量化交易 Python 教學：不用上課，
30 行內跑出第一個台股回測（Sharpe 1.48 實證）

量化交易 Python 入門最常見的卡點是順序錯了：多數人還沒跑出任何一個回測結果，就先報名了數十小時的課程，然後在 pandas 語法和爬蟲除錯裡耗盡耐心。這篇教學走相反的順序：pip install finlab 之後，把一段不到 30 行的程式碼貼進去執行，今天就得到一個完整的台股回測，2020-2026 實測 Sharpe 1.48、最大回撤 -13.3%，理論留到跑通之後再補。

示範策略可下載、可重現：營收動能（月營收年增率）、價格動能（120 日報酬）、低波動（120 日報酬標準差，負向）三因子複合，每月選 30 檔、反波動加權、加上大盤站上 120 日均線才進場的濾網。月營收是台股每月公布的基本面資料，拿它當教學主角，也順便把「財報類資料如何對齊公布日」這個新手最常踩的坑示範一次。量化交易的觀念、策略類型與平台全景，整理在 量化交易完整指南；本文只做一件事：讓你的第一個回測動起來。

關鍵數字

下表是這個策略的真實回測結果。招牌期間取 2020-01 至 2026-06，同時附上全期 2007-2026 數字（兩者差異在下方「回測方法」段落會說清楚）。

兩件事要先講白：第一，raw 報酬上含息 0050 同期 CAGR 29.1%，高過本策略的 20.9%，那是台積電權值股超級多頭的結果，而且 0050 連月勝率都略高（62.3% 對 59.7%）。第二，本策略的價值在風險調整後：Sharpe 1.48 高於含息 0050 同期的 1.21（兩者用同一個 sim() 引擎、同一窗口實跑，0050 以還原權息價格、fee_ratio=0 計算），最大回撤 -13.3% 對上 0050 的 -34.0%。所以本文一律用「以較低回撤、較高 Sharpe 的風險調整後勝出」描述，不會宣稱「報酬贏過大盤」。關於這條口徑，你可以對照我們在 多因子選股能否打敗 0050 裡的同一基準討論。

策略版的完整互動式回測報告直接嵌在下面，逐年、逐月、持股明細都可以點開檢視：

對照組（含息 0050 買進持有，同窗、零成本）的互動報告也公開：含息 0050 買進持有（2020-2026）回測報告。

量化交易 Python 四條入門路線：自學、上課、K 線平台，還是 pip install finlab

量化交易的第一道門檻不是策略，是資料。台股的調整收盤價、財報公布日對齊、成交金額、全額交割註記、產業分類，這些散落在公開觀測站、交易所、櫃買的資料，自己用 requests 爬、用 pandas 清，光是把前視偏差處理乾淨就能耗掉好幾週。線上課程與系列教學文則是把這段苦工拍成影片教你做一遍，苦工本身並沒有消失。

四條常見路線攤開比較：

課程不是沒有價值：想系統性打好 pandas 與資料工程底子的人，跟一門課是合理投資。問題在順序。對多數新手，「先跑出一個真實結果，再回頭補理論」遠比「先學完才動手」有效，因為你會帶著具體問題去學：為什麼月營收要對齊公布期限？為什麼權重要正規化？這些問題在你跑通第一個回測之前，課程講了你也記不住。

MultiCharts 與 TradingView 擅長的是單一商品的進出場訊號，但量化選股的核心是「每月在全市場做橫斷面排名，挑出前段班」，這類運算在 K 線型平台上很難自然表達。finlab 的差異在於它是一個 pip 套件：資料、橫斷面排名、月頻換股、成本內扣都在同一個 DataFrame 流程裡。想更完整地比較工具，可參考 FinLab vs QuantPass 與 FinLab vs TEJ 兩篇評估；若你的最終目標是讓訊號自動下單而非手動換股，整條路的全景在 程式交易是什麼。

如果你還不確定「回測」到底在做什麼，讀 什麼是回測 補概念；「量化分析」這個詞背後的方法論，則見 什麼是量化分析。

環境安裝：pip install finlab 與登入

整個量化交易程式環境只需要兩步。先安裝套件：

pip install finlab

接著登入。第一次使用時，finlab 會自動引導你完成登入（照套件指示在瀏覽器授權即可），不需要手動貼上任何 token：

import finlab
finlab.login()   # 第一次執行會自動開啟登入流程，照 finlab 套件的指示完成即可

登入成功後，所有台股資料都用 data.get('資料表名稱') 取得，回傳的是一個增強版的 pandas DataFrame。取單一張價量表的最小範例如下（這也是 用 Python 取得台股資料 的起點）：

from finlab import data
close = data.get('price:收盤價')   # 全市場每日收盤價,index 是日期、欄位是股票代號
close.tail()

