，去「復刻」0056 的篩選邏輯，並嘗試更進一步的優化。這項研究花了相當多時間精力，從龐大資料的爬取、清洗、到回測比對，都一一經歷反覆測試，只為了呈現給投資人更清晰且更具行動價值的策略思路。

復刻 0056 的關鍵步驟

• 市值排名前 150 名股票作為初始篩選標的這代表先從台灣市值規模較大、較有流動性的公司中著手，排除一些可能成交量低、營運風險較高的股票。
• 近三年皆穩定發放現金股利0056 著重於「股息」，因此公司能否穩定配發現金股息，就顯得至關重要。
• 毛利率持續成長反映公司基本營運體質是否健康；若毛利率維持增長，通常代表公司具備較佳的競爭力。
• 設定交易流通性條件確保標的能有效買賣，避免「有好策略，卻掛不到單」的尷尬情況。
• 最終根據現金股利殖利率和現金股息年化報酬，選出前 50 檔股票這基本就複製了 0056 的核心精神：高殖利率作為重要排序依據。

在經過一連串比對後，復刻而得的策略股池與原版 0056 股池有 72% 的重疊率，報酬率曲線也高度相關。這意味著，我們的 復刻版 0056 確實能有效重現 0056 的選股結果。

相關性分析：

二、為什麼要優化 0056？

雖然 0056 深受大眾喜愛，但其單一依賴「殖利率」的選股標準，也帶來了不少潛在問題。最常見的疑問在於：如果公司未來的獲利或股價下滑，殖利率再高也未必保得住報酬。 因此，僅看現金股利殖利率，有時候會忽略公司實際的成長動能與股價穩定度。

• 缺乏成長潛力考量： 0056 更重視「現在」的高股息，卻無法保證公司未來能維持同等配息水準。
• 忽略股價風險： 有些殖利率高的公司，股價可能因營運不佳或大環境衝擊而下跌，使投資人因價差損失抵銷了領股息的好處。

事實上，根據許多長期回測的結果，0056 的投資績效常落後大盤。

復刻 0056 報酬：

長期持有 0056 報酬：

這也是為什麼我們要繼續進行第二階段的策略優化，希望既能拿到股利，也能兼顧成長與風險控管。

三、策略的優化方向

為了進一步提升報酬並減少下跌風險，我們引入了更全面的選股因子與風險控管條件，包括：

1. 營收成長指標
   • 為什麼重要？ 相較於只看當前股息，營收成長能更直接反映公司未來的成長動能。假如一家公司營收年年進步，往後維持股息或提高配息的機率也相對提高。
2. 長期均線條件
   • 為什麼重要？ 均線是一種技術分析常用的趨勢判定法。挑選「股價在長期均線之上」的公司，能有效排除股價長期走弱或進入空頭趨勢的標的。
3. 股價波動率限制
   • 為什麼重要？ 高波動可能意味著市場對公司基本面有疑慮，或財務體質波動度較大。過高的波動率會拉大投資組合的風險，限制波動度有助於穩定心態與獲利表現。
4. 殖利率門檻
   • 為什麼重要？ 雖然不能只看殖利率，但也不應該放棄。透過設置「殖利率至少在前 40%（或 60 百分位數以上）」的條件，既能保有高股息優勢，又不至於過度犧牲穩定度與成長性。

這些篩選條件的核心邏輯，就在於想同時享受「股利」與「成長」。最終，我們挑出能在長期維持向上趨勢、營運持續成長、且具有一定股利保證的股票，打造一個較能兼顧「領息」與「資本利得」的投資組合。

四、優化後的策略範例

以下程式碼範例，示範如何在量化平台上落實上述篩選邏輯。除了維持原先 0056「市值前 150 名」、「三年皆有發放股利」等規範，我們另外納入了營收成長、長期均線、波動度及殖利率門檻等條件。最後再綜合每檔股票的排名結果，只選擇前 20 檔表現優異的公司。

base_stocks = 市值.is_largest(150)
yield_ratio = data.get('price_earning_ratio:殖利率(%)')
殖利率條件 = (yield_ratio >= yield_ratio.quantile(0.6, axis=1))
去年同月增減 = data.get("monthly_revenue:去年同月增減(%)")
rev = data.get('monthly_revenue:當月營收')
營收成長 = (rev.average(3) > rev.average(12))
均線條件 = (close>close.average(120)) & (close>close.average(240))
std = close.pct_change().rolling(60).std().rank(axis=1, pct=True)
波動條件 = (std < 0.5)

conds = (
 (close>0)
 & base_stocks
 & vol_cond
 & eps_cond
 & 近三年皆有發放現金股利
 & 毛利成長率優良
 & 營收成長
 & 均線條件
 & 波動條件
 & 殖利率條件
)
position =  (cash_dividend_annual.rank(axis=1, pct=True) + 現金股利殖利率.rank(axis=1, pct=True) + 去年同月增減.rank(axis=1, pct=True))[conds].is_largest(20)
dates = []
y_start = position.index[0].year
y_end = position.index[-1].year
for y in range(y_start, y_end+1):
  dates.append(f"{y}-05-31")
  dates.append(f"{y}-12-27")
resample = pd.to_datetime(dates)
report2 = sim(position.reindex(resample, method='ffill'), resample=resample, upload=False)
report2.display()

以上範例，用來呈現大致邏輯。重點在於「為什麼要加入這些條件」，而不只是條件本身。唯有理解每一步驟背後的意義，才能在投資時有所依據，也更能說服自己這樣嘗試，也歡迎大家優化加入更多因子或是優化相關的參數。

五、因子IC/IR分析

在量化投資的領域，經常會透過「Information Coefficient 資訊係數」來確認某個因子是否確實能帶來正向貢獻。以下名詞簡單解釋：

• IC（Information Coefficient，訊息係數）： 量度某因子的預測能力，IC > 0 代表該因子對未來報酬有正向預測力。
• IR（Information Ratio，訊息比率）： 代表因子收益與風險的平衡程度，IR > 1 通常表示該因子效果不錯。

更詳細的內容歡迎參考之前的文章，Information Coefficient 是什麼，要如何使用？

經分析顯示，營收成長、現金股息年化報酬、殖利率條件等因子都對整體績效貢獻較大，尤其是營收成長與長期均線兩因子的 IC/IR 表現最亮眼。這進一步佐證了「高息 + 成長 + 走勢向上」的組合，更能帶來勝率與報酬的提升。

因子 IC / IR 分析：

六、終極版策略的績效分析

把所有優化條件整合後，使用強大的 finlab.optimize 「文檔連結」可以更方便的進行條件排列組合與大規模回測，最終得到「終極版」的選股策略。其結果遠遠優於單純追求殖利率的 0056，以下為量化回測的關鍵指標：

