將產業輪動化為策略：應用產業順序建立量化回測模型
前言
在產業輪動的脈絡中，我們觀察到一項耐人尋味的現象：航運指數的轉強，似乎經常領先於半導體的上漲。這樣的關聯性若能被驗證並轉化為可操作的邏輯，便可能成為投資決策中的寶貴線索。
本篇將以前文「從數據觀察產業輪動：解構航運與半導體的領先與落後關係」的實證分析為基礎，進一步探討如何將「航運領先、半導體跟隨」的輪動假說，轉化為具體的資產配置策略。我們將結合景氣燈號、產業表現指標與時序條件，建構一套回測框架，模擬歷史期間的實際操作情境。透過策略績效的評估，我們希望回答一個核心問題：若航運真的能預告半導體行情，我們該如何跟上這波接力賽？
產業 RSI 數值視覺化
我們可以觀察到上一篇文章的分析結果，研究時間為2012-2020年初，航運產業以及半導體產業的 RSI 數值確實呈現明顯的輪動關係，接下來則是需要去關心我們如何利用這種輪動關係，設計出一套可靠的投資策略。為了避免前世偏誤，我們使用2020以後的市場資料當作策略回測時研究的對象，這會讓我們的策略分析更加可靠。
👉 前情提要：從數據觀察產業輪動：解構航運與半導體的領先與落後關係
策略邏輯說明：（搭配景氣信號燈）
從文章「從景氣燈號到資產輪動：一套避開熊市的量化策略」當中可以得知，通過景氣信號燈的信號可以有效避開熊市的波動，只在牛市持有股票部位，熊市持有短天期國債等避險資產，並且回測出不錯績效結果。搭配上述觀察的產業輪動現象「航運 → 半導體」，我們可以在牛市階段觀察到產業輪動的信號時，將原本持有的 0050 ETF 短期置換成產業輪動的相關股票（半導體類股），賺取資金輪動的報酬之後再換回 0050 ETF ，期望這樣的操作可以優化上述文章的績效結果。策略的比較基準為台股加權報酬率指數 (IR0001)，後續簡稱大盤。
實際操作方式為在景氣信號燈處於上升階段時，如果觀察到航運類指數的 RSI 數值大於65（我們認為當時該產業處於相對高點，產業循環開始），則買入持有半導體相關類股（選擇有代表性的大公司作為標的），直到半導體指數的 RSI 數值相對於買入時上升 15（產業循環結束），則出場賣出半導體類股並買回 0050 ETF。若產業循環未結束時市場進入熊市則平倉掉所有股票部位，買入短天期債券（這部分設計與景氣週期文章相同）。
在本策略中，針對「半導體產業」的資產配置，我選取了十檔具代表性的台灣半導體相關個股，涵蓋從上游晶圓代工到中游IC設計、下游封裝測試與記憶體等完整供應鏈。具體包括：
晶圓代工：台積電（2330）與聯電（2303）為晶圓代工雙雄，分別代表先進製程與成熟製程的核心廠商；世界先進（5347）則專攻8吋晶圓，聚焦利基市場。
IC設計：聯發科（2454）為全球主要手機與通訊晶片設計商；聯詠（3034）與天鈺（4961）則專精於顯示器驅動IC，屬於面板供應鏈重要角色。
封裝與測試：日月光投控（3711）、力成（6239）與欣銓（3264）為主要封裝與測試廠商，涵蓋後段製程與測試服務。
記憶體：南亞科（2408）為台灣DRAM大廠，與全球記憶體價格與供需循環關聯性高。
這些個股共同構成台灣半導體產業的關鍵結構，亦具備足夠流動性與市值，適合用於實證回測與資金配置的模擬。
程式碼展示
下載景氣信號燈分數、0050ETF以及美國短天期美債資料，並合併成一個dataframe
import tejapi import pandas as pd import numpy as np tejapi.ApiConfig.api_key = "your key" tejapi.ApiConfig.api_base = "https://api.tej.com.tw" # ======================================================== # 下載景氣信號燈的分數資料 data = tejapi.get('GLOBAL/ANMAR', mdate={'gte':'2000-01-01', 'lte':'2025-04-09'}, coid = 'EA1101') # ======================================================== # 下載 0050 ETF 以及 00865B ETF 的調整後價格資料 data2 = tejapi.get('TWN/AAPRCDA', coid = ['0050'], mdate={'gte':'2000-01-01', 'lte':'2025-04-09'}) df_price = data2[['mdate','close_d', 'avgclsd']].copy() data3 = tejapi.get('TWN/AAPRCDA', coid = ['00865B'], mdate={'gte':'2000-01-01', 'lte':'2025-04-09'}) df_bond = data3[['mdate','close_d', 'avgclsd']].copy() # ======================================================== data['mdate'] = pd.to_datetime(data['mdate']) data['val_shifted'] = data['val'].shift(1) df_price['mdate'] = pd.to_datetime(df_price['mdate']) df_bond['mdate'] = pd.to_datetime(df_bond['mdate']) data = data.set_index('mdate', drop=False) df_price = df_price.set_index('mdate', drop=False) df_bond = df_bond.set_index('mdate', drop=False) df_P_daily = data.resample('D').ffill() df = df_price.join(df_P_daily, how = 'left', rsuffix='P') df = df.join(df_bond, how = 'left', rsuffix='bond') df['mdate'] = df['mdate'].dt.strftime('%Y-%m-%d') df['mdate'] = pd.to_datetime(df['mdate']) # ======================================================== # 將兩筆資料視覺化，觀察其過去情況 import