產業資料

FinLab 的產業主題資料來源主要取自「產業價值鍊資訊平台」。從 FinLab資料庫 只要一行程式碼就能下載全部的細產業資訊。要注意的是此份資料僅限 VIP 使用。
FinLab 其實過去已做過類似分析內容：「本益比選股策略 | 產業因子分析」，不過當時是以證交所一般版塊分類，沒有像 產業價值鍊資訊平台 的分類那麼細緻。

每家公司所屬產業的資訊放在 catergory 內。例如台泥的產業序列裡有主產業的水泥，也有細產業「水泥:水泥成品」(格式為「主產業:細產業」)。

簡單回測範例

如何把「我想寫成挑出每個低於個別產業平均本益比之個股所組成的投資組合。」這個目標變簡單？許多新手覺得程式開發太難的原因是目標複雜，我們可以先將大目標切成幾個小目標。例如先不要想做出每一個產業的投組，先從一個產業開始做，當一個產業測試完沒問題，再來思考重複執行與合併的問題。下面的程式範例以水泥產業為例子進行回測，程式並不難。

from finlab import data
from finlab.backtest import sim

# 取出產業題材
themes = data.get('security_industry_themes')

# 選出產業包含「水泥」公司
ind = themes[themes['category'].str.contains('水泥')]
pe = data.get('price_earning_ratio:本益比')
ind_pe = pe[list(ind['stock_id'].dropna())]

# 計算每日產業本益比中位數
ind_pe_med = ind_pe.median(axis=1)

# 選出本益比小於同業本益比中位數且本益比小於25的公司
position = (ind_pe < ind_pe_med) & (ind_pe < 25)

# 回測
report = sim(position, upload=False)
report.display()

產業因子篩選

簡單範例測完以後，會發現踏出成功的第一步，但接下來還有些問題要處理。

• 有一些產業比較冷門，業內公司太少，統計樣本不夠。
• 產業那麼多，哪一些產業才適合用同業本益比比較法？
• 如何比較產業回測？

取樣統計樣本

流程說明寫在以下程式註解，若你對 python 不熟，有幾個關鍵字需要先熟悉，例如「eval」、「pandas explode」、「pandas groupby」。
依據此程式範例，最後選定 36 個產業來做回測。

# 取出產業題材
themes = data.get('security_industry_themes')
# 複製一個 themes 來計算每個產業內有多少公司？
copied_themes = themes.copy()
# 將 category 陣列從文字格式轉成陣列格式
copied_themes['category'] = copied_themes['category'].apply(lambda s:eval(s))
# 以 pandas 的 explode 展開資料
exploded_themes = copied_themes.explode(['category'])
# 分群產業計算公司數
themes_count = exploded_themes.groupby('category')['stock_id'].count()
# 取出家數大於20家公司的主產業
large_themes = themes_count[themes_count >= 20].index
primary_themes = [i for i in large_themes if ':' not in i]

# primary_themes:
# ['LED照明產業', '交通運輸及航運', '人工智慧', '休閒娛樂', '其他', 
#  '半導體', '印刷電路板', '大數據', '太空衛星科技', '太陽能產業', 
#  '平面顯示器', '建材營造', '文化創意業', '汽車', '石化及塑橡膠', 
#  '紡織', '能源元件', '被動元件', '製藥', '觸控面板', 
#  '貿易百貨', '資通訊安全', '軟體服務', '通信網路', '連接器', '運動科技', 
#  '醫療器材', '金融', '鋼鐵', '雲端運算', '電動車輛產業', 
#  '電子商務', '電機機械', '電腦及週邊設備', '風力發電', '食品', '食品生技']

產業面回測比較

接下來要回測36個產業，模擬回測至2018-12-31，用此回測結果選出前n大適合產業，再用選出的產業因子回測 2019 後的數據。
比較36個回測有什麼好工具嗎？很多人可能不知道FinLab早已有工具可用，放在 finlab.optimize 之下的 ReportCollection ，可以產生多策略比較圖表，想了解細節的可以看函數庫文件。

# 模擬回測至2018-12-31，用此回測結果選出前n大適合產業，再用選出的產業模擬
def sim_industry_position_by_pe(ind):
    stock_ids = exploded_themes[exploded_themes['category'].apply(lambda s:s==ind)]
    pe = data.get('price_earning_ratio:本益比')
    ind_pe = pe[list(set(stock_ids['stock_id']))]
    ind_pe_med = ind_pe.median(axis=1)
    position = (ind_pe < ind_pe_med)
    position = position.loc[:'2018']
    # 2週換股一次
    report = sim(position, upload=False, position_limit=0.2,resample='2W')
    return report


