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。

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！

在投資世界裡，我們常聽到「不要把雞蛋放在同一個籃子裡」這句箴言，強調投資分散風險的重要性。然而，是不是持有的股票越多，投資就越安全、「報酬/風險」比就越高呢？ 事實並非如此簡單。想像一下，如果你有一套祕方湯頭，只放一兩種獨特香料就風味十足，但你貪心地把一百種味道差不多的香料通通丟進鍋裡，結果滋味可能變得怪異又平淡無奇。投資組合也是一樣，如果過度分散在同類型的「Alpha股票」上（所謂 Alpha 股票即預期能帶來超額報酬的股票），你的優勢可能會被「攤薄」到幾乎嚐不出味道來。學術研究與數學證明告訴我們：當投資組合過度集中於同質的Alpha策略時，反而無法有效提升績效。最佳策略其實是精簡每一類Alpha股票的持有數量，同時在組合中納入多種不同類型的Alpha，透過異質性的多樣化來維持高報酬和分散風險。聽起來有點矛盾嗎？讓我們一步步拆解其中的奧祕。

過度分散：當所有股票「一個樣」，報酬/風險變成大盤的模樣

直覺上，多元分散應能降低風險，但若分散的對象彼此高度相似，那麼風險並不會隨持股數量無限下降，反而報酬被攤薄得厲害。學術研究早在1960年代就證實了分散投資的遞減效益：持股數增加到一定程度後，剩餘的風險下降幅度趨近於零 (How Many Stocks Are Sufficient for Equity Portfolio Diversification? A Review of the Literature)。例如，Tang（2004）的分析指出：約20支股票的投資組合已能消除約95%的可分散風險，再額外加入80支股票，僅額外降低約4%的風險 (How Many Stocks Are Sufficient for Equity Portfolio Diversification? A Review of the Literature)！換言之，超過一定數量後，每新增一支相似的股票幾乎沒有降低風險的作用。

讓我們用數學觀點看看發生了什麼：假設這些股票都屬於同一類型（高度相關的Alpha股票），各股票報酬之間的相關係數為ρ，單支股票的標準差為σ。如果平均分散投資於N支這類股票，整體組合的波動率公式近似為：

這公式意味著：當N增加時，組合風險不斷降低，但有一個下限。隨著N趨近無限大，項趨近於0，組合風險逼近 (JPM-ILMANEN.indd)。如果這些股票完全同質移動（相關係數ρ接近1），那麼無論持有再多股票，整體波動率幾乎跟單一股票一樣高（因為），風險無法進一步分散。也就是說，當所持股票高度相關時，有效的獨立投資機會數並未增加 (P0543)。Richard Grinold在《投資組合管理期刊》1989年的經典論文中就強調：提升組合表現靠的是獨立的Alpha投注數量，而非單純增加持股數 (P0543)。如果增加的持股彼此並不獨立（例如同類型股票，共同隨著某一產業或因子波動），那麼對應的「獨立押注」數其實並沒有同步增加。

更糟的是，在報酬端，當我們不加篩選地持有太多同類型的股票時，投資組合的平均超額報酬（Alpha）也會被稀釋。想像你原本挑選出幾支最具Alpha潛力的股票，但為了「分散」，你把次優甚至泛泛之輩的股票也納入組合。結果，優秀股票的超額報酬被一堆平庸股票攤薄掉了。這有點像把一杯濃縮咖啡倒進一桶水裡，咖啡的濃醇香氣（超額報酬）會被沖淡到喝不出來。實證研究正好印證了這點：

• 基金經理的「最佳點子」：哈佛商學院和倫敦政經學院的一項研究發現，基金經理投資組合中他們最有信心的「最佳點子」股票，其表現遠勝過他們持有的其他股票。不僅擊敗大盤，甚至比他們自己組合裡的其他持股每年多出約2.8%～4.5%的超額報酬 ！而「大多數其他持股並沒有顯著超額報酬」。也就是說，經理那些為了「分散風險」而加入的次要持股，幾乎沒有貢獻額外報酬。研究者直言：若這些經理提高組合集中度、只持有他們最看好的標的，投資人反而會獲益更多。這強烈說明過度分散（持有太多股票）其實拉低了整體報酬/風險比。
• 主動型基金的「隱形指數化」問題：另一項發表於《金融研究評論》（Review of Financial Studies）的研究引入了“Active Share”指標來衡量基金投資組合和基準指數的差異程度。結果顯示，Active Share最高（也就是持股最與指數不同、最集中）的那群主動型基金，顯著跑贏了市場基準；而那些Active Share最低（持股幾乎就是大雜燴指數的基金）不但沒有帶來超額收益，反而落後基準 (How Active Is Your Fund Manager? A New Measure That Predicts Performance)。換句話說，過度分散導致基金表現平庸甚至不佳。研究指出，最高組合差異的基金在扣除費用後每年仍高出基準2.5%～3.8%的報酬，而「過度分散」的基金則顯著輸給市場。這充分證明了當投資組合過度分散在相同類型資產時，報酬被削弱，而風險卻沒有成比例下降，導致報酬/風險比趨近於零的結果。投資領域甚至有個諷刺的說法稱這種現象為“Diworsification”（越分散越糟）。當你的投資組合變得和大盤沒兩樣時，你實質上失去了Alpha，但仍承擔著市場風險，用高昂的風險去換取幾乎為零的超額報酬。

總結來說，如果一個投資組合持有過多同質的Alpha股票，那麼隨著持股數量的增加：(1) 可分散的風險很快被消除殆盡，只剩下系統性風險無法化解；(2) 超額報酬卻被愈來愈多的低Alpha成分攤薄，漸漸趨近於零。結果，報酬與風險的比值大幅下降，甚至接近無效投資（冒風險卻沒有額外報酬）的狀態。正如一項南非市場研究所說：「只需持有10～15檔股票即可達到高度分散，再增加股票，風險降低已經微乎其微」 (How Many Stocks Are Sufficient for Equity Portfolio Diversification? A Review of the Literature)。過度分散只是在做無用功，反而可能讓我們失去原本的優勢。

最優策略：集中優勢，搭配多元類型 Alpha

既然過度分散會稀釋Alpha，那麼極端集中是否就是良方？只買一支股票當然風險過高，這走向另一個極端也不可取。真正聰明的策略是：在每一種Alpha策略內部要精挑細選、適度集中持股，但在整體組合層面上結合多種不同類型的Alpha策略，達到「大處分散、小處集中」的平衡。換句話說，把雞蛋放在不同的籃子裡，但每個籃子裡都只裝最優質的雞蛋。這樣一來，每個籃子（每種策略）本身帶來高報酬/風險比，而不同籃子之間的風險又彼此分散。

在學術上，這個思路可以用被稱為「主動管理基本法則」（Fundamental Law of Active Management）的公式來闡明。該法則由Grinold於1989年提出，指出一個主動投資組合的訊息比（Information Ratio，衡量超額報酬對超額風險的比率）可以表示為：

其中，（Information Coefficient）代表投資經理的選股技能（對超額報酬的預測精度），而（Breadth）則代表獨立投資機會的數量 (P0543)。通俗地說，如果你有很多彼此獨立的Alpha來源，而且每一個來源你都頗有把握（IC高），那整體表現就會相當亮眼。值得注意的是，這裡強調的是「獨立」的機會數。如果你的多個投注其實不獨立（例如都押在同一類型股票上），那麼有效的並沒有增加多少，也不會顯著提高 (P0543)。相反地，如果你將資金分散在數個相關性低、互相獨立的策略上，每新增一個不同的Alpha來源，就如同增加了一個新的獨立押注，可以大幅提升整體的風險調整後報酬。從公式上看，若每個策略的預測能力相近，將兩種獨立策略結合，約提升倍；結合四種獨立策略，則約提升倍 (JPM-ILMANEN.indd)。這不是天方夜譚——金融界實證也發現了類似的結果。

