量化選股：用數據取代直覺
大多數投資人做決策時，難以避免情緒的干擾：看到某檔股票連漲五天就怕追高，看到大跌又不敢撿便宜，聽到朋友報明牌就心動，看到新聞負面報導就急著殺出。這些直覺與情緒，在長期投資績效上往往是最大的敵人。
量化選股（Quantitative Stock Screening）的出現，正是為了解決這個問題。它的核心精神是：將投資邏輯轉化為數學公式，用歷史數據驗證邏輯的有效性，再以系統化的方式執行，排除主觀情緒的干擾。量化選股不等於高頻交易或 AI 演算法，它可以非常簡單——只要你的選股邏輯可以被明確定義、可以被數字量化，就是量化選股的範疇。
台灣散戶投資人接觸量化選股的門檻越來越低。財報狗、Goodinfo、TEJ（台灣經濟新報）等資料來源提供了完整的台股歷史財務數據；Python 與開源回測套件（如 Backtrader、Zipline）讓個人投資人也能進行策略回測。本文將從因子設計到回測執行，完整說明量化選股的實戰框架。
什麼是「因子」？
量化選股的最小單位是「因子」（Factor）。因子是一個可以數字化衡量、並對未來股票報酬有預測力的指標。
根據學術研究與實務經驗，被廣泛驗證有效的因子可分為幾大類：
一、價值因子（Value Factors）
衡量股票相對於基本面的便宜程度：
- 本益比（P/E Ratio）：股價 ÷ 每股盈利，低本益比代表相對便宜
- 股價淨值比（P/B Ratio）：股價 ÷ 每股淨值，低 P/B 代表以低於帳面價值買入
- 企業價值倍數（EV/EBITDA）：考量負債的全面估值指標，比 P/E 更不易被資本結構扭曲
- 自由現金流殖利率（FCF Yield）：每股自由現金流 ÷ 股價，衡量股票「賺現金」的能力
二、品質因子（Quality Factors）
衡量公司本身的營運品質：
- 股東權益報酬率（ROE）：衡量公司用股東資金賺錢的效率
- 資產報酬率（ROA）：ROE 的補充，不受槓桿程度影響
- 毛利率與淨利率：衡量定價能力與成本管控
- 應收帳款週轉率：帳款回收越快，財務品質越健康
- Piotroski F-Score：綜合 9 個財務指標的評分系統，0~9 分，高分代表財務體質優異
三、成長因子（Growth Factors）
衡量公司盈利與營收的擴張速度：
- EPS 年增率（YoY）：最直接的盈利成長指標
- 營收年增率：確認業務規模持續擴大
- 淨利年增率：確認成長是否轉化為實際盈利
- 分析師盈利預測上修幅度（Earnings Revision）：機構分析師集體上調預測，代表市場對未來盈利更為樂觀
四、動能因子（Momentum Factors）
衡量股票過去一段時間的相對強度：
- 近 12 個月報酬率（排除最後一個月）：學術研究發現，過去 2~12 個月強勢的股票，未來 1~6 個月仍傾向強勢
- 近 3 個月相對強弱（Relative Strength）：與大盤指數或同業比較的超額報酬
- 均線斜率：均線向上傾斜的幅度，代表趨勢的強度
五、籌碼因子（Institutional Flow Factors）
衡量法人與大股東的行為：
- 外資連續買超天數與累計量
- 投信買超趨勢（近 20 日）
- 大股東持股比例變化
- 融資使用率（太高代表散戶過度槓桿，風險偏高）
因子有效性：台股的實證
在設計量化選股模型之前，必須先確認因子在台股是否真的有效。以下是幾個台灣學術研究與實務觀察的重要發現：
ROE 因子在台股的有效性
多項研究顯示，台股中 ROE 持續高於 15% 的公司，長期股價表現明顯優於市場平均。以 2010~2023 年的回測資料，每年從台灣上市公司中選出 ROE 最高的前 20%，年化報酬率普遍超過加權指數報酬率約 3~5 個百分點。
動能因子的強度
台股的動能效應相對顯著，但存在「動能崩潰」的風險（即強勢股突然急跌）。研究顯示，動能因子在台股的有效持續時間約為 3~6 個月，超過這個期間，動能效應開始減弱甚至反轉。
小型股效應
台股也存在「小型股效應」（Small-cap Effect）：市值較小的公司平均長期報酬率高於大型股。然而，小型股的流動性風險更高，實際操作時需謹慎控制部位規模。
「除息蜜月期」——台股特有現象