1. 年化報酬率： 提高至約 31%，相較於原版 0056 明顯領先。
2. 最大回撤： 降至 24.3%，顯示波動與下跌風險獲得更佳控管。
3. 夏普比率： 超過 2 以上，代表收益相對於風險具高度吸引力。

除了高報酬率，更難能可貴的是兼顧到風險面與投資體驗：投資組合的走勢相對平穩，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：

七、結語與投資行動建議

從最初單純「復刻 0056 高股息」的思路，到後來發現 0056 可能有所不足，再進一步優化篩選條件並不斷迭代測試。正是因為投入了大量的程式回測、因子分析，才有這次所呈現的量化成果。

對於想靠股息過日子，或喜歡「領息 + 穩定增值」的投資人而言，本文提供了另一個思考角度：

• 高殖利率當然好，但若同時輔以「營收成長」、「股價走勢」以及「風險控管」等條件，也許能得到更好的投資體驗與回報。
• 0056 作為大眾入門選擇並無不可，但若你願意花些心思了解量化策略，自己動手選股或透過更進階的工具優化組合，或許就能在領股期的同時「多賺一點，少跌一點」，甚至大大超越原始 ETF 的表現。

最後，若對量化選股或因子策略有更多好奇心，不妨實際嘗試應用文中提到的篩選方式，或直接透過量化平台進行回測調整，也歡迎參考 Colab範例檔 。祝大家研究和投資順利、盈收長紅！

如何找到主力護航護價的股票標的，是每位投資者的挑戰。介紹一個簡單有效的選股策略，從價格的資訊，就能夠識別主力的蹤跡，找出具有高報酬的股票。

核心選股邏輯

這個選股法，有一個核心邏輯，在於價格從 A 點到 B 點的距離，最快通常應該類似於直線（或類似弧線），也就是股價從 A 點慢慢爬升到 B 點，這種股票就比較容易穩定上漲，背後的原因，有可能是：

• 可基於某種協議，公司付費給造市公司讓價格穩定
• 或是公司大戶主力，希望讓價格穩定，自然而然就會少量買入來穩定股價。

我們希望篩選出上述股票，並且排除其它容易大起大落的股票，假如股票的路徑繞來繞去，看不出明顯的價格路徑，就很難看的出主力的意圖。

下圖中，左側就是單純找出上漲接近 20％的股票 10 檔，而右側也是一樣，但有先以價格意圖因子「經過篩選」，可以發現右側的股票以肉眼可見，穩定上漲，並不會有大起大落的狀況。

我們相信右圖中，價格上漲的現象，未來可能會能夠有更多的報酬，而非只是隨機漫步造成的現象。我們把這樣的指標簡稱為「價格意圖因子」，假如數值越大，會更接近上圖右側的股票走勢。

價格意圖因子

這個選股策略的核心是運用三個重要指標：

• 報酬率：計算股票過去 60 天的總報酬率。
• 變動率：計算過去 60 天每日報酬的絕對值總和，這樣可以衡量股票價格變化的速度。
• 價格意圖因子：報酬率 / 變動率，這就是所謂的價格意圖因子，在同樣的報酬下，我們希望變動率越小越好，代表股票是「直線方向上漲」。

三大篩選條件

為了確保選中的股票風險可控、基本面良好，這個策略設定了三個篩選條件：

1. 收益率上限：過去 60 天的收益率需小於 20%，這樣避免挑選近期漲幅過大的股票，減少追高風險。
2. 最低交易量：日成交量需大於 200,000 股，確保有足夠的市場流動性。
3. 有基本面數據：必須有營收資料支持，增加投資的可靠性。

選股指標

選股指標採用一個簡單的公式：

• 價格意圖因子 / 交易量

為什麼

這個指標的設計，目的在於挑選那些在單位風險下獲得較高收益，且交易量較低的股票。低交易量意味著這些股票可能未受到市場的充分關注，存在價格被低估的機會。

為什麼這個策略有用？

1. 風險調整後收益高：通過收益與波動率的比值，選擇那些風險控制得當且收益相對較高的標的。
2. 市場關注度低：偏好交易量較低的股票，有機會在市場認識到它們的價值前提早介入。
3. 避免追高風險：設定收益率上限，排除近期漲幅過大的股票，降低回調風險。

from finlab import data
from finlab.backtest import sim

close = data.get('price:收盤價')
volume = data.get('price:成交股數')
rev = data.get('monthly_revenue:當月營收')

days = 60

m = (volume).rolling(days).sum()
v = close.pct_change().abs().rolling(days).sum()
s = close / close.shift(days) - 1

position = (s / v / volume)[(s < 0.2) & (volume > 50_000) & (rev.notna())].is_largest(50)
r = sim(position.loc['2010':], resample='Q', upload=False)
r.display()

可以發現每年的 Sharpe ratio 幾乎都比大盤還要優秀！

總結

這個選股策略的目標是找到風險可控、報酬潛力大的股票。透過歷史報酬率、波動率與交易量的結合，可以挖掘出那些被市場低估但具備成長潛力的投資標的。簡單的公式背後，是對風險與收益的細緻平衡，讓投資者在風險可控的情況下，捕捉到最佳的機會。

在探討事件研究法之前，想像一下，市場突然來了個大新聞，比如說美國聯準會突然宣布三個月後要升息1%。這時候，我們就會有幾個癥結問題需要解答：

1. 股價是在公告一出來就跌，還是等到真正升息了才開始反應？
2. 是整個市場一起跌，還是說某些股票因為對利率特別敏感，所以才會跌？
3. 如果有的股票在升息公告之前就已經在跌了，那麼這波跌勢是不是真的跟升息有關，還是因為市場的動能或者其他因素？

事件研究法就是來幫忙回答這些問題的。它通常包含三個關鍵步驟：

1. 去除那些像是大盤趨勢這類已知會影響的因素；
2. 研究股價對事件的反應特性，看看是在消息公佈的時候反應，還是在事情真的發生的時候；
3. 分析股價下跌的原因，看看到底是市場動能在作怪，還是政策改變的緣故。

簡單來說，事件研究法就是在告訴我們「那些突如其來的大事對市場有什麼影響」。

事件研究法能做什麼？

使用事件研究法不見得能讓你一夜致富，但絕對可以幫你深入了解市場的運作。對市場的深入理解，有助於你找到賺錢的機會。

而且，事件研究法的應用可不只在股市。在許多科學研究的領域裡頭，這個方法都很實用。無論是評估藥物對血糖控制的效果，還是看看早戀會不會對學業成績造成影響，都能用上這個方法。

