James O’Shaughnessy 基石價值策略——從大型收益股中發掘優質金礦

O’Shaughnessy 基石價值策略之理論基礎

詹姆士．歐沙那希（James P. O'Shaughnessy）是歐沙那希資本管理公司（O'Shaughnessy Capital Management, Inc.）及歐沙那希基金公司（O'Shaughnessy Funds, Inc.）的總裁與基金經理人。他著有多本投資著作，包括《Invest Like the Best》（1994）、《華爾街致勝秘訣》（What Works on Wall Street, 1997）及《How to Retire Rich》（1998）等，其中《華爾街致勝秘訣》更是美國知名的暢銷書。

在《華爾街致勝秘訣》中，歐沙那希運用長達 44 年（1950–1994）來自 S&P 和 Compustat 資料庫的財務數據，深入分析上萬家公司的表現。他首先聚焦於「市場領導者」股票池——排除了外國股、公用事業股以及場外交易股票。研究結果顯示，市場報酬率並不完全遵循效率市場理論（Efficient Market Theory），反而會持續獎勵某些具特定特徵的股票，並對其他類型的股票給予懲罰。基於這些發現，歐沙那希提出一套具實證基礎的投資策略：挑選具備低股價帳面比、低股價現金流量比與低股價營收比的股票，有助於顯著提升長期投資報酬率。

其中，「基石價值策略（Cornerstone Value）」以其嚴謹的多因子篩選邏輯著稱——它並非尋找市場冷門的小型股，而是聚焦於大型、高收益、現金流充裕且估值合理的企業，並最終以現金殖利率作為排序依據，從中挑選報酬潛力最高的持倉標的。

本篇文章將此策略移植至台灣股票市場，以上市及上櫃普通股為母體（排除金融業），透過六道量化篩選條件，每年進行一次再平衡，檢驗基石價值策略在台股環境下的長期績效表現。策略的核心 Alpha 來源，在於將「規模」、「現金流品質」、「收益規模」、「相對估值」四個維度同時納入篩選，避免單一因子失效時整體策略大幅波動，同時以殖利率排序作為最終選股機制，兼顧了價值與股東回報兩個面向。

本研究採用專為台股開發的 TQuant Lab 回測系統，透過與 TEJ API 深度整合，大幅提升因子運算與數據整併效率。

▶️延伸閱讀：看更多投資大師的策略，在台股市場的實證分析結果！

從高品質資訊開啟量化之路

• TQuant PIT 資料集：提供 Point-in-Time 資料，精確紀錄數據發布的原貌，有效排除「前瞻偏差 (Look-ahead Bias)」，確保回測結果具備高度實戰參考價值。
  
• TejToolAPI 資料整併：支援跨頻率數據轉換，能一鍵整併季、月、日等不同頻率的資料（如財報與日股價），簡化進出場訊號的建構流程。
  
• 專業分析模組：內建 Zipline 回測引擎與 Pyfolio 績效模組，並支援 Alphalens 進行因子健檢，在回測前即可先行驗證因子的預測力與穩定性。 TQuant Lab 回測系統提供標準化且具高度重現性的實驗平台，助您精確模擬真實交易邏輯。👉 立即造訪 TQuant Lab 官網，掌握台股量化開發利器。