matplotlib.pyplot as plt fig, axes = plt.subplots(nrows=3, ncols=1, figsize=(20, 10), sharex=True) plt.style.use('ggplot') axes[1].plot(df['mdate'], df['avgclsd'], label = '0050 Price') axes[1].set_title(f'0050 History Price') axes[1].legend() axes[0].plot(df['mdate'], df['val_shifted'], label = 'SCORE') axes[0].axhline(y = 38, label = 'Red Light Bound', color = 'red', linestyle = '--') axes[0].axhline(y= 16, label = 'Blue Light Bound', color = 'blue', linestyle = '--') axes[0].set_title(f'SCORE') axes[0].legend() axes[2].plot(df['mdate'], df['avgclsd_bond'], label = 'Short_term_bond Price') axes[2].set_title(f'00865B Short_term_bond History Price') axes[2].legend() plt.tight_layout() plt.show()
下載產業指數資料並進行 RSI 計算
codes = [ "IX0001", "IX0002", "IX0003", "IX0006", "IX0010", "IX0011", "IX0012", "IX0016", "IX0017", "IX0018", "IX0019", "IX0020", "IX0021", "IX0022", "IX0023", "IX0024", "IX0025", "IX0026", "IX0027", "IX0028", "IX0029", "IX0030", "IX0031", "IX0032", "IX0033", "IX0034", "IX0035", "IX0036", "IX0037", "IX0038", "IX0039", "IX0040" ] names = [ "加權指數", "台灣50指數", "台灣中型指數", "台灣高股息指數", "水泥工業類指數", "食品工業類指數", "塑膠工業類指數", "紡織纖維類指數", "電機機械類指數", "電器電纜類指數", "化學生技醫療類指數", "化學工業指數", "生技醫療指數", "玻璃陶瓷類指數", "造紙工業類指數", "鋼鐵工業類指數", "橡膠類指數", "汽車工業類指數", "電子類指數", "半導體業指數", "電腦及週邊設備業指數", "光電業指數", "通信網路業指數", "電子零組件業指數", "電子通路業指數", "資訊服務業指數", "其他電子業指數", "建材營造類指數", "航運業類指數", "觀光事業類指數", "金融保險類指數", "貿易百貨類指數" ] import pandas as pd import numpy as np import tejapi import os import matplotlib.pyplot as plt plt.rcParams['font.family'] = 'Arial' tej_key = "your key" tejapi.ApiConfig.api_key = tej_key os.environ['TEJAPI_BASE'] = "https://api.tej.com.tw" os.environ['TEJAPI_KEY'] = tej_key start_dt = pd.Timestamp('2006-01-01', tz = 'UTC') end_dt = pd.Timestamp('2025-04-23', tz = "UTC") import TejToolAPI co = ['coid','Industry', 'mkt', 'vol', 'open_d', 'high_d', 'low_d', 'close_d', 'roi', 'shares', 'per', 'pbr_tej','mktcap'] data = TejToolAPI.get_history_data(start = start_dt, end = end_dt, ticker = codes, columns = co, transfer_to_chinese = True) data_use = data.pivot(index='日期', columns='股票代碼', values='收盤價') def compute_rsi(series, period = 60): delta = series.diff() gain = delta.where(delta > 0, 0.0) loss = -delta.where(delta < 0, 0.0) avg_gain = gain.rolling(window=period).mean() avg_loss = loss.rolling(window=period).mean() rs = avg_gain / avg_loss rsi = 100 - (100 / (1 + rs)) return rsi df_ind = data_use.iloc[:, 1:].apply(compute_rsi) df_ind['mdate'] = df_ind.index
回測程式碼展示