台灣投資人對現金股利的偏好極高，高殖利率個股在除息前後往往出現特定的價格行為，形成所謂的「填息效應」。量化策略中加入殖利率因子，並配合除息時程，有機會捕捉這個台股特有的超額報酬機會。
建立量化選股模型的步驟
步驟一：定義投資宇宙（Universe）
明確你的選股範圍：
- 僅限上市公司？還是包含上櫃？
- 是否排除金融股（銀行、保險）？（因其財務報表結構與一般產業不同，比較基準不一樣）
- 是否排除ETF、REITs？
- 是否排除市值低於 20 億元的微型股？（流動性風險）
建議的台股投資宇宙：台灣上市上櫃公司，市值 ≥ 30 億元，日均成交金額 ≥ 500 萬元，排除金融保險股。
步驟二：選擇因子並計算分數
選定 3~5 個核心因子後，為每個標的計算「因子排名」：
以「品質 + 價值」雙因子模型為例：
- 計算全市場每檔股票的 ROE 排名（從高到低，最高給 100 分，最低給 1 分）
- 計算全市場每檔股票的本益比排名（本益比越低排名越高）
- 加權合成綜合得分：綜合分數 = ROE 排名 × 0.5 + 本益比排名 × 0.5
- 選取綜合分數最高的前 N 檔（例如前 30 檔）作為持股
步驟三：設定再平衡頻率
量化選股模型需要定期重新執行篩選，並調整持股，這個動作稱為「再平衡」（Rebalancing）。
| 再平衡頻率 | 適合策略類型 | 主要成本考量 |
|---|---|---|
| 每週 | 短線動能策略 | 交易成本高（手續費、滑價） |
| 每月 | 中線趨勢策略 | 交易成本中等，適合大多數策略 |
| 每季 | 基本面策略 | 交易成本低，跟隨財報更新節奏 |
| 每年 | 長線價值策略 | 交易成本最低，但反應慢 |
對於一般散戶而言，每季再平衡（配合財報公告節奏）是兼顧效果與成本的最佳選擇。
步驟四：進行回測
回測（Backtesting）是用歷史數據模擬策略在過去的執行結果。台股可用的回測資料來源：
- TEJ（台灣經濟新報）：最完整的台股財務數據，適合學術級回測，但授權費用較高。
- 財報狗 API：提供近 10 年財務指標數據，適合個人投資人使用。
- 台灣證交所 Open Data：免費但格式需整理，適合技術型投資人自行下載處理。
Python 回測範例框架（概念性）：
# 概念性框架，非可執行程式碼
for quarter in quarters_list: # 每季再平衡
# 取得本季所有股票的 ROE 與 P/E
universe = get_stock_data(quarter)
# 計算因子排名
universe['roe_rank'] = universe['roe'].rank(ascending=False)
universe['pe_rank'] = universe['pe'].rank(ascending=True)
# 計算綜合得分並選股
universe['score'] = universe['roe_rank'] * 0.5 + universe['pe_rank'] * 0.5
portfolio = universe.nlargest(30, 'score')
# 計算持有期間報酬
returns = calculate_returns(portfolio, next_quarter)
步驟五：評估回測結果
評估量化策略的指標不只是報酬率，更重要的是風險調整後報酬：
| 評估指標 | 說明 | 參考標準 |
|---|---|---|
| 年化報酬率 | 策略平均每年的複合報酬 | 超過大盤指數 |
| 最大回撤（Max Drawdown） | 從高點到最低點的最大虧損幅度 | 長期策略建議 < 30% |
| 夏普比率（Sharpe Ratio） | 每承擔一單位風險所獲得的超額報酬 | > 1.0 為良好 |
| 勝率 | 每次再平衡後，持股超越大盤的比例 | > 55% 算穩定 |
| 年均換手率 | 每年更換持股的比例，影響交易成本 | 越低越好 |
量化選股的進階技巧
因子合成的權重設計
多因子合成時，各因子的權重設計非常關鍵：
等權重法：每個因子給予相同權重（例如各 25%）。優點是簡單，不過度配合歷史數據；缺點是無法反映不同市場環境下各因子的相對有效性。
