新手開胃策略

股價淨值比和本益比是許多人都認識的評價指標，廣為人知的程度就像炸雞一樣。炸物料理，不少人覺得不就是食材新鮮拿去炸一炸就好吃了嗎？殊不知以炸為主要手法的高檔「天婦羅」料理。要做得好，牽涉到炸功、油品、油溫、麵粉，還要精準掌握溫度火候與時間，備料與烹過程中有很多細節得講究。
覺得股價淨值比和本益比太簡單，肯定沒用？免費的肯定沒好料？那你就大錯特錯了，雖然FinLab 策略清單上以下者兩個免費的策略程式都不到15行，十分清爽，但回測數據都有穩定的效果，許多進階策略也從這兩個策略的核心延伸出去，新手必吃的開胃菜啊！

• 股價淨值比
• 本益成長比

如果你仔細去了解策略備後的思維細節，會發現都是簡單而不簡單的好策略。
像是股價淨值比策略中，為什麼要使用 （收盤價*股價淨值比）? 而非單純的股價淨值比？

from finlab import data
from finlab import backtest

收盤價 = data.get('price:收盤價')
股價淨值比 = data.get("price_earning_ratio:股價淨值比")

# 條件 1
收盤價大於五 = 收盤價 > 5

# 條件 2
季線 = 收盤價.rolling(60).mean()
收盤價在季線之上 = 收盤價 > 季線

# 條件 3
總條件 = (收盤價 * 股價淨值比)[收盤價大於五&收盤價在季線之上].is_smallest(20)


backtest.sim(總條件, resample='Q')

因為股價淨值比高的通常也是高價股，如果是低價股，要小心財務安全性，所以有要求股價要大於5元，5元的標的若是高股價淨值比，例如2倍，就代表每股淨值2.5元，很危險，也會是全額交割股。

同樣的股價淨值比比較之下，因為篩選後面有用最小值篩選機制「is_smallest(20)」，所以股價低的會優先，帶入操作低價股為選股因子。越低價的標地可能有較高的風險報酬比。如果是小資族，低價股的策略由於有較高機會不用買零股，流動性風險也會較低。

本益成長比 則是重構傳統上PEG分母使用稅後盈餘成長率當分母的定義，改用本業成長純度高的營業利益率當分母，排除以往涵蓋過高一次性業外收入的雜訊。教你如何靈活應用財務指標，而不拘於傳統定義。

這兩個策略看似簡單，其實背後並不簡單，就像好吃的料理不一定要精雕細琢，大巧不工才是真味啊！就像PASTi 油量挺拔的炸芝麻葉 與 牡丹天婦羅招牌香魚 把炸功發揮到極致！

新手雙主菜策略

若你覺得開胃菜合胃口，但覺得味道稍平淡點，想試一點比較「刺激」的熱主菜，波動度比開胃菜策略更強，給想要試試重口味的人嚐嚐:

• 營收股價雙渦輪
• 護國神山救難隊

程式也都不到15行，概念很好理解，營收股價雙渦輪 是順勢追突破，抓月營收與股價連動性高的近期強勢標的。
營收股價雙渦輪 在原型階段已有很好的表現，如果經過優化，有變成「招牌主菜」的潛力。

護國神山救難隊 是逆勢搶反彈，賭權值股會均值回歸，是基本的布林通道理論應用，在大盤空頭時期有不錯表現，2022 實戰3連勝 ，有目共睹!