拿早戀影響學業的研究來說吧，我們會進行以下步驟：

1. 排除那些已知的干擾，例如全班因為出了太難的題目而不及格。
2. 研究成績的反應特性，就是看看是不是在告白之後，第二天的小考成績就直接掉榜了，還是成績會慢慢地下滑？
3. 分析成績下降的原因，是不是因為戀愛花太多時間，還是因為早戀會影響到思考能力，導致腦袋變得不好使？

第一步：移除已知的干擾資訊

第一步當然是要把那些雜訊去除掉。我們想專注在個別股票上的表現，不想被整體市場的動態給影響。CAPM模型就是這種分析的一個工具，它透過線性迴歸計算出beta值，然後用這個值來預測股價。詳細可以去看 Investopedia 的介紹。

異常報酬率

異常報酬率其實就是實際報酬和預期報酬之間的差異。這個數據可以幫我們剔除市場整體的影響，專注分析個股。

第二步：研究股價的反應特性

下圖的縱軸是累積平均異常報酬率，橫軸是日期，通常第零天是事件發生日。

只要做出這張圖，就能一目了然股價的反應特性了。從左圖可以得知，FDA Approval 後股價會立刻反應完，甚至還有一點過度反應的跡象；從右圖可以得知 Special Dividend 有反應不足的跡象。

以減資研究為例

讓我們回顧之前的文章，減資策略。讓我們以減資研究為例，執行第一步跟第二步。

第一步：移除已知的干擾資訊

只要把大盤的報酬率，還有個股的報酬率，餵給 Linear Regression 後，再計算估計值跟實際值的差，就能算出 Residuals，也就是異常報酬率了。

完整實作可以參考別人的 package & implementation。

第二步：研究股價的反應特性

下圖為平均異常報酬率 (AAR) 與累積平均異常報酬率 (CAAR)。

可以觀察到在彌補虧損減資前幾天股價就開始下跌了，並且一路跌到彌補虧損減資後五天。在接下來的系列中，我們將會教你來一起研究事件交易法，將 finlab package 中的隱藏功能給解鎖！！！

結論

在本文中，我們探討了事件研究法及其應用。事件研究法是一種重要的研究方法，用於分析突然發生的事件如何影響市場或其他現象。這種方法可以幫助我們回答重要的問題，如股價下跌的原因，是否因市場整體波動或特定因素引起，以及股價反應的時間特性等。

事件研究法的關鍵步驟包括移除已知的干擾因素，研究股價的反應特性，以及分析事件引起的原因。這些步驟幫助我們深入了解事件的影響，並排除了外部因素的干擾，使我們能夠更準確地評估事件對市場或其他現象的影響。

此外，事件研究法不僅適用於金融市場，還廣泛應用於各種科學研究領域。它可以幫助研究人員評估不同事件對各種現象的影響，從藥物效果到學術成績，都可以應用類似的原則進行研究。

最後，不妨在你身邊找看看事件研究法的題材，像是

1. 金紙銷量與清明節的關係
2. 酒精攝取量與分手的關係
3. 血糖與吃飯的關係

也許這些事情跟交易無關，但也都是可以用事件研究法來探討的題材喔！

References

https://www.eventstudytools.com/introduction-event-study-methodology

https://www.investopedia.com/ask/answers/071415/what-formula-calculating-capital-asset-pricing-model-capm-excel.asp

https://medium.com/mlearning-ai/the-capital-asset-pricing-model-capm-financial-analysis-in-python-1a7a4f2c7650

要是在彌補虧損減資結束的當下開始放空同欣電，只要一個月的時間，每張就能獲利 40,000 元，這已經比一般上班族每個月的薪水還多了。這麼好的機會，怎麼能不好好把握呢？

當一支股票辦理彌補虧損減資後，股價常常隨著下跌，要是能放空這些股票，就能取得許多利潤。

這篇文章能帶給我什麼收穫？

這篇內容為讀者提供了有關股票減資和彌補虧損減資事件研究法的深入了解，以及如何利用統計分析來評估這些事件對股票市場的影響。這些內容能帶給讀者以下收穫：

1. 了解股票減資的不同形式： 文章解釋了現金減資和彌補虧損減資兩種不同形式的減資，幫助讀者理解這些概念以及它們如何影響公司和股東。
2. 認識事件研究法： 文章介紹了事件研究法，這是一種用於評估特定事件對股票市場的影響的方法。讀者可以學習如何使用這種方法來分析股票市場的變化。
3. 理解異常報酬和累積異常報酬： 文章解釋了異常報酬和累積異常報酬的概念，這些是事件研究法中的重要指標，用於評估股票價格在事件發生後的波動。
4. 應用統計分析： 透過回歸分析和統計工具，讀者可以了解事件研究法如何使用數據來評估事件對市場的影響，以及這些影響是否具有統計學上的意義。
5. 研究績效影響因素： 本文提供了一些可能影響股票減資事件績效的因素，例如周轉率和成交量，這些因素可以幫助讀者更深入地分析股票市場。
6. 交易策略示例： 文章提供了一個減資事件相關的交易策略示例，讓讀者了解如何應用事件研究法的結果來制定投資策略。

簡介減資

減資是指公司減少資本額，導致流通在外股數減少，但股價可能上升，整體市值保持不變。股票分割和減資不同，股票分割只改變股價和股數，不影響股東權益結構。減資主要有三原因：彌補虧損、回購股票、發還多餘現金給股東。減資方式包括直接註銷股票、庫藏股減資、現金減資。不同情況下，公司選擇不同方式。減資影響股東權益、公司財務狀況和股價，但整體市值不變。庫藏股減資不調整股價，但可能帶動股價上漲。減資的影響應視公司情況而定。

關於減資更詳細的解釋，可以看看市場先生的解釋。

回測與統計

這一段對多數讀者來說可能很無聊，如果懶得看的話，可以直接跳到下一章就好

簡介事件研究法

事件研究法（Event Study）是一種金融和經濟學領域常用的研究方法，它用於評估某個特定事件對股票市場或資本市場的影響。這個方法的核心目標是分析事件發生後股票或資產價格的變化，以評估這些事件對市場的影響。

