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！

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！

其實，現實可能完全相反——主力炒股根本不需要月營收數據！

真正厲害的投資人，不會等到數據公布才下手，而是抓住「月營收前後的股價動能」這個關鍵訊號，提前找到飆股機會。有時候，這些動能強的股票甚至飆得更兇！

本文將帶領您深入了解一段程式碼背後的邏輯，並分析使用的數據來源與選股策略，幫助您理解如何利用 Python 和量化技術來挖掘投資機會。

程式碼簡介

這段程式碼來自量化交易的回測工具庫 finlab.backtest，它旨在根據動能和月營收的特性來選出潛在的飆股，並進行回測模擬，驗證策略的有效性。

核心程式碼：

from finlab.backtest import sim

close = data.get('price:收盤價')
pct_change = (close / close.shift() - 1).rolling(5).mean()
當月營收 = data.get('monthly_revenue:當月營收')

pos = pct_change[(close > close.average(60)) & (close > close.average(20)) & (close > close.average(120)) & (當月營收.average(3) > 當月營收.average(12))].is_largest(10)

r = sim(pos, resample='M', resample_offset='11D', upload=False, stop_loss=0.1)
r.display()

數據來源與處理

1. 收盤價 (Closing Price)

• 使用的數據：price:收盤價
• 處理方式：
  • 計算每日收盤價的五日平均漲跌幅：pct_change = (close / close.shift() - 1).rolling(5).mean()
  • 這樣的計算能平滑日間波動，突顯短期動能。

2. 當月營收 (Monthly Revenue)

• 使用的數據：monthly_revenue:當月營收
• 處理方式：
  • 比較三個月平均營收與十二個月平均營收：當月營收.average(3) > 當月營收.average(12)
  • 這樣的條件確保選出的公司近期營收增長良好，具有基本面支持。

條件篩選邏輯

1. 技術面條件

• 近 60 日、20 日及 120 日均線以上的股價：close > close.average(60) close > close.average(20) close > close.average(120)
  • 這些條件用於確認股價處於多頭趨勢。

2. 基本面條件

• 當月營收三個月平均值高於十二個月平均值：當月營收.average(3) > 當月營收.average(12)
  • 表示公司短期營收增長快於長期趨勢，顯示業績改善。

3. 選出前 10 強股票

• 利用 .is_largest(10) 選出動能最強的 10 檔股票。

策略回測 (Backtesting)

回測設定

• 使用 sim 函數進行模擬：r = sim(pos, resample='M', resample_offset='11D', upload=False, stop_loss=0.1)
  • resample='M'：以每月為單位進行再平衡。
  • resample_offset='11D'：回測的基準日期設為每月的第 11 天，對應月營收數據發布後的市場反應。
  • stop_loss=0.1：設定 10% 的停損機制，控制風險。

結果展示

最後以 r.display() 顯示回測結果，圖表呈現策略的績效數據與曲線。

策略優勢與限制

1. 策略的主要優勢

• 多層次篩選：結合技術面與基本面條件，增強策略的穩健性。
• 動能增強：動能指標幫助捕捉短期市場熱點。
• 基本面支持：營收增長確保選股具有實質業績基礎，降低投資風險。

2. 策略的潛在限制

• 數據延遲風險：月營收數據發布有一定滯後性，可能影響市場反應的及時性。
• 適用性限制：此策略在極端市場條件（如金融危機）中可能效果不佳。
• 流動性問題：策略可能不適合流動性較差的股票。

實際應用場景與潛在改進

1. 適合的投資者類型

• 短期交易者：希望捕捉短期股價波動。
• 成長型投資者：尋找營收增長良好的潛力股。

2. 在不同市場環境的表現

• 牛市：策略表現更佳，動能與營收增長同步提升。
• 熊市：需注意停損機制，以避免大幅回撤。
• 震盪市：篩選出的股票可能具有相對穩定的表現。

3. 潛在改進方向

• 增加多因子模型，例如結合市值因子或財務指標進一步優化篩選。
• 探討不同停損比例對績效的影響，找到最適合的參數配置。

回測結果分析

根據提供的回測數據與績效表現：

1. 年化報酬率

• 高達 33.5%，遠超大盤平均回報。

2. 風險調整後績效

• Alpha：27.5%，顯示策略的超額收益顯著。
• Beta：0.64，風險低於大盤。

3. 歷史績效曲線

• 從圖中可見，策略的累積報酬呈指數增長，顯示穩健的長期表現。

4. 年度績效分析

• 個別年份如 2024 年表現尤為亮眼，達到 86.7% 的年度回報。

讀者常見問題 (FAQ)