新手甜點策略

如果你還吃得下，那可以再點一個程式手法稍微繁複，但概念簡單的「財務指標計分選股法」做初訪菜單的收尾，體會 Python 函式庫強大的支援與語法精簡的美學，像是台分子料理機器，將複雜的財報計分功能實現出一道精美的料理。

小結

股價淨值比
本益成長比
營收股價雙渦輪
護國神山救難隊
財務指標計分選股法

五個入門級的經典招牌程式範例，推薦給初訪的你，下一次再來介紹升級版策略套餐。

財經資料庫比較

假如我告訴你，請找一款 Package 可以讓你徜徉在資料海之中，比較市面上的股票資料庫，你可能會找到以下幾個：

CMoeny 貓頭鷹

CMoney 數據貓頭鷹，之前好像還可以用，但是好像已經沒有在開發了，API 檔案裡面，所謂的「服務網站」好像沒有公開（或關閉了），所以不知如何使用。

TEJ 資料庫

不過要是你在學校，可以用 TEJ 可以下載到資料，但是所謂的「達人方案」也需要每月 8888 ，能不能讓你發發發發，就不確定了。

坊間 Python 教學

查看部落格教學來下載，像是 2016 年，我開始在網路上分享的時候，也是先介紹怎麼寫不同的爬蟲，流量也都滿好的，因為大家都想知道怎麼抓資料，但是抓下來後，網站改版爬蟲壞掉要修改？要怎麼整裡儲存？抓下來的資料要如何串接回測？這些都非常瑣碎，導致很多人停留在這個階段就已經放棄了。

FinMind

當前最好的解決方案，是跟 FinLab 名字很像的 FinMind Package ，秉持著開放的精神，讓你免費使用 600 次 request，每小時，其實已經很佛心了！但是台股有 2000 檔股票，代表你注定一小時沒辦法下載所有資料了。就算付費會員，資料下載下來，要怎麼合併整裡儲存，也是一番功夫呀。

資料庫的掙扎

我當初想要建構一個回測平台，資料庫希望可以跟別人合作，但是資料庫廠商很保守，「這些資料要做什麼用的呢？」「你是要對外使用嗎？」「你先說你需要哪些資料，我們再來估價看看喔！」。對他們來講，資料是公司命脈，當然需要謹慎把關，商品本來就是要拉高價格，以提升毛利率。但對我來講，這些公開資料，應該是開放的，易取得的，可分享的。假如大家都是想要賣資料庫，就注定了 Python 理財無法大眾化，因為大部分都卡死在資料處理這一關了，沒有一個好的資料庫，再好的回測系統也是枉然。

FinLab：從今天起，你有不同的選擇

2000 檔股票、15 年資料，一次下載，一勞永逸，一行打趴！

所以為了打造一個最好用的 Python 回測系統，只好先從資料庫開始了。我們真的也是花了非常多心力在做這個資料庫上，上百則條目，包含上市櫃興櫃的股價財報月報、三大法人、集保庫存，你想得到的幾乎都有啦。但如何讓大家「最快」的拿到「大量」資料，並且將伺服器「傳輸成本降到最低」？用 SQL 資料庫都絕對無法達成，所以我們連資料庫都一併重寫。就算我們手上已經有很多爬蟲，但我跟 Ben 還是經歷了將近一年的調整，終於做出了像樣的資料庫。最近還新增了加密貨幣的資料和回測，持續更新中。

這個市面上最好用的資料庫，只是為了回測而順便打造的！簡單說，這只是前菜，主餐還在後面！好的 Package，不需要多解釋，只是要兩行即可說明：

from finlab import data
data.get('price:收盤價')

接下來一系列，會帶你瞭解 FinLab Package 的好用之處！歡迎到 FB 粉專 追蹤我們，才不會錯過接下來的內容喔！或是頁面又上方註冊 Email ，有新的文章就會提醒你。

模組文件

文件連結

利用簡單的語法撰寫多樣化的策略。

資料庫

資料庫文檔連結

資料主要來源公開資訊觀測站、台灣證交所與櫃買中心。

包含還原股價、上市櫃財報等多種資料，豐富各種運用。

教學內容

部落格連結

我們會不定時發布教學內容，一步步引導同學使用平台開發策略，初期以部落格文章形式為主，程式範例為統合開發環境，放在 colab 平台。

主要會包含策略撰寫、機器學習交易演算法、資料視覺化、程式新潮流應用，另外也會有各種資料應用、策略思維、實戰交易經驗、區塊鏈趨勢分享等等。
初期會以台股為主，最終目標是整合加密貨幣和美股進來，管理所有資產配置與策略。台灣的投資社群還是以主觀交易為大宗，希望藉此服務使量化交易更普及、生態圈更豐富，讓越來越多人用低成本來學習，有能力破解和驗證各種江湖傳說。