以下是事件研究法的一些重要概念和步驟：

1. 事件：事件可以是各種不同的情況，例如公司宣布盈利報告、政府政策改變、重大合併收購、自然災害等。研究者必須確定事件的精確日期和內容。
2. 窗口期（Event Window）：事件研究法通常會選擇一個特定的時間窗口，該窗口通常包括事件前後的幾天或幾個交易日。這個窗口用於觀察事件對股票或資產價格的影響。
3. 投資組合：研究者會建立一個代表市場的投資組合，以便比較該組合在事件窗口期內的表現與事件相關股票或資產的表現。
4. 收益率計算：研究者會計算在事件窗口期內股票或資產的日度或周度收益率，以確定它們是否在事件發生後出現異常的價格波動。
5. 異常收益率（Abnormal Returns）：異常收益率是指股票或資產的實際收益率減去預期收益率的差額。預期收益率通常是通過使用市場模型或資本資產定價模型（CAPM）來計算的。
6. 統計分析：研究者使用統計方法來評估異常收益率是否在統計上顯著，這通常涉及到假設檢驗和t檢驗等統計工具。
7. 結論：基於統計分析的結果，研究者可以得出關於事件對市場影響的結論。如果異常收益率是統計上顯著的，則可以認為事件對市場有影響。

CAAR（Cumulative Abnormal Returns）是事件研究法中的一個關鍵概念，它代表累積異常報酬。異常報酬是指實際報酬減去預期報酬，而CAAR則是在事件窗口期間的異常報酬的總和。事件窗口期通常包括事件前期、事件日和事件後期，以便觀察市場對事件的反應。CAAR提供了一個時間序列的視角，顯示了事件對市場價格的累積影響。

AAR（Average Abnormal Returns）是CAAR的計算基礎，它代表平均異常報酬。AAR計算方法是，在事件窗口期間計算每個日期的異常報酬，然後取這些異常報酬的平均值。AAR可用於評估事件日前後單個日期的市場反應。

事件研究法在金融學、經濟學和企業管理等領域中廣泛應用，它可以幫助研究者評估事件對市場參與者行為和市場效率的影響，並提供有價值的洞察和決策支持。這種方法也常被用於評估投資組合的風險和回報，以及制定投資策略。

未來可能會再跟各位讀者分享事件交易的技巧，敬請各位期待

這隻策略大概有多好？– 敘述性統計

首先，我們將所有樣本拆成四組，分別是現金減資、彌補虧損減資，還有上市股票、上櫃股票。

由上述兩個樣本，可以觀察到彌補虧損減資跌的比較多。

然而，值得注意的是，上櫃股票在減資後股價卻呈現上升的現象，這或許是由於在 FinLab 資料庫中，上櫃股票執行減資的次數相對較少。相對地，上市股票執行減資的次數較多。這種情況可能暗示，上櫃股票表現較為正面的結果可能只是由於樣本數不足的緣故，而非真正的趨勢。

什麼因子可能影響績效？– 橫斷面回歸分析

以下是各種因子和相關的回歸結果，用於分析績效的可能影響因素：

• Y: 從減資日開始，到減資後五天的累積異常報酬率
• X1: 減資前二十日累積周轉率
• X2: 減資前十日累積周轉率
• X3: 減資前五日累積周轉率
• X4: 減資前一日成交量 / 過去前二十日成交量
• X5: 減資前一日成交量 / 過去前五日成交量
• X6: 減資前累積二十日報酬率

有鑑於上櫃股票的樣本數量並不充足，於是在此先略過上櫃股票的回歸數據。

上述資料呈現了上市股票進行現金減資和彌補虧損減資後的回歸結果。這些統計結果為我們提供了分析績效影響因素的基礎。如何運用這些結果來改進策略，就請讀者們發揮創意吧！

交易策略

from pandas.core.indexing import convert_from_missing_indexer_tuple
from finlab import data
from finlab.backtest import sim
import pandas as pd

import datetime

close = data.get("price:收盤價")
daily_dates = pd.Series(close.index)

def deficit_reduction(tag):
  reduction_date = data.get(f'{tag}:恢復買賣日期')
  reduction_reason = data.get(f'{tag}:減資原因')

  # FinLab.DataFrame would automatically fill True after the extension. However, our
  # goal is to fill the gaps with False. Therefore, only accept the signal on the rising edge.
  position = (reduction_date.notna()) & (close >= 0) # The extension
  position = (position.shift(-1).fillna(False)) & (~position) # Rising edge

  # Filters & Conditions
  positon = position & (reduction_reason == "現金減資")
  position = position.rolling(5).sum().fillna(0) > 0
  return position

position = deficit_reduction("capital_reduction_tse")
position = position * (-1)

new_report = sim(position, trade_at_price="close", fee_ratio=1.425/1000/3, stop_loss=0.3)

結論

這篇文章探討了上市股票在進行現金減資和彌補虧損減資後的回歸結果，以及分析了可能影響績效的因素。從回歸分析中我們可以看到，在不同情況下，股票的表現存在顯著差異。彌補虧損減資後，股價普遍下跌，這為投資者提供了一些放空的機會。然而，需要謹慎處理，因為市場反應也可能受到其他因素的影響。

另外，我們也進行了橫斷面回歸分析，試圖找出可能影響績效的因素，包括周轉率、成交量和報酬率等。這些分析結果可以作為投資策略的參考，幫助投資者更好地理解市場行為。

在菲式思考中，有一隻策略是「大現增快繳款結束」，與這支現金增資放空不謀而合。

看過菲式思考的讀者不妨再重溫一下這隻策略，用不同的角度看待一隻策略，偶爾也會有不同的想法。

這次有榮幸能跟菲式思考從不同角度出發，最終得到了類似的結論，可謂英雄所見略同。

什麼是增資

現金增資是一家上市公司再次發行新股票的動作，通常目的是籌集更多的資金，以支持公司的營運或投資計劃。現金增資的方式包括員工認股、原股東認購以及公開承銷（抽籤）。

以下是有關現金增資的一些重要資訊：

1. 增資目的：公司通常會進行現金增資，以籌措資金用於擴展業務、進行收購、償還債務或其他投資計劃。增資的目的可以是為了支持公司的成長或處理財務需求。
2. 增資方式：公司可以透過員工認股、原股東認購和公開承銷（抽籤）等方式進行現金增資。這些方式都有不同的參與條件和程序。
3. 認股價格：認股價格是投資者購買新股票的價格。通常，認股價格會略低於市場上正在交易的股票價格，這是為了吸引投資者參與現金增資。
4. 增資對股價的影響：現金增資可能會對現有股東造成股權稀釋，因為公司發行了更多的股票。這可能會對股價產生負面影響，尤其是當增資價格低於市場價格時。然而，如果公司成功使用增資資金實現增長，股價可能會在長期內受益。
5. 增資的頻率：公司可以根據需要進行現金增資，但不應該過度依賴這種方式。頻繁的現金增資可能被視為公司財務健康的不良信號，因此應謹慎使用。
6. 投資決策：如果您考慮參與現金增資，首先應該了解公司的動機和計劃。如果公司有良好的增長前景，並且增資價格相對合理，那麼參與可能是有利可圖的。然而，您應該謹慎選擇，並評估公司的長期潛力。