到這裡你的量化交易 python 環境就完成了。接下來把三個因子一個一個拼起來。

三因子複合策略逐步講解

這個策略的設計目標放在風險調整後表現，用三個方向互補的因子換取更平滑的權益曲線與更淺的回撤，而非單純衝高 CAGR。三個因子各自做全市場橫斷面百分位排名，再取平均當綜合分數。順帶說明：我們在 台股選股回測 用的是品質（ROE）為核心的另一組複合因子，回答「哪類選股因子長期有效」；本篇的因子組合與回測窗口刻意與它區隔，主軸是「最快跑通第一個回測」，兩篇可互相對照但不重複。

因子一：營收動能（月營收年增率）

台股是少數要求上市櫃公司每月申報營收的市場（次月 10 日前公布），這讓月營收成為更新頻率最高的基本面資料。基本面好消息公布後，股價平均不會一次反應完，而是延遲漂移一段時間，Bernard & Thomas (1989) 對盈餘公布後漂移（PEAD）的實證是這類「基本面動能」的源頭。關鍵是必須用 index_str_to_date() 把月營收對齊到實際公布期限，否則會用到當下還拿不到的資料，產生前視偏差：

rev_yoy = data.get('monthly_revenue:去年同月增減(%)').index_str_to_date().reindex(close.index, method='ffill')

因子二：動能（120 日報酬）

動能因子捕捉「近半年漲得相對強的股票傾向繼續強」這個橫斷面現象，實證源頭是 Jegadeesh & Titman (1993)：過去 3 到 12 個月相對強勢的股票，在接下來數月平均仍跑贏弱勢股。本文用 120 個交易日（約半年）的價格比值，落在這個學術上驗證過的形成期區間內：

momentum = close / close.shift(120)

因子三：低波動（120 日報酬標準差，負向）

低波動因子是這個策略壓低回撤的關鍵。Ang, Hodrick, Xing & Zhang (2006) 記錄了所謂「低波動異常」：特異波動高的股票，後續風險調整後報酬反而偏低。本文用日報酬的 120 日滾動標準差，並加上負號，讓「波動低」的股票排名靠前：

low_vol = -close.pct_change().rolling(120).std()

三因子合成、選股與加權

三個因子各自做橫斷面百分位排名（rank(pct=True)）後平均，得到綜合分數；每月選分數最高的 30 檔；權重用 60 日波動的倒數（反波動加權，波動低者權重高）；最後乘上大盤濾網，加權報酬指數站上 120 日均線才進場，否則整體空手抱現金。

from finlab import data
from finlab.backtest import sim
 
# ── 1. 載入價量資料(登入已在上一步用 finlab.login() 自動完成)──
close = data.get('price:收盤價')
volume = data.get('price:成交股數')
 
# ── 2. 定義可交易股票池:流動性、低價股、全額交割、特殊類別過濾 ──
amount = (close * volume).average(60)            # 60 日均成交金額
flagged = data.get('etl:is_flagged_stock').reindex(close.index, method='ffill').fillna(False)
categories = data.get('security_categories').set_index('stock_id')['category']
excluded = ['金融保險', 'ETF', 'ETN', '存託憑證', '受益證券', '創新板']
bad_ids = set(categories[categories.isin(excluded)].index)
keep = [c for c in close.columns if c not in bad_ids]
universe = (amount > 50_000_000) & (close > 10) & (~flagged)
 
# ── 3. 計算三個因子 ──
# 營收動能:月營收年增率,用 index_str_to_date() 對齊實際公布日,避免前視偏差
rev_yoy = (data.get('monthly_revenue:去年同月增減(%)')
           .index_str_to_date()
           .reindex(close.index, method='ffill'))
momentum = close / close.shift(120)                       # 價格動能:120 日報酬
low_vol = -close.pct_change().rolling(120).std()          # 低波動:120 日報酬標準差(負向)
 
# ── 4. 三因子各自橫斷面百分位排名後平均,得到綜合分數 ──
cols = sorted(set(keep) & set(rev_yoy.columns))
 
def cross_rank(df):
    return df[cols].rank(axis=1, pct=True)               # 橫斷面百分位排名
 
score = (cross_rank(rev_yoy) + cross_rank(momentum) + cross_rank(low_vol)) / 3
score = score.where(universe[cols])
 
# ── 5. 每月選分數最高的 30 檔,反波動加權(波動低者權重高)──
selected = score.rank(axis=1, ascending=False) <= 30
inv_vol = (1 / close.pct_change().rolling(60).std())[cols]
weight = selected * inv_vol
weight = weight.div(weight.sum(axis=1), axis=0).fillna(0)
 