最佳化權重法：用歷史數據計算各因子的最佳化權重。缺點是容易過度最佳化，使回測表現虛高但實際操作績效差。
IC 加權法：以各因子的「信息系數」（Information Coefficient，IC）作為權重依據。IC 衡量因子預測值與實際報酬的相關係數，IC 越高的因子給予越高權重，是更科學的方法。
行業中性化
不同產業的估值水準差異極大（半導體本益比 25~40 倍，傳產本益比 8~15 倍）。若直接跨產業比較 P/E，篩出的標的會集中在傳統產業，無法多元化。
行業中性化的做法是：在同一產業內進行因子排名，再選取每個產業內的高分標的，確保最終持股在產業上的分佈相對均衡。
動態因子輪動
不同市場環境下，不同因子的有效性會有差異：
- 牛市初期：動能因子、成長因子最有效
- 牛市中期：品質因子最穩健
- 熊市：價值因子（低估值防禦）與低波動因子相對抗跌
- 復甦期：小型股因子、低本益比反彈力道最強
動態因子輪動的難點在於準確判斷市場周期，實作上建議保持核心因子不變（品質 + 價值），視市況微調動能因子的權重。
量化選股的限制與常見誤區
誤區一：回測績效越好越好
過度最佳化（Overfitting）是量化投資最常見的陷阱。若你用 15 年歷史數據，調整了 20 個參數，最後找到「完美策略」——年化報酬 35%、夏普比率 2.5、最大回撤 8%——這幾乎可以確定是數據過擬合的結果，實際操作時會大幅落差。
對策：留出 30% 的數據作為「樣本外測試集」，策略設計完成後，僅用測試集評估。
誤區二：忽略交易成本
台灣股票交易成本：
- 手續費：最高 0.1425%（雙向），網路下單通常有折扣，約 0.05%
- 證交稅：賣出時 0.3%（ETF 為 0.1%）
- 滑價（Slippage）：在流動性較低的股票中，買入時實際成交價可能高於理論價格
若量化策略每月換手 50%，光是交易成本每年就可能消耗 4~6% 的報酬，大幅侵蝕超額報酬。
誤區三：忽略存活者偏差
「存活者偏差」是指回測時，只包含現在仍然存在的公司，自動排除了過去已下市、下櫃、破產的公司。這樣的回測結果會系統性高估實際報酬，因為真實的投資人在當時並不知道哪些公司最後會下市。
對策：確認使用的數據來源包含退市股票的歷史數據（點股成金、TEJ 等提供此功能）。
誤區四：把量化選股當成「自動賺錢機器」
量化選股降低了主觀情緒的干擾，但無法消除系統性風險（如金融危機、疫情衝擊、產業顛覆）。即便是最嚴謹的量化基金，在市場極端環境下也可能大幅虧損。
量化選股的正確定位是：在大多數正常市場環境下，系統性地獲取超額報酬；在極端環境下，確保損失在可接受的範圍內。
台股量化選股實戰範例
以下示範一個適合個人投資人操作的簡化「三因子月報再平衡策略」：
策略名稱：台股品質動能季選股策略
投資宇宙：台灣上市上櫃，市值 ≥ 50 億元，排除金融保險
因子與權重：
| 因子 | 指標 | 權重 |
|---|---|---|
| 品質因子 | ROE（近四季平均） | 40% |
| 成長因子 | 近兩季 EPS 年增率平均 | 35% |
| 動能因子 | 近三個月股價相對大盤報酬 | 25% |
再平衡頻率：每季（3 月、6 月、9 月、12 月季報公告後執行）
持股數量：前 20 名高分標的，等權重持有（每檔 5%）
停損機制：單一個股若當季下跌超過 15%，立即以下一個高分標的替換
歷史模擬績效（2015~2024，概估，含交易成本）：
- 年化報酬率：約 16~19%
- 最大回撤：2022 年熊市約 -28%
- 夏普比率：約 1.1~1.3
- 相較同期加權指數年化報酬（約 11%）超額報酬約 5~8 個百分點
結語
量化選股的本質是一種思維方式的轉變：從依賴直覺與情緒，轉向依賴邏輯與數據。它不要求你是數學家或工程師，但它要求你對自己的投資邏輯有清晰的定義，並有紀律地執行。
對台灣投資人而言，量化選股的工具越來越普及，從財報狗的選股器到 Python 開源框架，進入門檻從未如此之低。更重要的是，在一個資訊爆炸、情緒波動劇烈的市場環境中，擁有一套系統化、數據驅動的選股流程，是長期打敗大盤的最可靠方法之一。
從選定三個你真正理解的因子開始，設定合理的條件，進行簡單的歷史驗證，然後紀律地執行——這就是量化選股的起點，也是從「憑感覺」進化到「用數據」的第一步。