總之，現金增資是上市公司為籌措額外資金而發行新股票的過程。投資者應該仔細考慮參與增資的風險和潛在回報，並在做出投資決策之前充分了解公司的情況。

關於增資的細節，可以參考市場先生。

回測統計 — 敘述性統計

下列是增資事件的異常報酬率，可以觀察到，自從增資繳款結束後，股價變長期下跌。

相關因子分析 — 橫斷面回歸

以下是各種因子和相關的回歸結果，用於分析績效的可能影響因素：

• Y: 從增資日開始，到增資後二十天的累積異常報酬率
• X1: 增資前二十日累積周轉率
• X2: 增資前十日累積周轉率
• X3: 增資前五日累積周轉率
• X4: 增發股數 / 已公開發行股數
• X5: 增資前一日成交量 / 過去前二十日成交量
• X6: 增資前一日成交量 / 過去前五日成交量
• X7: 增資前累積二十日報酬率

可以觀察到 X4 的影響很顯著，也間接驗證了「越大的現金增資，越容易造成股價下跌」。

交易策略

對於採用全空頭策略而言，這個策略表現相當令人滿意。它主要包括 alpha 投資，並且還有大量的負 beta 成分，當與多頭策略結合使用時，可以有效地對避險進行管理。

from pandas.core.indexing import convert_from_missing_indexer_tuple
from finlab import data
from finlab.backtest import sim
import pandas as pd

import datetime

close = data.get("price:收盤價")

price_book_ratio = data.get("price_earning_ratio:股價淨值比")
net_value = close / price_book_ratio

dividend_info = data.get('dividend_announcement')
dividend_info.dropna(subset=['除權交易日'], how='all', inplace=True)
dividend_info.dropna(subset=['stock_id'], how='all', inplace=True)

dividend_info = dividend_info.drop_duplicates(['stock_id', '除權交易日'])
capital_increment = pd.pivot_table(dividend_info, columns='stock_id', index='除權交易日', values="現金增資總股數(股)")
capital_increment = capital_increment.fillna(0) * (close >= 0)

company_info = data.get('company_basic_info')
stock_amount = pd.DataFrame(
  [[stocks for stocks in company_info['已發行普通股數或TDR原發行股數']] for _ in range(len(close.index))],
  columns=company_info['stock_id']
)
stock_amount = stock_amount.set_index(close.index)

increment_ratio = capital_increment / stock_amount
position = increment_ratio > 0.1
position = position.shift(-5).fillna(False)
position = position & (net_value > 10)
position = position.rolling(25).sum().fillna(0)
position = position * (-1)

report = sim(position, trade_at_price="close", fee_ratio=1.425/1000*2)

結論

經過對現金增資策略以及相關因素的深入分析，我們可以得出以下結論：

1. 現金增資策略的觀察：本文提到了一種策略稱為「大現增快繳款結束」，這策略與現金增資放空策略有一定的相關性，特別是在增資結束後，股價表現長期下跌的情況。這引發了對增資策略的重新思考，並呼籲讀者以不同的角度來看待這種策略。
2. 現金增資的基本知識：我們提供了有關現金增資的基本知識，包括增資的目的、方式、認股價格、對股價的影響以及投資決策的考慮因素。這有助於投資者更好地理解這種公司行為的背後動機和可能的影響。
3. 相關因子分析：我們採用了橫斷面回歸分析，評估了不同因素對增資事件後的股價異常報酬率的影響。特別是，我們觀察到增資規模（X4）對股價表現有顯著影響，即越大的現金增資可能導致股價下跌。
4. 交易策略：最後，我們提供了一個以全空頭策略為基礎的交易策略，這策略在過去的歷史數據中表現良好。它利用了alpha投資和負beta成分，並通過結合多頭策略來有效地管理避險。

總之，這份文章旨在幫助讀者更深入地了解現金增資策略及其可能的影響因素，同時提供了一個具體的交易策略示例。然而，投資涉及風險，讀者應謹慎評估任何投資決策，並根據個人風險承受能力和目標制定相應的策略。

為什麼要回測?

書中提出 5 點原因，明瞭易懂：

• 評估交易策略
• 節省時間和精力
• 減少風險
• 檢測數據的可靠性
• 提高交易者信心

回測是用電腦程式快速使用歷史數據來模擬策略想法，用數據說話，而不是像江湖術士口說無憑。得已從模擬結果觀察出策略在每個時期的表現、屬性是不是適合自己？例如發現策略績效曲線的最大回檔很高、策略報酬曲線波動很大，那想趨避波動風險的人就要思考避開。

什麼是好的策略？

菲式思考的定義簡單易懂，藉由回測驗證，好又穩定的年化報酬率、勝率，盡量小的最大回撤幅度(MDD)。這裡的好除了絕對值不差，還要是相對大盤優異，大盤牛市時漲更兇，熊市時回檔的大盤少。不然我們不用如此費心，直接投資指數就好。

但你若是投資老手會知道只看這些是不夠的，應該還要再看「夏普率」來評估風險，細節請見影片。

另外只看最大回撤有些陷阱，有時候很優秀的高勝率仍有不小的 MDD，是因為虧損的交易剛好連續在一起，或是某些交易意外碰到公司營運的特殊事件。再來若兩個策略前五大回檔分別是「5、8、10、15、35%」、「15、20、23、25、27%」，單看 MDD 你會覺的是後者比較好。但若用平均來看，降低少數數據影響，則是前者比較好。因此我會建議看 MDD 改看 前5大平均或搭配年化夏普率一起判斷。

勝率的部分看的是最終報酬結果，忽略了持股過程的重要性，若一個策略裡的交易對往往都要先經歷回檔套牢的煎熬，之後才漲上去，你覺得這樣夠好嗎？應該要再檢測交易對的波動細節，看獲利的交易在持有過程是不是很少有回檔，代表買點抓得漂亮，反之若常要先套牢，是不是可以思考延後進場？虧損的交易若普遍先上漲再下跌，是不是可以研究停利點？持股歷程這中間有很多內容可以研究，延伸內容可以看「揭開策略的波動面紗｜MAE&MFE分析圖組使用指南」、「脫離韭菜命運的關鍵：利用MAE分析實踐正確的停損」