import os import tejapi plt.rcParams['font.family'] = 'Arial' tej_key = 'your key' os.environ['TEJAPI_BASE'] = "https://api.tej.com.tw" os.environ['TEJAPI_KEY'] = tej_key from zipline.data.run_ingest import simple_ingest from zipline.api import set_slippage, set_commission, set_benchmark, symbol, record from zipline.api import order_target_percent, order_percent, order from zipline.api import set_long_only, set_max_leverage from zipline.finance import commission, slippage from zipline import run_algorithm semiconductor_stocks = [ '2330', # 台積電：晶圓代工龍頭 '2303', # 聯電：成熟製程晶圓代工 '2408', # 南亞科：DRAM 記憶體 '3711', # 日月光投控：封裝與測試 '3034', # 聯詠：顯示器 IC 設計 '2454', # 聯發科：手機與通訊 IC 設計大廠 '5347', # 世界先進：8 吋晶圓代工 '6239', # 力成：封裝測試服務 '3264', # 欣銓：測試服務為主 '4961' # 天鈺：顯示驅動 IC ] pool = ['0050', 'IR0001', '00865B'] + semiconductor_stocks start_date = '2009-01-01' end_date = '2025-04-30' start_ingest = start_date.replace('-', '') end_ingest = end_date.replace('-', '') simple_ingest(name = 'tquant' , tickers = pool , start_date = start_ingest , end_date = end_ingest) def initialize(context, pool = pool): set_slippage(slippage.TW_Slippage(spread = 1 , volume_limit = 1)) set_commission(commission.Custom_TW_Commission(min_trade_cost=20, discount=1.0, tax = 0.003)) set_benchmark(symbol('IR0001')) context.i = 0 context.pool = pool context.state = False context.score = None context.hedge_state = None context.buy_date = [] context.sell_date = [] context.a = 0 context.b = 0 context.bond = symbol('00865B') context.stock = symbol('0050') context.semi = None context.boat = None context.cycle2 = False context.aa = 0 context.bb = 0 context.cycle_start_date = [] context.cycle_end_date = [] def handle_data(context, data, score_data = df, ind_data = df_ind): backtest_date = data.current_dt.date() today_data = score_data[score_data['mdate'] == pd.to_datetime(backtest_date)] context.last_score = context.score # 記錄舊的 score if not today_data.empty: context.score = today_data['val_shifted'].iloc[-1] else: # 若無資料，就沿用舊的 score context.score = context.last_score today_data_2 = ind_data[ind_data['mdate'] == pd.to_datetime(backtest_date)] context.semi = today_data_2["IX0028"].iloc[-1] #context.bio = today_data_2['IX0021'].iloc[-1] context.boat = today_data_2['IX0037'].iloc[-1] record(score = context.score) if context.state == True: # ================================================================== if context.boat >= 65 and context.cycle2 == False : print(f'{backtest_date} : Cycle 2 Start') context.cycle_start_date.append(pd.to_datetime(backtest_date)) context.cycle2 = True order_target_percent(symbol('0050'), 0) for i in semiconductor_stocks: order_target_percent(symbol(i), 1.0 / len(semiconductor_stocks)) context.a = context.semi if context.cycle2 == True and context.semi >= context.a + 15: print(f'{backtest_date} : Cycle 2 End') context.cycle_end_date.append(pd.to_datetime(backtest_date)) context.cycle2 = False for i in semiconductor_stocks: order_target_percent(symbol(i), 0) order_target_percent(symbol('0050'), 1.0) # ================================================================== if context.hedge_state == True and context.cycle2 == True: print(f'Bull Market Ending') #context.end_date.append(pd.to_datetime(backtest_date)) for