若對我們的服務有興趣，請進入量化平台網站，按右上角登錄或註冊。

Discord 交流群組

discord連結

量化平台的主要交流空間，無論是 API 操作、策略研討、程式開發、交易閒聊、Bug 回報、許願…都可以在相關頻道討論。還沒加入的夥伴趕緊點擊邀請連結進入這個大家庭!

入門 colab 範例檔

colab連結

這份檔案能帶領你快速進入 FinLab 的量化交易宇宙，將模組文件裡的重點程式內容、策略常見案例納進其中，將來無論是要以此範本撰寫策略程式，還是要複習內容都很方便。

取標的一段時間內的本益比上下限，再決定要分割幾層，用來判斷獲利或成長性穩定的股票所處於的本益比區間。

高成長股或獲利不夠穩定的企業不適用，本益比河流圖趨勢變化會太過劇烈。

本益比河流圖上升或層距擴大代表獲利逐漸成長，買在河流圖中下緣是理想位置。

本益比河流圖下降或層距縮小代表獲利逐步下掉，若股價位於河流圖上緣則風險偏高。

如何繪製?

Plotly套件提供了Filled Area Plot函數讓我們可以應用繪製本益比河流圖。

使用Scatter物件帶入fill參數就能將折線圖填充區域顏色。

import plotly.graph_objects as go
# 設定畫布
fig = go.Figure()
# 使用add_trace加入線段
fig.add_trace(go.Scatter(x=[1, 2, 3, 4], y=[0, 2, 3, 5], fill='tozeroy')) # fill down to xaxis
fig.add_trace(go.Scatter(x=[1, 2, 3, 4], y=[3, 5, 1, 7], fill='tonexty')) # fill to trace0 y

fig.show()

我們將步驟拆解為二，第一步是生成繪製所需要的資料，第二步是將資料套入繪圖function。

生成資料

pe/close先求出eps，再用split_range設定本益比上下限要分幾層河流。河流邊界為各區間本益比倍數，與股價相乘後為該邊界本益比對應的股價序列。

from finlab import data
import pandas as pd


stock_id='2330'
#幾層河流
split_range=8

close = data.get('price:收盤價')
pe = data.get('price_earning_ratio:本益比')
df = pe[stock_id]
max_value = df.max()
min_value = df.min()
# 求本益比上下限間距
quan_value = (max_value - min_value) / split_range
# 求本益比各河流倍數
river_borders = [round(min_value + quan_value * i, 2) for i in range(0, split_range + 1)]
# 算出eps
result = (close[stock_id] / df).dropna().to_frame()
index_name = 'pe/close'
result.columns = [index_name]
result['close'] = close[stock_id]
result['pe'] = pe[stock_id]
# 各本益比對應價格
for r in river_borders:
    col_name = f"{r} pe"
    result[col_name] = result[index_name] * r
result = round(result, 2)

資料目標範例如下列dataframe:

繪圖

from finlab import data
import pandas as pd
import plotly.graph_objects as go
import plotly.express as px

df=result.copy()
# 挑出欄位有數字的來畫河流圖，過濾pe/close,close,pe
col_name_set = [i for i in df.columns if any(map(str.isdigit, i))]

fig = go.Figure()

# 執行迴圈填入資料序列
for n, c in enumerate(col_name_set):
    # 第一道邊界下不要填充
    if n == 0:
        fill_mode = None
    else:
      fill_mode = 'tonexty'
    # colors.qualitative.Prism填入河流圖階層顏色
    fig.add_trace(
        go.Scatter(x=df.index, y=df[c], fill=fill_mode, line=dict(width=0, color=px.colors.qualitative.Prism[n]),
                    name=c))
    
