從產業動能到基本面：台股雙層量化選股
Photo by Philipp Katzenberger on Unsplash
策略背景：產業與個股雙層篩選
動能策略常被誤解成「追漲」，但其實產業動能辨認的是「資金是否在一段期間內，系統性流向特定產業」。若產業層級的相對強勢能延續，便可先篩選出資金動能較強的產業，再從中挑選基本面較佳的公司，藉此降低雜訊──這與單純追逐個股短期波動的作法截然不同。
但產業強勢不等於個股皆值得買進，因此本策略在產業動能之後，加入「毛利資產比（GP/A）」與「落後一期的營收年增率」兩項指標，讓選股同時考量獲利品質與成長性。這套流程的核心邏輯，是利用每月底當下已公開的資訊，建立一套涵蓋產業面與個股面的排序機制。
本研究以 TEJ 資料與 TQuant Lab 將上述觀點轉為台股可執行的量化條件，並以連續滾動驗證與事件驅動回測檢視其長期報酬、風險與可交易性。
TQuant Lab 回測系統專為台股開發，透過與 TEJ API 深度整合，大幅提升因子運算與數據整併效率：
- 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。
量化定義與資料來源
動能策略變數設定
本策略於每月最後一個交易日（t）形成訊號；t 隨月份滾動，每次僅使用截至 t 當下已公開的資訊，不納入當月尚未公布的財報或營收。資料使用順序如下：
時點 可使用資訊 用途 m-1 月底 各股票市值 作為 m 月產業報酬的權重 m 月底 已完成的股票月報酬 計算產業月報酬 t 月底 已公告的財報、t-1月營收與完整歷史月報酬 形成品質分數與配置權重 t+1 月第一個交易日 已在 t 月底形成的目標組合 送出調倉訂單，於收盤成交 註：m 是計算產業報酬時所用的月份索引；t 是策略形成訊號的當下月份。
該順序安排可避免兩種常見回測誤區：其一是用期末市值回頭加權整個月份的報酬；其二是把尚未公告的財報或營收資料，誤用為訊號形成當下已知的資訊。
產業動能：資金流向哪些產業
產業動能計算方式，是先以前一期市值做權重，計算該產業當月的價值加權報酬：
其中，R(i, m) 是股票 i 在月份 m 的報酬，MCap(i, m-1) 是其前一月底的市值，j 代表產業。
以前一期市值加權的用意，是確保權重在月初即已確定，不會因為某檔股票在當月內大漲後才被賦予較高權重。
接著，將最近 K 個已完整結束月份的產業報酬複利，得到產業動能分數 IndMom(j, t) ：
例如某產業最近三個完整月份的報酬依序是 5%、-2%、4%，則其三個月動能是：
策略會依 IndMom(j, t) 排名，選出動能最強的一部分產業。
註：動能回溯月數 K 與最終入選比例並非預先固定，而是在各個滾動驗證區間中，先利用「樣本內」數據挑選出最佳參數，隨後於「樣本外」區間完全套用該組既定參數進行驗證。
品質分數：篩除只有價格而缺乏基本面的股票
選出產業後，策略進一步就產業內個股的品質做排序與篩選。
第一個指標是毛利資產比：
GP/A 越高，代表公司用資產創造毛利的效率越高。
第二個指標是落後一期的月營收年增率 RevenueYoY(i, t-1)，刻意採用 T-1 月數字，是為了確保在訊號形成當下，這筆資料已可取得。
兩個指標的絕對數值不宜直接相加，因此先各自在當期股票截面轉為 0 到 1 的百分位排名：
若 w_GPA = 0.7，代表獲利效率占 70%、營收成長占 30%。與前一節的 K 及入選比例相同，w_GPA 也是在各個滾動驗證區間的「樣本內」數據中。
最後，分數最高的 N 檔股票才進入投資組合，意即以基本面決定買進產業中哪些公司。
權重與槓桿：反波動度配置
對入選股票，策略先用過去 12 個月的月報酬標準差 sigma(i, t) 衡量波動，再依此進行反波動度配置：
其中 P(t) 是當期入選股票集合。波動較高的股票會被分配較小部位，避免單一高波動標的主導整體組合的風險。
最後，再將前述基礎權重乘上目標 gross leverage L = 1.5：
槓桿只會放大已建構好的組合曝險，不會影響訊號本身。因此程式另設 1.8 倍槓桿上限；而在本次正式回測中，實際最高總槓桿紀錄為 1.610 倍。
資料來源與回測設定
本研究的所有數據均取自 TEJ 台灣經濟新報 資料庫，透過標準化處理確保跨年度數據的一致性。
- 資料來源：TEJ 投資用財務資料庫、股價資料庫、股票屬性與交易警示資料
- 樣本範圍：台灣上市櫃普通股
- 回測期間：2021 年 1 月 1 日至 2026 年 6 月 30 日
- 再平衡頻率：月頻；月底形成訊號、下一交易月執行
- 部位配置方式：等權重配置。
- 初始資金：1000 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
- 滑價成本： 假設每次交易產生 1 個跳動點（tick）的滑價成本
- 槓桿限制：0.9（即投資組合總市值不超過帳戶淨值之 90%）
- 融資成本：年率 6%，以每日前一日借款曝險從正式績效扣除融資成本是在回測完成後才從日報酬中扣除，因此它會反映在本文引用的績效數字中，但回測當下的持倉與停損判斷並未考慮這筆成本，解讀停損與槓桿相關結果時需留意這項簡化。 👉 立即前往 [GitHub]獲取完整程式碼。
