Python 程式交易與投資的好處：比 MT4、XQ、MultiCharts 多了全市場選股與快速驗證

為什麼用 Python 投資？多數文章的答案停在「免費、開源、自由度高」，這篇用一個完整的實驗把答案做給你看：我們把「月營收成長、自由現金流為正」這個聽起來很合理的選股點子，用 finlab 套件在台股 2018 年初到 2026 年 6 月的資料上跑了四種設計，最好的版本年化報酬 17.21%，仍然輸給同期 0050 含息買進持有的 25.05%。商用回測軟體很難做這種全市場實驗，而 Python 把它變成半小時的工作，這個差異就是本文要講清楚的事。

先把實驗的關鍵數字放在最前面（回測區間 2018-01 至 2026-06，含 finlab 預設交易成本；0050 為還原價買進持有，計算口徑見文末方法段）：

這是一個沒有贏的實驗，我們照原樣發表。因為它同時回答了兩個問題：第一，網路上隨處可見的「成長＋現金流」選股口訣，放進有交易成本的回測後長什麼樣子；第二，為什麼做量化研究的人最後幾乎都走向 Python。Python 不保證找到聖杯，它給你的是在投入真錢之前，就知道一個點子不行的能力。

程式化投資的四條路：MT4、XQ、MultiCharts、Python

市面上的程式交易工具各有專長：MT4 主攻外匯與 CFD、XQ 全球贏家主攻台股與期權、MultiCharts 主攻期貨，Python 則是通用程式語言搭配開源生態系。差異不在「能不能寫策略」，四套都能；差異在成本結構、能處理的問題形狀，以及學會之後這個技能還能帶你去哪裡。

幾點補充，避免比較失真。XQ 內建選股中心與相當完整的台股資料，對只想用現成條件篩股的人夠用，受限的是「把自訂因子做成全市場排名再合成」這類研究自由度；MultiCharts 的圖表化策略開發與台灣券商的整合很成熟，期貨當沖族群用它有道理；MT4 的歷史資料與回測完全免費，在外匯圈仍是標準配備。各家定價隨方案變動，文中不列具體金額，以官方公告為準。想看 FinLab 與 XQ 的逐項對照，可以參考XQ 與 FinLab 的差異比較；若你的需求偏向看盤畫圖，TradingView 的比較頁整理了另一個面向。

固定月費的成本拖累，一條公式就能算

商用軟體常見的進階功能採月費制。月費本身不是問題，問題是它與本金規模無關，對小資金使用者形成固定比例的拖累。設月費為 $M$ 元、投資本金為 $C$ 元：

$\text{年化成本拖累比率} = \frac{12M}{C}$

舉一個示例計算（非任何軟體的實際報價）：月費 1,000 元、本金 10 萬元，一年的軟體費就是本金的 12%；本金 100 萬元時降到 1.2%。把月費 500、1,000、2,000 元三條曲線畫出來，可以看到本金低於約 50 萬元時，多數月費方案的拖累都還在 1% 參考線之上：

台股長期年化報酬約 8% 到 10%，若工具固定吃掉 1% 以上，等於起跑前先讓一段。Python 與其整個科學運算生態（pandas、numpy、scikit-learn）完全免費，finlab 套件本身免費註冊即可使用台股資料與回測引擎，這條成本曲線對你是一條貼著零的水平線。

Python 的結構性優勢：全市場橫斷面選股

成本只是表層差異，真正把 Python 與單商品腳本工具區分開的，是「問題的形狀」。MT4 的 EA、XQ 與 MultiCharts 的訊號腳本，核心模型都是「對一檔商品，逐根 K 棒判斷買賣」；但選股本質上是另一種運算：在同一個時間點，把全市場兩千多檔股票放在一起比較、排序、挑出前幾名。學術上稱為橫斷面（cross-sectional）分析，Fama & French (1992) 證明股票報酬的差異主要由橫斷面特徵（規模、淨值市價比）解釋，這條研究路線後來成為因子投資的基礎；近年 Gu, Kelly & Xiu (2020) 更示範了機器學習方法在橫斷面報酬預測上顯著優於傳統線性模型，而這類方法只活在 Python 這樣的開放生態裡。