回測的侷限性

回測 V.S. 實際下單

回測模擬出一個報酬和波動指標都完美的策略，就沒問題了嗎？
書中沒講到，這邊要潑一下冷水，回測模擬是無法 100 % 與實際執行貼合，你如果對此期待，那最終會會幻想破滅，回測只能看趨勢，盡量貼合實際下單。
首先，你的策略若很常買到「冷門低量股」、「漲跌停鎖死股」、「處置股」、「全額交割股」，那你有很高的機率輝出現「快樂表」的結果，發現模擬與實際相差甚大，因為「回測系統」都會假設你全部的委託單都順利成交在模擬價格，實際上的你其實要排隊碰運氣，運氣差就是沒買到或是要為了滿足進出量而成交在比較差的價格，出現流動性風險。

這部分可參考「客製化流動性風險檢測 | 策略可以實戰嗎?」、「FinLab Package 流動性檢測」來驗證策略。

偶爾還會發生書中交易日誌提到的狀況：市場突然關閉、券商突然出問題、伺服器或網路出狀況、交易程式的問題。這些問題都很難模擬，要有心理準備會有誤差，數據打折來看比較真實。

資料難題

可參考財報狗技術部落格寫的「你真的做對股票回測了嗎？談回測容易犯的幾種錯誤」。這些無法避免，連官方都沒保留舊數據，無從驗證，資料很難完美。

1. 使用公開資訊觀測站的資料要小心，有時候上市櫃公司上傳的財報是錯誤的，通常過一陣子公司會修正財報重新上傳資料到公開資訊觀測站。（如果有發現公司上傳的資料有錯，可以向公開資訊觀測站或證交所回報，他們會請該公司修正。通常有反饋時他們很快就會修正。）
2. 過去的錯誤資訊現在已經無法取得。
   以台股來說，公開資訊觀測站只會保留修正後的資料，所以除非你從多年前就不斷的即時抓取當時的最新資料，或者找到其他資料源提供這個資訊，否則這個問題無解。某些總經數據可能還會校正回歸整條序列…
3. 誤植的資料很可能錯得很離譜，使得你的策略績效受到影響。
   上市公司如果提供了錯誤的數字，不出正負號錯誤或小數點位數點錯。例如 EPS 應該是 5，結果打成 -5 或 0.5。
   如果你的策略持有股票數量偏低時，如此大幅度的數據錯誤很可能顯著影響你的策略績效。
4. 部分資料在近期才被開放出來，沒有足夠長的數據可做驗證，降低統計代表性。

回測要注意的細節

• 交易比數要夠多，若小於500筆，統計代表性較低，除非是特定事件交易本身次數就不多，不然過擬合機率高。通常交易比數低是因為條件太複雜所造成。
• 注意每一期持股檔數是否穩定？單檔持股比例最好定上限，減低某幾筆特殊交易對整體報酬有過大影響，參考「選股回測系統豆知識 (2)｜持股比例上限設定」。
• 停損一定要設，避免特殊事件影響，降低未來策略失效的損害，通常至少設定 -20%。停利不一定要設，區間操作的策略比較需要，參考「「脫離韭菜命運的關鍵：利用MAE分析實踐正確的停損」」。
• 交易價格序列的模擬的差異，參考「客製化選股策略的回測價格序列 | 比較進出場的時間點特性」
• 模擬期間是否夠長？有無包含到熊市？台股來說，比較弱的年份是2008、2011、2015、2018、2022，弱勢年如果可是正報酬率，你全職投資起來的信心會比較強。

好想上線賺錢

研發出好策略你可能急著想上線，又擔心實際下單會不會又是另一回事？
給幾個建議供您上戰場有所準備。

• 用預期投入資金的一半以下來實盤。
• 檢驗交易策略的實盤表現。
• 若在過程中發現策略有重大缺失或難貼合實盤的狀況，則撤回策略，重新研究。若是心態面問題，如主觀介入、凹單不停損，則要慢慢說服自己理性的理由。
• 若發現如預期進行，信心增強，慢慢放大部位。
• 繼續研究，增強策略多樣性，多策略低相關性互補，避免大賠，控制風險，長期活在市場。

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～

在去年的大多頭行情內，隨著大航海時代的開啟，應該越來越多人聽過水手彼此詢問「你被關過嗎?」「你出獄了嗎?」，大家這才發現股票也是會被關的，而這些被關的股票就是所謂的處置股。

那在怎麼樣的情況下股票會被列為處置股呢? 被列為處置股的股票會跌嗎? 聽別人說股票越關越大尾，這是真的嗎? 關於處置股的說法眾說紛紜，因此這次研究我會用數據分析的方式，帶大家來探索處置股在監獄裡面的表現到底怎麼樣!

處置股由來

處置股的前身是注意股，因此在了解處置股之前，我們需要先了解什麼是注意股。

什麼是注意股?

證交所為了維持證券市場交易的公平，公正這個原則，因此他們會隨時隨地觀察市場上個股的變化，一旦股票的漲跌幅、成交量、周轉率等等出現異常變化時，就會被主管機關列入注意股。

在這個階段，注意股票並不會有任何處置行為，只是單純提醒投資人該注意注意股是否過熱。

什麼是處置股?

當一隻股票連續多日都達成注意股的條件時，就會由注意股轉變成警示股 ! 這時後就會有所謂的處置措施，在交易的時候就必須要預收股款、交易的撮合時間也會延長，同時還禁止處置股當沖，這些都會進而會影響到股票的流動性。

當一支股票進入處置時會提高買賣的難度，因此會容易遭遇交易量萎縮、散戶恐慌拋售造成股價急遽下跌 ; 也可能會遇到主力鎖碼，股價無量瘋狂上漲等等各種特殊情形，這也正是我們這次要進行研究的原因。

資料取得

首先，我們用 finlab 的資料庫抓取歷年的處置股資訊，包括處置時間、股票代號、處置原因等等，而作為索引的 date代表公告處置日期，一般在處置前一天交易日的盤後公布。

data.get('disposal_information') # 獲取所有處置股資訊

資料選取&切割

雖然我們有2001年起的處置股資料，但隨著時代變化，處置股的特性也會隨之變化。因此我們只使用近五年的資料，並用2017~2020作為訓練集，2021~現今做為測試集。

資料觀察

首先因為成為處置股的條件非常多樣，我希望先對處置股做初步的分類，這樣在接下來的數據分析中能更容易發現每個族群的處置股是否存在著某些價格表現上的規律。

接下來我們按照處置條件、處置措施、分時交易這三個條件做分類，再進行資料分析。

確認資料量

在進行資料分析前，需要先確保該種類的處置股資料量足夠。若資料量太少，一來沒辦法找到明顯的規律，二來在統計上並不具有足夠的代表性。因此以下列出各種處置股種類，並對其中資料量不多的種類進行刪除。

處置條件

• 刪除以下種類
  • 最近30個營業日內有12個營業日
  • 最近三十個營業日已有十二次
  • 監視業務督導會報決議 (該項目在2020後就不再出現，故刪除)
  • 轉(交)換公司債之標的證券經本中心或臺灣證券交易所發布處置 (可轉債資訊，非股票故刪除)
  • 其他

處置措施

• 刪除督導會報決議 (該項目在2020後就不再出現，故刪除)

分時交易

• 資料量皆足夠，全部保留 !

