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。

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！

準備工具

Google Colab是一個非常強大且方便使用的線上程式編輯器。它基於雲端平台，可以讓使用者在任何地方使用瀏覽器來運行和編寫程式碼。使用Google Colab，您可以建立並執行Python程式，並且可以輕鬆地存取和共享您的程式碼和資料。此外，Google Colab還提供了豐富的內建函式庫和工具，可以幫助您加速開發和分析過程。無論您是初學者還是專業開發人員，Google Colab都是一個非常有用的工具，可以提升您的程式編寫和資料分析效率。

首先，我們在Google Colab上安裝「finlab」的函示庫。這個函式庫是一個非常強大且多功能的工具，它包含了我們所需的各種數據和分析工具，能夠讓我們更方便地進行數據處理和分析。此外，這個 finlab 還提供了許多額外的功能，比如圖表生成、報告生成等，這些功能可以幫助我們更好地呈現和分享我們的數據分析結果，讓我們的工作更便利和效率。

!pip install finlab > log.txt

數據搜集

接下來，我們從「finlab」裡面搜集了「營業毛利率」這個重要的線索。在過去八個季度的數據中，找到毛利率達到創新高的時刻。意味著這些公司在經營方面表現出色，值得進一步觀察的原因可能包括：

1. 提高利潤：高毛利率意味著這些公司能夠以比成本更高的價格出售產品或服務，從而提高利潤水平。
2. 競爭優勢：高毛利率可能表明這些公司擁有獨特的產品或服務，能夠在市場上取得競爭優勢。
3. 成本控制：這些公司可能能夠有效地管理成本，從而實現更高的毛利率。
4. 市場需求：高毛利率可能反映了市場對這些公司產品或服務的需求強度，消費者願意為其支付更高的價格。

高毛利的公司，它們在利潤能力、競爭優勢、成本控制和市場需求等方面，有進一步提升的跡象。

from finlab import data

margin = data.get('fundamental_features:營業毛利率')
margin_new_high = (margin >= margin.rolling(8).max()).index_str_to_date().fillna(False).is_entry()

分析事件

現在，我們用這些找到的線索來做一個「事件研究」。這就像是把這些高峰時刻和過去的記錄對照，看看它們是否有相似的模式。我們想看的是，在毛利率達到新高之後的一段時間內，這些公司的股票表現如何。

from finlab.tools.event_study import create_factor_data

adj_close = data.get('etl:adj_close')
factor_data = create_factor_data(margin_new_high, adj_close, event=margin_new_high)

上面的 factor_data 是一個表格，它顯示了一系列股票在特定日期達到毛利率新高後，隨後不同天數的股票回報率。其中

• date 和 asset：這些行是多重索引（multi-index），date 表示事件發生的日期，asset 則是股票的代碼。例如，2016-11-11 和 1101 代表在 2016 年 11 月 11 日，股票代碼為 1101 的股票達到了毛利率新高。
• factor_factor：這一列顯示的是布林值（True 或 False），在這裡都是 True，表示這些數據點都是毛利率達到新高的事件。
• factor_factor_quantile：這一列顯示數據點在其分布中的分位數，這裡顯示的是 4.0，可能表示這些事件在整體數據集中屬於較高的分位。
• 5D, 10D, 20D, 60D：這些列分別代表自事件發生後的 5 天、10 天、20 天、和 60 天的累積回報率。這些數值是小數，表示百分比回報。例如，在 2016-11-11 這一天，股票代碼為 1101 的股票在 5 天後的回報率是 -0.6748%，在 20 天後的回報率是 2.2942%。
• 正數值表示股價上漲的百分比，如 0.040244 表示股價上漲了 4.0244%。
• 負數值表示股價下跌的百分比，如 0.006748 表示股價下跌了 0.6748%。
• 數字的大小表示回報的幅度，正數越大表示越多的正回報，負數越小表示更大的損失。

這個表格幫助你了解，在股票毛利率創新高後的一段時間內，這些股票的價格是怎樣變動的。通过這樣的分析，投資者可以評估特定財務事件對股價表現的可能影響。

對比基準

最後，我們把這些公司的股票表現和「發行量加權股價報酬指數」的基準做比較。這能幫助我們了解，在毛利率創新高之後，這些股票是不是真的比市場上其他股票表現得好。

from finlab.tools import event_study

benchmark = data.get('benchmark_return:發行量加權股價報酬指數')
r = event_study.event_study(factor_data, benchmark, adj_close.ffill())