實戰回測與圖表分析
樣本外滾動驗證：訊號並非每年都有效
下表是各滾動區在樣本外期間用來比較不同參數表現的驗證（proxy）結果，並非最終的事件驅動成交績效。值得注意的是，2022 年的樣本外驗證報酬為負，顯示這個訊號並非在每個年度都有效。
樣本外年度 入選產業比例 動能月份 持股數 GP/A 權重 樣本外驗證
總報酬 樣本外 Sharpe 2021 50% 6 30 0.5 40.80% 1.28 2022 30% 6 20 0.7 -17.73% -0.56 2023 30% 12 20 0.7 33.35% 1.53 2024 30% 12 20 0.7 35.42% 1.37 2025 40% 12 40 0.3 26.77% 0.82 2026 上半年 20% 9 40 0.5 53.86% 2.11
正式績效指標
正式績效已納入交易成本、成交量限制、1.5 倍目標曝險與年率 6% 融資成本，並以台灣加權指數為績效指標。
指標 產業動能 × 品質策略* 加權指數 累積報酬 363.22% 267.22% 年化報酬 32.25% 26.77% 年化波動 22.44% — Sharpe 1.408 — 最大回撤 -30.81% — Alpha 0.11 — Beta 0.78 — 實際最高 gross leverage 1.610x — *註：本策略採用 1.5 倍槓桿，且收益數據已扣除融資成本。
累積淨值表現
圖一、連續滾動驗證：1.5 倍正式回測樣本外績效
圖一顯示策略與大盤指數在同一段期間的累積淨值。策略雖然整體累積報酬優於大盤（363.22% 對比 267.22%），但在 2025 年初與 2026 年初都出現明顯下挫，之後才回升；這提醒我們解讀策略的超額報酬時不能只用期末淨值解讀，仍須同步評估回撤與槓桿曝險。
風險與回撤分析
圖二、投組前五大回撤與水下圖分析
回撤分析顯示，策略最大回撤約 30.81%，谷底位於 2025-04-09；最長的回撤修復期則跨越 2021 年中至 2023 年初。這些資訊比單一 Sharpe 更能說明策略需要承受的持有壓力。
結果分析與優化
整體績效優於基準，但仍受市場狀態影響
在六個樣本外滾動驗證期中，2022 年代理績效為負、最大回撤為 -28.74%，反映市場環境對策略表現影響很大。產業動能與品質排序，可能在不同產業表現分歧、報酬差距拉開的環境下較為有利；但在市場齊漲齊跌時，策略可能同時承受產業與個股層級的雙重壓力。
槓桿效應：融資成本壓低 19％報酬
本策略目標槓桿設定為為 1.5 倍，但價格變動會使實際總槓桿在調倉間波動，回測期間最高總槓桿達 1.610 倍，仍低於 1.8 倍槓桿上限。扣除６％的融資成本後，策略累計報酬較融資前累積報酬少 19.17 ％（382.39% 降至 363.22%）；這說明槓桿不能只看放大後的毛報酬，資金成本與回撤承受度同樣是決策的一部分。
策略優化方向
- 對停損門檻、冷卻天數與啟用時機做獨立研究：目前程式具備狀態機，但本次正式設定未啟用停損，無法直接證明停損有效。
- 建議加入日均成交值、持股集中度與分批建倉天數的容量測試，確認 2.5% 成交量限制下，策略適用的資金規模上限。
- 將市場總體狀態、產業集中度與因子暴露分開檢視，確認超額報酬不是由少數產業、個股或年份主導。
- 將融資成本納入回測系統，使資金成本可直接反映，而非回測結束後才扣除。
從高品質資訊開啟量化之路：TEJ TQuant Lab 回測系統
量化研究最難的往往不是寫出一條公式，而是確認每一個資料點在當時是否真的可得、每一次換股是否真的可成交，以及績效是否能被重新執行與稽核。本範例透過 TEJ 的 PIT 資料、TejToolAPI 的跨頻率整併、TQuant Lab 的 Zipline 回測，以及 Pyfolio 的風險與交易分析，將「產業動能 × 品質」從概念推進為可檢查的研究流程。
想查看完整資料處理、Walk-Forward 選參、run_algorithm 與 Pyfolio 程式，請開啟完整 Notebook。
🚀 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/insight/%e8%b2%a1%e5%8b%99%e5%9b%a0%e5%ad%90%e7%a0%94%e7%a9%b6%ef%bc%9a%e6%9c%88%e7%87%9f%e6%94%b6%e8%b3%87%e8%a8%8a-%e4%b8%8a/ https://www.tejwin.com/insight/%e8%b2%a1%e5%8b%99%e5%9b%a0%e5%ad%90%e7%a0%94%e7%a9%b6%ef%bc%9a%e6%9c%88%e7%87%9f%e6%94%b6%e8%b3%87%e8%a8%8a-%e4%b8%8b/ https://www.tejwin.com/insight/%e4%bb%a5learning-to-rank-%e5%bc%b7%e5%8c%96%e5%8f%b0%e7%81%a3-50-%e5%8b%95%e8%83%bd%e9%81%b8%e8%82%a1/