# 產生回測組合
reports = {ind: sim_industry_position_by_pe(ind) for ind in primary_themes }
# 放入回測報告組合比較器
collection = ReportCollection(reports)


# 繪圖產業回測報酬率曲線
import plotly.graph_objects as go

fig = go.Figure()
reports = collection.reports
# 報酬率曲線繪圖label按高低排序
dataset = {k: v for k, v in sorted(reports.items(), key=lambda item: item[1].creturn[-1], reverse=True)}
for k, v in dataset.items():
    series = v.creturn
    fig.add_trace(go.Scatter(x=series.index, y=series.values, mode='lines', name=k, meta=k,
                              hovertemplate="%{meta}<br>Date:%{x}<br>Creturns:%{y}<extra></extra>"))
fig.update_layout(title={'text': 'Cumulative returns', 'x': 0.49, 'y': 0.9, 'xanchor': 'center',
                          'yanchor': 'top'})
fig.show()

# 產生回測數據分群柱狀圖
collection.plot_stats().show()

# 產生評分熱力圖
heatmap = collection.plot_stats(mode='heatmap')
heatmap 

輸出報酬率曲線，發現表現最好的前15名產業為「’紡織’, ‘電機機械’, ‘大數據’, ‘雲端運算’, ‘醫療器材’, ‘電動車輛產業’, ‘貿易百貨’, ‘食品’, ‘軟體服務’, ‘汽車’, ‘金融’, ‘太陽能產業’, ‘石化及塑橡膠’, ‘資通訊安全’, ‘人工智慧’」，傳產、軟體居多，電子業排名很後面。

一個好多策略不是看報酬率高低就好，ReportCollection 的 熱力圖 將 策略群的數據做分級處理，最後將個指標的分數取平均(最右欄)，可以大致先出體質相對前段班的產業回測。前15名大致和報酬率排名差不多。

多產業策略

「假設做出來兩個產業的position,要如何合併？rows數相同, columns數不同,而且columns中stock_id有重複,但是其中的真偽值不同,要作聯集(or)？」

選好產業後，我們可以將每一個產業的訊號部位組裝成一個總合訊號部位，之後回測2019年後的測試集績效。

def get_industry_position_by_pe(ind):
    stock_ids = exploded_themes[exploded_themes['category'].apply(lambda s:s==ind)]
    pe = data.get('price_earning_ratio:本益比')
    ind_pe = pe[list(set(stock_ids['stock_id']))]
    ind_pe_med = ind_pe.median(axis=1)
    position = (ind_pe < ind_pe_med)
    return position


# 選出綜合評分前15高的產業
inds = heatmap.index[:15]

# 部位訊號合併
all_position = pd.concat([get_industry_position_by_pe(ind) for ind in inds],axis=1)

# 處理欄位重複問題，一家公司可能橫跨多產業，只要有一個產業選到，就選入。使用groupby mean處理重複同stock_id
buy = all_position.groupby(level=0, axis=1).mean() > 0
report = sim(buy.loc['2019':], position_limit=0.2,resample='2W',upload=False)
report.display()

比較一下2018年前「綜合評分前15高的產業」和「綜合評分前15名之後的產業」，可以發現雖然後者報率比較優(半導體前幾年爆發)，但回撤波動比前者高很多，前者除了2020年疫情剛爆發時崩跌，向下波動比較穩定，維持在-10%上下，尤其是空頭年份2022表現比後者穩不少，也較大盤抗跌，牛市時比成長股弱勢，但熊市時有優勢，具價值股特性。
要選前10還是前15名產業，可自由設定。

策略優化

上述產業面選股的回測驗証了價值股特性，但有個問題是選出來的標的太多了，實務上不能能選買，且牛市時動能差了點，所以我們可嘗試加上一些個股條件和流動性條件去限縮標的數量，增加一點成長股因子，讓策略更有實戰能力。台股長期對月營收條件、規模因子友善，是不錯的選項。
加入的個股條件為「近3月平均營收」大於「近12月平均營收」、近月單月營收年增率大於20%、近3月平均營收的年增率大於15%、五日均量大於100張、最後選出符合前述條件五日均量前10小的標的。