該方法用於評估事件（在本案例中為股票達到新的毛利率高點）對公司價值的影響。圖表呈現了事件發生後股票的累積回報與基準的比較。

以下是圖表的組成部分：

• 累積回報（藍色線）： 這條線表示事件後股票在幾天內的累積回報。我們可以觀察到回報通常隨著時間增加而增加，這表明達到新的毛利率高點的股票在事件後的幾天中表現良好。
• 回報（柱狀圖）： 這些柱狀圖可能表示事件後股票的日回報。柱狀圖的高度表示每天的回報幅度，可能為正或為負。柱狀圖提供了事件後每日回報的變動性的概念。
• 0.1 std（灰色區域）： 圍繞累積回報線的這個陰影區域表示回報的標準差，縮放到一定水平（0.1倍標準差）。它提供了回報相關風險或波動性的視覺表示。帶寬越窄，波動性越低，反之亦然。

x軸顯示自事件以來的天數，y軸顯示累積回報的百分比。

從圖表中，我們可以推斷，在毛利率達到新高之後的20天內，累積回報呈現正向趨勢，暗示投資者可以考慮的潛在策略。波動性似乎保持在可接受的範圍內，如灰色區域所示，這意味著雖然回報在日常波動，但整體趨勢是向上的，且沒有極端的波動。

結論

這份Jupyter Notebook利用Python進行了一個股市分析的案例研究，重點關注企業的毛利率。通過安裝’finlab’這個Python套件來準備數據分析環境。接著，它從’finlab’提供的數據中提取了過去八個季度毛利率達到新高的股票數據。

分析的核心是一個事件研究，該研究生成了一個數據集，展示了這些股票在毛利率創新高後在不同時間範圍（5天、10天、20天和60天）內的表現。此外，該筆記本還包括了與市場基準指數的比較，以評估這些股票相對於整體市場的表現。

最終的圖表結果展示了股票在事件發生後的累積回報率，並用標準差範圍來表示回報的波動性。數據表顯示了不同股票在毛利率創新高後的具體表現，正數表示價格上漲，負數表示價格下跌。

這篇文章提供了一個基於財務指標毛利率的股票篩選方法。透過這種數據驅動的分析，投資者可以更有根據地判斷在毛利率創新高的股票是否可能會帶來正面的投資回報。這種數據所帶來的魔法，正是現代投資世界中的重要利器，讓我們能夠站在更高的位置，抓住更多的投資機會。

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！

許多觀眾詢問的問題

許多觀眾詢問，他們遇到以下問題，希望能獲得我們的建議：

1. 雖然有買不同的標的、甚至還買了美股，但大盤不好的時候還是全部一起下跌。當崩盤時，對於平時沒有太多時間鑽研股票的觀眾來說，雖然心裡明白下跌是暫時的，但還是會忍不住慌張，導致無法全心投入在本業上，也很難繼續紀律執行自己的買賣策略，甚至會恐慌性的全部賣出。想請問有沒有辦法，能夠降低這個最大回檔的幅度，到一個自己能接受的範圍、卻還是能獲得報酬率?
2. 手上同時看好幾支股票想要長期持有、或是想要同時運行好幾支選股策略，但往往不知道該在哪支股票/策略上分配更多的資金，最後往往採用平均分配的方式，但總覺得有更好的、客觀的方式來決定這個資金比重。

介紹什麼是資產配置、怎麼靠資產配置解決上述問題

• 同漲同跌是因為股票之間存在”相關性”，完全一樣的話相關性就是1、完全相反相關性則為-1。正是因為資產間的相關性有高低正負之分，所以我們可以利用資產配置的技巧，讓不同的資產彼此間的波動被抵銷掉一部分，達到降低波動率、減少下跌幅度的效果。
  • 舉一個極端的例子，假設兩支股票年報酬都是20%、但高度負相關，採取50/50的配置後，以圖說明平均報酬率不變，但是波動下降非常多。
• 資產配置就是將上述例子做更嚴謹的假設、推導，透過計算資產間的相關性、並透過一定的公式去分配各種資產的資金，藉由犧牲少部分的報酬來降低不確定性風險(波動度、最大下跌幅度)。這支影片會先帶大家認識最具開創性、獲得諾貝爾獎的資產配置方法 – 效率前緣，並實作進一步改進的現代資產配置模型 – Hierarchical Clustering Models。
  • 若想更深入瞭解資產配置，可以閱讀市場先生的這篇文章

