台股選股回測 2026：單因子全輸 0050，
複合策略在風險調整後勝出

台股選股策略有哪些、新手又該怎麼開始選股？這篇用回測來回答。我們想回答一個很多人問「怎麼選股票」時真正在問的問題：有沒有單一指標，長期穩定打贏買進 0050 就好？ 為了用數據而非感覺回答，我們用 finlab 把台股最經典的幾個選股因子各自跑了一次回測，再把它們疊成一個複合策略。本文先講這個研究的結果與為什麼，再回頭整理基本面、技術面、籌碼面、消息面這四大選股面向的工具箱——這四個面向也就是常見選股策略的主要分類。

一、研究問題與資料設定

回測區間 2018-03 至 2026-06，涵蓋 2018 貿易戰、2020 疫情急殺、2021 資金行情、2022 升息空頭，到 2024–25 的 AI 多頭——一段同時有大漲與兩次像樣回檔的樣本。對照基準是含息 0050（用 etl:adj_close，把配息還原進去，否則 benchmark 會被低估）。

二、六個單因子，沒有一個贏過含息 0050

先看各個因子單獨選股的成績單。每個因子各選 30 檔、每月換股、與含息 0050 對照：

（資料來源：finlab 實測，腳本見文末 factor-comparison.py）

在本文設定下、2018-03 至 2026-06 這段期間，沒有任何一個單因子贏過含息 0050。 這是這段樣本的結果，不能直接外推成「台股單因子永遠不行」——換一段期間、換一組參數，排序可能不同。

幾個值得記下來的觀察：

• 報酬最高的「價格動能」（11.54%）也只有 0050 的一半，而且要你忍受 -59% 的回撤——多數人很難照原規則一路抱著不停損。
• 「低本益比」單獨用是負報酬。便宜常常便宜有原因（產業衰退、獲利下修），這就是價值陷阱。
• 「低波動」報酬墊底，但最大回撤只有 -13.6%，是所有因子裡最小的。它不是用來衝報酬的，是用來壓回撤的——這一點後面的複合策略會用到。

低波動因子的一個陷阱： 若不加流動性過濾，直接取全市場「波動最低」的股票，會選到近乎停滯的全額交割股或低流動個股（它們因為幾乎不交易，測出來的波動被低估），回測報酬接近零且不具代表性。所以我們對低波因子（以及後面的複合策略）都加上「近 60 日成交額前 50%」的流動性門檻。

最大回撤（MDD,Max Drawdown）: 從最高點跌到最低點的最大跌幅。-59% 代表資產一度跌掉超過一半。回撤越深，多數人越難照原規則續抱。

三、為什麼單因子會輸？

每個因子各有一個結構性弱點：

關鍵在於：這些弱點彼此不在同一個時間點發作。動能反轉的時候，低波正好幫你扛住；價值陷阱拖累報酬的時候，品質與營收成長能把你拉回真正在賺錢的公司。把彼此低相關的因子疊起來，一個失靈時其他能補，整體的波動與回撤就被壓下來。這也是 Asness, Moskowitz & Pedersen (2013)《Value and Momentum Everywhere》觀察到的現象：價值與動能在多數市場呈負相關，合成組合的夏普高於單獨任一個。

四、複合策略的設計（以及為什麼這樣設計）

我們把四個方向不同的因子各自轉成橫斷面百分位排名（0~1 分），加權平均成總分，選分數最高的 25 檔：

這裡有兩個刻意的設計選擇，動機都是降低回撤，不是衝高 CAGR:

• 低波給雙倍權重。 因為這個策略的目標是「用較低的風險換接近的報酬」，而非追求最高年化。後面的敏感度表會看到：低波權重從 1 倍加到 3 倍，回撤從 -39% 一路降到 -22%，代價是 CAGR 從 24% 降到 17%——這是個清楚的取捨，我們選 2 倍是在報酬與回撤間取折衷。
• 分數三次方加權。 把資金更集中在分數最高的幾檔，而非平均分散。不過敏感度表也顯示，等權到三次方的差異其實很小（CAGR 19.3% vs 19.6%）——所以這個選擇影響有限，不是結果的關鍵驅動。