策略程式

def get_industry_position_by_pe(ind):
    stock_ids = exploded_themes[exploded_themes['category'].apply(lambda s:s==ind)]
    pe = data.get('price_earning_ratio:本益比')
    stock_ids = [i for i in list(set(stock_ids['stock_id'])) if i in pe.columns]
    ind_pe = pe[stock_ids]
    ind_pe_med = ind_pe.median(axis=1)
    position = (ind_pe < ind_pe_med)
    return position


inds = heatmap.index[:15]
all_position = pd.concat([get_industry_position_by_pe(ind) for ind in inds],axis=1)
all_position= all_position.groupby(level=0, axis=1).mean() > 0

vol=data.get('price:成交股數')
close = data.get('price:收盤價')
pe = data.get('price_earning_ratio:本益比')
rev=data.get('monthly_revenue:當月營收')
rev_rf=data.get('monthly_revenue:去年同月增減(%)')
rev_ma3=rev.average(3)
rev_ma12=rev.average(12)
vol_ma5 = vol.average(5)

extra_conds = ((rev_ma3 > rev_ma12).sustain(3)) & (rev_rf >= 20) & (rev_ma3/rev_ma3.shift(12) >= 1.15) & (vol_ma5 >= 100*1000)
buy = all_position & extra_conds
buy *= vol_ma5
buy = buy[buy>0].is_smallest(10)


report = sim(buy, position_limit=0.2,resample='2W',stop_loss=0.2,upload=True)
report.benchmark = data.get('benchmark_return:發行量加權股價報酬指數').squeeze()
report.display()

同業本益比比較法的產業面選股＊個股條件的回測結果

單用外加的個股條件的回測結果

回測分析

可以發現「同業本益比比較法的產業選股＊個股條件」後，年化報酬率、夏普率、勝率表現明顯比「原多產業投組」、「單用外加的個股條件」要好，不僅解決檔數問題，也同時兼備穿越牛熊的能力。

結論

這篇應用跨了許多面向，讓你一次學會：

• 產業資訊處理
• 產業面策略～同業本益比比較法的程式撰寫
• 多策略回測比較報告生成
• 產業面選股*個股基本面的策略優化
  

是不是很有收穫呢？要知道「產業分析模組」在別家軟體可是要另外付費1000/月的模組功能，「產業面選股主題」的主題在外面課程也要千把塊，沒想到FinLab一個月不到千元的費用就包含了，還外送你「產業面*個股基本面」的策略程式，這絕對在外面軟體的GUI按不出來，學會寫程式，就是有彈性的好處，不用受制於操作介面，也不用學虛無飄渺的操作心法，操盤人多年盤感與產業知識絕對不是你短時間可以複製，但是複製程式卻是很簡單的事…你要選擇哪一個？

• colab 範例檔連結
• 多產業價投策略複製部署
• 產業板塊圖

相對PE，PEG較少人應用。這篇文章延續上一篇本益比策略的內容，會帶大家來驗證PEG的相關策略，示範如何使用使用Finlab量化平台工具幫助開發，說明策略撰寫的脈絡，進而延伸到結合成長因子的雙因子策略。

PEG定義

一般傳統的PEG公式如下

本益成長比(PEG) = 本益比/稅後盈餘成長率

例如公司A公司本益比10元，近一季稅後盈餘成長率20%，則PEG為10/20(百分比%的部份直接除)=0.5。

PEG反應越高的本益比要對應越高的成長性才合理。

PEG為1，代表本益比與獲利預期成長相等，股價在合理區間。

小於0.6代表預期獲利成長明顯大於本益比，可能被低估，有機會在實現成長後達到合理價。

大於2代表預期獲利成長明顯小於本益比，可能被高估成本夢比。

公式重構

傳統上PEG分母使用稅後盈餘成長率，但回測後發現效果沒太好，於是想到～雖然稅後盈餘成長與EPS最高度相關，稅後盈餘成長可能帶有一次性獲利的雜訊，因獲利成長持續性低，市場對這類的企業可能評價較低。

所以回測看看所有的盈餘成長率，包含’營收成長率’, ‘營業毛利成長率’, ‘營業利益成長率’, ‘稅前淨利成長率’, ‘稅後淨利成長率’，觀察每一種PEG指標在0.2間隔區間的回測。

發現使用’營業利益成長率'(子圖3)當作分母的線性回歸最佳，另外四種成長率指標的趨勢較跳動，且越低的’PE/營業利益成長率’報酬率較高，推測合理解釋為營業利益成長較能反映本業成長性，若獲利多來自本業成長，排除賣資產灌獲利的本業低成長公司，市場預期成長持續性的機率較高，則可能給予較高的評價。