以台股實證O’Shaughnessy 基石價值策略

基石價值策略邏輯

基石價值策略的選股流程分為兩階段：首先透過六道條件逐步收斂候選母體，接著在通過篩選的標的中，依現金殖利率由高至低排序，取前 30 檔作為年度持倉。

六道篩選條件說明如下：

• 條件一：大型股（市值 > 市場平均市值） 只選擇市值高於當期市場截面平均值的企業，確保持倉標的具備足夠的規模與流動性，同時降低小型股特有的滑價風險。
• 條件二：正現金流（每股營業現金流 > 0） 要求來自營運活動的每股現金流量為正值，過濾掉帳面獲利但實際現金消耗的企業，確保持倉標的具備真實的獲利能力。
• 條件三：現金流估值偏低（P/CF < 市場平均 P/CF） 計算每檔股票的股價現金流比（P/CF = 市值 / 季度營業現金流），並要求低於當期市場平均值，聚焦於相對低估的現金流型企業。
• 條件四：普通股股數正常（Common Stock Shares > 0） 基本資料有效性檢查，排除股本資料異常或特殊結構的標的。
• 條件五：高收益企業（每股營業額 > 市場平均的 2.5 倍） O'Shaughnessy 對「高收益股（Sales Giants）」的定義，要求個股的每股營業額顯著高於市場平均，確保持倉標的具備可觀的業務規模與實質營收基礎。
• 條件六：銷售估值偏低（PSR < 市場平均 PSR） 要求股價營收比（Price-to-Sales Ratio）低於當期市場平均，結合條件五形成「大收益但估值合理」的雙重篩選邏輯。

最終選股：依現金殖利率排序，取前 30 檔 通過六道篩選後，依現金殖利率由高至低排序，取前 30 檔進行等權重持倉，每年七月初執行再平衡。

資料來源與期間設定

• 資料來源：TEJ 投資用資料庫，包含台股上市/上櫃普通股基本面資料與基準指數 IR0001。
• 樣本範圍：台股上市/上櫃普通股（排除金融業），基本面資料自 2019-01-01 起。
• 回測期間：2022-07-01 至 2025-05-29
• 再平衡頻率：每年七月初調倉一次（年度再平衡）。
• 部位配置方式：前 30 檔等權重配置，單檔基準權重 3.33%。
• 初始資金：100 萬
• 交易成本：買入 0.1425% 手續費；賣出 0.1425% 手續費 + 0.3% 證券交易稅；最低交易成本 20 元。
• 滑價成本：單筆交易不得超過當日成交量的 2.5%，並以 5% 的價格衝擊係數估計交易滑價。
  
• 槓桿限制：無強制槓桿上限，實際槓桿約 0.97。👉 立即前往 [GitHub] 獲取 TQuant Lab 完整程式碼，掌握策略實作細節。

▶️延伸閱讀：柏頓．墨基爾的策略實證－篩選獲利具成長潛力、估值未被充分反映的企業，在長期投資中對抗市場隨機波動！

基石價值策略在台股的回測結果

本次回測涵蓋 2022 年 7 月至 2025 年 5 月，共約 33 個月、橫跨三個完整年度週期。這段期間台股歷經 2022 年的熊市修正、2023 年的強勁反彈與 2024 年的 AI 行情，市場風格多次切換，為策略提供了相對完整的壓力測試環境。根據最終績效統計，基石價值策略在樣本期間明顯跑贏台灣加權指數，年化報酬達 25.67%，高於大盤的 17.80%，且最大回撤較大盤更小，顯示策略在維持超額報酬的同時，下行風險控制也相對優異。

指標項目 策略 台灣加權指數 (Benchmark) 年化報酬率 (Annual return) 25.67% 17.79% 累計報酬率 (Cumulative returns) 89.52% 58.13% 年化波動率(Annual volatility) 18.00% 20.60% 夏普比率 (Sharpe Ratio) 1.36 0.90 索提諾比率(Sortino Ratio) 1.88 1.25 最大回撤 (Max Drawdown) -23.98% -27.72% Alpha 11% — Beta 0.75 —

圖 1 : 策略累計報酬率圖（Equity Curve）

從累積報酬曲線來看，策略在回測期間整體維持相對於大盤的超額優勢。2023 年市場反彈時策略跟上漲勢，並在 2024 年持續貢獻超額報酬，2025 年初受到川普「對等關稅」政策的系統風險衝擊，策略雖與大盤同步承壓，但得益於持倉集中於大型高現金流標的，回撤幅度（-23.98%）較加權指數（-27.72%）更為收斂。反映大型高殖利率價值股在台股中具備一定的持續性 Alpha。

