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！

日本北海道創下130公分積雪的歷史紀錄，美國更是遭到北極氣旋Polar Vortex肆虐，度過40年以來最冷聖誕節！別以為下雪過節才有氣氛，遭受暴雪襲擊的人們可是笑不出來，至於台股的炒作題材就是，雪下得越大，汽車用抗凍劑賣得越好！再來就是暴風雪過後，撞車該修的、或者發不動車的，就會很需要汽車售後維修！以上二大族群包括抗凍劑與副廠汽車零組件AM，往往都是過去在冰天雪地裡頭的熱門族群 — 摘自王董的籌碼大盤FB粉絲團

投顧分析師「老王」在台灣是相當知名的台股 Youtuber，經常發表市場洞見，易懂生動的表達方式讓他在台灣具有高知名度。投顧老師百百款，有的真的有料，有的只是綜藝咖，說法都邏輯說得通，但實際結果真的如此嗎？
如何判斷投顧老師的說法？最簡單直接的方式就是數據為憑，這也是在 FinLab 能學的技巧，資料與程式就是最好的照妖鏡，究竟老王的冰風暴概念股是否真有季節效應？讓我們來驗證吧！

冰風暴概念股有哪些？

之前有篇教學教大家使用 FinLab 產業資料庫的基礎應用，現在再來複習一下，我們來找找「汽車售後維修」、「抗凍劑」有哪些？結果發現我們的資料庫並沒有「汽車售後維修」、「抗凍劑」這兩個族群標籤，但你如果去 google 這兩個關鍵字，可以找到這兩個產業的台股代表公司，分別是 1319 東陽 和 1710 東聯，之後再反查 1319 東陽 和 1710 東聯 有哪些族群標籤。查詢結果如下。

• 1319 東陽：[‘汽車’, ‘汽車:保險桿’, ‘汽車:引擎蓋’, ‘汽車:鈑金’, ‘石化及塑橡膠’, ‘石化及塑橡膠:塑膠製品’]
• 1710 東聯 ：[‘其他’, ‘其他:其他’, ‘紡織’, ‘紡織:石化原料(例如純對苯二甲酸、乙二醇、己內醯胺、丙烯腈等)’]

可以發現資料庫的族群關鍵字其實有吻合，只是名稱不同，汽車的「保險桿、引擎蓋、鈑金」 都是雪地車禍碰撞時需要維修的零組件。而乙二醇是抗凍劑的原料，可以「乙二醇」為關鍵字定義類股。運用幾行程式就可以找出老王所說的冰風暴概念股。

編製概念股指數

編製方式不難，把成分股的漲跌幅取出，再取成份股的漲跌幅平均值，每日累乘上去，結果就是以平均持有各成分股的類股指數。結果可以發現，該類股長期是上漲趨勢，基本面不會太差。

統計結果

有了類股指數後，就可以來統計類股指數每個月的漲跌表現，看看冬季的月份是否有較高的報酬率與勝率。統計 2007/4/23~202212/26 共16年的回測結果，可以發現「冰風暴類股指數」老王發文時間的「12月」確實明顯有較高的報酬率與勝率，但同為冬季的1月則是墊底的表現，比較好的進場時間點應為11月底的秋末，才能吃到12月初冬的漲幅，如果在12月底進場，按歷史數據，如果持有到1月份，被修理的機會蠻高的。
冬末的2月份也有不錯的表現，是另一個可考慮的選擇，至於為何初夏的7月會是表現最好的月份 (報酬率第一、勝率第二)？就不得而知了。

結論

老王的說法大致上沒錯，只是要留意該題材，不是整個冬天都在漲，12、1、2月份的表現有落差，如果要操作波段，現在12月底才入手並不是好選擇，聰明的早在11月就部署。
還有什麼概念股想驗證的嗎？利用本篇的 colab範例程式，就能針對特定族群回測月表現，把產業資料庫的價值展現出來。