分析即將使用的FinLab策略

將選股策略視為資產

• 每個資產有自己的預期報酬率、波動度，資產與資產之間可以計算相關性；同樣地每個選股策略也有各自的預期報酬率、波動度，選股策略間一樣可以計算相關性。因此我們可以將不同的選股策略視為不同的資產，透過資產配置分配要給每個策略的資金比重。

介紹FinLab的策略

• 使用了13個FinLab策略當作是不同的資產，大家可以到官網的策略頁面查看每支策略背後的開發邏輯是什麼。
• 可以發現不同的策略都是在不同的邏輯下設計的，有的看月營收、有的追突破、看現金流、看負債、看本益比等等。因此呈現出來的策略特性也不盡相同。

分析FinLab策略

針對波動度&報酬作圖

x軸是波動度、y軸是平均報酬，紅線則是回歸直線，代表大部分的策略都分布在這條線附近。

紅線可以觀察到: 隨著風險的上升，報酬也會逐漸升高。

每一單位風險(波動度)，所能得到的報酬就是夏普比例(sharpe ratio)。夏普比例較高，也就是報酬跟風險的交換比較有CP值(每一單位風險，能換到更多報酬)，圖中點的顏色就代表夏普比率。

有了這張圖之後，就可以根據夏普比例，跟自己的風險偏好(波動度)去選擇適合自己的策略。譬如喜歡低風險的，就挑左下角的，喜歡刺激、發大財的，就可以往右上角去做選擇。

針對MDD&報酬作圖

相關性分析

• 針對策略相關性作圖
  • 前面是對每一支策略作單獨的分析，現在我們來分析策略之間的相關性。
  • 策略背後的選股邏輯不同，相關性就低。我們可以藉由這張圖片去選擇彼此相關性比較低的策略同時持有，來減少同漲同跌的狀況發生。
    • 舉藏獒跟藏獒外掛大盤指針為例子，因為藏獒外掛大盤指針是藏獒修改而成，因此兩者的相關性很高(可以對比藏獒與其它策略的低相關性)，如果只持有兩支策略，最好就不要同時挑這兩支策略。

介紹效率前緣(Efficient Frontier)

簡介

• 前面都是透過視覺化的觀察，然後進行人為分析，有沒有更嚴謹、更科學的方式呢?
• 介紹資產配置的先驅、獲得過諾貝爾獎的效率前緣。假設今天隨機給予資產們不同的資金權重，來組成成千上萬種不同的策略(就是下圖中的每一個點)，我們會發現這些隨機的策略被一條隱形的曲線所限制住。這條藍色的曲線就是效率前緣，透過這條曲線我們就可以
  1. 在給定的風險(給定x值)，求出藍色線上對應的y座標(預期能獲得的最好報酬)，並按照那個點的資產配置權重進行投資。
  2. 我們可以找出最佳收益和風險比的投資組合，也就是圖中的星星，有最高的Sharpe Ratio，也就是先前所說CP值最高的投資組合。

實作

• 用FinLab Strategy所畫出來的效率前緣

• 理想最佳權重(highest sharpe ratio)，也就是上圖中的星星處，但一樣要記得這是根據過去所算出來的效率最優配置，不代表未來這個配置仍然會是最優的。

• 隨著給定的風險水準上升，資產配置權重的變化。當給定的風險越來越高時，資產的多樣性就迅速減少，越來越朝向持股單一化(all in)前進，失去了分散投資、降低風險的本意。

缺點

• 效率前緣聽起來雖然很夢幻，在當時被譽為「華爾街的第一次革命」、「投資界的大爆炸理論」，但實際上拿來使用會發現有許多待解決的問題。
  1. 效率前緣是基于歷史至今為止的資料(歷史報酬率、波動度)所畫出來的，但過去這樣投資好，無法保證未來會一樣好。市場通常是漲跌互見的，因此按照過去歷史所畫出來的效率前緣去做配置，很可能與未來的實際情況有所不同。
  2. 效率前緣的算法可能過度集中在過去報酬率最好的資產上，可以看到將投資組合移到效率前緣上時，資產的多樣性大幅度減少，這反而失去分散投資的本意。
  3. 很容易過擬合(overfitting)：效率前緣透過每一種資產跟其他所有的資產去計算相關性，因此對參數非常敏感。只要上周跟這周的資產價格有些為的改變，藉由效率前緣計算出來的投資組合就可能會大幅度變化，這在實際運用上也非常難以執行。