橫斷面比較的標準做法是把因子標準化。對第 $t$ 天、第 $i$ 檔股票的因子值 $x_{i,t}$，z 分數定義為：

$z_{i,t} = \frac{x_{i,t} - \mu_t}{\sigma_t}$

其中 $\mu_t$ 與 $\sigma_t$ 是當天全市場該因子的平均數與標準差。兩個不同單位的因子（一個是百分比的營收年增率，一個是比率的現金流殖利率）經過標準化後就能相加：

$s_{i,t} = \tfrac{1}{2}\left(z^{rev}_{i,t} + z^{fcf}_{i,t}\right)$

用一家虛構的「甲公司」示範（純屬示例）：甲公司月營收年增 35%，當月全市場平均 8%、標準差 18%，營收 z 分數為 $(35-8)/18=1.5$；它的自由現金流殖利率 9%，全市場平均 3%、標準差 4%，z 分數同樣是 1.5；合成分數 $s=1.5$，在常態假設下大約是全市場前 7% 的位置。這個運算在 pandas 裡是兩三行的矩陣操作，在單商品逐檔執行的腳本語言裡，你得自己處理兩千多檔股票的資料對齊、缺值與排序，多數使用者到這裡就放棄了。

這正是 finlab 套件存在的理由：台股的價格、月營收、財報、籌碼資料已經整理成對齊好的 DataFrame，橫斷面運算就是一般的 pandas 語法。詳細入門可以看5 分鐘用 finlab 選股回測的教學。

實測：一個雙因子選股點子，從想法到結果

光說「Python 能做全市場研究」太抽象，我們完整走一遍流程。研究問題：「買月營收還在成長、而且自由現金流為正的公司」這個直覺上很穩健的雙因子組合，2018 年以來在台股贏得過 0050 嗎？

兩個因子的定義：

• 月營收年增率：finlab 資料表 monthly_revenue:去年同月增減(%)，索引已是公布截止日，回測時不會偷看未公布的數字。
• 自由現金流殖利率：近四季自由現金流合計除以市值，財報以公布截止日對齊。

$\text{FCF 殖利率} = \frac{\text{近四季自由現金流合計}}{\text{市值}}$

股票池取 60 日均成交金額在全市場前 50% 的股票，剔除流動性後段，避免回測買得到、實單買不到。核心程式碼長這樣（完整可執行版本見文末下載）：

from finlab import data
from finlab.backtest import sim
 
# 載入資料：價格、市值、月營收年增率、季度自由現金流
close = data.get("price:收盤價")
vol = data.get("price:成交股數")
market_value = data.get("etl:market_value")
rev_yoy = data.get("monthly_revenue:去年同月增減(%)")
fcf_q = data.get("fundamental_features:自由現金流量").index_str_to_date()
 
# 股票池：60 日均成交金額在全市場前 50%
amount = (close * vol).rolling(60).mean()
pool = (amount.rank(axis=1, pct=True) > 0.5) & close.notna()
 
# 因子一：月營收年增率，對齊到每個交易日
rev_daily = rev_yoy.reindex(close.index, method="ffill")
 
# 因子二：自由現金流殖利率 = 近四季 FCF 合計 / 市值
fcf_yield = fcf_q.rolling(4).sum().reindex(close.index, method="ffill") / market_value
 
# 橫斷面百分位排名後等權合成，要求兩因子皆為正
mask = pool & (rev_daily > 0) & (fcf_yield > 0)
score = (rev_daily.where(mask).rank(axis=1, pct=True)
         + fcf_yield.where(mask).rank(axis=1, pct=True)) / 2
 
# 取合成分數前 40 名，每月再平衡
position = score.where(mask).is_largest(40)
report = sim(position, resample="M")

第一次跑 finlab 時執行 finlab.login()，套件會自動開啟瀏覽器引導你登入，之後就能取用資料。

四個設計變體，每一步都攤開

回測研究最常見的造假方式是只給你看最後一個版本。我們把迭代過程全部列出來：

1. 變體 A：兩因子各做橫斷面 z 分數（1%／99% 分位縮尾抑制極端值）、等權合成、取前 20 名。最直觀的教科書做法。
2. 變體 B：把 z 分數換成百分位排名。動機是月營收年增率分布有極長右尾（轉機股動輒年增數百個百分點），z 分數會被這些極端值綁架，排名法對極端值穩健。
3. 變體 C：在 B 之上加「營收年增率大於零、自由現金流殖利率大於零」門檻。動機是排名法的前段可能混入「衰退中但跌得比較少」的公司。
4. 變體 D：把 C 的持股檔數從 20 放寬到 40。動機是月頻換股的 20 檔組合單一個股權重 5%，個股事件對淨值影響太大。