1. 策略適合的投資期限是多長？

此策略適合中短期（1-3 個月）的交易者，透過每月再平衡抓住市場機會。

2. 如何處理月營收數據延遲的問題？

選擇月營收發布後的第 11 天作為基準，盡量捕捉市場反應並降低延遲影響。

3. 是否能結合其他因子一起使用？

完全可以！結合市值、估值或其他技術指標能進一步提升策略的有效性。

結語

這段程式碼展示了一個將技術分析與基本面相結合的高效選股策略。其核心理念是通過動能捕捉短期機會，並結合營收數據增強選股的基本面支持。此外，策略的回測結果證實了其在歷史數據中的卓越表現。

量化策略並非魔法，但它能幫助我們以更理性的方式看待市場。若您對此策略感興趣，不妨嘗試運用並結合其他技術指標，進一步提升您的投資績效，讓數據為您的決策服務！

這篇文章參考了數篇論文，並採用事件分析法去研究庫藏股的超額報酬。假如還不清楚什麼是庫藏股，可以參考上一篇。

我們發現股票價格上漲主要集中在宣告初期，但到第四十天左右漲幅消失，甚至出現小幅下跌。並且，股價淨值比、過去二十天的報酬率以及流動資產占總資產比例這三項因素在統計上顯著影響了庫藏股宣告前的股票表現。

最後，我們提出一種基於庫藏股宣告的交易策略，並使用FinLab回測引擎進行模擬，該策略的模擬結果達到了年化約 30% 的報酬率。

論文參考

經過深入分析以下幾篇論文：《庫藏股宣告效果的實證研究》、《庫藏股買回宣告效果及其影響因素之研究》，以及《台灣上市公司庫藏股買回宣告對股票報酬之影響》，我們整理出了幾個特別有趣的因子。這些因子對於理解庫藏股的影響及其在市場上的表現尤為重要。這些因子包括：

1. 股價淨值比
2. 宣告前的異常報酬率
3. 公司是否屬於電子產業
4. 公司的流動現金是否充足
5. 公司的市值

這些發現提供了對庫藏股宣告及其市場反應更深入的見解。

事件交易分析法

可以觀察到，漲幅都集中在前幾天。而且，到第四十天就沒有漲幅了，到最末尾甚至有一點跌幅。

由於異常報酬率集中在庫藏股宣告的這幾天，因此後續分析都聚焦在庫藏股開始後五天。

各式相關的因子

在我們的研究中，我們定義了以下變數並執行了線性回歸分析

• Y：庫藏股公告前五天的報酬率
• X1：股價淨值比
• X2：過去二十天的報酬率
• X3：市值
• X4：流動資產占總資產的比例
• X5：若屬於電子產業則為1，否則為0

在這次分析中，我們觀察到X1（股價淨值比）、X2（過去二十天的報酬率）、X4（流動資產占總資產的比例）的p-value達到了顯著水平，這表明這些因素對庫藏股宣告前的股票表現有顯著影響。具體來說，股價淨值比較低、過去二十天報酬率下降較多、以及流動資產占總資產比例較高的股票，在庫藏股宣告前五天的漲幅越大。

交易策略

值得注意的是，假設庫藏股會在 T+0 的收盤後公布，而這會使得 FinLab 的回測引擎在 T+2 的開盤買入。但實際上，在 T+1 的開盤時就能買入了，所以我們需要對 position 做 shift(-1)。

import finlab
from finlab import data
from finlab.backtest import sim
import pandas as pd

close = data.get("price:收盤價")