介紹 Hierarchical Clustering Models

Hierarchical Cluster的精神

• 在眾多資產中，有些資產會比較相關。以股票舉例，就可能會分為不同地區的股票如台股、美股，往下又可以區分出不同的類股，如金融股、科技股、生技股等等。資產也是如此。因此我們可以透過多次的分類，先將資產劃分為大大小小的類別。

優點

• 透過 Hierarchical Cluster 的分群方法，有以下優點：
  1. 降低複雜度(不用再計算每個資產跟所有資產的相關性了，只要計算自己類別理的就好)，提升模型穩定度。
  2. 加上分類後，可以根據不同種類、層級去進行風險的平衡。譬如可以確保同層級間的所承受的風險是相同的，也就是美股跟台股承受同樣的風險，在台股之中金融股、科技股、生技股又都承受一樣的風險……以此類推，藉由這種方式也可以達成更穩定的風險平衡。

實作

• FinLab策略的Hierarchical Cluster的結果
• 不同的相關性計算方法，有可能會產生不同的分類結果，再這邊我們使用pearson算法做示範
  • 不了解也不用緊張，我們後面會教大家怎麼在不懂各種算法情況下，一樣能分辨出算法的好壞。
  • 下圖我們可以觀察到幾點：
    • 藏獒跟藏獒外掛大盤指針的確非常像
    • 合約負債工、股價淨值比外掛大盤指針的選股邏輯類似，一個挑選營建股在營收尚未認列時的低基期作買入、另一個則是股價淨值低的時候若買入，都是挑好股票在便宜的時候去做買入，因此也被分在同一類。

參數總覽

• 完整的Hierarchical Clustering Models包含各式各樣的參數，像是如何分類的演算法、分類時所採用的相關性的計算方法、該使用哪種模型來平衡風險等等，共有六個重要的參數(model,covariance,linkage,codependence,rm,obj)，而每一個參數又有多達數十種的演算法選擇。別說是一般投資人，就算是專業的投資人也很少有人能研究完各種參數，更別說參數之間的排列組合了。 註：對參數有興趣的可以點擊連結查看更細節的資訊。
• 但別擔心，接下來就會教大家用有效率的方法，在不用瞭解各種參數的情況下，找出適合的參數組合

Random Search & Grid Search

直覺想法 測了好用就用 窮舉所有

• 最直覺的想法，就是窮舉所有的參數組合一個一個測，並找出所有組合中最好的一個。我們稱這種方法為 Grid Search 網格搜索

• 缺點：當參數較多時，排列組合的數量會非常大，導致搜索的時間變長花費資源也變大，在比較複雜的實務中很難達成。
• 以此次實驗為例，6個參數就共有4 x 12 x 14 x 4 x 28 x 8 = 602112種組合要測試，用家裡的電腦可能要跑一年才測的完。

參數太多冊不完怎麼辦？RandomSearch

• 因此我們使用Random Search來解決這個問題，從每一個參數中隨機選出一個參數，最終形成一個參數組合。反覆這個隨機選取的動作，也可以找到非常不錯的參數組合。
• Random Search 的優點
  1. 可以根據自己能接受的時間長短，來決定隨機形成參數組合的次數。
  2. 相對Grid Search來說，Random Search在同樣次數的參數組合測試下，更有效率，這是因為參數間的重要性往往有高有低。 以下圖為例，x軸是相對重要的參數、y軸則是不太重要的參數，也就是說參數組合的好壞取決於隨機選取的點的x座標，因此我們希望能選出越多x座標不同的點。 Grid Search(網格搜索)的方式，在取樣9次的情況下，只會有三個不同的x座標，然而Random Search則可以取樣到不同的9個x座標點。

(論文出處: Random Search for Hyper-Parameter Optimization)

結果

以下就是我們對這六種參數所形成的參數組合，進行了5000次Random Search的結果，大約耗時5天。我們會把測試過的參數組合以及對應的結果，免費開放給大家下載，以節省大家的測試時間 (可能轉成共享的csv檔案)

• 報酬

• MDD

透過 Random Search 劃出 Efficient Frontier

該怎麼從5000種不同的參數組合，找出適合的組合呢?