i in semiconductor_stocks: order_target_percent(symbol(i), 0) order_target_percent(symbol('0050'), 0) context.cycle2 = False # ================================================================== if context.score <= 16 and context.state == False: order_target_percent(context.stock, 1.0) print(f"Date: {backtest_date}, Score: {context.score}, 買進 0050") context.buy_date.append(pd.to_datetime(backtest_date)) context.state = True if context.hedge_state == True: order_target_percent(context.bond, 0) print(f"Date: {backtest_date}, Score: {context.score}，賣出債券") context.hedge_state = False if context.score >= 38 and context.state == True: order_target_percent(context.stock, 0) print(f"Date: {backtest_date}, Score: {context.score}, 賣出 0050") context.sell_date.append(pd.to_datetime(backtest_date)) context.state = False if context.hedge_state == False : order_target_percent(context.bond, 1.0) print(f"Date: {backtest_date}, Score: {context.score}，買入債券避險") context.hedge_state = True if context.score > 16 and context.score < 38 and context.aa == 0: context.aa = 1 print('進入景氣循環') if context.state == False: order_target_percent(context.stock, 1.0) print(f"Date: {backtest_date}, Score: {context.score}, 買進 0050 ETF") context.buy_date.append(pd.to_datetime(backtest_date)) context.state = True # 因為 00685B 從 2019-11-25 才開始被交易 if pd.to_datetime(backtest_date) >= pd.to_datetime('2019-11-25') and context.bb == 0: context.bb = 1 context.hedge_state = False record(Leverage = context.account.leverage) df_ind_plot = df_ind[df_ind['mdate'] >= pd.to_datetime('2020-01-01')] plt.rcParams['font.family'] = 'DejaVu Sans' def analyze(context, perf): plt.style.use('ggplot') fig, axes = plt.subplots(nrows=4, ncols=1, figsize=(18, 15), sharex=True) axes[0].plot(perf.index, perf['algorithm_period_return'], label = 'strategy') axes[0].plot(perf.index, perf['benchmark_period_return'], label = 'benchmark') for idx, i in enumerate(context.buy_date): if idx == 0: axes[0].axvline(x = i, color = 'red', label = 'Bull Market Start', linestyle = '--', alpha = 0.5) axes[0].axvline(x = i, color = 'red', linestyle = '--', alpha = 0.5) for idx, i in enumerate(context.sell_date): if idx == 0: axes[0].axvline(x = i, color = 'black', label = 'Bear Market Start', linestyle = '--', alpha = 0.5) axes[0].axvline(x = i, color = 'black', linestyle = '--', alpha = 0.5) for idx, i in enumerate(context.cycle_start_date): if idx == 0: axes[0].axvline(x = i, linestyle = '--', color = '#F39C12', label = 'Cycle Start') else: axes[0].axvline(x = i, linestyle = '--', color = '#F39C12') for idx, i in enumerate(context.cycle_end_date): if idx == 0: axes[0].axvline(x = i, linestyle = '--', color = '#6C3483', label = 'Cycle End') else: axes[0].axvline(x = i, linestyle = '--', color = '#6C3483') axes[0].set_title(f'Industry Rotation