動能口徑說明： 上面的單因子表用近 60 日動能（較短、反映短線強弱），複合策略改用近 120 日動能。原因是複合策略要的是「中期趨勢確認」，較長的回看期能降低短線反轉造成的噪音與換手。後面敏感度表會驗證：60/120/240 日三種口徑的結果幾乎一樣，所以這個選擇對結論不敏感。

複合策略用 finlab 寫出來核心就這幾行：

from finlab import data
from finlab.backtest import sim
 
close = data.get('price:收盤價')
roe   = data.get('fundamental_features:ROE稅後').index_str_to_date()
rev   = data.get('monthly_revenue:去年同月增減(%)')
mom   = close / close.shift(120) - 1                  # 近 120 日動能
vol   = close.pct_change().rolling(120).std()         # 近 120 日波動
 
# 四個低相關因子各自橫斷面排名後加總(低波給雙倍權重),選最高 25 檔
score = (roe.rank(axis=1, pct=True)
         + mom.rank(axis=1, pct=True)
         + 2 * (-vol).rank(axis=1, pct=True)
         + rev.rank(axis=1, pct=True))
position = score.is_largest(25)
report = sim(position, resample='M', resample_offset='14D')
report.get_stats()    # CAGR 19.55%、日夏普 1.24、月索提諾 2.46、MDD -25.6%

完整版（含分數三次方加權、流動性過濾）見文末可下載的 hero-quality-momentum-lowvol.py。

五、複合策略結果：報酬略低，但風險調整後較好

下面是複合策略 vs 含息 0050 的權益曲線（資金成長曲線）：

（資料來源：finlab 實測，腳本見文末 hero-quality-momentum-lowvol.py）

主論點很簡單，也要講清楚不要含糊：0050 贏在絕對報酬，複合策略贏在風險調整後表現與較淺的回撤。 在這段 AI 帶動的大多頭裡，0050 的 CAGR（24.69%）確實高於複合策略（19.55%）——這一格策略是輸的。但複合策略的夏普（1.24 > 1.21）、月索提諾（2.46 > 1.90）較高，最大回撤淺了約 8 個百分點（-25.6% vs -34.0%）。換句話說，它用略低的報酬換到明顯更小的回撤。

對願意接受報酬上限、但希望少一點心痛回撤的人，這個取捨是合理的；對只看絕對報酬、能抱得住深回撤的人，直接買 0050 反而更好。這不是「複合策略全面勝出」，而是一個清楚的風險—報酬取捨。

夏普 / 索提諾比率： 都是「每承擔一單位風險換到多少報酬」，越高越好。索提諾只計入「下跌」的波動，對怕賠錢的人更貼近真實感受。本文兩個指標都把 0050 與策略以同一口徑（夏普用日報酬、索提諾用月報酬）計算，避免只列策略、benchmark 那格留空。

下面這張「報酬 vs 風險」散佈圖把全部因子放在一起——理想的策略往左上角（高報酬、低回撤）走。複合策略明顯比所有單因子更靠左上，回撤也比 0050 淺：

完整的互動式回測儀表板在這裡，權益曲線、月報酬熱力圖、年度績效都可以直接操作：

六、穩健性檢查：這結論不是挑到漂亮參數

一個策略最容易被質疑的是過擬合——會不會只是剛好挑到一組好參數、或只靠某一段行情？下面幾張表用來檢驗結論對參數與假設的敏感度。

逐年報酬（策略 vs 0050）

複合策略的相對優勢集中在下跌年：2018、2022 兩個 0050 收黑的年份，策略都明顯抗跌（2022 只跌 2.9%,0050 跌 21.4%）。代價是在 AI 強多頭的 2024–25，策略大幅跑輸——這完全符合「低波偏防禦」的設計，牛市本來就會落後。這也說明 0050 那個漂亮的 CAGR 很大一部分來自最近兩年，策略的價值是在你最需要的回檔時保護你。

參數敏感度

動能回看期（60/120/240 日）：

持股檔數（20/25/30/50）:

低波權重（1/2/3 倍）與加權方式：

動能回看期、持股檔數、加權方式三項，結果都很穩定——CAGR 落在 19–20%、夏普 1.2–1.3，沒有哪個參數是結論的命脈。唯一影響大的是低波權重：它直接決定報酬與回撤的取捨（1 倍時 CAGR 高但回撤 -39%,3 倍時回撤 -22% 但 CAGR 只剩 17%）。這正好印證低波因子是這個策略「壓回撤」的主引擎，也說明選 2 倍是刻意的折衷而非曲線擬合。

成本壓力與族群排除

兩點值得注意：

1. 成本敏感但不致命。 手續費加倍、再加 0.2% 摩擦當滑價代理，CAGR 從 19.6% 掉到 16.7%——這跟下面 51% 的月周轉率一致（換手越高，越吃成本）。即使如此，風險調整指標仍維持在 0050 之上。
2. 不是只靠半導體。 把電子、半導體、光電等族群整批排除後再測，CAGR 幾乎不變（19.52%），月索提諾還略升。代表這個結果不是被台積電供應鏈單一族群撐起來的。

周轉率與最大回撤時點

兩者最大回撤發生在不同事件：策略的最深回撤在 2020 疫情那波急跌（快速 V 轉），0050 則在 2022 整年的升息空頭——而那一整年策略只跌 2.9%。月周轉率約 51%（代表每月約換掉一半持股），屬於中等偏高，這也是為什麼成本壓力測試會明顯吃掉報酬。

關於容量： 本文未估算策略容量。實際下單的市場衝擊取決於你的資金規模與個股成交量，大資金在中小型股上的衝擊成本可能遠高於本文假設，這是把回測搬到實盤前必須自行評估的。

到這裡是這份研究的核心。下半部把四大選股面向當成工具箱整理一遍，給想自己組策略的讀者參考。

基本面選股：先看公司賺不賺錢、貴不貴

基本面選股回答兩個問題：這家公司會賺錢嗎（品質）？現在買貴不貴（估值）？

本益比（PE）怎麼算？ 股價 50 元、每股盈餘 5 元，本益比就是 10 倍。但如同前面回測，單買低 PE 在台股這段期間是負報酬：便宜常常便宜有因，這就是「價值陷阱」。

基本面三大指標單獨用都跑輸大盤（ROE 5.9%、PB 6.4%、PE 倒虧）。它們的價值不在單獨選股，而是當過濾器——先排除不賺錢、太貴的公司，再交給其他因子。想看 ROE 與本益比怎麼搭配，讀 ROE × 本益比選股策略 與 14 年 14 倍的雞蛋水餃股策略。

技術面選股：看價格趨勢與波動的時機

技術面選股看的是價格本身的行為：趨勢、動能、波動。

動能（Momentum）: 過去一段時間漲得多的股票，短期內傾向繼續漲。這是學術上較穩健的異象之一（Jegadeesh & Titman, 1993）。

技術面在本文扮演兩個角色：價格動能負責跟上市場已認同的標的，低波動負責壓低整體回撤。前面回測中，純動能年化雖有 11.5%，回撤卻達 -59%——這說明動能要搭配低波才抱得住。想學更多技術指標選股，讀 創新高 + ROE + 股價淨值比複合因子策略。

籌碼面選股：看誰在買

籌碼面看的是資金流向——三大法人（外資、投信、自營）和主力大戶在買還是在賣。

籌碼面在台股相對有效（本土法人作帳行為明顯），但它波動快、需要日頻資料，較適合進階者。本文複合策略以中長期基本面與技術面為主，籌碼面留作延伸——想深入，可從 AI 概念股量化篩選法 切入，把籌碼當成額外的篩選層。

消息面選股：抓營收與財報的成長轉折

消息面回答：公司營運是不是正在變好？ 台股最即時的訊號是月營收（每月 10 日前公布），比季報快，是抓基本面轉折的好工具。

關於換股日延後 14 天： 我們把複合策略的換股日延後到月營收公布之後（resample_offset='14D'），主要目的是避免使用尚未公布的資訊（前視偏差），確保進場時這些營收數字真的已經對市場公開。這跟 Bernard & Thomas (1989) 的 PEAD（盈餘公告後漂移）是相關但不同的概念——PEAD 講的是「盈餘」公告後的漂移，而月營收不等於盈餘。所以這裡的延後是嚴謹性處理，而非假設 PEAD 必然會在月營收上發生。