• 若單純挑選報酬率最高的參數組合使用，有以下缺點:
  1. 這個參數組合雖然報酬率最高，但可能波動很大、下跌風險也很大，並不符合我們的資產分配的本意。
  2. 我們對於參數本身特性完全不瞭解，沒辦法按照自己的偏好(風險偏好、追求高夏普、低回徹等等)，舉一反三去找出其他的優秀的參數組合。
  3. 測試了5000次之後，之前從裡面挑選最好的參數組合來使用，很容易產生overfitting的現象。 Overfiiting：過度學習訓練集中的資料，導致於沒法順利分辨在訓練集外的其他資料。就像是學生靠死背題目答案來作答，而不是真正去理解題目。這樣的學生雖然在有看過的題目一定能拿滿分，但實際上了考場遇到了自己沒看過的題目，就會考的一蹋糊塗。
     • 下圖中，黑線是我們希望學到的、綠線則是overfitting後所學到的結果

透過 Random Search 劃出 Efficient Frontier

以x軸為波動度(風險)、y軸為報酬，可以發現一條明顯的效率前緣。

進一步，我們可以分別針對個別參數作圖，也就是將在該個參數中，類別一樣的都顯示為同一個顏色。以下圖(參數: model)為例，HRP這個model就會都是呈現出藍色的點，用這個方式我們就可以一目了然的瞭解這些模型參數的特性。

如何判斷參數好壞 & 特性

• 判斷三要點:
  • 是否貼合(隱形的)效率前緣：越貼近，代表參數越有效率；若大部分都在效率前緣內部，就代表有其他更好的參數選擇。
  • 同參數的點分布是否集中：判斷參數穩定性，分布的點越集中，代表該參數的穩定性越高。
  • 分布位置：說明參數特性，譬如越偏左下角風險報酬都比較低，是比較溫和穩定的策略；在右上角風險和報酬則都較高，是比較激進的策略，這邊的選擇可依據個人偏好，沒有好壞之分。
• 以Model參數示範
  • HERC & HERC2 這兩個模型在表現上很類似，大部分也都貼齊效率前緣
  • HRP的表現非常穩定(點幾乎都聚集在一起，不像其他參數般分散)
  • NCO有最高的Sharpe Ratio資料點，同時可以再大致區分成三個子類別

若點都混雜在一起

代表該參數可能不重要，沒有顯著的影響性，可以略過

可能是分的種類太多，可以分成幾張圖來查看

透過分析，選出穩定的適當參數組合

首先針對Model部分，由於obj(objective function)是NCO Model的子分類，代表NCO這個model其實可以衍伸出四個子model，因此要搭配一起看。可以發現NCO對應的三個子分類，第一個子分類是NCO+ERC，剩餘的兩個子分類則是NCO+Utility/MinRisk。在所有的Model裡，NCO+ERC是最穩定的，並且Sharpe Ratio也十分高，作為我們選擇的參數。

linkage選擇ward，因為點大多分布在效率前緣上，代表在各個不同的風險、參數組合下，都有不錯的表現。

剩餘的三個參數(covariance codependence rm)相對來說就沒有特別明顯的分布，為了降低參數過擬合的機率，就沒有必要繼續進行參數最佳化，因此剩下三個參數皆使用預設值即可。(以下簡稱此投資組合為Final Portfolio)

對選定的參數組合進行詳細回測，結果呈現

Cumulative Return Curve

• 績效曲線非常平穩，平均年報酬為40%

Drawdown Curve

• 最大MDD為-13.75%，遠小於一開始的FinLab策略

月報酬分布圖

逐月return

• 每年皆為正報酬，即便2022年空頭年也有勉強守住
• 最大單月虧損為-8%

資產配置隨時間作圖

• 可發現投資組合確實會隨著時間變化而動態調整(20天調整一次)，且主要由合約負債建築工、低波動本意成長比、股價淨值比外掛大盤指針這些比較穩健的策略佔投資組合的大部分。