統計每天報酬、波動度(ATR)、成交量

接下來要進入正題了 ! 從處置股從被關進去開始到出獄的後十天，我會使用三個面向來統計每種處置股每一天的表現，這三個面向分別是報酬(return)、真實波動幅度均值(ATR)、成交量(vol)。

• 報酬 (return) : 今日收盤價 / 昨日收盤價
• 真實波動幅度均值 (ATR) : 衡量波動性的指標，相較布林指標，ATR 有將跳空因素考慮進去因此更具代表性，也很常被拿來當作設定停損的參考指標，此次實驗使用的參數為20。
• 成交量 (vol) : 每天的成交張數。

處置條件

處置措施

分時交易

統計觀察總結

觀察這些圖表，我們能得到一些大部分通用的結論，像是處置期間成交量萎縮、處置初期下跌機率極高、處置後期走勢相對強等等……也能觀察到有些特殊的現象，譬如45分盤在處置初期都報酬率反而很好。

當然也有些地方是沒有明顯趨勢的，像是出關(10天)後的股價表現，有漲有跌也有平盤，像這些地方我們就不會加入到策略的設計中。

策略設計

我將策略設計分為幾個階段，從一開始的單純持有所有處置股，逐步的加上一個個濾網，去觀察績效、回檔是否優化，最終得出一個不錯的處置股策略 !

註 : 以下回測以手續費5成計算、已包含交易稅

策略1 : 所有處置股

註 : 灰線為加權指數

初始策略 : 持有所有的處置股，進處置當天的開盤買進，出處置的當天開盤賣出。

策略在報酬率大致上和加權走勢一致，但 MDD 卻達到大盤的兩倍以上，平白承擔了額外的風險，卻沒有額外的獲利，因此單純的持有處置股並不是一個好的策略，我們需要做進一步的優化。

我們在上述的圖表中能發現，在剛進處置股的前幾天通常都是以下跌居多，因此我決定延後策略進場的時間，希望藉由避開初期的下跌，能夠降低 MDD 同時提高 return。

策略2 : 延後進場時間(五天後)

註: 灰線為策略1表現

經過第一次的調整，可以發現策略2的 return 大幅提升，報酬從原本的100%變成了2000%，差距達到了20倍之多 ! 同時MDD也有一定程度的下降，證明股票在剛進處置的前幾天確實容易下跌，因此只要簡單的延後五天進場，我們就可以獲得遠大盤的報酬。

接著延續我們的策略，該如何再進一步優化呢?

我們目前並沒有對處置股的種類做篩選，但隨著進處置的原因不同，會導致處置股的特性也不同，因此我希望能在所有的處置股種類中，找出處置前期下跌、後期上漲最明顯的種類。

在看過全部的種類之後，發現5分盤、20分盤的前期跌後期漲的趨勢最明顯，因此我決定將策略所持有的處置股種類限定在5分盤和20分盤。

策略3 : 挑選5分盤&20分盤 + 延後時間進場交易

註: 灰線為策略2表現

好消息 ! 做了這一步之後，我們又將報酬率提升了3倍，同時 MDD 大幅度下降，落在20%~30%左右，已經降到一般投資人都能接承受的風險程度，到這邊我們已經得到了一個非常優秀的策略了 !

但還沒有結束喔，我們還差一步! 因為我們是藉由觀察統計上的結果去設計策略，因此出現 overfitting的機率並不小 ，所以最後一步我們要檢查在test dataset 裡面策略的表現是否同樣優秀。

Test Dataset 結果

註: 灰色為加權指數

可喜可賀 ! 在約1年兩個月(2021~2022/02) 的 testing data 內，雖然 MDD 落在25%左右，輸給了大盤，但這支策略的報酬高達200%，將同期的大盤指數遠遠的甩在後頭 !

在風險和利益的交換上，處置股的策略表現可圈可點，對風險偏好者來說是一支極其優異的短線策略，歡迎大家也可以研究看看。

那這次的研究就到這邊結束啦! 窩4阿榤，我們下次見~

前情回顧

2月的時候傳授了「低價股策略的實戰訣竅」給小資族的 Andy，Andy也將策略上線，用小資金實戰，來問問 Andy的操作心得吧！

Andy:「低價股投資組合在上月表現不錯耶! 單月報酬率有近4%，大盤同期是1.6%。小賺一波，所以我今晚的麥當勞直接升級豪華套餐，不考慮價錢就點餐的感覺真爽。」

FinLab:「恭喜恭喜！那投組中個股的表現是如何呢？」

Andy:「投資組合果然和上次教學說的一樣，這檔策略勝率普通，靠大賺小賠來獲利。上期的持股戰績是3勝2敗，其中有一檔大賺24%，一夫當關，撐起主要報酬率。」

FinLab:「量化投資的持有過程有什麼體會呢？可能你觀察到的一些現象，會對策略再優化有幫助喔！」

1. Andy:「目前使用起來用兩點疑問～
   體會到停損蠻重要的，像這次有一檔 8429 就觸發5%停損訊號，如果拖延到3/1才出場，又要多賠一些，這次有止血到，感覺 8429 好像是假突破走勢，急拉後騙人買在高點，有辦法避免假突破嗎？
2. 另外低價股策略只有用到價量，沒用到基本面條件，好像會選到一些財務面看來很高的股票，像這次停損的8429 營收看起來好可怕，幾乎是崩盤式衰退，沒安全感持有。

FinLab:「Andy 你的觀察很棒！策略構思就是在發想 、實作驗證、觀察的過程中反覆精進，確實我們上次著重在討論進場點，對賣點比較少著墨，還記得低價股策略用到的參考書籍『飆股的長相』嗎？書中後半段就有提用『波動率』避免買到過熱的假突破股票。讓我們一探究竟吧！」