PEG單因子策略回測

使用Finlab套件輕鬆撰寫策略～回測低PEG的標的，每月進行換股。

from finlab import data
from finlab.backtest import sim

pe = data.get('price_earning_ratio:本益比')
營業利益成長率=data.get('fundamental_features:營業利益成長率')
peg=(pe/營業利益成長率)
position= (peg>0) & (peg<0.5)
rr=sim(position=position,resample='M',name="策略教學範例:peg_single_factor",upload=True)

雙因子策略

PEG是有效因子，但可能還有優化的空間，搭配其他成長因子的指標如月營收，可以更鎖定成長動能強+股價低估的標的。

月營收成長策略回測

我們先來測試月營收成長的單因子策略，主要思維為短期營收動能突破長期趨勢，條件為:

1.近3月平均月營收/近12月平均月營收>1.1

2.營收月增大於-10%

3.每月進行換股，回測區間為方便與PEG策略同步比較，回測區間為2013-2021。

from finlab import data
from finlab.backtest import sim

rev=data.get('monthly_revenue:當月營收')
rev_ma3=rev.average(3)
rev_ma12=rev.average(12)
pe = data.get('price_earning_ratio:本益比')

cond1= rev_ma3/rev_ma12>1.1
cond2=rev/rev.shift(1)>0.9

position=cond1 & cond2

# 同步回測年度
position=position.reindex(pe.index, method='ffill')
sim(position=position,resample='M',name="策略教學範例:rev",upload=True)

回測數據蠻好的，就單因子而言，月營收成長明顯比PEG策略有更好的表現。

雙因子策略回測

若結合營收成長因子與PEG會有更好的效果嗎？

我們把PEG當作輔助因子，用來把月營收成長策略的標的做限縮，每個月月營收成長過濾完後，再挑PEG最低的10檔當作持股，。

再加入適當的停損條件去優化組合波動，如何設定適當的停損會在後續教學文章解說。這次停損設定在10%。

pe = data.get('price_earning_ratio:本益比')
rev=data.get('monthly_revenue:當月營收')
rev_ma3=rev.average(3)
rev_ma12=rev.average(12)
營業利益成長率=data.get('fundamental_features:營業利益成長率')
peg=(pe/營業利益成長率)
cond1= rev_ma3/rev_ma12>1.1
cond2=rev/rev.shift(1)>0.9

cond_all=cond1 & cond2
result=peg*(cond_all)
position=result[result>0].is_smallest(10).reindex(rev._index_str_to_date_month().index, method='ffill')

sim(position=position,name="策略教學範例:peg_rev",stop_loss=0.1,upload=True)

可以發現策略績效上升到31%，夏普率和MDD都更優化，僅是這樣簡單的條件就能寫出不錯的雙因子策略。今年更是靠抓到航海王賺到不少油水。

總結

PEG做單因子選股有正面效果，結合其他成長指標更能如虎添翼，在成長動能型的策略會是好幫手。

有沒有更會使用Finlab量化平台開發策略了呢？

對本篇程式有興趣的可以參考文底連結附檔，記得要先註冊Finlab量化平台才可有權限使用程式喔！

colab程式範例

我們先來看看「錯過」有多麼可怕！

「錯過不是錯了，而是過了」

下圖中，橘紅色的為「加權指數」的歷史股價，而藍色的也是，差別在於藍色的股價剔除了10個一分鐘「最大漲幅」，來模擬一個人在14年中，除了有總共有10分鐘沒投資，其餘時間每天投資大盤，然而那10分鐘漲幅剛好非常大。

你可能會覺得結果應該差不多，但最後的結果，竟然有 50％ 的差距！

這十分鐘就足以造成50％的差距，更何況一般人沒有紀律的投資了！
如此可見，錯過真的是非常可怕的一件事情！

你錯過的一個策略

一年前，我介紹了一個策略，這個策略屬於懶人投資，其歷史績效14年14倍，算是本blog滿早期的選股策略，其特色是，可以避開行情過熱的時段，它的特色是

「假如你知道行情過熱，就休息個一年半載，放個長假」

策略思路也滿清晰的，邏輯很簡單，我們現在就來看一下它今年的獲利狀況：

此策略今年大部分時間都沒有持股，反而是後期大跌之後，才開始持股，而且穩定勝過大盤！雖然年漲幅只有9％，但相信已經勝過非常多的人，而且從十一月開始算，其實這個策略才執行了兩個月，每個月有4.5％，算是很不錯！