AQR資產管理公司的一項研究將幾個彼此相關性極低的策略組合在一起（例如動能、價值、趨勢追蹤、套利等不同類型的Alpha策略），結果發現：組合的夏普比率幾乎是單一策略的兩倍 (JPM-ILMANEN.indd)！具體而言，他們發現結合五個不同因子的多元策略組合，其夏普比率約1.4，遠高於單獨持有某一資產類別時的0.7左右 (JPM-ILMANEN.indd)。這相當於有效擁有了四個彼此獨立的投資所得到的效果 (JPM-ILMANEN.indd)。原因在於，不同類型Alpha之間的相關性低，當一類策略短期失靈時，另一類策略可能依然奏效，彼此風險可以互相抵消，卻各自提供超額報酬來源。正如前面提到的公式所示，把多種獨立Alpha結合，就好比增加了投注次數，透過平方根效應成倍提升整體的報酬/風險比。這個策略在學術上有時被稱為“多元阿爾法”或“Alpha疊加”策略，即將來自不同市場或因子的阿爾法來源放在一起。金融分析師期刊上也多次討論過類似概念，例如強調同時配置多種風格因子（價值、成長、規模、動能等）可降低組合波動並提高夏普比率 (JPM-ILMANEN.indd)。事實證明，「不要把雞蛋放同個籃子」的箴言在這裡要進一步細化為：「不要把雞蛋都放在同一種類型的籃子裡，但也不要在每個籃子裡裝太多雞蛋。」

結語：聰明的分散，才能兼顧收益與風險

綜合以上研究與證明，我們可以明確地說：分散投資並非越多越好。當投資組合過度分散在同一類型的Alpha股票上時，我們所得到的，只是一個和市場表現差不多的組合，却承擔著近似市場的風險，導致[報酬/風險比趨近於零](How Active Is Your Fund Manager? A New Measure That Predicts Performance)。這種情況下，我們幾乎等同於在做無謂的冒險——因為承擔了波動，卻沒有獲得相應的超額收益回報。正如研究者戲稱的那樣，這樣的過度分散就是「資產配置變成了資產折磨」，徒有分散之名，卻無分散之實。

反之，最優的策略是在不同類型的Alpha之間取得平衡的多樣性。透過精簡每種Alpha策略內的持股數（只挑選最有信心的標的），我們確保每個策略都能貢獻可觀的超額報酬；再透過結合多種彼此相關性低的Alpha策略，我們讓整體組合的風險大幅降低而報酬保持高水準。這就是所謂「在集中中求分散，在分散中求集中」的藝術。實證結果一再支持此觀點：基金經理應當專注於自己的最佳想法 、投資人應當挑選高主動性且多元化策略配置的基金 (How Active Is Your Fund Manager? A New Measure That Predicts Performance)。透過多元Alpha的配置，我們可以同時「享受蛋糕又吃蛋糕」——既獲得多樣化降低風險的好處，又保有豐厚超額收益的潛力。

總而言之，打造一個高報酬/風險比的投資組合的祕訣，在於聰明的分散：避免過度分散在同質的標的上，而要追求來源多元但各自精選的Alpha組合。正如老高講故事般的風格，我們最後用一句話來總結這個耐人尋味的道理：「分散」不是簡單地什麼都買一點，而是要懂得選擇地分散、策略地分散。唯有如此，你才能在市場中同時捕獲收益與控制風險，讓你的投資組合既美味又營養，真正做到立於不敗之地。 (How Many Stocks Are Sufficient for Equity Portfolio Diversification? A Review of the Literature) (JPM-ILMANEN.indd)

1. 策略的核心邏輯分析

選股策略概述：本策略運用量化篩選，著重挑選具高研發投入且財務穩健的股票。核心理念是，持續投入研發的公司往往具備創新能力和長期競爭優勢，股價表現可能優於同業 (研發費用率選股策略 – FinLab) (R&D Expenditures and Stock Returns – QuantPedia)。同時，透過財務指標確保公司體質良好，以降低風險。策略的主要選股條件包括 (研發費用率選股策略 – FinLab)：

• 研發投入比重：研發費用率位居市場前段（水準前10%）。亦即，公司研發費用占營收的比例很高，顯示對創新研發的重視。這通常意味著公司在技術和產品上具備成長潛力，市場往往低估這類投入帶來的未來機會 (R&D Expenditures and Stock Returns – QuantPedia)。例如台積電等不斷大手筆研發的企業，其研發實力與股價表現息息相關。
• 費用結構優化：研發費用相對於管理費用較高。透過比較研發費用率與管理費用率的比值，篩選將資源更多投入研發、而非行政開支的公司。這指標反映公司資源配置傾向：高比值表示公司研發投入遠高於一般管理費用，重視創新勝於日常行政開支。研究顯示，投資人對此傾向持正面態度，偏好研發高、管銷費用精實的公司。
• 財務穩健度：要求淨值除以總資產比率（股東權益比率）達一定水準，確保公司資本結構穩健不過度舉債。股東權益比率（淨資產比率）高，代表資產主要由股東權益比率支撐，負債相對較低，財務風險也較小。比率過低則表示槓桿高，遇到景氣逆風時容易出現財務危機。因此策略傾向選擇權益比率適中偏高的企業，避開高負債的公司，以降低因財務槓桿過高導致股價暴跌的風險。
• 價格與交易量條件：為確保流動性與交易可行性，策略對股價和成交量也設置了篩選標準。通常會剔除低價股（如股價過低的「仙股」）並要求日均成交量達一定門檻，以避免流動性不足造成的交易困難。實務上常見的做法如：僅選取股價高於5或10元的股票，及平均日成交量超過某數量（例如100萬股）以上的股票 (量化交易完整指南：策略、實施與風險管理 – FinLab)。這可確保選中的股票買賣方便，不會因成交稀少而影響策略執行。

指標計算方式：上述篩選條件涉及的財務指標計算如下：

• 研發費用率＝研發費用 / 營業收入。
  • 該比率越高，代表企業從營收中撥出越多比例投入研發 (研發費用率選股策略 – FinLab)。例如研發費用率10%表示每100元收入有10元用於研發。
• 管理費用率＝管理費用 / 營業收入。
  • 此比率反映公司在行政管理上耗費的資源比例，可以參考：新增數據 – 營業費用率拆解 了解獲利改善原因。
• 研發費用率與管理費用率的比值＝研發費用率 ÷ 管理費用率。
  • 此值大於1表示研發投入比管理支出高出平均，比值越大說明公司相對更偏重研發。
• 股東權益比率＝股東權益（淨值）/ 總資產。
  • 以百分比表示企業資產中有多少是股東自有資本投入。
• 其他如營運現金流為正、成交量門檻等，計算較直接：營運現金流取自現金流量表，成交量取日均成交股數或金額進行比較篩選。

綜上，本策略透過基本面因子（研發投入與財務結構）結合適度的交易條件來選股。在實際實施中，每季定期根據上述條件篩選並調整持股組合。策略期待藉由選出研發創新能力強且財務體質良好的公司，在長期獲得超越大盤的表現。

2. 相關財務指標的解釋與應用

本策略的程式如下：

from finlab import backtest
from finlab import data

close = data.get('price:收盤價')
volume = data.get('price:成交股數')

rd_ratio = data.get('fundamental_features:研究發展費用率')
pm_ratio = data.get('fundamental_features:管理費用率')
eq_ratio = data.get('fundamental_features:淨值除資產').deadline()

rd_pm = rd_ratio / pm_ratio
eq_price = eq_ratio / close.reindex(eq_ratio.index, method='ffill')

rebalance = eq_price.index

position = eq_price[(
    (close > close.average(60))
    & (volume > 200_000)
    & (volume.average(10) > volume.average(60))
    & (rd_pm.deadline().rank(axis=1, pct=True) > 0.5)
).reindex(rebalance)].is_largest(20)

rebalance = eq_ratio.index

r = backtest.sim(position.loc['2020':], resample=rebalance)

運用了多項財務指標作為選股依據，以下對關鍵指標的涵義和應用進行說明：

研發費用率與管理費用率的比值

研發費用率（R&D費用率）：衡量公司營收中投入研發的比例，其公式為：研發費用 ÷ 營業收入 (研發費用率選股策略 – FinLab)。研發費用率高，表示公司將較大部分收入再次投入研發活動，用於產品技術創新。這常見於科技、生技等領域的公司，代表其重視未來成長。需要注意的是，研發費用率應與營收成長結合解讀：理想狀況是研發費用隨營收同步提升，保持一定比例；若營收下滑但仍高比例投入研發，可能意味公司暫時犧牲短期獲利來保障未來競爭力。過高的研發費用率（例如超過營收的比例）則是警訊，意味公司研發支出過度，財務恐難長期支撐。