# 製作客製化data項目用來製作hovertemplate，顯示浮動資料
customdata = [(c, p) for c, p in zip(df['close'], df['pe'])]
hovertemplate = "<br>date:%{x|%Y/%m/%d}<br>close:%{customdata[0]}" + f"<br>'pe'" + ":%{customdata[1]}"
fig.add_trace(go.Scatter(x=df.index, y=df['close'], line=dict(width=2.5, color='#2e4391'), customdata=customdata,
                          hovertemplate=hovertemplate, name='close'))

# 取股名製作title
security_categories = data.get('security_categories').set_index(['stock_id'])
stock_name = security_categories.loc[stock_id]['name']
fig.update_layout(title=f"{stock_id} {stock_name} {'PE'} River Chart",
                  template="ggplot2",
                  yaxis=dict(
                      title='price',
                  ),
                  # hovermode='x unified',
                  )
# 顯示十字線
fig.update_xaxes(showspikes=True)
fig.update_yaxes(showspikes=True)

注意以下程式，若第一道邊界下沒設None，會變成以下形式，最低一層會被填入很大一塊區域，與河流間距不相符，有礙觀察，因此我們要讓第一道邊界以下不要填充才比較好。

for n, c in enumerate(col_name_set):
    fill_mode = 'tonexty'

封裝函數與多元應用

除了本益比河流圖，常用的還有股價淨值比河流圖，計算和應用方式和本益比河流圖大同小異，我們可以將上面的程式封裝成函數，設定一個mode參數去選擇我們要哪一種河流圖。

完整程式如下:

from finlab import data
import pandas as pd
import plotly.graph_objects as go
import plotly.express as px

# 控制資料範圍
def df_date_filter(df, start=None, end=None):
    if start:
        df = df[df.index >= start]
    if end:
        df = df[df.index <= end]
    return df


def get_pe_river_data(start=None, end=None, stock_id='2330', mode='pe', split_range=6):
    if mode not in ['pe', 'pb']:
        print('mode error')
        return None
    close = df_date_filter(data.get('price:收盤價'), start, end)
    pe = df_date_filter(data.get('price_earning_ratio:本益比'), start, end)
    pb = df_date_filter(data.get('price_earning_ratio:股價淨值比'), start, end)
    df = eval(mode)
    if stock_id not in df.columns:
        print('stock_id input is not in data.')
        return None
    df = df[stock_id]
    max_value = df.max()
    min_value = df.min()
    quan_value = (max_value - min_value) / split_range
    river_borders = [round(min_value + quan_value * i, 2) for i in range(0, split_range + 1)]
    result = (close[stock_id] / df).dropna().to_frame()
    index_name = f'{mode}/close'
    result.columns = [index_name]
    result['close'] = close[stock_id]
    result['pe'] = pe[stock_id]
    result['pb'] = pb[stock_id]
    for r in river_borders:
        col_name = f"{r} {mode}"
        result[col_name] = result[index_name] * r
    result = round(result, 2)
    return result

def plot_tw_stock_river(start=None, end=None, stock_id='2330', mode='pe', split_range=8):
    """Plot River chart for tw_stock

    Use maximum or minimum PE(PB) to calculate River.
    it is good for judging the  high and low in the historical interval.