# ── 6. 大盤濾網:加權報酬指數站上 120 日均線才進場,否則空手 ──
twii = data.get('benchmark_return:發行量加權股價報酬指數').iloc[:, 0]
market_up = (twii > twii.rolling(120).mean()).reindex(close.index, method='ffill').fillna(False)
weight = weight.mul(market_up.astype(int), axis=0)
 
# ── 7. 回測:月頻換股,手續費打三折(sim() 預設已內扣證交稅)──
report = sim(weight, resample='M', fee_ratio=1.425/1000/3, name='營收動能低波複合')
report.display()

完整可執行腳本可直接下載：strategy.py。第一次執行時 finlab 會引導你登入，完成後跑完就會看到下面這張權益曲線。

回測結果

下圖是策略累積淨值對照含息 0050 的曲線。可以看到 2020-2026 期間策略走勢相對平滑，在 2022 年台股回檔時（大盤濾網把部位降到現金）避開了大部分跌幅：該年策略 -2.9%，含息 0050 是 -21.4%。

逐年報酬對照如下。策略並非每一年都領先，2024、2025 這種權值股大多頭年明顯落後 0050；它的強項在下跌年虧得少，這正是低波動因子加大盤濾網的設計目的。

招牌期間的完整指標：Sharpe 1.48、Sortino 2.25、Calmar 1.57、CAGR 20.9%、年化波動 12.5%、alpha 0.118、beta 0.288（對含息 0050 日報酬迴歸）、月勝率 59.7%。beta 只有 0.288，代表策略對大盤的敏感度低，這也是它在風險調整後能勝出的結構性原因。

風險與回撤

回撤（drawdown）比 CAGR 更能反映你實際抱得住抱不住。下圖是策略的回撤曲線，最大回撤 -13.3%，出現在波動最劇烈的區間。

-13.3% 的最大回撤，搭配 20.9% 的 CAGR，得到 Calmar 1.57（報酬除以最大回撤）。含息 0050 同期最大回撤 -34.0%，這是兩者風險輪廓最直觀的差距。需要提醒的是：過去回撤淺不保證未來不會更深，全期 2007-2026 的最大回撤就有 -19.7%，任何單一因子失效或市場結構改變，都可能讓回撤超出歷史區間。

回測方法

漂亮的數字若不交代怎麼算出來，就只是廣告。以下逐項說明這份回測的設定，有做的寫出數值，沒做的直接標明「未做」：

• 交易成本： finlab 的 sim() 預設已內扣手續費與證交稅。程式裡 fee_ratio=1.425/1000/3 代表手續費以 0.1425% 打三折計算（約 0.0475%）；賣出證交稅 0.3% 由 sim() 自動扣除。
• 滑價： 本文未額外假設滑價。月頻換股、單檔權重分散，衝擊相對可控，但實際衝擊取決於資金規模與當下成交量，本文未估算到滑價層級。
• 股票池： 全上市櫃個股，經下列流動性與類別過濾後的集合。
• 流動性過濾： 60 日均成交金額 > 5,000 萬元、股價 > 10 元，確保回測買得到的股票實單也買得到。
• 排除類別： 排除全額交割股（etl:is_flagged_stock）、金融保險、ETF、ETN、存託憑證、受益證券、創新板。排除全額交割與特殊類別是為了降低生存者偏誤與不可交易的標的。
• 前視偏差： 月營收用 index_str_to_date() 對齊實際公布期限（次月 10 日），再 ffill 到每日，確保每一天只用到當天真正已公布的營收；動能與低波動只用歷史價格，天然無前視。
• 基準口徑： 含息 0050 用同一個 sim() 引擎、同一窗口實跑（權重恆為 1、fee_ratio=0），報酬以還原權息價格計算，不會因漏掉配息而低估基準。
• 權重： 反波動加權（60 日波動倒數），非等權；權重在 30 檔之間正規化加總為 1。本文未設單檔上限，反波動加權本身會壓低個股集中度。
• 周轉率： 月頻換股（resample='M'）。本文未逐期估算 turnover 數值，標明未估。
• 樣本內外： 本文為全段 in-sample（frontmatter 已標注 in_sample_only），未做嚴格的樣本外保留期測試；改以下一節的參數網格作為穩健性佐證，並會在季度刷新時補上發佈日之後的前瞻區間績效。
• 全期 vs 招牌期間對照： 招牌數字取 2020-2026(Sharpe 1.48、CAGR 20.9%)；全期 2007-2026（資料可回溯的最早起點，含 2008 金融海嘯）為 Sharpe 0.99、Sortino 1.49、CAGR 14.5%、最大回撤 -19.7%。兩者差異主要來自 2020 後的台股多頭環境，讀者應以全期數字作為較保守的預期基準。