產業資料

FinLab 的細產業主題資料來源主要取自「產業價值鍊資訊平台」，少部分為自定義分類。從 FinLab資料庫 只要一行程式碼就能下載全部的細產業資訊，讓你輕鬆以此基礎做後續應用。要注意的是此份資料僅限 VIP 使用。
產業價值鍊資訊平台 會將主產業再分拆上下游的細產業，讓你更精細的去比較，否則證交所一般分類光半導體就近百檔，比較效果相對籠統。

每家公司所屬產業的資訊放在 catergory 內，category 欄位的型態是文字格式，所有產業分類會放入 List 後再包成文字型態，從該資料得知公司分別有哪些產業的標籤。
例如1101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」、「水泥:水泥熟料」(格式為「主產業:細產業 or 主產業」)。

簡單查詢應用

如果我們想查詢哪些公司屬於水泥產業？我們可以運用pandas內的 Series.str.contains，讓我們快速分類出產業名單，如下範例，只要「category」欄位內含「水泥」兩字，就會被納入範圍。

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」的公司
ind1 = themes[themes['category'].str.contains('水泥')]

contains 語法支援 or 的運用，如果我們今天想選出產業包含「水泥」或「建材營造」的公司，可以使用以下語句，使用’|’的符號做邏輯運算串連：

ind2 = themes[themes['category'].str.contains('水泥|建材營造')]

簡單回測範例

「想挑出水泥產業中，本益比低於水泥產業本益比中位數之個股當投資組合」

實作很簡單，用前述contains篩選的stock_id，套入本益比資料做欄位圈選，就能限定資料範圍，再運用 median(axis=1)，計算每日產業本益比中位數，axis=1的用途在取每一期(橫列)的中位數。

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'])]

# 計算每日產業本益比中位數,axis=1的用途在取每一期(橫列)的中位數
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()

自定義產業分類

有時我們發現產業價值鏈資訊平台的分類仍不能滿足需求，像是他缺少概念股的標籤資料，學會Python 的好處在我們可以任意擴展資料，去自定義新增的分類。
使用開發好的 create_new_industry_themes 的函式去創建新的產業分類，其中 additional_themes 變數控制新增標籤，格式為[([目標群],[標籤群]),...]。

例如以下範例對’6684′, ‘6756’, ‘3014’ 新增 ‘元宇宙:祖克柏概念股’ 的標籤，對’1342′, ‘1584’新增’航太週邊:空中巴士概念股’的標籤，對’2342′, ‘3317’, ‘4923’, ‘5299’, ‘6287’ 增加兩個標籤’半導體:基礎元件’, ‘通訊產業:通訊元件’。

def add_sub_group(dataframe, stock_list: list, theme_list: list):
    try:
        dataframe.loc[stock_list]['category'] = dataframe.loc[stock_list]['category'].apply(
            lambda s: s.extend(theme_list))
    except KeyError:
        print('stock_list not in index.')
    return dataframe


def process_sub_group_list(sub_group_list):
    sub_group_list.extend(list(set({i[:i.index(':')] for i in sub_group_list if ':' in i})))
    return sorted(list(set(sub_group_list)))


def create_new_industry_themes(additional_themes):

    df = data.get('security_industry_themes')
    df = df.set_index(['stock_id', 'name'])
    df['category'] = df['category'].apply(lambda s: eval(s))

    if additional_themes:
        for stock_list, theme_list in additional_themes:
            df = add_sub_group(df, stock_list, theme_list)

    df['category'] = df['category'].apply(lambda s: process_sub_group_list(s))
    df = df.astype(str)
    df = df.reset_index()
    return df


additional_themes = [
    (['6684', '6756', '3014'], ['元宇宙:祖克柏概念股']),
    (['1342', '1584'], ['航太週邊:空中巴士概念股']),
    (['2342', '3317', '4923', '5299', '6287'], ['半導體:基礎元件', '通訊產業:通訊元件']),
]


new_themes = create_new_industry_themes(additional_themes)
# 檢查6684 是否成功新增標籤
new_themes[new_themes['stock_id']=='6684']['category'].values