然而我相信，真正使用的人應該不多，甚至一隻手數的出來的那種，因為就連我自己也沒有使用這個策略XD，接下來我們就來分析為什麼沒人用

到底為什麼總是跟策略擦身而過？

原因有很多層面，就跟切洋蔥一樣，依照每個人的等級不同，可能停留在不同的地方。先從最簡單的講起：

1. 不確定該策略的效果，不敢使用

這類的人應該是佔大多數，畢竟當時finlab是個小部落格，而且網路名師多如牛毛。假如沒有自己的驗證方法，早就已經眼花繚亂，看完那篇文章，當下覺得有理，隔天就忘記。

這種應該可以篩掉80％的人了，剩下的20％呢？

2. 策略當時沒有篩選出股票，漸漸忘記

剩下的人20%，可能想試試看這個策略如何，可惜的是，當時策略根本沒有持股，所以暫時將策略封存在倉庫，看看之後什麼時候啟動，再開始追蹤，然而過了好幾個月，就又忘記了！

然而獲利是不等人的，這時候懊悔已經來不及。

這20％的人在此時已經只剩5％！

3. 追蹤了但是不敢使用

接下來，就是這5％的人全軍覆沒的時候了XD
該策略竟然買在股市大跌的隔天，2018年10月11號當晚…
剛好是跌破近一年支撐線的隔天！
我也不敢使用XD

以上三種應該是大家最容易錯過策略，究竟要怎麼預防呢？

如何不要錯過獲利？

我覺得要在多重策略上，建構一個更大的框架，在適當的時候更換策略，但不是隨意更換策略，而是當某個條件發生的時候，才會更換，我回測過有效的方式是：

每隔一季或半年，挑選10日績效最強的三個策略，並將所有持股換成這三個策略的持股

用講的當然很容易，不過實行起來一定是有難度的。以上只是我分享自己的看法，不知道你覺得如何？歡迎下方留言分享你的「多策略搭配的方法」喔！

網路上已經一堆網站都在介紹PE了，今天做一些別的統計給大家看，常常聽別人說PE約在10～20之間，但是我們還是來看一張讓你很有感覺且非常新鮮（昨天的）的台股每間公司的PE分佈圖：

就像大家說的，真的集中在10～20之間，然而我們可以看到此分佈的兩個標準差來到了5～37左右，而更大一部份的PE市集中在10~15之間。

接下來我們就來做個小實驗，把2005年～2017年所有的台股上市公司都拿來回測，每隔半年選入本益比符合條件的全體公司，並且平均分配現有資金，當然實際這樣玩你得身價好幾個億，但我們這邊只是假設一個理想的狀態，手續費也是0，我們一共有七組不同的實驗：

1. 本益比介於 05 ~ 10 之間
2. 介於 10 ~ 15 之間
3. 介於 15 ~ 20 之間
4. 介於 20 ~ 25 之間
5. 介於 25 ~ 30 之間
6. 介於 30 ~ 35 之間
7. 介於 35 ~ 40 之間

每一組都模擬12年看一下投資報酬會如何：

Y軸是獲利的倍數，可以發現定10~15普遍比其它組還要好，證明在市場上買低本益比的股票是可以長期看多的，那為何最低本益比的5~10這組，會比較差呢？我個人認為可能是股票的多樣性不足導致的，因為本益比介於5～10的股票本來就比較少，沒有足夠的分散風險。另外也有可能是，某家爛公司突然大量的業外收入，讓我們以為它賺很多，但體質還是很差導致的。

來看一下這七組12年的獲利倍數：

這邊的Y軸一樣是獲利的倍數，可以發現本益比越大，獲益就越差，跟報酬呈現反比。也證實了本益比越小的股票，是越值得投資的！

但！

這邊指的是投資風險足夠分散的情況下得到的結論，假如你的金額不大，只看本益比買股票會發生什麼事情呢？以下我們再做兩組實驗：

1. 本益比介於12.9~13.1
2. 本益比介於12.5~13.5

這兩種不同的組合，其平均本益比都在13左右，但為何獲利差這麼多呢？答案是因為選股的數量不一樣，第一組實驗每次都選了30支左右的股票，而第二組實驗每次都只選了小貓兩三隻：