關於「回測看起來很好、實單卻失靈」的系統性風險，量化投資的挑戰與過擬合 有更完整的討論，建議搭配閱讀。

參數穩健性

單一組參數跑出 Sharpe 1.48 不能說明問題。Bailey, Borwein, López de Prado & Zhu (2014) 證明了一件對所有回測者都不舒服的事：嘗試的參數組合愈多，光憑運氣挑出漂亮 Sharpe 的機率就愈高，這就是回測過擬合。所以真正該問的是：換個持股數、換個大盤濾網長度，結論會不會崩掉？下圖是 2020-2026 的參數網格結果。

持股 15 / 20 / 25 / 30 檔，搭配大盤濾網 100MA 或 120MA,Sharpe 落在 1.31 到 1.51 之間，代表「策略風險調整後優於 0050（1.21）」這個結論對「選幾檔、用多長均線」並不敏感。明顯下滑的是把濾網拉長到 150MA,Sharpe 掉到 1.031.22，因為較長均線反應太慢、退場太晚。另外要照 Bailey 等人的警告說明：本文採用的 30 檔 × 120MA（1.48）接近網格中最好的一格，存在選擇效應，把鄰近組合的 1.311.42 當成合理預期區間，比盯著 1.48 務實。

我們在台股選股回測的單因子分測看到：低波動因子報酬墊底，但最大回撤只有 -13.6%，是所有因子裡最小的；營收動能與價格動能則提供報酬來源。三者合成的目的就是讓任一因子失效時，其他兩者仍能撐住整體。

風險調整後的對照

這一節必須講清楚，以免被當成又一篇浮誇的策略文。

含息 0050 在 2020-2026 累積約 5.2 倍、CAGR 29.1%,raw 報酬高過本策略的 20.9%（累積約 3.3 倍）。原因很單純：這段期間台積電等權值股走超級多頭，被動持有 0050 等於重壓贏家。所以就純報酬而言，本策略並沒有贏過含息 0050。

本策略的價值在另一個維度：以較低回撤、較高 Sharpe 的風險調整後勝出。同期 Sharpe 1.48 高於含息 0050 的 1.21，年化波動 12.5% 只有 0050（22.4%）的一半多一點，最大回撤 -13.3% 對上 -34.0%。換句話說，它用較低的長期報酬，換到更平穩的曲線與更小的最大虧損。對於抱不住大跌、會在低點停損的投資人，這個風險輪廓的實際意義可能比 raw CAGR 更重要。這個「每承擔一單位風險換到多少報酬」的衡量框架由 Sharpe (1994) 定式化，計算細節與判讀見 夏普比率。

新手下一步

如果這是你的第一個量化交易程式，建議照這個順序往下走：

1. 先把上面的 strategy.py 跑通，確認自己的環境與 token 沒問題。
2. 一次只改一個因子或一個參數，觀察 Sharpe 與回撤怎麼變，建立對因子的直覺。
3. 讀 FinLab 量化平台新手指南 了解更多資料表與 sim() 參數。
4. 把選股邏輯換成你自己的想法，可參考 台股選股 5 步驟 與 如何在台股選股。
5. 想理解因子有沒有效，讀 資訊係數 IC 是什麼；想了解 AI 在量化研究的角色，讀 AI 量化研究。
6. 進階階段務必留意風險面：量化交易的缺點與風險、量化交易的職涯與薪資，以及若你考慮券商生態，可看 富途牛牛量化交易在台灣。

想直接動手？finlab 的資料與回測引擎有免費試用，免費註冊開始，把本文的 strategy.py 跑通、再換上你自己的因子，比看十篇文章更有感覺。

需要策略類型全景、優缺點與平台比較時，回到 量化交易完整指南；所有名詞若有不熟，都可以到 詞彙表 查核心定義後再回來。

FAQ

Q1：量化交易 Python 需要先上課或先學完 Python 嗎？ 不需要。本文的策略整段不到 30 行，你只要能把程式碼貼到環境裡、把 token 換成自己的、按下執行，第一個回測今天就會跑出來。「跑得起來」之後再「看得懂」，接著一次改一個參數，是比先跟完數十小時課程更快的學習路徑；課程留給之後想系統性補 pandas 與資料工程底子時再說。