執行完含式後，會發現 new_themes 已有新增資料～之後就可以用自定義後的 new_themes 做產業分析囉！

小結

colab程式範例

學會基礎的產業資料的資料處理技巧後，就可以進行許多分析與策略開發，像是「產業面選股策略｜同業本益比比較法」就是延伸的應用喔！
如果有自己的產業分類標籤可以加入，那就會進化成個人獨有的資料，可能創造出不易被模仿的策略或產業觀察指標。

記得以前看日劇「下町火箭」時，被阿部寬演的火箭研發職人激得熱血沸騰。
劇中呈述一家小型精密機械公司「佃製作所」專注研發的過程，大宗產品的獲利都拿來研發高技術門檻的「火箭門閥」，社長不畏眾人質疑，就算被貸款銀行嘲笑：「沒有利潤的專利就像垃圾一樣。」，仍堅定專注研發的孤獨道路，熬了許久，經歷多次考驗，搶先註冊的專利和品質頂尖的產品，打進帝國重工(現實中的三菱重工)的星鏈計畫，最後享受到獨門專利帶來的高毛利甜美果實。

現實中有這樣的企業嗎？最經典的範例就是Amazion (AWZN)，創辦人Bezos一直追求破壞式創新，不斷投入研發經費做個領域的嘗試，但龐大的研發費用也吃掉許多獲利，讓損益表和本益比的數字一直不太好看，Bezos較在乎營收與營運現金流量同步成長，只要這趨勢能維持，為公司帶來研發經費的支撐，那只要在激烈的資訊產業不斷投入資源而脫隱而出，就能囊括藍海市場的份額。木頭姐 (Cathie Wood) 的破壞式創新選股很多都是像AWZN這類經營模式。

台灣之光台積電 (TSM)是另一個經典的例子，不斷投入的研發費用和資本支出最終拉開與競爭者的差距，現在高階製程在對手看不到車尾燈的情況下，還可以在毛利50%的情況下再漲價，且沒有客戶敢抱怨啥，營收持續成長，讓台積電股價持續在緩步上升，就知道研發實力、企業競爭力、股價有所關聯。

先前已開發過財務指標的策略，例如本益成長比，研發費用率能不能也開發出好策略呢？

研發費用相關財務指標

研究發展費

是指公司在研究開發產品/技術的過程產生的各項費用。

研發費用率

算法：研究發展費 / 營業收入淨額
越高代表從營收拿出較高比例的份額繼續投入研發，好的情況是研究發展費與營業收入淨額同步增加，若是營業收入淨額下降而導致研發費用率變高，那可能會對財務體質帶來傷害，代表公司燒錢燒的有點嚴重。

來看看台股上市櫃產業的研發費用率中位數熱力圖，明顯可見半導體、光電、通信網路、生技醫療的比率比別的產業高出一截。半導體許多公司都投入不少經費研發，長年中位數分級在0.83上下，代表多數半導體公司的研發費用率大過全市場83%的公司。傳產相關投入研發的費用明顯少很多。

研發費用佔營業費用比

算法:研究發展費 / 營業費用
營業費用由研究發展費、銷售費用、管理費用所組成，研發費用佔營業費用比可看出一家企業願意在營業費用預算下拿出多少比例投入研發，而不是花到別項如包裝費、運輸費、展覽費、廣告費、服務費，可以看出一家企業願意在有限資源的情況下，有多在意研發。

來看看台股上市櫃產業的研發費用佔營業費用比中位數熱力圖，基本上產業排名和研發費用率一樣。有趣的是生技醫療、文化創意產業的比率逐季呈現下降趨勢，研發費用率高，但是不是花更多錢到行銷等費用 (美妝產業特色)上？資訊服務業、電子零組件的比率有上升趨勢，在有限的收入下，仍願意越來越注重研發。至於傳產的比率都還是偏低或下降趨勢，經營相對保守。