結果在文首的表格：A 到 D 的年化報酬從 7.08% 一路改善到 17.21%，日夏普從 0.42 改善到 0.83。設計選擇造成的差距非常大（同樣兩個因子，z 分數版與分散版差了 10 個百分點的年化），其中從 A 到 B 的改善印證了極端值假說，但 C 比 B 還略差（9.88% 對 11.11%），說明「正值門檻」這個聽起來保險的條件在這段期間沒有加值。然後是最重要的事實：四個變體沒有一個贏過 0050 含息的 25.05%。

逐年拆開看更清楚。變體 D 不是全程都弱，2021 年它賺 43.93%、0050 只有 21.92%，2023 年它賺 54.50%、0050 是 27.52%；真正的崩壞在 2024 之後：2024 年 32.19% 對 48.64%、2025 年 0.36% 對 36.83%、2026 年至 6 月 12.66% 對 60.00%，連續三年大幅落後。這段期間台股由權值股領漲，0050 重押的台積電貢獻了大盤大部分漲幅，廣泛選中小型股的策略結構性吃虧：

風險端同樣沒有補償。變體 D 的最大回撤 -36.69%，比 0050 的 -33.96% 更深，2018 年下半年與 2022 年空頭都跌得不比大盤淺：

變體 D 的完整互動回測報告（持股明細、月報酬熱圖都能點開）：

輸給 0050，這個實驗的價值在哪裡

第一，它把一句流行的選股口訣量化了。「買有成長又會賺現金的公司」聽起來無懈可擊，但在 2018 到 2026 這個權值股主導的多頭，光靠這兩個因子選出的組合風險調整後全面落後，日夏普 0.83 對 1.22。這個結論與站內其他研究互相印證：月營收公告漂移的 15 年回測發現純月營收年增率前 30 名的年化只有 8.73%，同樣輸給 0050；本文變體 B、C 落在 10% 上下，量級一致。

第二，它示範了負面結果的成本有多低。這整個實驗（含四個變體與所有圖表）的運算在筆電上幾十分鐘內完成。沒有快速回測工具的投資人，驗證同一個點子的方式是用真錢部位試半年，學費貴得多。回測本身的限制與正確心態，可以延伸讀回測是什麼、會騙人在哪裡。

第三，它留下了改進的明確方向。同一套框架裡，站內已有用不同因子組合跑出較好結果的研究：營收、動能、品質加低波動的四因子組合在同一窗口年化 29.45%、夏普 1.40；投信買超搭配營收動能的籌碼策略年化 33.9%。差別不在工具，在因子設計，而你需要一個能快速迭代因子設計的環境。

也要提防另一個極端：迭代太多次之後，你總會「找到」一個漂亮的回測。Bailey, Borwein, López de Prado & Zhu (2014) 把這個問題講得很直白：嘗試的策略組態夠多，回測過擬合幾乎無法避免，樣本內的夏普可以被搜尋過程本身製造出來。所以本文把全部四次嘗試攤開，而且對「在第幾步停下來」保持節制；自由度高的工具必須搭配相應的研究紀律，這是 Python 路線的代價，也是它逼你學會的第一課。

回測方法與限制

上手路徑：從安裝到第一個回測

1. 安裝 Python（或用 Google Colab 免安裝），執行 pip install finlab。
2. import finlab 後呼叫 finlab.login()，依指引完成免費註冊登入。
3. 用 data.get() 取資料、寫條件、丟進 sim()，第一個回測十行內可以完成，範例見finlab 選股回測五分鐘教學。
4. 想抓台股以外的資料，用 yfinance 抓全球股價的教學是好的下一步；想把月營收玩出更多花樣，可以接著看三種月營收選股的 Python 實作。
5. 策略成熟後，finlab 支援串接台灣券商 API 自動下單，研究到實單在同一個語言裡完成。

對程式交易這條路還沒有整體圖像的讀者，建議先讀程式交易是什麼建立框架，再用程式交易從策略到實單的指南規劃學習順序；量化方法的全貌與可以動手玩的互動回測器在量化交易完整指南。