圖 2：最大回撤圖（Drawdown）與年度報酬分布

策略最大回撤為 -23.98%，低於大盤的 -27.72%，顯示以大型高收益股為基礎的選股條件，在系統性風險事件中相對於大盤抗跌。Beta 為 0.75，代表策略對大盤的敏感度低於市場整體，有助於降低系統性風險的暴露。此外本策略的 Sharpe Ratio 為 1.36，且 Sortino Ratio 達 1.88，這意味著策略的下行波動率顯著低於上行波動率（呈現正偏態），超額報酬主要來自上行空間，而非承擔過多下行風險。

基石價值策略之績效與模型優化建議

回測結果判讀

這份結果最值得關注的地方，在於策略的超額報酬同時伴隨著更低的波動與更小的回撤，這在 Long-only 策略中並不常見。一般而言，追求更高報酬往往需要承擔更高風險，但本策略的年化波動率（18.00%）反而低於大盤（20.60%），最大回撤（-23.98%）也優於大盤（-27.72%）。這個現象的根源，在於策略的選股條件天然地篩掉了高波動、財務槓桿過高或現金流不穩定的標的。

Beta 為 0.75 是另一個值得注意的地方，代表策略整體對大盤的關聯性偏低，即市場下跌 10%，策略預期只跌 7.5% 左右。這來自於兩個效果：一是持倉集中於成熟型大企業，本身防禦屬性較強；二是六道篩選條件過濾掉了大量高 Beta 的景氣循環股與高本益比成長股，讓組合在市場動盪時更具抗波動性。Alpha 11% 顯示策略在扣除市場系統性報酬後，仍能產生可觀的選股超額報酬，這表明六道條件的組合效果並非只是「買大型股」，而是在大型股中進一步辨識出估值合理、現金流健康且股東回報意願強的標的族群。

值得注意的是，Kurtosis（峰度）高達 12.73，Skew（偏態）為 -1.03，顯示策略報酬分布存在厚尾與左偏特性：日常波動相對平緩，但偶發的極端跌幅比正態分布預期更大。投資人應理解此策略並非每日穩定累積報酬，而是在大多數時候表現平穩、偶爾承受短期較大的單日跌幅。

策略侷限性與潛在風險

本策略為 Long-only 且年度換倉，對短期市場走勢切換的反應能力有限。若市場在非換倉月份發生大幅走空，策略無法主動減倉，持倉將承受完整的下行波動直至下一次再平衡。而策略中「每股營業額 > 市場平均 2.5 倍」的高收益篩選條件，在台股產業結構下容易使持倉集中在少數高營收行業（如電子代工、半導體上下游），當特定產業進入景氣下行週期時，組合可能出現集中度過高的風險。

另外現金殖利率排序雖能捕捉穩定配息的成熟企業，但殖利率高不必然代表股息可持續。若企業因一次性收益或特殊資本結構拉高殖利率，卻在隔年大幅削減股息，將造成持倉品質下降。本次實證研究回測期間僅 33 個月，年度換倉下僅有 3 次實質換倉操作，統計樣本相對有限，績效結果的穩健性仍需更長時間序列加以驗證。

可行的量化優化方向

根據策略的實證結果，如基石價值策略要在台灣股市執行，建議優化第一個方向，是對「高收益」門檻進行動態校準。目前使用固定的 2.5 倍市場平均作為篩選門檻，可考慮改為滾動分位數（如前 20% 分位），使篩選標準能隨市場結構變化自動調整，避免在特定年份因市場平均大幅波動而導致可選母體過大或過小。

第二個方向，是加入產業分散限制。在最終 30 檔持倉中設定單一產業上限（例如不超過 6 檔，即 20%），避免選股結果過度集中於少數高營收產業，強化組合的跨產業分散效果。再者，引入殖利率可持續性篩選。在依殖利率排序之前，加入盈餘配息率（Payout Ratio）或近三年殖利率穩定性作為前置過濾條件，確保入選標的的股息發放具備歷史一致性，降低「高殖利率陷阱」的風險。