結論

首先受限於策略皆為近幾年開發，沒辦法只拿開發後的時間段來進行資產配置，因此策略本身績效有一部分是來自訓練集的資料，實際上線的績效理論上會稍微下降。

但用肉眼就可以觀察到，整個投資組合的走勢相當平穩，回檔幅度也非常小，常常創新高。

完整 Portfolio Stats Summary (素材、有需要可自由取用)

與原FinLab策略比較 & 槓桿效果分析

當日報酬波動程度對比

• 平均持有所有策略 vs Final Portfolio，可以看出來每日的波動度也稍微贏過平均持有

槓桿的作用

• 我們的資產配置是一個高Sharpe Ratio的投資組合，策略本身比較穩定，因此風險、報酬都比較低。但如果願意承受風險更多的風險，我們可以藉由槓桿來等比例的放大我們的投資組合。
• 在同樣程度的風險(波動率)下，Final Portfolio可以獲得三者之中的最高報酬。同時斜率的傾斜角度其實就是Sharpe Ratio，在我們假設無風險利率為0的時候，夏普比例就等於報酬率/標準差，也就是圖中藍/綠斜線的斜率。從這個角度來理解，就能很明顯的看出Final Portfolio > 平均持有 >> 單一策略。因此即便你是想追求高報酬的投資人，也可以透過好的資產配置方式和適當的槓桿，來讓自己的投資更上一層樓。

• 同上，若將風險改成MDD的情況下，Final Portfolio表現一樣為三者最佳，而且差距更加顯著。

個人化槓桿試算器

該如何得知該開的槓桿比例呢?

如果想要開槓桿的話，要怎麼知道自己適合開多少倍的槓桿呢? 我們提供一個簡單的試算小程式！藉由輸入能接受的最大下跌幅度 / Final Portfolio的預期最大下跌幅度，我們就可以得出理想的槓桿倍數。

舉例：若我認為自己最多可以承受20%的最大下跌幅度，而Final Portfolio的最大下跌幅度為13.75%，兩者相除之後便能得到我的槓桿倍數為145.74%

註：還要考慮到槓桿所需的資金借貸利息、以及未來MDD有超出預期的可能，建議謹慎衡量後將最後得到的槓桿倍數再稍微往下降一些

相關資源連結

附上此篇文章的對應Colab連結、YT連結，供有需要的同學自行使用。

想吸收更多類似知識，歡迎到我們的Blog逛逛!

ETF的介紹與憂患

ETF(exchange traded fund)，又稱作指數股票型基金，是指買賣交易方式和股票一樣的指數型基金，若是不清楚的讀者可以點選連結，裡面有市場先生更詳細的介紹。

其實ETF 在台灣早已成為顯學，2019年ETF商品在台灣資本市場的市占率就已是世界第一。2021年上市的ETF總資產年成長率高達50%，從2020年的5,600億元大幅度增加到了8400億元，ETF的檔數更是超過了200檔。

投資人享受ETF便利的同時，卻也衍生出了一個問題：發行商為了賺取ETF內扣費用，積極推出各式各樣吸引投資人眼球的ETF，每一檔ETF都有各自的訴求和獨特的選股方式和汰換機制，品質也參差不齊，投資人又該如何從幾百檔ETF之中選出適合自己的優良ETF呢?

程式選股也能寫出ETF !

我將以00905為例，為大家示範如何用 finlab 套件模擬00905的選股條件、進一步檢驗所謂的多因子是否有達到ETF發行公開說明書中的效果、最後探討該如何優化策略，建構出專屬於自己的00905 2.0!

由於內容較多，這次的主題將分為三篇文章，分別為：

• ETF公開說明書內容解析
• 程式選股模擬ETF實作
• 優化ETF選股策略實作

在 Part1 的這篇文章中，會專注在解構ETF的公開說明書，並擷取其中選股條件分析該ETF所講述的效果是否誇大不實，那我們就開始吧 !

認識 Smart ETF 00905

00905由富蘭克林華美投信發行，並於2022/04/21正式上市 ，是台灣的首檔 Smart Beta 多因子ETF。Smart Beta 是一種長期可持續的因子，透過分析此種投資因子，可獲得「更高的報酬」與「更低的風險」，藉以賺取長期的超額收益。常見的 Smart Beta 包含：低波動率、高配息率、價值、動量、市值等，像追求高配息率的 0056 就是一種因子投資。

00905透過加入Smart Beta因子(品質、動能、價值)的篩選機制，並透過「投資因子加權」結合「成分股市值權重」，精選出兼顧成長動能及穩定配息的成分股組合，宣稱回測過去的13年有9次勝過了0050和加權指數。

ETF 就是選股策略 !