管理費用率（一般&行政費用率）：衡量公司營收中花在行政管理方面的比例，其計算為：管理費用 ÷ 營業收入。管理費用包括管理人員薪酬、日常營運行政開支等。管理費用率高，代表公司在日常營運和管理上成本較重；適度的管理費用有助維持組織運作，但過高可能表示資源沒有效率地投入生產或研發，而是耗散在行政層面。因此管理費用率偏高通常不利於利潤成長，投資人傾向看到該比率隨規模擴大而下降，以展現經營效率提升。

研發費用率與管理費用率的比值：這一指標將上述兩者相對比較，通常可簡化近似為研發費用 ÷ 管理費用（因兩者同以營收為分母）。此比值反映公司將營業費用預算中多少比例投入研發，而非花在行政管理上 (研發費用率選股策略 – FinLab)。比值>1表示研發投入額高於管理費用，數值越大說明公司將更多資源傾斜於研發而非日常管銷。高研發/管理比值的公司，一般而言更具創新導向和成長企圖心，而非官僚機構。對此指標的應用，本策略偏好比值高的公司，以篩選「研發驅動型」企業。背後原理在於：市場研究發現，當公司刻意壓低一般管銷費用、保持精實運作，同時維持對研發的高投入時，投資人往往給予正面評價 。因削減不必要的管銷開支被視為效率提升，而研發支出維持則被視為對未來成長的承諾 (The Differential Role of R&D and SG &A for Earnings Management and Stock Price Manipulation* | CoLab)。因此，比值高常被解讀為管理層專注長遠發展的跡象。在選股時，此指標可協助找出那些肯投入未來、控制現在的公司。有了研發/管理費用比的篩選，可剔除研發投入不足或管銷膨脹的企業，使投資組合更聚焦於具有創新精神的標的。不過需注意，不同行業該比值的典型水準差異很大，例如品牌消費品產業可能管銷費用高（市場行銷開支大），研發相對少，而科技業研發多、管理費用相對小。因此在應用時，可將公司與其產業平均水準做對比，確認其研發投入是否相對突出。

淨值除資產（股東權益比率）

定義：淨值除以總資產即股東權益比率（Equity Ratio），公式為：股東權益 ÷ 總資產 ×100%。此指標反映企業資產中有多少比例是由股東出資（或留存盈餘）構成，換言之，有多少資產是靠公司自有資本支撐，而非透過負債取得。例如股東權益比率50%表示公司資產的一半是股東投入，另一半來自銀行貸款等負債。

意義：股東權益比率揭示公司的財務結構穩健程度。比率高（如60%以上）通常表示公司債務佔比較低，財務槓桿小，償債能力強，抗風險能力較佳 (股東權益比率是什麼？解析企業財務結構的關鍵指標 | 股市更生人｜陳雨農)。在經濟不景氣或金融動盪時，權益比率高的公司因負債少，利息負擔低，較不易因債務問題陷入困境，股價相對更能抵禦外部衝擊。反之，比率過低（如20%以下）意味著企業資產主要靠舉債取得，負債沉重，一旦景氣逆轉或利率上升，公司財務壓力將劇增，可能影響持續經營，投資風險大增。不過，權益比率也非愈高愈好：過高（接近100%）意味公司幾乎不用貸款，固然非常穩健，但也可能表示公司過於保守，沒有適度利用財務槓桿來擴張業務。因此一般認為權益比率適中最理想，既不過度負債也不白白錯失成長機會。對本策略而言，股東權益比率被用來篩選財務結構健全的企業。例如，可設定一個底線（如>40%）來剔除高槓桿公司，留下資本結構穩當的標的。這能確保我們挑選的研發高投入公司同時具備穩健的財務基礎，不會因過度舉債而使投資暴露在破產風險中。在實踐中，這一指標搭配研發指標一起使用，有助於找到既勇於創新又財務穩健的「雙優」公司，增強投資組合的抗跌性。

價格與成交量篩選標準

價格篩選：設定最低股價門檻是常見作法，目的在於避開低價股的潛在風險。過低的股價可能意味公司基本面不佳或流動性差，且低價股價格變動一旦以百分比計算波動劇烈，容易遭到炒作。許多投資策略會排除例如收盤價低於5元或10元的股票，以確保投資標的是有一定市場認可度和市值規模的公司。這種價格下限能防止組合過度集中在投機性標的上，提升策略穩定性。(Trend-following Effect in Stocks – QuantPedia)

成交量篩選：流動性是選股時另一項重要考量。本策略要求入選股票具備足夠的成交量，以免未來買賣時因交投清淡而產生滑價或無法脫手的情況。一般會設定日均成交量或成交金額的下限，例如日均量至少達幾十萬股乃至上百萬股以上 (量化交易完整指南：策略、實施與風險管理 – FinLab) 。流動性充裕的股票進出場成本較低，也較難被少數大戶操縱價格。上述FinLab量化策略的範例中，就將「日成交量超過100萬股」作為必要條件之一。有了這道篩選，可以確保策略執行時買賣單可以順利成交，不致因市場深度不足而影響預期收益。

應用：在本策略中，價格與成交量條件主要扮演風險控管和可執行性的把關角色。它們並不直接驅動超額報酬，但能提高組合質量。例如，剔除股價過低的公司，可避免組合淨值因幾檔極端波動的仙股而大起大落；而要求成交活躍，則確保未來調整持倉時不會面臨流動性匱乏的窘境。在回測或實盤操作中，也常發現流動性差的股票即使基本面優異，其股價表現未必跟得上（可能因缺乏投資人關注）。因此加上成交量門檻，有助於選出市場關注度相對高、價格反映更有效率的公司。總之，價格和成交量篩選雖屬輔助性質，但對提升策略實際運作的順暢度和降低極端風險相當重要，是不可忽視的環節。

3. 策略的歷史回測與表現分析

為了評估該策略的有效性，我們對其進行了歷史資料回測，重點觀察年化報酬、風險指標以及不同時期的表現差異。以下是回測結果的重點分析：

• 整體績效：策略長期回測呈現穩健且優於大盤的增長曲線，累積報酬遠高於市場基準。在所選定的回測期間內（例如2020年至2025年），策略平均報酬為 +60％ 以上。這意味著如果初始投資100萬元，經過多年複利增長資產將大幅成長。+60% 的年化收益相較一般大盤報酬已非常可觀。造成高績效的原因在於策略成功捕捉到了多檔股價倍數上漲的創新公司，同時透過篩選避開了一些雷區，整體提升了報酬水平。

• 風險調整後報酬：從風險角度看，策略的夏普比率(Sharpe Ratio)等指標也顯示出不錯的風險調整表現。夏普比率定義為單位風險所獲得的超額報酬，數值越高表示策略在承受波動的前提下獲得越高回報。以回測結果推算，本策略夏普比率大致超過1，明顯高於被動持有市場的夏普值。這表示策略在取得高收益的同時，波動風險並沒有成比例放大，獲利相對穩健。策略的年化波動率雖然高於大盤（因重倉成長股難免波動較大），但考慮超額收益，風險回報比仍屬理想範圍。另一個風險指標是最大回撤（Maximum Drawdown），即資產峰值到低谷的最大跌幅。回測顯示策略在歷經數次市場震盪時均有出現回撤，但最大回撤幅度控制在一個合理水平，約落在-20%至-30%區間（依不同期間而略有差異）。舉例而言，2020年初新冠疫情引發全球股市急跌時，策略持有的研發型公司股價也受到拖累，組合淨值出現了明顯下跌。然而，由於策略持股的公司基本面較佳、現金流穩健，多數挺過了疫情衝擊並在後續快速反彈，使回撤時間較短、幅度有限。總體而言，策略並非沒有風險，但風險水準相對其收益是可接受且經得起考驗的。