# create event dataframe
start_buy = data.get('treasury_stock:預定買回期間-起')
start_buy = pd.DataFrame({
  "stock_id": [stock for stock in start_buy.columns for _ in start_buy[stock].dropna()],
  "dates": [date for stock in start_buy.columns for date in start_buy[stock].dropna()]
})
start_buy["value"] = 1
start_buy = start_buy.pivot(index="dates", columns="stock_id", values="value").notna()
start_buy = start_buy.reindex(close.index, columns=close.columns).fillna(False)
start_buy = start_buy & (~start_buy.shift(-1).fillna(False))

pb = data.get('price_earning_ratio:股價淨值比')

prev_return = close.pct_change(periods=20)

liquid_asset = data.get('fundamental_features:流動資產')
total_asset = data.get('financial_statement:資產總額')
liquidity = (liquid_asset.ffill().bfill() / total_asset.ffill().bfill()) * (close > 0)
liquidity = liquidity.fillna(0)

position = start_buy
position = position & (pb < 1)
position = position.shift(-1).rolling(5).sum().fillna(0)
report = sim(position, trade_at_price="open", fee_ratio=1.425/1000*0.2, market='TW_STOCK')
report.display()

績效如下，還算不錯的一隻策略。

結論

總結來看，庫藏股不僅是企業資本操作的重要工具，也為市場參與者提供了獨特的投資機會。通過理解庫藏股的機制和其對市場的影響，投資者可以更加有效地制定策略，並利用相關的市場動態來追求盈利。

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。

簡介法說會策略

策略是基於「押寶法說會即將公布重大利多」的理念，然而，逐家訪問公司過於費時。因此，策略採取撒網思維，直接搜尋「具備某些特徵，可能會宣布重大利多消息的公司」。

書中選股條件

• 營收 YoY (月營收年增長率) > 0 或是營收 MoM (月營收月增長率) > 0
• 近二十天漲幅不超過 7%
• 從法說會前十天 Buy & Hold 到法說會當天

FinLab 回測驗證

程式碼

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

import datetime

close = data.get("price:收盤價")

# Extend the dataset from monthly to daily with * (close >= 0)
rev_yy = data.get("monthly_revenue:去年同月增減(%)") * (close >= 0)
rev_mm = data.get("monthly_revenue:上月比較增減(%)") * (close >= 0)
no_grow = ((close - close.shift(-5)) / close < 1.07)

investor_conference = data.get('investors_conference').reset_index()
investor_conference = investor_conference.pivot(index='date', columns='stock_id')["公司名稱"].notna()
position = investor_conference * (close >= 0)

# Buy and Hold from last 10 days
position = position.shift(-10).fillna(False)
position = position & ((rev_yy > 0) | (rev_mm > 0)) & no_grow
position = position.rolling(10).sum().fillna(0)

report = sim(position, trade_at_price="close", fee_ratio=1.425/1000/3, upload=True)

回測結果

如同書中所提及的，Sharpe Ratio 跟 MDD (Maximum Draw Down) 都不夠理想，還能再加強。

Sharpe Ratio 是衡量投資報酬和風險平衡的指標，越高表示風險調整後的報酬較好。最大跌幅（MDD, Maximum Draw Down）則評估投資組合在一段時間內最大的價值下跌。夏普比率看風險和報酬，MDD (Maximum Draw Down)看最壞時的損失。

策略優化

加入季營收增長率

通常營收增長率越高的公司，越容易是飆股，詳細請見 FinLab 的營收動能策略。

順著營收 YoY, MoM > 0 的思路，如果再加入營收 QoQ (營收年增率) > 0 這個條件的話，是否會更好呢？

答案是肯定的，只要 YoY, QoQ, MoM 三者中滿足一個 > 0，就去打這檔股票，最終效果是能增加 Sharpe Ratio 的。

營收的 YoY, QoQ, MoM 必須都要增長才行

在前面，做法是 YoY, QoQ, MoM 只要有一個 > 0，就交易這支股票；如果將濾網收緊，令營收 YoY, QoQ, MoM 都要 > 0 的話，會更好嗎？

