運用Point-in-Time財務資訊找尋因子
前言
在股票投資研究中，如何運用公開透明且具理論基礎的財務資訊建構因子，一直是量化投資的重要課題。相較於僅依賴價格或技術指標，財務報告能更直接反映企業在獲利能力、成長性、財務結構及營運效率等方面的基本狀況。然而，若僅依靠單一財務指標，往往難以全面捕捉企業價值，且網路上許多財務資料經過修正、重編等，已無法還原當時的狀況。因此，本研究將在Point-in-Time的基礎上，嘗試建構一個多維度財務報表資訊整合的綜合性因子，並透過事後檢驗方式，評估其預測能力與穩定性。
➡️ 用 TEJ Point-in-Time 財務資料，讓回測不再『偷看答案』
方法與流程
本研究標的為台灣上市櫃普通股，期間自2020年第一季財報開始至2025年第二季財報。財務資料來源為 TEJ 財務資料_會計師簽證財務資料」，其特色在於採用 Point-in-Time 處理方式，可精準還原當下可得資訊，避免前視偏誤。
整體研究流程如下：
因子設計
資料預處理與樣本篩選：
股價大於10元，避免低價股所帶來的極端波動性
日成交量大於1000張，以滿足流動性需求
單季 營業毛利率 大於-20%，剔除產品競爭力過低的公司
負債比率 小於90%，一般而言，過高的負債比率會有更高的償債壓力
極端值處理：
為了降低極端值對統計分析的影響，本文對以下變數，進行縮尾處理 (Winsorization)
單季 營收成長率 限制在-50%到100%
單季 稅後淨利成長率 限制在-100%到200%
單季 ROE(A)－稅後 限制在-20%到50%
因子構建：
獲利能力因子 = (單季ROE(A)－稅後 + 單季營業毛利率 )
成長性因子 = (單季 營收成長率 + 單季稅後淨利成長率)
財務健康度因子 = (流動比率 – 負債比率)
營運效率因子 = 單季 總資產週轉次數
加權與標準化：
對上述因子進行 z-score 標準化，並依以下權重進行加總，
獲利能力 30%
成長性 40%
財務健康度 20%
營運效率 10%
最後再把分數做一次z-score標準化組成綜合評分是為本研究的因子產出。
📌 延伸閱讀：開啟 TEJ 因子資料庫，強化你的量化火力
統計產出與結果
以下我們依照因子分數由高至低將樣本分為五組，並說明依照上述設計之因子之統計與產出。
表一、分組報酬率敘述性統計
組別 最小值 最大值 平均值 標準差 數量 占比 1 -3.155575 -0.626267 -1.291114 0.383108 69444 20.085730 2 -0.987734 -0.132098 -0.534822 0.150743 68992 19.954995 3 -0.403942 0.549351 -0.061369 0.144642 69008 19.959623 4 0.053214 0.912159 0.463535 0.173874 68992 19.954995 5 0.601423 9.998278 1.425836 0.749960 69302 20.044658
由表一我們可知整體趨勢方面分位數由1至5，平均值呈現由負轉正且逐漸上升的單調結構，符合因子分組的設計邏輯，同時，標準差在低分位數相對較小，高分位數則顯著放大，顯示因子在高端區間更容易出現極端值，而最大值在第5分位遠高於其他組，代表該組的異質性更高，可能含有少數極端高分標的。
表二、持有期因子投資績效檢驗表
1D 5D 10D 22D Ann. Alpha 0.076 0.053 0.035 -0.002 Beta 0.080 0.068 0.068 0.089 Mean Period Wise Return Top Quantile (bps) 3.470 2.775 1.999 -0.181 Mean Period Wise Return Bottom Quantile (bps) -6.707 -4.447 -3.393 -2.012 Mean Period Wise Spread (bps) 10.177 7.193 5.356 1.766