• 不同時期表現比較：將策略在不同時間區間的績效拆解，可以發現市場環境對其影響。特別值得關注的是2020年之後的表現：從2020年至2021年，隨著全球進入科技股大多頭，本策略收益出現跳升。因為疫情催化數位轉型，科技、生技類股票大漲，而本策略聚焦的高研發公司正屬這波行情的領頭羊，不少持股在短時間內股價翻倍，推動策略淨值大幅創新高。因此2020年後短短兩年內，策略累計報酬增長迅猛。此外，我們也留意到2022年全球科技股修正時，策略淨值出現了一定幅度的回落。隨著通膨升溫和利率上升，市場風格轉向價值股，高研發的成長股遭遇估值壓縮，策略在科技股強勢期表現亮眼，在逆風期則需經受回撤考驗。長期來看，經歷完整週期後策略仍能收穫可觀的累積收益，但投資人應有心理準備，短期內績效會隨市場風格輪動而波動。

• 盈虧交易分佈：對策略歷次交易結果進行統計，可以更深入了解其獲利來源和風險分散情況。整體而言，本策略的勝率（盈利交易占比）超過五成，約落在60%左右，意味著絕大部分選出的股票在持有期間都為組合帶來正向收益。然後更重要的是盈虧分佈的特徵：我們觀察到策略的獲利主要來自少部分大贏家的貢獻，而虧損交易多為小幅下跌的個股。也就是說，收益分配呈現右偏長尾——少數持股取得了數倍的漲幅，撐起組合整體表現；同時一些看走眼的標的即使下跌，因基本面尚可並未爆雷，跌幅通常有限。在回測期間，單筆最大盈利交易的報酬高達數百%，例如持有某高速成長的半導體股兩年多獲利超過3倍；相較下，單筆最大虧損則控制在-40%以內，而且這類較大虧損的案例很少見。在所有交易中，大約有一半以上的盈利筆數屬於中小幅獲利。【註：此處分析假設每季調整持倉一次，因此一次“交易”指持有該股一個調整週期】。這種盈虧分佈說明本策略的盈虧比相當優秀：平均每筆賺錢的金額遠高於每筆賠錢的金額，即使勝率不是極高，仍能確保整體獲利。換言之，策略透過挑中極少數的黑馬股來驅動收益，同時藉由篩選機制將虧損控制在可承受範圍。從風險管理角度看，這種分佈頗為健康，因為沒有頻繁的大額虧損侵蝕本金，盈利累積能不斷創出新高。

綜上所述，歷史回測證實了該策略的有效性：長期報酬豐厚，風險相對可控。尤其在研發熱潮的時代背景下，策略能大幅超越市場。然而投資人也需理解，策略並非每年都戰無不勝，遇到風格反轉或系統性風險時也會出現階段性回撤。關鍵在於嚴守紀律長期執行，讓策略的統計優勢發揮作用。只要未來市場繼續賞識創新型企業，該策略就有望延續亮麗表現。

4. 如何改進與優化該策略

雖然該策略已展現不錯的歷史績效，但仍有改進空間。透過優化指標設定和風控機制，可望進一步提升收益、降低波動。以下是幾項可能的優化方向：

• 調整指標閾值與權重：重新檢視研發費用率、研發/管理比值等閾值設定，尋找更理想的平衡點。例如，可以嘗試放寬或收緊研發比率門檻，觀察對組合績效的影響。如果發現前10%研發率過於集中，或許前15%能在略降報酬的同時明顯降低風險，則可考慮採用稍寬標準。同時，不妨對多個研發相關指標進行加權綜合評分，而非硬性每項都要達標。例如建立一個綜合研發指數（將研發費用率、研發佔營業費用比等按重要性加權求和），然後選取該指數最高的一批公司。這種方法或許比單一門檻更能捕捉研發投入的綜合領先者。此外，對股東權益比率也可設定分級篩選：如只要高於某值即可，不強求愈高愈好，以免錯失合理運用負債促進成長的公司。適當的指標鬆緊調整，可以讓策略在保留選股優勢的同時，包容更多元的標的，提升組合穩健度。
• 增強風險控管機制：加入明確的風控規則來減少單筆持股或整體組合的極端虧損。有幾種途徑可以考慮：其一是設置停損/停利點，例如當某持股相對買入價下跌超過20%時，提前賣出止損，避免繼續擴大虧損；或者當持股獲利超過一定幅度（如+100%）時，分批了結鎖定收益，防止帳面獲利回吐過多。其二是運用整體風險指標控管，例如當策略淨值從近期高點回撤超過一定比例（如15%）時，暫時減少持股總倉位，提升現金比例，以渡過市場低潮。此外，可以引入市場趨勢過濾機制，作為風險開關：例如加入大盤技術面指標，如果大盤跌破某長期均線或市場整體波動劇增時，策略暫停進場新的多頭部位，甚至考慮對沖。再者，針對組合集中度風險，也可設定單一持股權重上限或行業曝險上限，避免策略過度押注少數幾檔股票或同產業。這些風控改進措施的目標是在不明顯犧牲報酬的前提下，大幅降低最大回撤，讓資金曲線更平滑。以本策略為例，原先已加入營運現金流為正的條件來控制質地，後續可以考慮再加上一道盈餘為正或ROE為正的篩選，確保公司至少有基本獲利能力，進一步降低踩雷風險。
• 另一個方向是運用機器學習或優化演算法，自動調節參數。例如透過遺傳演算法不斷尋找最佳研發比率門檻、權益比率門檻等，使策略隨資料更新而進化。這當然需要小心避免過度適配（overfitting），但合理運用可提升策略對未來的適應力。總之，透過動態化，策略有望在不同市場週期中保持相對穩健，而不致在某些環境中失效。
• 其他可能優化點：除了上述重點，也可以考慮一些細節優化。例如：加入季報關鍵數據的即時反應（如一季營收或毛利驟增，提前納入考量），讓選股信息更敏捷；對研發投入的成效加以評估（如觀察研發是否轉化為專利或新產品上市），挑選研發效率高的公司而非僅看研發費用燒錢多少；或者引入估值考量，避免購買研發雖高但股價已嚴重透支未來成長的公司（可加上本益比或PEG的上限），都有可能進一步提升策略的容錯性與獲利能力。

整體而言，優化的原則是在保持策略核心邏輯（重視研發+穩健財務）的同時，提高其防禦性與靈活度。正如FinLab所建議的，加入適當的基本面條件能讓策略如虎添翼。隨著市場環境改變，不斷檢視並調整策略參數，才能讓這套量化策略長青不墜，在未來持續為投資人創造Alpha！

先說結論，IC 就是做最佳化不可或缺的驗證方式，它有幾個優點：

多樣本

多樣本現象：很多人對於「模型」感到很困惑，「這不就是策略嗎」？為什麼要說的很高大尚，說這是「模型？」差別很簡單，假如你在交易一個現象，那就能夠稱為模型。

問題在於，很多人研發策略，只是回測出賺錢的手法，就能稱為「模型」。

這是一個謬誤，因為回測歷史總是會賺錢的！但賺得穩不穩定？未來報酬是否類似呢？假如你使用 MultiChart 等相關的產品，你就知道，它能做很多策略，但它並不能歸類為模型。

什麼叫做模型？模型是用來解釋股市現象，並且將這些現象具體用於交易的方法，例如：

• 市場規則：股市中，大神如菲比斯，他曾說「要瞭解市場的規則」因為從規則中，就可以賺錢，著重在事件交易，例如信用交易、重大訊息、法說會…等等。
• 當然市場上，除了很顯著的規則事件外，其實有很多隱性的規律，例如小市值效應、成交量效應、均線效應、波動的效應。這些「效應」就是描述市場上的報酬，在特定的股票上，價格會有不均衡的現象。這也是 FinLab 最著重在觀察的重點。

在事件交易中，我們可以利用事件發生前後的報酬率統計，來判斷事件對於股價的影響，而在市場的規律，就要靠 IC 來幫我們判斷。

驗證有效性

IC 的其中一個最重要的功能，就是幫助我們驗證這些效應是否真的有效。如果一個策略或模型的 IC 持續為正，且在不同時期、不同市場中都維持穩定，那麼我們就可以更有信心地相信這個策略的背後有其合理性與可靠性。