前面回測中，純營收動能年化 7.36%、輸 0050，但它在複合策略裡是關鍵的「成長確認」因子。單獨用不行，組起來才有價值。

由上而下 vs 由下而上：兩種選股流程

知道四大面向後，怎麼把它們串起來？有兩種主流流程：

本文的複合策略屬於典型的由下而上：不預測總經，直接讓四個因子在全市場橫斷面打分數，選分數最高的一籃子。對新手而言，由下而上較可靠，因為它可回測、可驗證，不依賴對未來總經的猜測。

新手怎麼開始：把四大面向串成一條流程

如果你想自己動手，可以照這個順序把四個面向接起來：

1. 定方向。 由上而下（先選產業再選股）或由下而上（直接從財報海選）。新手建議由下而上，讓數據說話。
2. 基本面初篩。 用 ROE、本益比、股價淨值比，過濾掉不賺錢或太貴的公司。
3. 消息面確認成長。 看月營收年增是否為正、是否連續成長，確認公司正在變好而非吃老本。
4. 技術面挑時機。 在符合基本面的標的中，挑近期有動能、波動相對低的，避開主跌段。
5. 分散與定期換股。 選 20–30 檔分散個股風險，每月依規則換股，並用回測驗證——而不是單押一檔。

這五步驟的精神，正是前面複合策略在做的事：先用基本面與消息面確認好公司，再用技術面確認好時機，最後分散持有並系統化換股。

不會寫程式？用一句話請 AI 跑回測

FinLab 的做法是：你不必背 Python 語法，只要把規則用白話講清楚，回測交給 AI 加 finlab 實跑。

💬 你對 AI 說：

幫我用四個條件選台股：ROE 高、近 120 天漲幅高、近 120 天波動低（低波給雙倍權重）、月營收年增高。把這四項各自做橫斷面排名加起來，選分數最高的 25 檔，依分數加權，每月對齊營收公布日換股，回測 2018 到現在，跟含息 0050 比報酬、夏普、索提諾和回撤。

🤖 AI 回覆：

已用 finlab 跑完回測。品質+動能+低波複合策略年化 19.55%、日夏普 1.24、月索提諾 2.46、最大回撤 -25.60%。

和含息 0050 對比：報酬略低（19.6% vs 24.7%），但夏普與索提諾都更高、回撤淺約 8 個百分點。0050 贏在絕對報酬，這個策略贏在風險調整後表現與較淺的回撤。

想要可複製的完整程式碼？下載文末的 hero-quality-momentum-lowvol.py，貼進 finlab 環境就能重現上面每一個數字。

這篇和常見的選股內容差在哪

本文的回測都附可下載腳本，文中的數字都能在自己電腦重跑，回測也會每季更新。

回測方法揭露

限制提醒： 這段樣本含一段由 AI、半導體領漲的強多頭，且未做樣本外驗證。實盤前請自行做 out-of-sample 與不同成本假設的壓力測試，別把單一段回測當未來保證。

常見問題（FAQ）

學術參考

本文用到的因子各有對應的實證文獻（白話一句話說明）：

• Fama & French (1992),《The Cross-Section of Expected Stock Returns》 — 規模與淨值市值比（價值）能解釋股票報酬，是低 PB 選股的理論基礎。
• Jegadeesh & Titman (1993),《Returns to Buying Winners and Selling Losers》 — 過去 3–12 個月漲得多的股票傾向繼續漲，確立動能異象。
• Novy-Marx (2013),《The Other Side of Value: The Gross Profitability Premium》 — 高獲利能力（品質）的公司有超額報酬，支撐用 ROE 選股。
• Ang, Hodrick, Xing & Zhang (2006),《The Cross-Section of Volatility and Expected Returns》 — 低波動股票有較好的風險調整報酬，支撐我們給低波較高權重。
• Asness, Moskowitz & Pedersen (2013),《Value and Momentum Everywhere》 — 價值與動能跨市場負相關，合成組合的夏普高於單一因子，是「疊加」的理論依據。