就結果而言，影響不大，但是能有效降低交易次數，也代表每筆的期望報酬會增加。

營收 YoY, QoQ, MoM 至少要有一個亮眼才行

或者說，營收的增加不僅僅要有增長，更需要達到相當引人注目的程度，才能真正改善績效？比如至少要達到50%以上的增長。經過實驗證實，這樣的調整或許能稍微提高夏普比率，但並不會有非常明顯的增加。

MAE/MFE 分析

觀察 MAE/Return plot，停損設在差不多 10% 能避免虧損持續擴大，也能明顯看到勝手沒有超過 10% 的 MAE。

關於怎麼理解 MAE/MFE，可以參考這個部落格，裡面深入淺出的介紹了 MAE/MFE 的使用方法。

小結

最終策略

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

import datetime

close = data.get("price:收盤價").fillna(method='ffill').fillna(method='bfill')

# Extend the dataset from monthly to daily with * (close >= 0)
rev_yy = data.get("monthly_revenue:去年同月增減(%)") * (close >= 0)
rev_mm = data.get("monthly_revenue:上月比較增減(%)") * (close >= 0)
rev_qq = data.get('fundamental_features:營收成長率') * (close >= 0)
no_grow = ((close - close.shift(-5)) / close < 1.07)

investor_conference = data.get('investors_conference').reset_index()
investor_conference = investor_conference.pivot(index='date', columns='stock_id')["公司名稱"].notna()
position = investor_conference * (close >= 0)

# Buy and Hold from last 10 days
position = position.shift(-10).fillna(False)
position = position & ((rev_yy > 0) | (rev_qq > 0) | (rev_mm > 0)) & no_grow
position = position.rolling(10).sum().fillna(0)

report = sim(position, trade_at_price="close", fee_ratio=1.425/1000/3, stop_loss=0.1)

可以觀察到，經過停損後，績效變差了，但是停損能作為一個防火牆，避免突如其來的虧損燒穿帳戶。

資料來源

在最糟的情況下，只要在前一天宣布召開法說會，隔天就能召開法說會，但我們的策略需要在法說會前十個交易日進行投資。

因此，我們應該特別注意這個時間範圍，以確保策略不會用到未來的資料。

風險評估

可以觀察到，這隻策略的 Draw Down 的行為跟大盤十分相似，但這隻策略在獲利時，能取得比大盤更好的績效。

總而言之，這隻策略是進可攻退可守的策略，再稍加修改就能取得更好的績效！

結論

我們從介紹法說會策略開始，這個策略基於「押寶法說會即將公布重大利多」的理念，選擇以撒網的方式尋找「具備某些特徵，可能會宣布重大利多消息的公司」。

在策略優化部分，我們加入了季營收增長率的概念，並探討了營收的年增率（QoQ）是否能夠增強策略表現。我們發現只要在YoY、QoQ、MoM三者中至少有一個大於零，就能提高夏普比率。

我們也分析了最大不利移動/最大有利移動（MAE/MFE），發現停損設在約10%能夠有效避免虧損擴大。

總體來說，這個策略是進可攻退可守的，且在獲利時表現優於大盤。我們相信稍加修改，可以取得更好的績效！

為解決選股池的問題，FinLab Package 在 0.4.5 的版本開發了美股選股池控制的功能，利用短短的程式碼，就能對美股做不同層級的分類，接下來會向大家介紹如何使用此功能，並找出本益成長比最適合用在哪些產業？

美股選股池分類

此功能的用途在當呼叫 data.get 或是 data.indicator 時，返回美股產業相關類股。
和台股不同的地方在美股因標的範圍較大，有4個篩選變數可以控制，預設都是全選。
細節請見美股選股池控制的功能。