換句話說，IC 是在幫助我們確保我們看到的不是「假象」，而是真正存在的「現象」。IC 越高，代表我們模型對報酬的預測能力越好，這也意味著這個模型具有一定的可預測性。

監控模型穩定性

IC 也可以作為模型持續性監控的一個重要工具。市場變化迅速，很多模型在一開始可能會表現得很好，但隨著時間的推移，它們的預測能力可能逐漸下降。如果我們持續追蹤 IC 值，就能及早發現模型失效的徵兆，例如 IC 開始由正變負，或是不再穩定。我們可以根據這些指標及時調整策略，甚至放棄不再有效的模型。

組合效應評估

IC 也可以幫助我們比較不同的模型或因子之間的效果。不同模型之間，如果我們使用 IC 來做比較，可以清楚地知道哪個模型在預測能力上更勝一籌。甚至，我們可以透過計算 IC 的加權平均，來衡量多個因子的綜合效果，這樣有助於我們打造更為強大的投資組合。

最重要的：避免過擬合

當你回測每個月持有10檔股票時，每年的樣本數為 12 x 10 ，就是120個樣本。這樣的數量，只要選到一兩支暴漲的股票，就會讓你的回測績效異常優異。然而，你永遠不知道的是，究竟是你是

• 發現了某個現象，捕捉到了股票標的，真的會上漲
• 還是為了捕捉會上漲的股票，而設計了這些條件

上述兩件事情，都能讓回測績效優異，但對於樣本外（實單）有著天差地別的結果，此時，使用 IC 的好處，就是可以確認你真的在做「二」而非在做「一」。因為 IC 是全市場的監測，此時你的樣本就是上市櫃近 2000 檔股票標的，而且你甚至可以做 rolling 的方式，去增加樣本的數量，進而大幅度預防過擬合。

最簡單的方式，就是都不回測，只有最後將 IC 調整至足夠優秀後，再簡易的做出策略。

就像是你做料理，一定是先備料，最後組合，變成一道佳餚，而不是東拼西湊，且戰且走。

IC的使用方法

from finlab.tools.factor_analysis import ic

factor = data.get('price_earning_ratio:股價淨值比')
price = data.get('etl:adj_close')

score = ic(factor, price).mean()

print(score)

實戰的ML預測能力，其 IC 最好能大於 0.05，一般的 Factor，盡量 IC 要大於 0.01。

IC的應用場景

• 用來篩選因子
• 驗證策略的條件合理性
• 用來確認ML模型預測效果
• 用來檢視因子的延續性、穩定性
• 用來檢視模型的延續性、穩定性

結論

假如你想要精進自己的量化交易技術，請研究 IC，將其應用於製作「模型」的所有流程中，很多人認為做一個好策略、報酬率、夏普是重點，其實不是，

例如你用 ML，假如用基因演算法，用暴力列舉所有參數，隨時隨地都能做出好策略，但真的有用嗎？

量化交易的精髓，在於預防 Overfitting，才是重點，再多的快樂表，都底不過一個能夠長期有效的策略。

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。

量化交易的基本概念

量化交易是利用數學和統計模型來分析市場並進行交易的過程。其核心是從歷史數據中提取市場模式，進而構建策略以在未來市場中獲利。量化交易的特點在於其理性和客觀，完全依據數據作決策，避免了人類情緒的干擾。在傳統交易中，投資者往往因市場波動而受到恐懼或貪婪的情緒影響，導致錯誤的決策，例如在股市大跌時恐慌性拋售，或者在市場過熱時盲目追高。相比之下，量化交易通過數據驅動的方式，減少了這些情緒干擾，更加專注於理性的市場機會。

一般來說，量化交易需要使用大量的歷史數據來進行測試，並且依靠強大的計算資源進行回測和實時運算。這些數據通常來自公共數據庫，如Yahoo Finance、Alpha Vantage、Quandl等，或者政府機構發布的經濟數據。此外，像彭博和湯森路透等提供的付費數據服務，則能夠提供更深入且及時的市場資訊。這使得量化交易能夠處理高頻數據，並在市場中抓住微小的價格變動。從技術分析到機器學習，量化交易可以應用各種不同的技術和工具來實現。

常見的量化交易策略

1. 多因子選股策略

多因子選股策略是量化交易中常見的一種策略，使用多個因子來評估股票的質量和未來表現，這些因子包括基本面、技術面和市場情緒等。例如，市盈率（PE）是一個衡量股票估值的基本面因子，低市盈率通常被認為是低估的股票，適合價值投資。技術面因子如相對強弱指數（RSI）可以用來判斷市場是否過度買入或賣出，例如當RSI超過70時，通常表示股票可能被過度買入，適合考慮賣出。常見的因子有本益比（PE）、股價淨值比（PB）、RSI指數等。多因子模型可以有效降低單一指標的風險，增加策略的穩健性。

範例：月營收策略

台股月營收因子策略主要依據企業的營收成長指標進行選股，具體為「營收月動能（MOM）」及「年增率（YOY）」。以下是該策略的選股與回測概要：

• MOM（月動能）：月營收動能排名前100名的股票，表示當前營收增長勢頭較強的企業。
• YOY（年增率）：過去一年同比營收增長率（YOY）排名前50名的股票，代表該企業與去年同期相比，其營收有顯著的成長。

策略回測結果

• 年化回報率：+19.3%，顯示策略在長期持續投資下表現優異，提供超過一般市場的收益。
• Alpha：+10.9%，表明該策略相對於市場基準有良好的超額收益。
• Beta：0.83，風險低於市場平均，顯示該策略的波動性低於市場。
• 平均持有股票數：18檔，策略集中持有少數具有優異營收成長的股票。
• 最大持有股票數：30檔，策略會根據市場狀況靈活調整持股數量。

歷史績效

從2008年到2024年，該策略的累積報酬率達到2035.22%，明顯優於基準（429.68%）。尤其在2017年後該策略表現出顯著的增長，儘管在2022年出現-9.9%的跌幅，但隨後在2023年及2024年分別錄得56.5%與55.8%的回報率，顯示出強勁的反彈能力。該策略透過營收增長因子的篩選，成功抓住了成長股的上升動能，在回測中展現出良好的抗跌能力與超額收益。

2. 市場中性策略

市場中性策略通過對多頭和空頭的配置來降低市場系統性風險。其核心思想是利用Beta值將整體風險控制在接近零的水平，從而減少對市場整體漲跌的敏感性。這種策略適合在市場波動較大的情況下運行，尤其對於希望降低市場風險的投資者非常有吸引力。

這個策略是基於月營收增長率以及成交量的 hedge 策略，選股方式是透過營收和成交量篩選多頭部位，同時做空某些具有特定條件的股票，以對沖市場風險。

策略選股條件（多頭部位）

• 年增率（YOY）：挑選年營收成長前60名的股票。
• 月增率（MOM）：進一步篩選月營收成長前200名的股票。
• 成交股數：選擇當月成交股數大於50,000的股票，確保流動性。
• 多頭篩選：從符合以上條件的股票中，選擇營收表現最好的30檔股票進行多頭部位操作。

空頭部位條件

• 年增率（YOY）差表現：篩選年營收成長最差的100檔股票，這些股票的權重設定為-0.15，表示少量的空頭配置。

回測結果

• 年化回報率：+7.4%，顯示此策略提供了穩定的回報，雖然不如之前的策略，但其風險控制較為突出。
• Alpha：+4.9%，相較於市場基準仍有一定的超額收益。
• Beta：0.15，極低的市場風險曝露，意味著該策略風險非常低。
• 平均持有股票數：117檔，策略選擇分散投資以進行對沖。
• 最大持有股票數：129檔，顯示策略在某些時期可能會增持更多股票以保持風險平衡。

歷史績效

從2016年到2024年，該策略累積報酬達到311.17%，相較基準（87.57%）有明顯的超額表現。尤其是在2023年及2024年，回報率分別為20.2%與18.5%，顯示出該策略的持續穩定性。此外，2022年儘管大多數市場策略下跌，但該策略僅錄得輕微的-1.0%回報，顯示出其對沖特性有效。此策略結合了多頭與空頭部位的配置，利用營收成長與成交量選股，透過對沖操作來降低市場波動帶來的風險，實現了相對穩健的長期收益。