（PEAD 與本文換股日延後的關係見上方「消息面選股」段的說明——那是嚴謹性處理，非直接套用 PEAD。）

延伸閱讀

這篇屬於股票選股主題，並串接 量化交易 總綱。想更深入，接著看：

• 多因子選股實戰：年化贏過 0050 — 本文複合思路的進階加碼版
• ROE × 本益比選股策略 — 基本面兩大指標怎麼搭
• 三因子分析 — 因子分組（D1–D10）有效性怎麼驗
• 創新高 + ROE + 股價淨值比複合策略 — 技術面 × 基本面複合
• 杜邦分析入門：把 ROE 拆成淨利率、週轉率、權益乘數 — 基本面獲利指標的進階拆解
• ROE 到底高或低才好？換股頻率決定績效 — 同一指標、兩種結論的回測對照
• PE、PB、PEG 三大估值因子台股 10 年回測 — 估值指標單用與搭配成長動能的差異
• 自由現金報酬率選股：多久換股一次獲利最好？ — 現金流因子的換股頻率實測
• Machine Learning 選股新手教學：用隨機森林實作量化選股 — 把因子交給模型的入門路徑
• 利用 Pandas 輕鬆選股：Python 實作教學 — 從原始資料到篩選條件的程式入門
• 量化交易是什麼？ — 先搞懂全貌

完整程式碼（可下載重現）

• 單因子 vs 0050（含低波單因子）：factor-comparison.py
• 品質+動能+低波複合（Hero）:hero-quality-momentum-lowvol.py
• 穩健性 / 敏感度 / 年度 / turnover:robustness.py

三支腳本都用 conda activate finlab && python <檔名> 即可重現本文每一個數字；benchmark 0050 一律用除權息調整後的 etl:adj_close。

關於作者與 FinLab

作者：FinLab 量化研究團隊。 FinLab 是台灣專注於用 AI 與量化數據做台股投資研究的團隊，自 2017 年起經營 finlab Python 套件與量化教學社群，累積數萬名使用者。本文所有回測由 finlab 套件實跑，資料涵蓋台股全市場日頻價量、月營收、財報與除權息調整序列，數字可被任何讀者用文末腳本獨立重現。

選股策略常見問題（FAQ）

台股選股策略有哪些？

常見的選股策略大致對應四大面向：基本面（ROE、本益比、股價淨值比）、技術面（均線、動能、波動）、籌碼面（三大法人、主力持股）、消息面（月營收、財報）。本文把其中幾個經典因子各自回測，發現單獨用沒有任何一個贏過含息 0050；真正有價值的是把方向不同、弱點不同步發作的因子疊成複合策略。想看多因子如何進一步加碼，可讀 多因子選股實戰：年化贏過 0050。

新手該怎麼開始選股？

新手建議走「由下而上」：先用基本面初篩掉不賺錢或太貴的公司，再用月營收確認成長，最後用技術面挑時機，並分散持有 20–30 檔、依規則定期換股。這條流程的重點是可回測、可驗證，不依賴對總經的猜測。基本面兩大指標怎麼搭，可參考 ROE × 本益比選股策略。

選股要看哪些指標？

依面向各有代表指標：基本面看 ROE、本益比、股價淨值比；技術面看均線、價格動能、波動度；籌碼面看三大法人買賣超與主力持股；消息面看月營收年增。本文回測顯示這些指標單獨用多半跑輸大盤，它們的價值在於當過濾器與相互搭配，而非單押一項。

單因子和多因子選股差在哪？

單因子只用一個指標排序選股，結構性弱點明顯——例如純動能在本文回測雖年化 11.54%，回撤卻達 -58.86%。多因子則把彼此低相關的因子疊起來，一個失靈時其他能補，整體波動與回撤被壓下來；本文的品質+動能+低波複合策略最大回撤收斂到 -25.60%，就是這個道理。因子組合的有效性怎麼驗證，可參考 三因子分析。

投資有風險，過去績效不代表未來表現。本內容僅供教學參考，不構成投資建議，請依個人風險承受度審慎評估。所有因子回測數據來源：finlab 實測（2018-03 至 2026-06）。

最後更新：2026-06｜回測區間：2018-03 ~ 2026-06｜作者：FinLab 量化研究團隊（經量化研究員審閱）