熟悉Finlab讀者們應該不難發現，00905所提到的多因子和市值其實就是各種不同features的組合而已，因此只要我們能得知00905的三大投資因子如何計算、並取得計算所需的資料，完全可以複製出和00905一樣的選股策略!

取得00905的選股條件

取得公開說明書

任何一個ETF要發行都必須有公開說明書供大眾投資人參考，因此只要Google搜尋「ETF+公開說明書」就能輕易找到。

以00905為例，搜尋「00905公開說明書」的第一個網址點進去的pdf檔案就是我們需要的公開說明書了!

公開說明書內容解析

打開公開說明書後，會發現總共有161頁，洋洋灑灑的看一下頭都開始痛了。別擔心，我們當然不需要整個看完。公開說明書有規定的編纂方式，因此我們直接到目錄，找到基金概況→基金投資→指數股票型基金應再述明事項，裡面會說明該ETF指數的編制方式，而該ETF指數就是ETF本身追蹤的標的，因此只要能得到ETF指數的編制方式，就等於得到了選股策略的邏輯!

範例1 – 00905 公開說明書

範例2 – 0050 公開說明書

查看 Smart多因子指數的表現

雖說指數型ETF以追蹤ETF指數為目的，但指數發布的時間會比ETF上市的時間還要早。因此若投資人苦惱於新上市的指數型ETF沒有過往績效表現作為參考，查看它所追蹤的指數會是一個不錯的選擇!

以00905為例，特選Smart多因子指數早於2020/8/10發布，ETF本身則是在2022/04/21才上市，相差將近兩年。

而相關的指數都可以到台灣指數公司查詢，以下是00905所追蹤的特選Smart多因子指數自發布以來的走勢。

報酬率曲線看起來相當不錯! 或許Smart多因子真的有其獨到之處，接下來讓我們接著和加權指數做對比，看看是否真能擁有超越大盤的績效吧。

Smart多因子指數和加權指數為何如此貼近?

令人驚訝的事情發生了，若以100為基準點計算，兩者的報酬率每年竟然只相差1%左右，Smart多因子指數與加權指數的走勢幾乎可以說是一模一樣。

換句話說，這代表所謂的Smart多因子模型在00905中並幾乎沒有發揮到影響力，才會導致兩種指數的走勢幾乎貼合。

結論

到目前為止，00905並沒有什麼特別的部分，走勢也幾乎與加權指數貼合，看起來只是將加權指數換一個方式重新包裝藉此吸引大眾投資人的追捧。

但是否代表著Smart多因子並沒有任何可取之處? 當然不是! 否則這個主題就不需要分成三篇文章了，Smart多因子其實也有很不錯的features，具體的實作細節和00905表現之間的矛盾，我會在Part 2的文章做更深入的解析。

最後希望閱讀這篇文章後，大家在挑選ETF時，能通過閱讀公開說明書的指數編纂方式、查看過往指數表現，辨別出哪些ETF是真材實料、又有哪些ETF只是包裝好看而已。不受發行商天花亂墜的廣告說詞影響，進而選到自己真正喜歡的優質ETF來進行長期投資 !

ETF(exchange traded fund)中文全名是交易所買賣基金，又稱作指數股票型基金，是指買賣交易方式和股票一樣的指數型基金。投資人可以透過ETF，獲取與指數同步的報酬率，基金績效與追蹤指數同步，若追蹤指數上漲X%，投資人就可以獲得X%的報酬。

註：ETF因為內扣費用、追蹤誤差可能與指數會有些微差異。

起源

全球首檔ETF為加拿大多倫多交易所在1990年推出的TIPS，但在1993年美國證交所推出負責追蹤S&P500指數的SPY後，ETF才真正開始受到投資人的青睞。至今SPY規模仍十分龐大，ETF的規模高達近四千億美金。

在ETF的初期發展中，這個追蹤的指數通常代表著大盤。舉例來說，在美國的代表是S&P500，追蹤美國500家最具代表性的上市公司；在台灣的第一支ETF則是0050，追蹤著全台最大的50間上市公司。