表二呈現了不同持有期下的超額報酬 (alpha)、市場敏感度 (beta)、以及分位數組合經過demean(減去組內平均值)的平均報酬與價差。
1. 超額報酬 (Ann. alpha)
由1D的0.076代表短期有顯著正向超額報酬，隨持有期拉長，alpha 呈下降趨勢，直到22D時已接近零甚至轉負，表示長期累積後效果趨於消散。因此說明此因子在短期內具備預測力，但持有期拉長後效果逐漸衰減。
2. 系統性風險 (beta)
Beta介於0.068至0.089，數值偏低，顯示此因子策略與市場整體波動的關聯性有限。而對投資組合來說，這意味著策略相對獨立，具備分散投資風險的潛力。
3. 高低分位數表現
我們可從表得知Top Quantile在短期內具有相對較高的超額表現，1D平均報酬(經過demean處理後)為3.47 bps，但隨著持有期延長，其效果逐漸遞減，至 22D已轉為 -0.18 bps。相對地，Bottom Quantile在各持有期皆呈現負向表現，且劣後幅度隨時間累積而擴大，至22D時已降至-2.01 bps，顯示其持續顯著低於組內平均水準。而Spread(Top–Bottom)在1D 時最大(10.18 bps)，5D 與 10D 仍保有一定差異，但至 22D已降至 1.77 bps，幾乎不具顯著性。
因此我們可以得出結論，因子的分組效果在短期最為明顯，能有效區分高低分組的表現；但隨持有期延長，差異將快速縮小。
圖一、分位數平均前瞻報酬長條圖
由圖一結果顯示，本因子在不同分位數間呈現明顯區隔。低分位數(Q1、Q2)平均報酬為負，高分位數(Q3-Q5)則多為正，顯示因子應具備有效性。特別是在短期(1D-5D)內，高低分位數的報酬差距顯著，驗證因子對短期投資策略具有解釋力。然而，隨著持有期延長至 22D，高低分位數差距明顯收斂，甚至出現高分位數報酬回落的情況，顯示因子效果可能隨時間推移而減弱。
結論與限制
本研究以TEJ的Point-in-Time財務報告為核心資訊，透過多重因子的設計與整合，在避免前視偏誤的前提之下，建立了一套可量化並具可重複性的選股評分機制。實證結果顯示，因子分數高低在分組報酬上呈現部分區分效果，特別是低分位與高分位組之間具有明顯落差，驗證了本研究因子的有效性與應用價值。此結果支持了財報因子在投資決策中的可行性，並提供相較於單一指標更多維度的整合資訊，用以反映企業價值。
然而，本研究亦存在若干限制：
- 權重設定的主觀性：各因子之間的權重分配屬於研究者主觀判斷，未必為最佳組合，未來可透過統計方法(如 PCA、機器學習)進行更系統化的權重優化。
- 樣本期間限制：本研究僅涵蓋自2020年4月至 2025年9月，期間受疫情、地緣政治等特殊事件影響，可能影響因子表現的普遍性。
- 市場條件依賴性：因子效果可能隨市場環境(如牛市、熊市或產業輪動)而異，尚需進一步檢驗其在不同景氣循環下的穩健性。
- 未涵蓋的因子：本研究僅聚焦於財務報表資訊，未納入市場因子(如動能、波動度)與公司治理相關因子，未來研究可考慮跨領域的整合。
綜上所述，本研究提供了一個基於財務資訊的因子構建與驗證框架，顯示財報資料在量化選股中的應用潛力。未來若能結合更多資料來源並進行動態調整，將有助於提升因子模型的解釋力與預測準確度。
TEJ 財金資料庫，開啟你的高品質數據之旅
從原始資料收錄到清洗與檢核，TEJ 為您提供一致、完整、可追溯的財務與市場資料，讓模型訓練與策略測試更接近真實世界。
💡走進 TEJ 資料銀行，開啟你的高品質數據之旅
https://www.tejwin.com/news/factor-library-%e5%9b%a0%e5%ad%90%e8%b3%87%e6%96%99%e5%ba%ab/