全市場回測

燒錢企業

研發費用率有個問題是若”營業收入淨額”小於”研究發展費”很多，會使比率放到超大，這類通常都是新藥公司，沒啥收入，不斷投入研發燒錢，現金流也常不佳，所以之後的使用研發費用比率回測要過濾這類的狀況。
來測測這類燒錢公司的獲利曲線，果然很差。

from finlab import data
from finlab.backtest import sim

研究發展費 = data.get("financial_statement:研究發展費")
營業收入淨額 = data.get("financial_statement:營業收入淨額")


# 選股條件
position = 研究發展費 > 營業收入淨額
report = sim(position=position, resample='Q', upload=False)
report.display()

研發費用率分群

單因子回測，分10個級距分別做季回測，前10%與後10%表現差距明顯，R2_score 0.48。

研發費用佔營業費用比分群

單因子回測，分10個級距分別做季回測，前10%與後10%表現差距明顯，R2_score 0.56。整體報酬比研發費用率的回測較低。

半導體產業回測

摩爾定律的定義歸納起來，主要有以下三種版本：
積體電路上可容納的電晶體數目，約每隔18個月便增加一倍。
微處理器的效能每隔18個月提高一倍，或價格下降一半。
相同價格所買的電腦，效能每隔18個月增加一倍。

由前述可知半導體產業是火拚研發實力的產業，許多相關公司都投入不少資源，像台積電長期的研發費用率都在8%上下，佔了營業費用的80%，不拚不行啊！若照摩爾定律的假設，不研發推新製程、產品，產品掉價會很快，分群回測出來的結果會不會比全市場更顯著？

結果是沒有比較顯著，相關性低一點，中間分群報酬率也蠻不錯的。

策略範例

策略很簡單，將前面介紹的指標取交集，條件如下：

• 上市櫃標的
• 研究發展費 < 營業收入淨額
• 研發費用率排名前10%
• 研發費用佔營業費用比排名前10%
• 營業現金流大於0，排除一直燒錢的危險體質企業，eps為負數，至少要有現金活水來支撐。
• 每季換股

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

data.set_universe(market='TSE_OTC')

研究發展費 = data.get("financial_statement:研究發展費")
營業收入淨額 = data.get("financial_statement:營業收入淨額")
research_ratio= 研究發展費 / 營業收入淨額 * 100
research_ratio_drop=research_ratio[研究發展費 < 營業收入淨額]
research_ratio_drop=research_ratio_drop.dropna(how='all',axis=1).replace(np.inf,np.nan)
research_ratio_rank=research_ratio_drop.rank(pct=True,axis=1)

營業費用 = data.get("financial_statement:營業費用")
research_prop_ratio= 研究發展費 / 營業費用 * 100
research_prop_ratio_drop=research_prop_ratio.dropna(how='all',axis=1).replace(np.inf,np.nan)
research_prop_ratio_rank=research_prop_ratio_drop.rank(pct=True,axis=1)

營運現金流=data.get('fundamental_features:營運現金流')

position = (research_ratio_rank >= 0.9) & (research_prop_ratio_rank >= 0.9) & (營運現金流>0)

report = sim(position=position, resample='Q', upload=False)
report.display()

延伸想想

能否再將策略更優化呢？可以思考怎麼將上述策略優化。
Finlab策略面板上的「研發魔人」選股策略，再加入一點點技術指標、出場條件、基本面條件後又能大幅優化策略，選股清單多是專注研發的top科技公司，財務體質正常乖寶寶。
如果你從此策略延伸出更厲害的策略，可以跟我交流喔！
colab 範例檔

參考資源

• 貝佐斯寫給股東的信
• 財報狗-營業費用率拆解
• 摩爾定律