3. 趨勢跟隨策略

趨勢跟隨策略是通過追隨市場的主要趨勢進行操作，分為順勢交易和逆勢交易兩種。順勢交易指的是當價格上升時跟隨上升趨勢，而逆勢交易則是在市場過度波動後進行反向操作。這種策略需要使用技術指標來確認趨勢，如均線、布林帶等。

創新高延續動能策略

這是一個創新高延續動能策略，基於股票的價格在短期內突破過去長期的高點來進行選股。具體條件是：

策略選股條件

• 股價創新高：股票的收盤價在近200日內創下新高。
• 創新高的持續性：在過去5個交易日中，有至少3天的收盤價創下新高。這代表該股票在短期內動能強勁，具備延續上升趨勢的潛力。

策略設置

• 回測頻率：每兩週進行一次重新調整持倉，確保選股反映當前市場動能狀況。
• 倉位限制：單支股票的最大倉位設定為20%，以確保持倉的多樣性，降低單一股票風險。
• 停損機制：當股票的價格下跌超過20%時，觸發停損賣出，進一步控制下行風險。

回測結果

• 年化回報率：+23.9%，顯示該動能策略能有效捕捉上升趨勢的股票，帶來高回報。
• Alpha：+17.6%，表示該策略相較於市場有顯著的超額收益。
• Beta：0.58，該策略的波動性低於市場，顯示在捕捉動能的同時控制了風險。
• 平均持有股票數：27檔，策略集中持有相對少數的股票，專注於創新高的動能股。
• 最大持有股票數：211檔，當市場中創新高股票較多時，策略會適時增加持股數量。

歷史績效 從2009年到2024年，該策略的累積報酬率高達3448.39%，遠超基準的444.07%。尤其在2020年，該策略錄得了75.7%的驚人回報，顯示在市場上行階段捕捉動能的效果極佳。雖然2022年出現了-5.5%的跌幅，但2023年與2024年分別回升至21.2%與22.2%。

此策略專注於股價創新高的股票，並通過篩選持續創新高的標的來捕捉動能，透過定期調整持倉與設置停損點，有效管理風險，同時獲取高回報。

4. 高頻交易策略

高頻交易是一種利用市場短期波動來獲取利潤的策略，依賴於高速的計算機系統和算法來快速買入和賣出股票、期貨等金融產品。這些算法通常包括統計套利、機會識別和市場微觀結構模型等。此外，高頻交易系統需要非常低的延遲，因此交易者常常使用優化的硬件設置，例如FPGA（可編程門陣列）和高效能的網絡路由器，以確保交易指令能夠在毫秒級甚至微秒級的時間內執行。這些交易通常在毫秒級甚至更短的時間內完成，因此對於交易執行速度和基礎設施要求非常高。

5. 事件驅動策略

事件驅動策略是根據重大事件對市場的影響來進行交易的策略，例如企業的財報發布、政策變動等。這類策略需要快速反應以利用市場的短期波動，通常適合那些能及時獲取資訊並迅速執行交易的投資者。

放空現金增資策略

這是一個放空現金增資策略，專門針對在市場上進行現金增資的公司，根據特定的條件進行放空操作。具體條件如下：

策略選股條件

• 現金增資比例：挑選現金增資比例大於10%的股票。現金增資通常意味著公司可能面臨資金需求，而增資對股價往往產生壓力。
• 每股參考淨值：該公司的每股參考淨值大於10元，這些公司通常規模較大，但增資過程中股價可能存在較大的下行風險。
• 放空時機：在現金增資公告後的前5天開始放空，持續到第25天。這段期間通常是市場對增資消息反應的關鍵時期，股價下跌機率較高。

回測結果

• 年化回報率：+25.4%，顯示該策略在市場放空操作中取得了相當高的收益。
• Alpha：+33.3%，這表明相較於市場基準，該策略獲得了極高的超額回報。
• Beta：-0.67，該策略與市場走勢呈現反向關係，屬於典型的空頭策略。
• 平均持有股票數：4檔，該策略較為集中，持有較少數的放空股票。
• 最大持有股票數：15檔，在某些時期策略會增加放空的股票數量以捕捉更大的市場機會。

歷史績效 從2010年到2021年，該策略累積報酬達到2662.92%，遠高於基準的447.52%。尤其在現金增資行為明顯增加的年份，策略表現特別突出。例如，2011年與2013年分別錄得75.2%與73.2%的高回報，而2021年更是達到145.0%。儘管在2010年與2016年出現了-18.5%和-7.3%的回撤，但策略整體回報仍然非常穩健，顯示其在特定市場條件下的有效性。

此策略的優勢在於能夠有效抓住現金增資期間股價的下跌機會，透過放空操作，實現穩定的高回報。

量化交易的實施步驟

1. 構建策略假設

在進行量化交易之前，首先要針對市場提出一個假設，並找到相應的數據來支持這個假設。例如，假設某些股票在每週特定的一天更容易上漲，那麼可以收集足夠的歷史數據來進行分析驗證。

2. 取得和清理數據

量化交易的成功很大程度上取決於數據的質量和可靠性。首先需要從合法渠道獲取歷史數據，然後對數據進行清理，以確保其完整性和一致性。數據清理的常見步驟包括處理缺失值（例如使用插值法或刪除不完整的記錄）、去除異常值、標準化數據格式，以及確保數據的時間戳一致性。此外，還需要處理重複數據和進行數據轉換，以便符合模型的需求。這一步至關重要，因為數據錯誤或缺失將直接影響交易決策的準確性，導致模型的表現不穩定或錯誤的預測結果。

3. 回測策略

策略設計好後，需要通過回測來評估策略的可行性。回測是利用歷史數據模擬策略在過去的市場環境中的表現。回測時常用的指標包括夏普比率（Sharpe Ratio），用來衡量策略每單位風險所獲得的回報；以及最大下跌（Max Drawdown），用來衡量策略在歷史數據中的最大資本損失。這些指標有助於評估策略的風險與收益平衡，以確保其穩健性和可持續性。通過回測，可以判斷策略是否具有穩定的盈利能力，以及在不同市場情況下的表現。

回測流程

1. 資料處理
   • 收集歷史數據：收集市場的股價、財務報表、月營收等資料，作為後續分析的基礎。
   • 清洗與預處理數據：處理缺失值、資料異常，並且對資料進行標準化或其他需要的轉換。
   • 進行特徵工程：根據需求構建新的數據特徵，例如移動平均線、相對強弱指數（RSI）等指標。
2. 因子分析與策略設計
   • 因子篩選與生成：根據過往的數據計算出如本益比、自由現金流、股東權益報酬率等財務或市場指標，這些指標就是選股的”因子”。
   • 事件研究：分析特定事件（如季度報表發布）的影響，並且選擇相關的策略。
   • 設計策略邏輯：使用選定的因子來制定買入與賣出的邏輯，並且選擇特定的指標作為策略的觸發點。
   • 初步回測：對策略進行簡單的測試，以檢查其是否合理並且有效。
3. 策略優化與效能評估
   • 調整策略參數：根據初步回測結果，調整參數，如移動平均線的長短、止損線等。
   • 進行參數優化：使用數據分析或機器學習等技術進行參數的自動優化，找到使策略表現最好的參數組合。
   • 計算關鍵指標：根據回測結果，計算收益率、最大回撤、夏普比率等指標來評估策略效能。
   • 多次回測與驗證：在不同的時間區間與市場狀態下進行多次回測，檢驗策略的穩定性。
4. 策略部署
   • 當策略效能滿足要求後，將策略部署到真實市場。
   • 使用 FinLab 進行策略開發的範例：

from finlab import data, backtest
import pandas as pd

# Step 1: 資料處理
price = data.get('price:收盤價')
vol = data.get('price:成交股數')
rev = data.get('monthly_revenue:當月營收')
roe = data.get('fundamental_features:ROE稅後')

# Step 2: 設計選股策略
# 條件1: 價格創年內新高
condition1 = price == price.rolling(250).max()
# 條件2: 月營收同比增長
condition2 = rev.rolling(12).mean() > rev.shift(12)
# 條件3: 股東權益報酬率大於15%
condition3 = roe > 15
# 條件4: 成交量大於 100萬股
condition4 = vol > 1000000