    Args:
      start(str): The date of data start point.ex:2021-01-02
      end(str):The date of data end point.ex:2021-01-05
      stock_id(str): Target id in tw stock market ex:2330.
      mode(str): 'pe' or 'pb'.
      split_range(int):the quantity of river borders.
    Returns:
        figure
    """
    df = get_pe_river_data(start, end, stock_id, mode, split_range)
    if df is None:
        print('data error')
        return None
    col_name_set = [i for i in df.columns if any(map(str.isdigit, i))]

    fig = go.Figure()
    for n, c in enumerate(col_name_set):
        if n == 0:
            fill_mode = None
        else:
            fill_mode = 'tonexty'
        fig.add_trace(
            go.Scatter(x=df.index, y=df[c], fill=fill_mode, line=dict(width=0, color=px.colors.qualitative.Prism[n]),
                       name=c))
    customdata = [(c, p) for c, p in zip(df['close'], df[mode])]
    hovertemplate = "<br>date:%{x|%Y/%m/%d}<br>close:%{customdata[0]}" + f"<br>{mode}" + ":%{customdata[1]}"
    fig.add_trace(go.Scatter(x=df.index, y=df['close'], line=dict(width=2.5, color='#2e4391'), customdata=customdata,
                             hovertemplate=hovertemplate, name='close'))

    security_categories = data.get('security_categories').set_index(['stock_id'])
    stock_name = security_categories.loc[stock_id]['name']
    fig.update_layout(title=f"{stock_id} {stock_name} {mode.upper()} River Chart",
                      template="ggplot2",
                      yaxis=dict(
                          title='price',
                      ),
                      # hovermode='x unified',
                      )
    fig.update_xaxes(showspikes=True)
    fig.update_yaxes(showspikes=True)

    return fig


# plot_tw_stock_river(stock_id='2330',mode='pe',split_range=8)
plot_tw_stock_river(stock_id='2330',mode='pb',split_range=8)

總結

使用finlab和plotly套件可以做出各式各樣視覺化的應用，只要學會一些小技巧，就能客製化屬於自己的看盤工具。

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

開發環境安裝

首先安裝最新版本的finlab套件:

pip install finlab

再引入接下來會使用的套件準備開發:

from finlab import data
from finlab.backtest import sim
import pandas as pd
import numpy as np
import plotly.graph_objects as go
import plotly.express as px
import plotly.figure_factory as ff

本益比定義

這篇文章使用的是來自證交所與櫃買中心每日的本益比資料，本益比計算方式如下:

本益比 (倍) = 當前股價(Price) / 近四季每股稅後盈餘(EPS)

例如公司A股價10元，而過去四季的每股盈餘EPS是1元，
每股稅後盈餘( 簡稱EPS)意思是你手上的每1股股票今年賺了多少錢。

本益比 = 股價10元/每年賺1元 = 10倍，換句話說，若獲利能力保持，需要10年才能回本。數字越小代表預期回本時間越少，數字越大代表預期回本時間越多。

PE單因子回測

PE真的是越低越好嗎？會不會PE評價高的標地更會飆？利用finlab.data.sim我們可以輕鬆的回測我們的想法。

全市場PE區間倍率回測

我們以PE間隔5倍分別回測，ex:0-5倍、5-10倍…、40-45倍、50-1000倍(高本益比區間)。設定每月初換股一次，持有PE於區間內的標的。

撰寫以下回測程式，並製作plotly視覺化使用的dataframe。

def get_pe_return():
    # 下載本益比資料
    pe = data.get('price_earning_ratio:本益比')

    # 設定測試區間(最後測試 PE = 50 ~ 1000)
    test_range = list(np.arange(0,55,5)) + [1000]

    # 回測序列資料集
    return_dataset = {}

    for start, end in zip(test_range, test_range[1:]):

        # 選股條件
        position = (pe > start) & (pe < end)

        # 進行回測，upload設為false，不上傳資料到平台，加快回測
        report = sim(position=position, resample='M', upload=False)

        # 製作繪圖dataframe
        return_dataset[f"{start}-{end}"] = report.creturn

    return_dataset = pd.DataFrame(return_dataset)
    return return_dataset

return_dataset = get_pe_return()

接著將dataframe導入plotly.express。

fig = px.line(return_dataset, title='pe multiple backtest')
fig.show()

fig = px.bar(return_dataset.iloc[-1], color=return_dataset.iloc[-1].values, title='pe multiple backtest bar')
fig.show()