Q2：量化交易程式需要多少錢才能開始？ 軟體層面，pip install finlab 本身免費，Python 也免費。資料下載需要 finlab 帳號，有免費試用可先跑回測驗證流程。真正要花錢的是實際投入市場的本金，以及換股產生的手續費與證交稅（本文回測已把這兩項內扣）。

Q3：量化交易 python 和一般技術分析程式有什麼不同？ 技術分析程式多半針對單一商品判斷進出場訊號（例如均線交叉）。量化選股則是每月在全市場做橫斷面排名，挑出相對最好的一批股票。本文的三因子複合屬於後者，核心運算是 rank(axis=1) 的橫斷面排名，而非單檔的 K 線訊號。

Q4：回測 Sharpe 1.48 準嗎？實單能複製嗎？ 回測是「在歷史資料上的模擬」，準的前提是方法乾淨：本文已處理前視偏差（月營收對齊公布期限）、流動性過濾、排除不可交易類別、內扣成本。即便如此，實單仍會遇到滑價、資金容量、策略隨時間衰退等回測難以完全反映的因素。把全期 2007-2026 的 Sharpe 0.99 當較保守的預期會更務實。

Q5：這個策略的容量（資金上限）大概多少？ 假設每檔股票單日成交量參與率不超過 60 日均成交金額的 10%，對 2020-2026 共 61 次月再平衡逐次計算「各持股的 10% 均成交金額除以權重」的最小值，中位數約 NT$1.2 億、第 10 百分位約 NT$0.8 億。也就是資金規模到億元等級，部分月份的換股就會開始頂到流動性，需要放寬持股檔數或調整流動性門檻；一般個人資金距離這個上限還很遠。

Q6：為什麼不直接買含息 0050 就好？ 就 2020-2026 的純報酬而言，含息 0050 的 CAGR 29.1% 確實高過本策略的 20.9%。本策略的訴求是風險調整後：Sharpe 1.48 高於 0050 的 1.21、最大回撤 -13.3% 對上 -34.0%。適不適合你，取決於你更在意 raw 報酬，還是更在意曲線平穩與回撤控制。

Q7：多久要重新換股？換太頻繁會被成本吃掉嗎？ 本策略月頻換股（resample='M'）。月頻在台股是成本與訊號新鮮度之間相對平衡的選擇，回測已內扣手續費與證交稅。若改成週頻，turnover 與成本都會上升，需要重新驗證淨報酬是否還划算。

Q8：可以把這套策略套用到我自己挑的因子嗎？ 可以，而且這正是建議的進階方向。把 rev_yoy、momentum、low_vol 任一個換成你自己的因子（例如 ROE、籌碼指標），其餘合成、選股、加權、濾網的框架不變。換因子後務必重跑回測與參數網格，確認新組合在風險調整後仍站得住。

投資有風險，過去績效不代表未來表現，本文僅供教學參考，不構成投資建議。回測數字會隨資料更新而變動。

最後更新：2026-06｜回測區間：2020-01～2026-06（另列全期 2007-2026）｜作者：FinLab 量化研究團隊（經量化研究員審閱）

參考文獻

• Bernard, V. & Thomas, J. (1989). Post-Earnings-Announcement Drift: Delayed Price Response or Risk Premium? Journal of Accounting Research. 基本面訊息公布後的延遲反應（PEAD）：好消息公布後股價平均仍朝同方向漂移數月，支持本文以月營收年增率（台股月頻公布的基本面資料）作為營收動能因子。
• Jegadeesh, N. & Titman, S. (1993). Returns to Buying Winners and Selling Losers. Journal of Finance. 動能效應的開創性實證：過去 3 到 12 個月相對強勢的股票，在接下來數月傾向繼續跑贏，支持本文以 120 日報酬作為動能因子。
• Ang, A., Hodrick, R., Xing, Y. & Zhang, X. (2006). The Cross-Section of Volatility and Expected Returns. Journal of Finance. 低波動異常：波動較高的股票長期風險調整後報酬反而較差，對應本文低波動因子（120 日報酬標準差負向）與反波動加權的設計動機。
• Sharpe, W. F. (1994). The Sharpe Ratio. Journal of Portfolio Management. 夏普比率：用「每承擔一單位波動換到多少超額報酬」衡量策略，正是本文以 Sharpe 1.48 而非 raw CAGR 主張勝出的依據。
• Bailey, D., Borwein, J., López de Prado, M. & Zhu, Q. (2014). Pseudo-Mathematics and Financial Charlatanism. Notices of the AMS. 回測過擬合：在多組設定中挑出最漂亮的一組會高估真實績效，提醒讀者重視本文同時揭露全期 2007-2026（Sharpe 0.99）與參數網格穩健性，而非只看招牌期間的 1.48。