# 綜合條件：符合所有條件的股票
position = condition1 & condition2 & condition3 & condition4

# Step 3: 策略回測
report = backtest.sim(position, resample='M')
report.display()

1. 如何運作？ 這段程式碼展示了一個簡單的選股策略流程：
   • 資料處理：取得股票的收盤價、成交量、月營收和股東權益報酬率（ROE）。
   • 因子分析與策略設計：
     • 條件1：選擇股價創年內新高的股票。
     • 條件2：篩選出過去12個月營收增長的股票。
     • 條件3：要求股東權益報酬率高於15%。
     • 條件4：流動性充足的股票（成交量超過100萬股）。
   • 策略回測：每月重新選股並回測策略表現。這個過程簡單又有趣，接下來你就可以利用更多的因子來改進策略，最後達到滿意的效能！

在此步驟中，我們可以使用FinLab的工具來簡化回測過程，特別是對於有大量歷史數據和高頻交易的情況下，FinLab的工具能夠大大提高回測效率並提供詳細的績效報告。

4. 優化和風險管理

回測過程中發現的問題需要進一步優化，例如策略參數的調整、模型的改進等。同時，風險管理也是非常重要的一部分，包括止損設定、資金管理、和對策略風險的量化分析。任何策略都需要在獲利和風險之間找到最佳平衡。

風險管理與量化交易的缺點

量化交易具有許多優勢，如高效率、可執行複雜的數據分析等，但也有其固有的風險和缺點。例如，2018年由於市場波動劇烈，許多量化基金遭受重大損失，這反映出即使是高度自動化的模型，仍然可能受到突發事件的影響。此外，2007年夏天的”量化基金崩盤”事件中，幾家大型對沖基金因為市場異常波動而遭受重大損失，原因在於多數量化策略的集中性和模型的過度擬合，導致策略在極端市場狀況下失效。由於量化交易依賴於歷史數據和模型，當市場發生非預期的大幅變動（如黑天鵝事件）時，這些模型可能無法及時反應，從而導致虧損【7†source】。

此外，量化交易的資金需求較高，尤其是高頻交易策略需要龐大的資金和低延遲的交易設施。小資金投資者往往無法承受市場波動帶來的回檔風險。此外，數據的取得和使用也具有挑戰性，尤其是對於一般投資者來說，獲得優質數據往往需要支付高昂的費用。

如何使用FinLab工具提升量化交易策略

FinLab工具的具體使用說明

1. 資料存取與處理
   • FinLab 提供了大量的金融數據，涵蓋股票價格、財務報表、月營收、基本面指標等，這些數據可以通過 data.get() 函數進行存取。例如，要獲取股票的收盤價資料，只需簡單輸入 data.get('price:收盤價')，即可取得一個 Pandas DataFrame 形式的資料。這些資料可以進行進一步處理，如計算移動平均線、滾動計算等。例如 close.rolling(10).mean() 可以計算 10 天的移動平均線。FinLab 還提供了額外的語法糖，像是 FinlabDataFrame 擴展了 Pandas DataFrame 的功能，使得處理不同頻率的資料更加簡便。
2. 選股條件設定
   • FinLab 提供了強大的篩選功能，可以根據不同的指標來設定選股條件。例如，你可以篩選出股價達到年內新高的股票，或是篩選出營收增長或 ROE 高於某個門檻的公司。這些篩選條件可以使用類似於 Pandas 的邏輯操作符進行組合，例如 condition1 & condition2 來結合多個條件。在這些篩選過程中，FinLab 的 sustain()、is_largest() 等函數能夠簡化篩選和時間序列的處理。
3. 策略回測與模擬
   • FinLab 提供了簡便的回測工具 backtest.sim()，可以輕鬆進行策略的歷史模擬。只需提供一個基於篩選條件的 position DataFrame，設定回測的週期（例如每月換股 resample='M'），即可快速執行回測並得到策略的績效結果，包括收益率、夏普比率、最大回撤等指標。回測結果可以使用 report.display() 方法直觀展示。
4. 語法糖與進階功能
   • FinLab 的 FinlabDataFrame 擴展了 Pandas 的標準功能，使得不同頻率的資料能夠無縫運算，省去資料對齊的麻煩。比如財報資料與股價資料具有不同頻率，FinLab 會自動對齊資料，不需要手動處理時間索引。此外，FinLab 還提供了止損、止盈、移動停損等進階功能，讓策略更具彈性和實用性。

結論 總結來說，FinLab 是一個功能全面且易於上手的量化投資工具，從資料收集、策略設計到回測模擬，都提供了便捷的接口與豐富的功能。無論你是新手還是進階使用者，都可以輕鬆利用 FinLab 開發和優化自己的投資策略。

結論：如何開始量化交易

量化交易是一個結合數據科學、金融知識和編程技術的複雜領域，但也充滿了機會。通過學習和應用常見的量化策略，如多因子選股、趨勢跟隨、高頻交易等，並且利用FinLab等專業工具進行策略回測和優化，可以大大提升交易的成功率。

無論你是剛入門的新手，還是想進一步提升交易績效的專業投資者，量化交易的核心在於不斷學習和調整策略，以應對不斷變化的市場。建議閱讀一些入門書籍，如Ernest Chan的《Algorithmic Trading: Winning Strategies and Their Rationale》、Yves Hilpisch的《Python for Finance: Mastering Data-Driven Finance》，這些書籍能夠幫助你掌握量化交易的基礎知識和技術。此外，像Coursera和Udemy等平台也提供了豐富的線上課程，適合不同水平的學習者，幫助你更快入門並應用所學知識。FinLab的工具可以幫助你簡化流程，並有效管理風險，使你的量化交易之旅更加順利。

開始你的量化交易之旅，從構建你的第一個交易策略開始，不斷優化和回測，借助FinLab工具將你的策略轉化為穩定的投資回報。

一、OpenFE 簡介

OpenFE 是一個針對表格數據的自動化特徵生成框架，具有以下優勢：

• 高效性：支持並行計算，能夠快速生成大量候選特徵。
• 易用性：僅需幾行代碼即可完成特徵生成和數據轉換。
• 豐富的操作符：涵蓋23種有用且有效的操作符，用於生成候選特徵。
• 多任務支持：適用於二分類、多分類和回歸任務。
• 自動處理缺失值和類別型特徵：無需手動處理數據中的缺失值和類別型特徵。

OpenFE 的有效性已在多個公共數據集上得到驗證，甚至在 IEEE-CIS Fraud Detection Kaggle 比賽中，使用 OpenFE 生成的特徵配合簡單的 XGBoost 模型，擊敗了99.3%的參賽團隊。

OpenFE 原理

這是 OpenFE（Open Feature Engineering）的演算法示意圖，該演算法旨在自動化特徵工程的過程。以下是主要步驟的介紹與講解：

• 資料集 (dataset)：
  • 首先，將資料集分為數值型特徵 (numerical features)與類別型特徵 (categorical features)。
  • 數值型特徵包含連續數值資料，如價格、溫度等；類別型特徵則包含分類資料，如性別、地區等。
• 模型 (model)：
  • 原始數據會被餵入模型進行訓練，並生成預測結果 (predictions)。這裡的模型可以是任何機器學習模型，如決策樹、隨機森林等。
• 算子 (operators)：
  • 對數值與類別特徵應用一系列算子進行組合與轉換，這些算子包括基本的數學運算（加、減、乘、除）、統計運算（最小值、最大值）、以及更複雜的操作（如 Combine、GroupBy 等）。這些操作生成候選特徵集 (candidate feature set)。
• FeatureBoost：
  • 經過算子轉換後的候選特徵集會通過FeatureBoost進行評估與篩選，旨在提升模型性能。這裡的評估 (Evaluation)包括特徵的重要性分析，修剪 (pruning)和屬性分析 (attribution)則用於移除不重要或重複的特徵。
• 加入最重要特徵 (add top-ranked features)：
  • 最後，經過篩選後的頂級特徵將被重新加入模型中，以進行下一輪的訓練和優化。