由圖可知，PE區間10-15倍最好，大致呈現單調線性關係，PE越低的報酬率越好，但極高PE的區間的報酬率又再度高起，代表有不少高本益比的標的報酬率也不錯，顯示PE指標的趨勢分隔性可能不是太優。

全市場策略範例

我們將表現最好的10-15倍區間寫成策略，並上傳量化平台。

pe = data.get('price_earning_ratio:本益比')
position = (pe>10) & (pe<15)
report=sim(position=position,resample='M',name="策略教學範例:pe_single_factor",upload=True)
report.benchmark = data.get('benchmark_return:發行量加權股價報酬指數').squeeze()

可以發現報酬率相當貼近大盤，推測很難使用PE單因子策略打敗大盤，我們要進一步去思考PE評價模式適合用於每一個產業嗎？例如某些產業如半導體的市場評價較高，低倍本益比可能不適用。市場上常說景氣循環股獲利高峰常見本益比低點，成長延續性差，如鋼鐵航運族群要把本益比反著看，真的是如此嗎？接下來我們可以思索其他變因去優化，嘗試加入產業因子去分析。

產業PE回測

我們使用data.set_universe(category='產業名')來設定回測的產業範圍，帶入先前的回測程式得出各產業最終報酬率的熱力圖，方便觀察數據。

由熱力圖顏色深淺，可知每一個產業在不同PE區間的報酬率序列變化。若該產業適用於PE評價，報酬率應該要與PE倍數呈現線性關係，顏色應呈現漸層變化。

若規律跳動混亂，如其他、化工、電子通路族群，就不太適合套用PE評價。

若50-1000倍的報酬率在該產業的前幾名，如半導體、鋼鐵、電腦週邊，代表不太適合用低PE去抓潛在高報酬標的，該產業可能較多轉機飆股的整體PE評價偏高。

我們可以將各產業於PE 10-15倍區間依大小排列，取前5高報酬率的產業&PE v.s.報酬率變化呈現線性關係的產業做產業因子範圍，分別是 ‘食品工業’,’紡織纖維’,’航運業’,’油電燃氣業’,’橡膠工業’，都是傳統產業，本益比評價較科技業低，符合傳統假設，但景氣循環股不適用的假設和回測結果不同。

PE&產業因子策略範例

接著將產業因子加入回測。

category = ['食品工業','紡織纖維','航運業','油電燃氣業','橡膠工業']
data.set_universe(category=category)
pe = data.get('price_earning_ratio:本益比')
cond1= (pe>10) & (pe<15)
position=cond1
ind_report=sim(position=position,resample='M',name="策略教學範例:pe_industry_factor",upload=True)
data.universe_stocks = set()
ind_report.benchmark = data.get('benchmark_return:發行量加權股價報酬指數').squeeze()

策略比較

回測比較可以發現加入產業因子後，各項數據都較使用全市場標的有明顯的優化，年化報酬上升到21%，拉開與大盤的差距，只有2011年產生小幅虧損。

每一期的標地數介於10-40檔左右，無過少標地數影響報酬率的情況。

利用回測物件下的function:creturn.calc_stats().return_table獲取報酬率資料。在近12年度中，有2/3的年度優於未加入產業因子的情況，且輸都是小輸、贏都是大贏，並沒有勝率不穩定的情況。

還有沒有再優化的可能呢？加入其他財務或技術指標再限縮標地或停損停利來優化，就留給各位去發展了。

總結

PE無法做單因子選股去獨撐大樑，但確實是有用的因子，若加上其他條件相輔相成，有機會開發出不錯的策略，再開發其他策略時可以考慮加上PE去優化，如果是針對文中提到的特定產業的，可能有機會大大提升。