Algorithm_period_return') axes[0].legend() axes[1].bar(perf.index, perf['score'], label='score') axes[1].set_title('Business cycle index') axes[1].legend() axes[2].plot(perf.index, perf['Leverage'], label = 'Leverage') axes[2].set_title('Leverage') axes[2].legend() axes[3].plot(df_ind_plot.index, df_ind_plot['IX0028'], label = 'Semi index RSI') axes[3].plot(df_ind_plot.index, df_ind_plot['IX0037'], label = 'Ship index RSI') axes[3].set_title('Industry RSI') axes[3].legend() plt.tight_layout() plt.show() results = run_algorithm( start = pd.Timestamp('2020-01-01', tz = 'utc'), end = pd.Timestamp('2025-04-10', tz = 'utc'), initialize = initialize, handle_data = handle_data, analyze = analyze, bundle = 'tquant', capital_base = 1e5)
策略績效圖表＆分析
從第一張圖的策略績效比較來看，在整段牛市期間共偵測到 5 次「航運 → 半導體」的產業輪動信號（橘色線顯示的時間點）。其中，前 3 次出現在 2020 年，第 4, 5 次則發生於較後期。整體來說，這幾次輪動信號中，有 4 次成功捕捉到半導體類股的強勁上漲趨勢，分別為第 2 至 5 次。其中第2, 3次進場效果最為顯著，使得策略的累積報酬率大幅超越 台股大盤（Benchmark），達成我們預期透過輪動機制提升超額報酬的目標。第 4, 5 次雖也成功搭上半導體上漲波段，但由於當時整體台股行情主要由半導體所驅動，因此策略相較於大盤的超額報酬上漲力度有限。
第二張圖呈現回測期間的景氣指數（score），對應每次景氣輪動信號的背景經濟環境。可以發現，每次策略進場時機大多落在景氣由谷底回升或進入擴張的初期階段，符合經濟循環與資金輪動的邏輯。
第三張圖則顯示策略於整段回測期間的槓桿使用情況。除了兩個時間點因牛熊轉換而發生的換倉操作使槓桿瞬間升高至 2.0，其餘大多數期間均維持在 1.0 左右，顯示整體策略並未依賴過度槓桿來強化績效，槓桿使用風險控制得宜。
圖中顯示的是產業輪動策略的回撤圖以及深水圖，從圖中可以判斷大部分時期的回撤落在-10%以內，這是非常優秀的回撤結果，顯示出策略長期穩定獲利的能力。但是在2020年初有一小段時間的回撤為 -27% 左右，此時策略的持有標的為 0050 ETF 因此可以視為是市場的系統性風險所致。實際上當時的下跌段也是因為疫情的突然爆發而產生的，屬於黑天鵝事件，因此我們可以不用過於在意此時的下跌段。
多策略比較
上圖呈現四種策略在回測期間的績效與風險比較：
- 紅色線（Ind）：為本研究設計的「產業輪動策略」，依據航運與半導體之間的資訊傳遞關係進行動態調整；
- 藍色線（All Stock）：為牛市期間單純買入半導體族群個股，並於熊市訊號出現後退出市場的策略；
- 紫色線（ALL ETF）：為牛市期間單純持有 0050 ETF 的策略；
- 灰色線（Benchmark）：作為投資基準線，代表大盤報酬走勢。
從第一張圖的累積報酬表現可看出，藍色線策略雖然報酬率最高，但伴隨顯著波動風險。在第三張圖的波動度比較中也能觀察到，其大部分時間的波動率均高於其他策略。
相比之下，本研究提出的產業輪動策略（紅色線）表現穩健且具備良好的風險控制能力。其報酬表現雖略低於全股票策略，但明顯高於純 ETF 策略，且波動度位於兩者之間，達成風險與報酬之間的平衡。整體而言，產業輪動策略未出現因頻繁調倉導致績效下滑的情況，反而在資金流向判斷與進出時機上展現出實質優勢，具有實務應用潛力。
策略比較表格與分析
績效指標/策略 產業輪動策略 牛市半導體策略 牛市0050策略 Benchmark 年化報酬率 28.584% 33.23% 21.24% 12.047% 累積報酬率 257.52% 327.48% 165.40% 77.97% 年化波動度 16.179% 17.21% 14.84% 18.52% 夏普值 1.64 1.75 1.37 0.71 卡瑪比率 1.04 0.98 0.77 0.45 最大回撤期間 -27.60% -34.07% -27.60% -26.74% Alpha 0.23 0.28 0.16 0 Beta 0.39 0.42 0.39 0.93 註：卡瑪比率計算方式為年化波動度除以期間最大回撤，用以衡量「報酬率對虧損」的比值，概念類似於風暴比，此指標的數值越高越好。
本文所提出的產業輪動策略，在多項績效指標中展現出良好的風險報酬平衡。年化報酬率達 28.58%，雖略低於牛市期間全買半導體的策略（33.23%），但明顯高於僅持有 0050 ETF 的策略（21.24%）與大盤基準（12.05%）。累積報酬率亦達到 257.52%，展現強勁的長期成長能力。在風險方面，產業輪動策略的最大回撤為 -27.60%，控制水準與 ETF 策略相當，顯著優於半導體策略的 -34.07%。整體來看，該策略雖不以極端高報酬為目標，卻有效兼顧風險控制與報酬穩定性。
進一步觀察風險調整後的績效指標，產業輪動策略的夏普值為 1.64，卡瑪比率為 1.04，兩者皆優於 ETF 與大盤，且在卡瑪比率上為四項策略中最高，顯示策略能在承受相對可控虧損的情況下，取得相對優異的年化報酬。此外，Alpha 值達 0.23，說明在扣除市場影響後，仍具備明顯的超額報酬能力；而 Beta 僅為 0.39，代表策略波動對市場變動的敏感度較低，具有防禦性資產配置的特性。綜合上述結果，產業輪動策略在風險與報酬之間取得良好平衡，為實務操作上具潛力且穩健的投資方法。
完整程式碼連結
歡迎投資朋友參考，之後也會持續介紹使用 TEJ 資料庫來建構各式指標，並回測指標績效，所以歡迎對各種交易回測有興趣的讀者，選購 TQuant Lab 的相關方案，用高品質的資料庫，建構出適合自己的交易策略。
溫馨提醒，本次分析僅供參考，不代表任何商品或投資上的建議。
【TQuant Lab 回測系統】解決你的量化金融痛點
全方位提供交易回測所需工具
延伸閱讀
機器學習算法 XGBoost 提升技術指標一目均衡表的投資績效