不只拿來交易：Python 在投資之外的報酬

學 XQ 腳本或 MQL，技能的出口只有交易這一個；學 Python，量化投資只是眾多出口之一。同一套 pandas 功夫可以拿來做工作上的資料分析，同一套自動化能力可以寫爬蟲、排程、做網站，而 Python 連續多年位居最熱門程式語言，履歷上的價值與交易績效無關。對多數人來說這才是期望值最高的部分：就算你最後發現自己不適合主動投資（本文的回測說明這完全可能），學語言的時間也沒有浪費。

順帶回答一個老問題：R 語言呢？R 在統計與學術圈仍然優秀，但在量化交易的開源工具鏈（回測框架、券商 API、機器學習部署）上，Python 的生態已明顯更完整，台股的 finlab 也只支援 Python。除非你已有 R 基礎，新手從 Python 開始即可。

適合誰、不適合誰

適合：願意花一到三個月學基礎語法的投資人；想驗證自己選股想法而非聽信別人結論的人；小資金起步、對固定月費敏感的人；本來就想學程式、希望學習標的同時有投資用途的人。

不適合：完全不想碰程式碼的人（FinLab 另有 AI 對話式的選股介面，可以從AI 量化研究的工作流程了解）；需要期貨高頻當沖逐筆功能的人，MultiCharts 這類專用工具仍有優勢；以為換了工具就會賺錢的人，本文的回測就是反例。

常見問題

沒寫過程式，學 Python 投資要多久？ 以每週投入幾小時計，基礎語法約一個月，pandas 資料處理約一到兩個月，之後就能看懂並修改本文這種策略。finlab 把資料下載與回測引擎都包好了，新手實際要寫的只有選股邏輯那幾行。

用 Python 做量化投資要花多少錢？ 語言、pandas、scikit-learn 全部免費；finlab 套件免費註冊即可使用台股資料與回測，進階資料與功能才需付費。本文全部回測使用免費可得的工具完成。

需要很好的電腦嗎？ 不用。本文的全市場回測在一般筆電可以執行，沒有安裝環境也可以用 Google Colab 在瀏覽器裡跑。

已經在用 XQ 或 MultiCharts，有必要轉 Python 嗎？ 看你的瓶頸。如果你做的是單商品技術指標進出場，現有工具夠用；如果你想做全市場選股、多因子合成或機器學習，那是單商品腳本架構先天受限的領域，遲早要碰 Python。兩者並用也常見：用 Python 研究選股、用熟悉的軟體看盤下單。

這篇的策略輸給 0050，那學 Python 還有意義嗎？ 有，而且這正是重點。工具的價值是讓你低成本知道真相：這個雙因子組合不值得投入真錢，而同一框架換因子設計（例如四因子合成的做法）可以得到不同結果。不能快速驗證的人，只能把每個點子都用真金白銀試。

Python 可以自動下單嗎？ 可以，finlab 支援串接多家台灣券商 API，回測通過的策略可以接上實單。建議先用小部位驗證回測與實單的落差（滑價、成交率）再放大。

夏普比率、最大回撤這些指標怎麼解讀？ 夏普比率衡量每承擔一單位波動換到多少超額報酬，夏普比率計算器有互動說明；其他名詞可查量化名詞詞彙表。本文所有指標由 finlab 回測產出的每日淨值序列計算，口徑見回測方法段。

選股因子要去哪裡找靈感？ 從台股選股方法的完整整理入手，站內每篇策略文都附可下載的程式碼；自由現金流因子的單獨研究可看自由現金報酬率選股的實測。

延伸閱讀

• 程式交易是什麼？從觀念到第一支程式
• 量化交易完整指南與互動回測器
• 回測是什麼？常見陷阱與正確用法
• 月營收公告漂移：15 年數據的單因子真相
• 多因子選股：營收＋動能＋品質＋低波的組合設計

下載資源

免費註冊 FinLab，就能用本文同一套資料與回測引擎驗證你自己的選股點子；遇到問題歡迎到 FinLab 社群討論，把你的回測結果（不論好壞）丟出來一起檢視。

投資警語：本文僅供教學參考，不構成投資建議。過去績效不代表未來表現，投資有風險。 本文回測為全段樣本內研究，數字會隨資料更新與市場變化改變，請以可下載程式碼自行重現與檢驗。

最後更新：2026-06｜回測區間：2018-01 至 2026-06（資料截止 2026-06-09）｜作者：FinLab 量化研究團隊（經量化研究員審閱）