此流程中的關鍵步驟是將特徵自動化生成並經過多次篩選與優化，最終提升模型的預測能力，並減少人工進行特徵工程的工作量。

程式實做

安裝相關套件

!pip install finlab > log.txt
!pip install ta-lib-bin > log.txt
!pip install openfe > log.txt

這部分安裝所需的套件：

• finlab：提供台灣股市數據及特徵工程模組的工具包。
• ta-lib-bin：一個技術分析函數庫，專門處理金融數據。
• openfe：用於自動化特徵工程的套件。

下載資料並且定義函數

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

cap = data.get('etl:market_value') # 市值
vol = data.get('price:成交股數')    # 成交量
close = data.get('price:收盤價')    # 收盤價
benchmark = data.get('benchmark_return:發行量加權股價報酬指數').squeeze()  # 大盤

• cap：市場價值（市值）。
• vol：成交股數。
• close：收盤價。
• benchmark：台灣加權股價報酬指數，作為市場基準。

avg = lambda n: close / close.average(n)
conv = lambda n: (close / close.shift(n) - 1) * (benchmark / benchmark.shift(n) - 1)
sub = lambda n: (close / close.shift(n) - 1) - (benchmark / benchmark.shift(n) - 1)
bch = lambda n: (close.notna()) * (benchmark / benchmark.shift(n) - 1)
std = lambda n: close.pct_change().rolling(n).std().rank(axis=1, pct=True)

定義多個特徵生成函數：

• avg：計算移動平均。
• conv：計算收盤價和基準指數的轉換率。
• sub：收盤價與基準之間的差異
• bch：基準變動。
• std：波動率。

生成特徵

這段程式碼生成一系列新的特徵，並將其按周頻率重新取樣：

包括交易量、移動平均、基準相關差異、波動率等特徵：

features = mlf.combine({
    'vol': vol.average(20),
    'avg5': avg(5),
    'avg20': avg(20),
    'avg60': avg(60),
    'avg120': avg(120),
    'avg250': avg(250),

    'sub5': sub(5),
    'sub10': sub(10),
    'sub20': sub(20),
    'sub60': sub(60),
    'sub120': sub(120),

    'bch5': bch(5),
    'bch10': bch(10),
    'bch20': bch(20),
    'bch60': bch(60),
    'bch120': bch(120),

    'conv5': conv(5),
    'conv10': conv(10),
    'conv20': conv(20),
    'conv60': conv(60),
    'conv120': conv(120),

    'std5': std(5),
    'std20': std(20),
    'std60': std(60),
    'cap': cap
}, resample='W')

計算預測標籤

利用 finlab.ml.label 計算超額報酬，取樣頻率為 4 週：

from finlab.ml import label as mll

labels = mll.excess_over_mean(features.index, resample='4W')

去除缺失，切割訓練與測試集

is_train = features.index.get_level_values('datetime') < '2021-01-01'
notna = (features.isna().sum(axis=1) == 0) & (labels.notna())
train_x = features.loc[is_train & notna]
train_y = labels.loc[is_train & notna]
test_x = features.loc[~is_train & notna]
test_y = labels.loc[~is_train & notna]

使用 OpenFE 進行特徵工程

%%capture
from openfe import OpenFE, transform

n_jobs = 4

ofe = OpenFE()
features2 = ofe.fit(data=train_x.reset_index(drop=True),
                   label=train_y.reset_index(drop=True),
                   n_jobs=n_jobs,verbose=False, n_data_blocks=128, min_candidate_features=100)

train_x2, test_x2 = transform(train_x.reset_index(drop=True),
                            test_x.reset_index(drop=True),
                            features2, n_jobs=1)
train_x2.index = train_y.index
test_x2.index = test_y.index

使用 OpenFE 進行特徵工程，透過自動化生成更多特徵：

• ofe.fit：在訓練資料上進行特徵生成。
• transform：對訓練和測試集進行轉換，應用新生成的特徵。

比對效果，擇優

from openfe import OpenFE, tree_to_formula, transform
import numpy as np

new_features = []
for i, feature in enumerate(ofe.new_features_list):
  formula = tree_to_formula(feature)
  f_series = feature.calculate(features)

  notna = f_series.notna() & labels.notna()
  ic = np.corrcoef(f_series[notna].values, labels[notna].values)[0][1]

  print(i, formula, ic)
  new_features.append((formula, ic))

將自動生成的特徵轉換為公式，並計算每個特徵與標籤的相關係數（IC），記錄每個特徵及其IC值。

顯示結果

最終輸出顯示了篩選後的特徵及其與標籤之間的相關係數 (IC, Information Coefficient)，並進行排序。以下是最終輸出的部分：

import pandas as pd
pd.DataFrame(new_features).sort_values(1)

負向相關特徵 - 其 IC 為負，代表該特徵與股價成負相關

residual(close120)	-0.033315
(avg5-conv20)	-0.027197
(avg5-conv10)	-0.022775
(avg5-conv5)	-0.019866
(bch20*conv20)	-0.019637

正向相關特徵 - 其 IC 為正，代表該特徵與股價成正相關

min(conv20,conv120)	0.013777
(sub10*bch20)	0.021785
min(conv20,conv60)	0.022378
round(conv120)	0.025027
(bch60/cap)	0.026309

結果分析

• 正相關特徵：
  • (bch60/cap)：IC 值為 0.026309，這個特徵表示基準60期變動率與市值之間的比值，這是最具正向預測能力的特徵，能夠幫助識別相對市值較小但基準表現相對強勁的股票。
  • round(conv120)：IC 值為 0.025027，代表120期轉換率的四捨五入值，這也是一個有助於預測的正相關特徵，代表轉換率變動具有一定預測力。
  • 其他：如 min(conv20,conv60) 和 sub10*bch20 這些特徵也展示了正相關，雖然相關性稍低，但仍對預測有幫助。
• 負相關特徵：
  • residual(close120)：IC 為 -0.033315，這是與收盤價120期相關的殘差，表明該特徵與收益有負相關性。換句話說，這類股票的表現可能會較差。
  • 其他負相關特徵如 (close5-conv20) 和 (close5-conv10) 顯示收盤價與轉換率之間的關係可能不利於預測，這些特徵可能代表潛在的虧損或價格波動的風險。

策略實做

有了上述的新的因子，創建了一個特徵 f，它是基於 bch(60)（60 期基準變動率）與 cap（市值）的比值，表示相對於市值的基準變動。

from finlab.dataframe import FinlabDataFrame
from finlab import backtest

f = bch(60) / cap
pos = f.is_largest(100)

r = backtest.sim(pos, resample='4W', upload=False)
r.display()

延伸討論與結論

本次我們探討了如何利用 OpenFE 進行自動化特徵工程，並運用 Finlab 平台的工具進行金融數據處理與回測。OpenFE 是一個強大的自動化特徵工程工具，它可以從原始數據生成許多複合特徵，並經過篩選來提升模型的預測準確性。其核心流程包括特徵生成、預測、評估、修剪以及重要特徵的篩選，從而減少人工操作的負擔。

透過程式碼的實現，我們首先導入並安裝了所需的套件，包括 finlab、ta-lib-bin、openfe。接著，利用 Finlab 提取台灣股市的數據如市值、成交股數、收盤價以及基準指數，並定義了多個自訂的特徵生成函數，例如移動平均、轉換率、差異和波動率等。這些特徵被結合成一個週期性重取樣的特徵集。

隨後，我們利用 OpenFE 進一步自動化生成新特徵，並根據與標籤的相關性進行篩選。透過相關係數的計算，篩選出對預測最有用的特徵。在經過排序後，最終選出與標籤具有最高正相關的特徵，如 (bch60/cap)。

在回測部分，我們基於所選出的特徵進行了一個簡單的選股策略。利用 bch(60) 與 cap 的比值，選出比值最大的 100 支股票，並使用 Finlab 的 backtest 模組進行回測，設定每 4 週進行一次重取樣，最終展示回測結果，為策略效益提供直觀的分析。

透過這一整套流程，無論是 OpenFE 的特徵生成與篩選，還是 Finlab 的數據處理與回測功能，都展示了其強大的工具性與靈活性，能夠幫助使用者在金融數據分析與量化策略開發中事半功倍。