PE最為人詬病的地方就在於使用過去的獲利去評價，沒考量到未來的成長性會造成獲利得改變，下一篇會介紹本益成長比(簡稱:PEG)做更進階的應用。

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

台灣經過5月的國內疫情，現在逐步邁向解封，房地產剛性需求遞延，近期鋼價與工資大幅上漲將轉移到終端價格，建商開始出現台灣房地產上漲的預期，按疫情經濟發展脈絡，國內房地產趨勢確實有可能複製美國的進行式，然而營建類股也有不少家數，如何精益求精選出營建類股的王者，我們需要更多指標幫助我們挑選，為接下來的行情做準備。

營建建材類股走勢

簡單回測下營建類股，發現ifirs財報新制後的幾年，營建類股指數走勢長期落後大盤許多。

營建業產業特性

1.營收波動劇烈，營收認列集中在完工交屋月份，未交屋前營收數值很低。

2.族群連動性強，與總體經濟相關。

3.市場給予的本益比低。

4.據景氣循環性質，本益比越低往往是業績到頂的現象，本益比指標要反著用。

5.流動合約負債是營收與獲利的領先指標。

什麼是流動合約負債？

比起一般常用的獲利指標如毛利率、ROE，這項藏在資產負債表的項目比較少人在使用，主要包括「預收工程款」與「預收備料款」兩大科目，在營建類股常是“預售屋”的部分，設備業則是“機器專案訂單”，簡單說就是先跟客戶收錢，等完工驗收後交付，清償這筆對價的債權，若無發生毀約或交付瑕疵，方可轉列於營收。

預收款項的性質讓它成為營收獲利的領先指標，營建業與設備業的商業模式比其他產業更常採大量預收性質，也讓該指標在這兩個產業可能特別有效。月營收反而可能變落後指標。

策略撰寫

條件:

1.只挑選證交所分類的營建類股。

2.近一季”流動合約負債/股本“大於55%，潛在每股營收5元以上符合獲利爆發潛力。

3.產業內偏高或負數的本益比，代表流動合約負債尚未轉成獲利，更具轉機性質。

4.流動合約負債成長率：流動合約負債取代營收，算季成長率，取季成長，且成長不過高的，過高容易一次反映完短線利多，造成表現後續無力。

5.篩選到最後選“流動合約負債/股本”前5高，集中選股火力。

6.每月檢視一次持股訊號。

策略範例

若你是 FinLab 量化平台 VIP 可點此連結進入策略，輕鬆複製策略程式碼。
運用 FinLab 的 產業過濾器，我們可以很方便針對特定產業來做選股實驗。

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

# 限定回測產業範圍
with data.universe(category='建材營造'):
    # 資料引入
    close = data.get('price:收盤價')
    pe = data.get('price_earning_ratio:本益比')
    contract_debt = data.get('financial_statement:合約負債_流動')
    contract_debt_gr = (contract_debt/(contract_debt.shift())-1)
    equity = data.get('financial_statement:股本')

    # 計算合約負債佔股本的比率，比率越高代表未來潛在貢獻每股營收越高
    ce_ratio = (contract_debt / equity)

    # 選股條件
    cond1 = ce_ratio > 0.55
    cond2 = (pe > 10) | (pe.isna())
    cond3 = (contract_debt_gr > 0.05) & (contract_debt_gr<0.5)
    cond_all = cond1 & cond2 & cond3

    result = ce_ratio * cond_all
    position = result[result > 0].is_largest(5)
    strategy = sim(position,resample='M',stop_loss=0.08,fee_ratio=1.425/1000*0.3,name="合約負債建築工")

回測結果

不論年化報酬率、夏普率、MDD都比整體營建類股好，運用合約負債的觀念，將營建類股的領頭羊挑選出來。
另外教大家一個小技巧，這邊使用上市建材營造類報酬指數當比較標準，取代預設的大盤加權報酬指數，想使用其他的類股指數當比較標準嗎？可以在 FinLab 資料庫的「指數資訊」取得。

結論

運用此篇文章的內容，我們可以學到針對特定產業做回測、認識合約負債財務指標、自定義benchmark，使用更多 FinLab模組的小工具製作策略與完成實驗，更多免費的策略範例等你來探索～