可以發現，當你只選了兩三支本益比很小的股票時，根本一點用都沒有用！財經數據就像超級大雜訊，100支股票是可以簡單找到規律性的，但挑一支說會漲，一定是在騙自己。

總結：

• 本益比重看不重用（XD），不是啦，應該說本益比平常買股票參考用，但絕對不能當作唯一的指標！
• 像巴菲特一樣看準了重壓一家公司，實在是很有難度，像我這種散戶，假如資本夠，還是好好的分散風險吧！
• 資本不夠的話，得配合其它條件篩選出更好的股票，盡量平均分配，是比較恰當的。

在看圖之前不免俗的先講講本益比（PE）

本益比中位數介紹

本益比的簡單公式是：本益比 = 每股市價／每股盈利。

本益比越高，代表你用較多錢買一間盈利低的公司股票
本益比越低，代表你用較少錢買一間盈利高的公司股票

利用本益比中位數來判斷大盤大趨勢

下圖紅線是是每天大盤上市上櫃股票的本益比中位數（取過對數的）隨時間變化圖，藍線是2個標準差，灰色是大盤：

大家可以觀察一下，以下是我發現有趣的點：

• 假如我們現在有個策略在紅線為2.5左右買進大盤，而3左右出清，感覺獲利會滿可觀的！（然而金融海嘯還是得凹一下單就是了XD）
• 用本益比中位數台股2000年上萬點為3.5，而今年上萬點只有2.6，代表兩次上萬點意義不太一樣，2000年那次比較像是泡沫，破了後來很慘烈；而今年是大盤破新高，而紅線沒破新高，代表企業的盈利目前來講還算是跟的上股價的漲幅，沒有太誇張，所以這幾天雖然都慘慘的，我個人還是保持平常心。

大家可以搭配之前用淨值比判斷大盤漲跌的文章看，雖然股價淨值比的中位數有點偏高，但目前都沒有大暴跌的明顯徵兆，但我真的不是叫你相信這些指標，因為每個指標的結論很有可能不一樣，例如下面就是一個例子：

反面例子：GOOGLE TREND

這個指標已經被Mr.Market在這篇文中介紹過了，簡而言之：
google trend 指標就是 “台股” 這個關鍵字的熱門程度，是反指標。

事隔多年看一下，發現最近有點散戶真的是灌入台股這樣：

最近”股票”的搜尋人氣已經達到歷史新高更勝2008金融海嘯前…

為什麼”股票”關鍵字人氣越高，股票越容易跌？因為用google搜”股票”這兩個字的，大部分都是新手散戶，有人把股市當做是一種心理學的競技場，新手往往沒有交易的心理素質，容易買高賣低。引用巴菲特的名言：

We simply attempt to be fearful when others are greedy and to be greedy only when others are fearful.

總結：雖然淨值比來看，企業的盈利目前來講還算是跟的上股價的漲幅，但投資時還是得參考更多的指標再做決定，並自行負責！

我喜歡跑一些歷史數據找一些規律性，但絕對不做預測，希望可以用最中性、較科學的方式來跟大家一起研究投資這門學問。

從統計的角度帶你一步一步設計量化策略

一般的財經文章都是講講理論，算算公式，套幾個例子，就結束了。

問題是，你怎麼知道那個例子是湊巧還是真的有用？

FinLab跟一般的財經部落格不一樣，我們把全台灣所有的公司做統計整理給大家，讓大家瞭解如何從股市中獲利，透過長時間的投資，為自己增加買菜錢。

此篇是前幾篇的一個小統整

在股價淨值比有這麼神？跟本益比能幫你選出優質股？中，裡面介紹了用不同的本益比和股價淨值比跑歷史回測

於是今天來總結一下這兩個指標，寫一個策略，讓大家瞭解股價淨值比跟本益比合在一起迸出什麼樣的火花！

策略就是這麼簡單：找便宜且會賺錢的公司

簡單來說這個就是一個雞蛋水餃股策略～

先用以下條件篩選出雞蛋水餃股：

• 股價淨值比 < 0.7 的股票 （被嚴重低估股票）
• 本益比 < 13 的股票 （還算會賺點錢的公司）

我們先把它們定義為”便宜股”

還必須去除大盤大跌的時刻

這種便宜股在股市大跌的時候，跌得非常驚人，一定要避開！

還記得在股價淨值比有這麼神？ 這篇中，有介紹當大盤大跌後，便宜股會變多！反之，當大盤過熱時，便宜股會很少。就是利用這個原理，來進行對大盤時間的過濾：

• 假如便宜股太少（上市上櫃小於100家公司），代表大盤處於漲多的狀態，清空所有股票，不持股半年！可以去放放假，陪陪家人，休息一下！
• 假如便宜股夠多，則買收盤價在10元以上的上市股票 (畢竟太便宜的股票還是會怕怕的XDD)