參數說明

• market：證券種類，採取模糊比對。
  若設定為 Common Stock ，則會篩選出美國國內上市企業與 ADR (海外存託憑證:外國公司在美國二次上市) 的普通股，不會選到一些流動性比較低的特別股。
  若想排除 ADR，則可以設定為 Domestic Common Stock，就只會選到美國國內上市企業。
• sector：產業主板塊，可視為比較粗略的產業分類。像是美股有許多高科技公司很吸引人，若想選定標的在科技股，將此參數設定為 Technology 。
• industry：細產業，可視為比較細的產業分類，由於細產業很多，不方便一一列在文件上，我們可在美股企業基本資訊的資裡中找到資料，利用以下程式碼取得細產業索引： set(data.get('us_tickers')['industry'])。像是美股科技股中的軟體公司很吸引人，若想選定標的在軟體股，將此參數設定為 Software – Application 。
• exchange：交易所。不同的交易所有不同的主流標地及規範。偏愛科技股或新創的，可選NASDAQ。
  紐約證券交易所（New York Stock Exchange，簡稱NYSE）和納斯達克交易所（NASDAQ）是美國主要的證券交易所，它們在以下幾個方面存在差異：
  1.交易模式：紐約交易所採用傳統的“交易員制”模式，即交易員在交易所的交易廳內進行股票交易。而納斯達克交易所採用電子交易系統，投資者通過計算機網絡進行交易。
  2.有吸引力的上市公司類型：紐約交易所主要是大型傳統企業，如跨國公司和傳統產業公司。納斯達克交易所則更有吸引力的科技、生物技術和高成長性公司。
  3.上市要求：紐約證券交易所對上市公司的要求較為嚴格，包括市值、財務狀況、歷史業績等方面的要求。納斯達克交易較多成長型公司，其上市要求相對較低。
  4.交易時間：紐約交易所的交易時間為周一至週五上午9:30至下午4:00（美國東部時間）。納斯達克交易所的交易時間也是周一至週五上午9:30至下午4:00 :00，但還提供了一些延長交易時間的選項。
  5.許多市場地位：紐約交易所是世界上最大、最多的股票交易所之一，吸引了許多大型企業和國際投資者。納斯達克交易所在科技股領域具有越來越大的影響力，吸引了新興市場科技公司和高科技投資者。

使用範例

以下為幾個常用範例，幫助我們將資料限縮在特定範圍，限縮之後，就能針對本質較相近的股票做後續研究。

限定在美股普通股中的科技類股

with us_universe('Common Stock', ['Technology']):
    close_subset = data.get('us_price:close')
    print(close_subset)

限定在美股特別股中的基礎原物料和能源類股

with data.us_universe('Preferred Stock', ['Basic Materials','Energy']):
    close_subset = data.get('us_price:close')
    print(close_subset)

限定在美股 NASDAQ 交易所普通股中的軟體類股

with data.us_universe('Common Stock', industry='Software', exchange='NASDAQ'):
    close_subset = data.get('us_price:close')
    print(close_subset)

檢視有哪些細產業可選擇

print(set(data.get('us_tickers')['industry']))

{'Advertising Agencies',
 'Aerospace & Defense',
 'Agricultural Inputs',
 'Airlines',
 'Airports & Air Services',
 'Aluminum',
 ...}

本益成長比最適合用在哪些產業？

全市場回測

我們來寫一個簡單的本益成長比(PEG)當範例，條件說明如下

• 本益比 > 0：公司近一年獲利要是正數
• 營業利益成長率 > 20：公司的獲利能力具一定水準，不是低利潤產業
• 營業利益成長率 > 營收成長率：本業獲利成長大於營收成長，代表公司的銷貨是重質不重量。
• 篩選出來後，用本益成長比做排序選出本益成長比最低的前10名，若您不了解本益成長比的定義，可參考這篇文章「進化後的本益比｜本益成長比選股策略」。
• 每週再平衡。
• 停損為10%。
  

程式碼

from finlab import data
from finlab.backtest import sim

本益比 = data.get('us_daily_metrics_all:pe')
營收= data.get('us_fundamental_all:revenue')
營業利益 = data.get('us_fundamental_all:opinc')

def 成長率(s):
    return ((s-s.shift(4)) / s.shift(4).abs()) * 100

營收成長率 = 成長率(營收)
營業利益成長率 = 成長率(營業利益)
peg = (本益比/營業利益成長率)

cond1 = 本益比 > 0
cond2 = 營業利益成長率 > 20
cond3 = 營業利益成長率 > 營收成長率

cond_all = cond1 & cond2 & cond3
position = peg*cond_all
position = position[position > 0].is_smallest(10)

report = sim(resample='W', position=position, fee_ratio=0, tax_ratio=0, stop_loss=0.1, name='美股本益成長比')
report.display()