換句話說，ETF最原始的功用是讓一般投資人得以參與整體市場的成長，並獲得與大盤相同的資產報酬。

現況

然而隨著ETF市場的蓬勃發展，ETF追蹤的指數越來越多樣化，像是專門追蹤高科技的NASDAQ指數、半導體指數、ESG指數等等。

發行商逐漸發現，大盤的平均報酬已經不能滿足現今的投資人。為了吸引到更多人購買自家的ETF，發行商甚至開始編纂各式各樣的指數，宣稱該指數能夠打敗大盤，期望藉此吸引到更多的投資人。

熱門ETF根本性的缺陷

每個發行商都希望越多投資人購買它所發行的ETF，藉此收取更多的內扣費用。然而，當一檔ETF越熱門，持有的資金就越龐大，這就衍生出了流動性的問題。

龐大資金所衍伸出的流動性問題是熱門ETF最大的罩門，迫使ETF必須購買市值夠大的股票，然而正因這些大市值的股票都早已廣為人知，要獲得超額報酬更是難上加難了。

與超額報酬之間的悖論

超額報酬本質上意味著「市場判斷錯誤，而且你判斷正確」，因此越大型權值股產生超額報酬的機會相對越小，這也是為什麼文獻時常提到在小型股上較易產生顯著的異常報酬。

如果在美股情形倒也不算嚴重，美股多達8000檔的股票和龐大的資金胃納量，足以讓木頭姐等高手有舞台得以大展所長；台灣淺碟市場的先天環境卻只會使流動性的問題雪上加霜，這也是為什麼市值越大的ETF越難脫離大盤的形狀，也很難擊敗大盤。

實例：00905

00905又稱Smart ETF，於2022/04/21上市，以自創的Smart Beta因子作為選股的主要依據，宣稱回測過往十三年中九次擊敗了加權指數。

「00905是以獨家的因子篩選，持有的股票、報酬率曲線應該與大盤相似度不高吧？」這是很多人的第一個想法，讓我們以數據來觀察看看。

持股狀況

00905目前的前十大持股如下：

排除掉金融股外，00905的前十大持股竟然與上市市值的前十大公司一模一樣，甚至將長榮跟台塑化順序對調後，連權重排名也完全相同。

指數表現

別急著驚訝，再來看看00905追蹤的指數和加權指數的報酬率曲線吧！

經過長達近兩年的時間，報酬率只相差了不到0.5%，兩條走勢幾乎完全貼合。不標示出來的話，根本看不出來哪個是00905哪個是大盤。

背後的原因其實是因為00905設有流動性的檢驗機制，考量到建倉天數的多寡、滑價的風險，所有成交量、市值不達標的股票都不會被選入。

光是這項流動性檢驗，就已淘汰掉了一大半的股票，裡面不乏許多優質的好股票。其中甚至規定市值大於母體1%即無條件納入選股清單、連持有的權重計算也與市值嚴重掛勾。這一連串的操作下來，00905與加權指數亦步亦趨可說是一點也不意外。

不只00905，所有台灣熱門的指數股票型型ETF都有相同的問題，流動性和超額報酬之間幾乎無法兩全。

大家也可以自己動手查查看，台灣有沒有哪檔熱門的ETF真的可以長期的超越大盤績效？有發現的話歡迎大家在底下留言！

解決方法

那有沒有一個辦法，能創造出超額報酬的ETF？其實很簡單，那就是自己建構ETF！

自己建構ETF的好處

自行建構ETF，我們可以先參考ETF的說明書，保留原本ETF選股條件和特色的同時，撤除掉有關流動性的絕大多數限制。此外，自行建構ETF還不需要支付管理費用，也可以更加彈性的調整持更換持股的頻率，降低內耗成本的同時追求更佳的報酬率。

總結

今天提到了當ETF熱門到一定程度時，會引發流動性的問題，導致雖然ETF適合想與大盤一同成長的人們，卻不適合追逐超額報酬的投資人。對於想追逐超額報酬的投資人們，則可以藉由自行建構出相同的ETF，同時避免流動性的問題和管理費的內扣成本來達到更理想的報酬。

至於要如何使用finlab套件建構自己的ETF，並對其進行模擬、調整、優化，這是一個較大的主題，會在之後分成幾篇文章再做進一步詳細的介紹與範例，敬請期待!

那這次的研究就到這邊結束啦! 窩4阿榤，我們下次見~