每半年換一次股，選擇滿足以上條件的所有股票，本金100萬元台幣，手續費不打折，交易稅0.3％

事實上十萬本金就可以了，只是獲利從14倍減少到8倍左右

常常休息的策略，卻可以有如此高的績效！

這個策略常常休息，甚至在2010~2011這兩年完全沒買股票！真的很扯！

大盤高檔之際完全不用盯盤，不用每天提心吊膽的，你說這種輕鬆的策略，怎麼可能賺到什麼錢？

但，這就是一個跟財報狗的績優股獵犬不相上下的交易策略，不鳴則已，一鳴驚人，平常不買股票，等到台股崩跌時，能夠快速的獲利！

策略是否持股也是一種指標～

這個策略躲過了從2004年來每一次的台股慘案，所以也可以用這個策略持股數來看出大盤現在是否漲過頭。持股數0代表大盤漲過頭了：

最近股票會崩跌嗎？針對這個問題，到今天為止，這個策略還在持股，所以我認為現在崩跌的機率不大，然而歷史真的會跟未來相似嗎？沒有人可以說的准。

當市場受到空頭洗禮，許多好公司都跌回雞蛋水餃股之際，就是這個策略出動的好時機！

比績優股獵犬的虧損還小，但還是要注意虧損！

其實，虧損還是有的，2012年有點慘，一直盤整，沒有繼續突破新高，最大的虧損來到了25%：

你絕對不能輕易使用這個策略！

當你決定採用這個策略時，代表你已經檢驗過它數百遍，你相信這個策略，也代表當這個策略產生了25%的虧損時，你都必須視之理所當然，無動於衷，繼續相信它。

我不保證這邊的績效是否正確，也不保證之後這個策略不會失效
但你可以參考這邊的方法，實際模擬半年，甚至去實現自己的策略，把它修改的更好！

光看這兩種數據，就有這樣的功效了，更何況是考慮更多因素！

目前介紹了本益比、股價淨值比，並且用這兩個數值當作買賣標準，就能得到這樣的策略！

更別提後續介紹更多種的基本面、技術面、甚至是籌碼面的選股方式，來讓大家對於股市更有感覺，更輕鬆的選擇股票標的！

你知道為何我有勇氣把自己覺得賺錢的策略免費分享給大家嗎？因為更猛的在後面～XD

我盡量每天都會發一篇，假如你覺得到目前為止還喜歡的話，可以繼續關注這個blog，或是留言給我一點建議，接下來想做的主題：

• 更多的財經指標、回測
• Machine Learning 選股
• python 完全新手股市分析（包含歷史財經數據包及其研究方法）

請問哪個你會比較有興趣呢？

原諒今天我比較混水摸魚，下禮拜要博士班資格考～～

附上每天操作紀錄，證明沒在虎爛XD

會寫這篇是因為有人問上次那個14年14倍選股法，怎麼可能一次買50檔股票，太扯了吧！
被他這麼一說，突然我也覺得有點扯，該不會是回測寫錯，有bug吧！？

目前又檢查了一次，應該是沒找到什麼問題。
策略都是考慮真實買賣（本金、張數、手續費都考慮），至於怎麼考慮，下面會更詳細的跟大家介紹。

拉到文章下方，有歷史回測的每天操作紀錄，以示我真的沒在唬XD，但交易這種東西，還是自己對自己負責。

假如歷史紀錄有問題，也歡迎隨時聯絡我喔（左上角有信箱和FB），很樂意跟大家討論。

為何一次買這麼多股票？

因為我想利用空間與時間選股！

做回測到現在的心得是，自己真的是凡人，無法預測股票是漲是跌，要用時間跟空間來換取你的零用錢！

時間，就是指長線，利用一兩個月，讓基本面很好的股票發酵。
空間，就是指分散風險，投資多支股票，買到雷股時，才不至於太慘。

Q&A 時間

1.這個策略是上市上櫃大於100家時，只挑選上市收盤大於10元的買，上櫃的不考慮對嗎?

YES

2.假設上市上櫃的便宜股大於100家公司，選擇收盤價10元以上的上市公司，100萬真的夠嗎?