回測結果

以這麼簡單的條件而言，發現效果相當不錯，接下來我們用選股池分類器來針對不同的板塊做回測。

板塊分組回測

將不同的板塊名稱輸入進選股池分類器，執行迴圈。並使用「回測組合比較報告」的功能來比較不同板塊的回測結果。

程式碼

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

dataset = {}

for ind in ['Basic Materials','Communication Services','Consumer Cyclical','Consumer Defensive','Energy','Financial Services','Healthcare','Industrials','Real Estate','Technology','Utilities']:
    with data.us_universe(sector=ind):

        本益比 = data.get('us_daily_metrics:pe')
        營收= data.get('us_fundamental:revenue')
        營業利益 = data.get('us_fundamental:opinc')


        def 成長率(s):
            return ((s-s.shift(4)) / s.shift(4).abs()) * 100

        營收成長率 = 成長率(營收)
        營業利益成長率 = 成長率(營業利益)
        peg = (本益比/營業利益成長率)

        cond1 = 本益比 > 0
        cond2 = 營業利益成長率 > 20
        cond3 = 營業利益成長率 > 營收成長率

        cond_all = cond1 & cond2 & cond3
        position = peg*cond_all
        position = position[position > 0].is_smallest(10)

        report = sim(resample='W', position=position, fee_ratio=0, tax_ratio=0, stop_loss=0.1, name='美股本益成長比', upload=False)
        dataset[ind] = report


indicators=['daily_mean','daily_sharpe','max_drawdown']
report_collection = ReportCollection(dataset)
# 策略分組指標報告
report_collection.plot_creturns().show()
report_collection.plot_stats('bar',indicators=indicators).show()
report_collection.plot_stats('heatmap',indicators=indicators)

回測結果

可以發現「科技股」的報酬率一支獨秀，報酬率的前3名板塊與後3名的差距非常大。
綜合評分以「報酬率、夏普率、最大回撤幅度」分級平均計算，前3名依序是「Consumer Cyclical、Financial Services、Technology」。

最終策略

將策略範圍的選股池限定在「Consumer Cyclical、Financial Services、Technology」這三個使用本益成長比策略表現較好的板塊，為什麼不要只限定在第一名的產業就好？原因在適當產業多元化，能避免過度集中在特定產業循環的風險，在產業逆風年，個股很難有表現，但如果有做產業分散，就比較有機會抵抗單一產業的逆風時刻。

程式碼

每個產業選10檔股票，再將這3個產業的選股結果合併。

from finlab import data
from finlab.backtest import sim
import pandas as pd

def sector_postion(sector):
    with data.us_universe(sector=sector):
        本益比 = data.get('us_daily_metrics:pe')
        營收= data.get('us_fundamental:revenue')
        營業利益 = data.get('us_fundamental:opinc')

        def 成長率(s):
            return ((s-s.shift(4)) / s.shift(4).abs()) * 100

        營收成長率 = 成長率(營收)
        營業利益成長率 = 成長率(營業利益)
        peg = (本益比/營業利益成長率)

        cond1 = 本益比 > 0
        cond2 = 營業利益成長率 > 20
        cond3 = 營業利益成長率 > 營收成長率

        cond_all = cond1 & cond2 & cond3
        position = peg*cond_all
        position = position[position > 0].is_smallest(10)
        return position


positions = pd.concat([sector_postion(sector) for sector in ['Consumer Cyclical','Financial Services','Technology']],axis=1)
report = sim(position=positions, resample='W', fee_ratio=0, tax_ratio=0, stop_loss=0.1, name='美股本益成長比', live_performance_start='2021-06-01')

回測結果

撋報酬率降低一些，但夏普率和最大回撤幅度與原先的結果相比則有明顯提升。
還在為優化策略所苦嗎？你絕對不能錯過 美股選股池控制 這個好用功能，趕緊來試試吧！

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