最後補做敏感度分析。對 持倉檔數、收益篩選倍數與 換倉月份進行參數掃描，確認策略績效對這些設定的敏感程度，避免結果由特定參數組合驅動。另外本策略也可再補做有無各篩選條件的 ablation 實驗，特別是確認最終殖利率排序相對於隨機等權持倉，以及六道條件逐一加入後對績效的邊際貢獻，以釐清超額報酬的真實來源。

從高品質資訊開啟量化之路：TEJ TQuant Lab 回測系統

TEJ 量化資料庫：克服前瞻偏差的關鍵數據

量化回測最忌諱使用「未來資料」。TEJ 量化資料庫 的核心優勢在於完善的 Point-in-Time (PIT) 當時點數據架構。這代表資料庫紀錄的是數據「當時」發布的正確數值與時間點，而非事後修正後的數字。透過 PIT 數據，您能確保回測時使用的是當時市場真正能取得的資訊，徹底排除「前瞻偏差（Look-ahead Bias）」，讓回測績效具備極高的實戰參考價值。

TQuant Lab：一站式量化策略開發平台

TQuant Lab 是專為量化交易者設計的專業開發環境，整合了從數據調取、策略研發至績效評估的全流程優勢：

• 精準數據與高效整併：內建 Point-in-Time (PIT) 量化資料集，配合 TejToolAPI 自動完成跨頻率數據整併（如將季、月頻率財務指標轉換至日頻率），讓使用者在排除前瞻偏差的前提下，快速建構如「營收成長率」等複雜選股因子。
  

• 高模擬度事件驅動回測：採用 事件驅動 (Event-driven) 架構，全方位模擬台股真實交易環境。回測過程中嚴謹計入證交稅、手續費與滑價成本，並具備注意股、處置股等流動性過濾機制與資金控管功能，確保回測績效具備高度的可執行性。
  

• 多構面績效量測指標：系統化產出專業評估報表，包含涵三大構面：

• 報酬指標：累計報酬率、年化報酬率、Alpha 值。
  

  • 風險指標：最大回撤 (MDD)、夏普比率 (Sharpe Ratio)。
    
  • 持股分析：前十大持有標的占比、換手率統計。
    

數據的品質與工具的效率，決定了量化模型的生命力。不論您是想複製大師經典策略，或是開發獨門的因子模型，TEJ 與 TQuant Lab 都是您在資本市場中最堅實的數據後盾。

🚀 準備好開啟您的量化交易之路了嗎？ 👉立即前往 TQuant Lab 官方網站，查看更多策略範例與產品資訊。

本文內容僅供研究與學術探討之用，不構成任何投資建議。

延伸閱讀

https://www.tejwin.com/news/%E5%A4%A7%E5%B8%AB%E6%8A%95%E8%B3%87%E7%AD%96%E7%95%A5%E5%AF%A6%E8%AD%89-%E7%8F%AD%E5%82%91%E6%98%8E%EF%BC%8E%E8%91%9B%E6%8B%89%E6%BC%A2/?utm_source https://www.tejwin.com/insight/%e5%bd%bc%e5%be%97%e2%80%a7%e6%9e%97%e5%8d%80%e9%81%b8%e8%82%a1%e5%93%b2%e5%ad%b8%e5%af%a6%e8%b8%90%ef%bc%9a%e6%88%90%e9%95%b7%e8%88%87%e5%83%b9%e5%80%bc%e5%85%bc%e5%85%b7%e7%9a%84%e9%87%8f%e5%8c%96/ https://www.tejwin.com/news/factor-library-%E5%9B%A0%E5%AD%90%E8%B3%87%E6%96%99%E5%BA%AB/?utm_source