這些雞蛋水餃股特別便宜，下面圖一是該策略所有買入股票的價格分佈圖

幾乎都是在10～20元，然而程式沒有設定最低買入手續費20元，但低頻率的投資應該不會造成太大的影響

3.若是像2008年一樣，一堆便宜股票100萬如何足以購買符合條件的股票呢?

上一篇起始資金100萬，但到2008年已經有200萬了，這個時候買50支雞蛋水餃股是沒問題的！

為了體現買不動這個問題，另外跑了只用10萬元投資的回測：

紅色是用10萬起始資金，並考慮手續費；而藍色則是資產完美平均、不算手續費。結論是：用10萬買當起始資金也行，但獲利倍數會減少：

• 原本100萬起始的話，參考上篇文章，到今天可以有14倍獲利；
• 然而現在用10萬當起始資金，考慮真實情況（上圖紅線），到今天只有8倍，但權益曲線很相似！
• 假如可以完美平均分散，不真實情況（上圖藍線），不管起始資金多少，都能有近16倍獲利。

接下來就回答關鍵問題：2009年這麼多股票，錢那麼少，怎麼買呢？

這邊的策略是：假設n檔股票要買，將總資產分成n份，買不起就不買！

就這麼簡單，所以接下來，用十萬當起始資金，看每日持股數目，就會更瞭解：

上圖可以發現，在2009年時，因為股票太多，藍色線建議購買超過50支股票，而紅線因為本金不足幾乎沒有購買任何股票。

策略都是考慮真實買賣（本金、張數、手續費都考慮），個人覺得這個策略，是有機會真倉使用，然而我自己沒在用就是了XD，這是某天好玩做出來的結果。

所以十萬理論上也是可以的，無論多少錢，回測程式都會將資產分n份，再等比例買入每一支不同的股票！

4.能否列出在符合條件的年度，各買一張需要多少本金，根據此策略計算結果是符合條件的上市公司各買一張嗎?或是根據您的統計是以資金平均分配在各家公司的結果?

附上歷史操作數據

連結一，買股票歷史紀錄：
https://drive.google.com/file/d/0B440aEV9RNPTX2xTWUd0ZVF6Unc/view
連結二，每天操作的詳細記錄：
https://drive.google.com/file/d/0B440aEV9RNPTMGpuZFNfLURwa0k/view

這個策略只是我學習路上，有一點小成果，跟大家分享而已，我一定也有很多不足，要向大家學習的，有什麼問題歡迎留言一起討論喔～～

以下是 本益成長比 的公式：

近4季稅後淨利年增率：(近4季稅後淨利總和 / 去年同期近4季稅後淨利總和 – 1) * 100%
本益成長比（PEG）：本益比/近4季稅後淨利年增率

看起來考慮了公司的成長，所以當PEG越小，代表 本益比 越小或是 淨利年增率 越大，對投資人來講都是好事情！

理論上是這樣，而實際上真的是這樣嗎？我們不妨接著看！

首先我們先算出當前所有上市上櫃其PEG的分佈圖：

可以發現越接近0的越多公司，這種分佈還滿奇特的，我以為接近0的公司會很少才對，沒想到事實竟然跟我想像的相反，感覺好像很多公司的淨利年增率很猛！然而假如我哪裡做錯了，可以直接留言糾正我。

我們就將公司分成好幾組，每60天選擇PEG在只定範圍內的股票，就可以畫成下圖：

簡直有夠亂…這說明了PEG難道無效？！感覺是真的很難分辨出越小越好，還是越大越好…，所以我們再畫另一張圖，更好的判斷PEG大小跟獲利的高低：

圖中的X軸是PEG從小到大，而Y軸是平均獲利，我們發現，當PEG太大獲利真的很差。但當PEG非常小的時候，效果也非常不好。
PEG約等於0.5的時候，會有最好的獲利。

只能說PEG在台股可能不是非常的好用，PEG不能一味的追求越小越好，最好選擇PEG等於 0.5 左右的股票，歷史回測會有比較好的結果。

我覺得另一個可能的原因是，當PEG過小的時候，可能選入了一些短期內獲利爆起爆落的公司，其公司股價可能先盛後衰，造成投資上的虧損。但我不太確定，還必須做更多功課才能釐清。

總之以統計的結果來看，PEG並沒有特別顯著的功能，相較於其它介紹過的指標。也有可能是我實驗那裡做錯了，可以留言跟我討論，我會儘速更改！確保大家獲得正確的內容～！