最強大的技術指標？K線波動率

創新高選股與股價波動

飆股的長相：「在股價創新高的當日，波動率越低，後續飆漲的機會越高。」

你喜歡衝漲停還是漲不停的股票？
創新高價的選股方式最怕買到過熱的股票，股價波動就像登山，一鼓作氣想登頂者，反而容易過早氣力放盡而失速回檔，反而是波動小的股票容易細水長流，慢慢飄上去。
近年台股當沖和隔日沖當道，很喜歡去找波動大的股票鎖漲停，這類的股票就容易短期再急跌回檔，也就是波動大的股票容易有不安定籌碼，造成股價公式不順，反而低波動慢慢創新高的股票，背後推進股票的買家比較不會短期出貨，更容易穩定上漲，降低假突破的機率。

可從下圖兩張K線圖了解，股價波動率(k線長短)與趨勢關係。

波動率的概念

看波幅而不注重股價變動方向。

K 線波動率的定義與公式

K線波動率（K-Line volatility）是一種股市波動率的計算方法，常用於股票市場技術分析中。它是基於K線圖樣的變化來計算的，可以用來評估股票市場的波動程度。

K線圖是用來表示股票市場走勢的一種圖表。每個K線包含了一段時間內的開盤價、最高價、最低價和收盤價。

K線波動率的計算基於這些價格資訊所計算，這個指標是由飆股的長相作者所自創，比起另一個常用的波動指標 ATR ，更能完整涵蓋波動細節。
在計算K線波動率之前，首先要先計算出「單日股價漲跌幅幅度」。

單日股價漲跌幅幅度公式

陽日線算法(收盤價 >= 開盤價)

波動幅度 = |昨日收盤價 – 當日開盤價| + |開盤價 – 最低價| + |最低價 – 最高價| + |最高價 – 收盤價|

陰日線算法(收盤價 < 開盤價)

波動幅度 = |昨日收盤價 – 當日開盤價| + |開盤價 – 最高價| + |最高價 – 最低價| + |最低價 – 收盤價|

飆股的長相 – 自創K線波動率算法

波動率(%) = 「單日波動幅度」的月平均值 / 收盤價的月平均值 * 100

波動率應用

參考自「飆股的長相」，作者認為股價創新高的當日，波動率若越低，後續飆漲的機率越高。
作者以日本股市的標準，建議投資風險謹慎的投資人最好選擇波動率4%以下的股票，避開6%以上的高風險股票。
不過作者也指出這樣的標準不一定適用每一國股市和類股，小型股波動越高。但波動率越低愈有飆漲潛力的原則，無論在哪一國都成立。

創新高回測

飆股的長相：「在股價創新高的當日，波動率越低，後續飆漲的機會越高。」也適用於台股嗎？

使用 Finlab 模組來驗證上述論點是否適用，上市櫃個股創200日新高，每月底換股，加上不同數值的波動率濾網做條件，可以發現夏普比率、MDD 與波動率呈現明顯反向關係(排除2%超低波動率情況。)，年化報酬率最高的為波動率為8%以下的情況，若波動率拉高，追突破動能的風險也會開始增加。

個股回測

以 2330 台積電近3年波動率來看，範圍大概在2-8%，創高趨勢若碰上K線波動率到 6-8% ，後續面臨回檔的風險會變高。

再看一張圖，標的是「低價股策略」上期大漲的 2017 官田鋼，可以發現小型股本的股票再創高時，確實波動率越小時進場，回檔風險越小。波動率比大型股高很多，可以高達20%以上，如果用「飆股的長相」作者的標準，看到波動率飆破8就賣掉，可能會錯過小型股主噴段。

低波動的好處

追創新高的股票最怕買到假突破而買到最高點，或是中間被震出場，小賺一點就跑了，結果後來又噴上去，買對卻大賺不到，這種結果常讓人欲哭無淚！

如何避免此問題？

那就是採用「低波動進場」來控制風險，這對新手是很重要的觀念。

若股價上漲，但波動很大，仍是我們要避免的高風險股票，持有過程波動劇烈也比較容易提早停損停利而被洗出場，不容易控制持有過程。

若股價下跌，但低波動，下檔波動變小，比較能將停損訊號設緊，並降低移動出場訊號的觸發頻率過高，滑價風險也較小。交易最重要的是避免大陪風險，少虧為盈。

做波段的新手持有低波動的股票，持有過程比較舒服，避開獵殺高波動股票的當沖族，有比較高的機率抱到創高大波段。當沖難度在於進場點多在高波動，觸發停損機率高，若做不到出場紀律，容易只有慘賠的份。

低價股策略+低波動率進場

將原本的低價股策略加入低波動進場條件，測試K線波動率小於特定數值範圍[4,6,8,10,12,14]，看看不同數值的結果。

結果發現越低的波動率越無法帶有報酬率攻擊性，並無法帶來較多報酬。
低波動比較偏防禦屬性，最大回檔、勝率、個股交易回檔數值都明顯比高波動情況好。

加入低波動前

加入低波動10%以下後

加入基本面指標會更好？

Andy:「低價股策略沒用到基本面指標，也許多個基本面條件加上低波動率有不錯效果，可以試試看嗎？」

FinLab:「加入短期營收大於長期營收的要件看看，這是蠻常用的基本面成長指標，如此能找到營收成長或步入旺季的公司，避開衰退個個股，像前面提到的8429金麗KY就會被過濾掉。習慣使用近2月營收大於近12月營收，短期用2月是考量過年因素，過年可能在1-2月，兩月加在一起會比單月公準。」

營收趨勢示例

紅線：短期(近2月平均營收)，黑色：長期(近12月平均營收)

低波動+營收成長

回測的結果還真的被Andy說中了，低波動低價股策略加上加了基本面指標後，在波動率為8%的情況下，連獲利相關指標都升到第一名，綜合評分的結果與第二名有一段差距。

限制在低波動情況下，過濾掉不穩定的股票，往下震盪空間變小，停損設緊一點(3%)更能有效止血，將夏普率、MDD控制的比先前更好，2008至2023年只有一年虧損。

Andy:「太棒了！我的問題獲得解決了，想不到低波動率有這樣的好處，策略加上基本面後，也有效解決選到高衰退股的機率，策略獲利能力也提升，我抱股也比較安心了。」

下期預告

找到漂亮的買點等於掌握風險，立於不「大敗」之地，了解低波動的概念對小資族非常重要。

K線波動率不只對找安全的買點有幫助，更能應用在「賣點」的判斷。
股市江湖有句老話：「會買是徒弟，會賣是師傅。」，找到漂亮的賣點幫助我們鎖住獲利，這也是比較難的部分，有了K線波動率的概念後，下一集我們會來研究不同波動率之下適用的賣出指標：

• 閃崩賣出指標 – 賣出轉換線
• 摸頭賣出指標 – 順位相關係數

持續讓小資族的量化選股能力進擊！

colab 檔案連結