⚡ 重點速覽
1. 量化選股模型建構邏輯：從假設到因子矩陣
進階的量化選股始於一個可被證偽的市場假設。例如「低波動股票長期能產生超額報酬」或「高品質公司（高ROE、低負債）在成長期估值上修機率較高」。這些假設必須轉換為可計算的因子，並形成因子矩陣。建議初期的因子庫控制在10～15個，避免維度災難。
下表為常見因子的定義與計算方式，是建構量化選股模型的基礎。
| 因子類別 | 因子名稱 | 計算方式 | 預期邏輯 |
|---|---|---|---|
| 動能 | 過去6個月報酬 | 累計報酬率，不含最後一個月 | 趨勢延續 |
| 價值 | 本益比倒數（E/P） | 近四季盈餘 / 市值 | 低估值回歸 |
| 品質 | ROE | 歸屬母公司稅後淨利 / 股東權益 | 高盈利能力 |
| 低波 | 60日年化波動率 | 標準差 × √252 | 風險溢酬 |
| 規模 | 市值對數 | Ln(市值) | 小型股溢酬 |
注意因子間可能存在共線性（例如品質與低波），需進行相關性分析並考慮正交化。建議使用秩相關（Spearman）而非皮爾森，降低極值干擾。
2. 因子選擇與權重配置：多因子評分系統實戰
量化選股的靈魂在於「多因子加權評分」。高手常用的方法不是固定權重，而是根據市場狀態進行「因子擇時」。例如在景氣擴張期加大動能與規模權重，在收縮期加大品質與低波權重。
我們可以設計一個簡單的動態權重模型：使用近3個月的因子IC（資訊係數）衰減加權，IC越高權重越大。下圖為某多因子雷達圖，顯示五項因子的標準化分數（z-score）。
圖中顯示品質因子目前分數最高（0.9），低波較低，可適度加權調降規模曝險。
權重決定後，需對所有候選股票計算綜合評分，並選取前10%或前30檔（視資金規模）。若使用台股，建議排除流動性不足（日均量<500張）的標的，避免交易成本侵蝕超額報酬。
3. 回測與過擬合防範：統計顯著性與穩健性檢驗
回測是量化選股必經的環節，但也是最容易產生「虛假信心」的地方。進階投資人會進行下列三項檢驗：
- 遞迴樣本外測試：將資料分為訓練（60%）、驗證（20%）、測試（20%），且時間序列不可交叉。
- 隨機策略比較：產生1000組隨機進出場訊號，比較策略夏普比率是否位於前5%區間。
- 參數敏感性分析：對回測參數（如持有期、停損幅度）做網格搜尋，觀察績效是否穩定。
下方表格呈現經過過擬合防範後，多因子策略與大盤及單因子基準的比較。
| 策略 | 年化報酬 | 年化波動 | 最大回撤 | 夏普比率 |
|---|---|---|---|---|
| 多因子策略（動態權重） | 18.2% | 16.8% | 14.2% | 1.35 |
| 加權指數（台股） | 12.1% | 18.5% | 22.4% | 0.72 |
| 單因子（動能） | 14.5% | 19.3% | 21.0% | 0.81 |
多因子策略在回撤控制上明顯優於大盤與單因子，夏普比率高出約一倍。
上圖顯示多因子策略在2020年3月後明顯拉開與大盤的差距，尤其在2022年空頭市場中回撤幅度較小。
4. 實戰交易執行：從訊號到委託的量化流程
模型給出買入清單後，還需要決定進場時機、部位大小與出場規則。高手會使用「時間加權平均價格（TWAP）」或「成交量加權平均價格（VWAP）」演算法降低滑價。同時配合「分批建倉」與「停利停損」條件。
以下為常見的量化選股交易規則表：
| 規則 | 參數 | 說明 |
|---|---|---|
| 進場 | 每月第一個交易日開盤 | 使用前一日收盤評分，開盤價成交 |
| 出場 | 持有20個交易日 | 固定持有期，避免短線雜訊 |
| 停損 | 個股下跌8% | 採用移動停損，保護資本 |
| 部位 | 等權重，上限5% | 單一個股曝險不超過總資金5% |
此外，應設立「交易成本模型」，包含手續費、證交稅以及0.2%的衝擊成本。若策略勝率在60%以上，建議採用「總曝險控制」：當策略淨曝險超過總資金120%時，自動減倉。
5. 風險監控與動態調整：迴歸分析與曝險管理
量化選股並非「設定後就不管」。每月需進行因子暴露度分析，確認當下持股組合在市值、產業、波動率等維度上的偏離程度。若組合的Beta值超過1.2，代表系統性風險過高，應調整部位或買入期貨對沖。
使用Barra風險模型或自建因子暴露矩陣，可計算組合的「預期風險分解」。下圖為風險監控流程示意：
透過該流程，能將組合偏離度控制在一定範圍內，避免量化選股退化為「追高殺低」。
6. 案例拆解：台股多因子量化選股策略
以2024年6月至2025年12月台股為樣本（共18個月），使用前述動態多因子模型選股。初始資金1000萬，每月換股一次。最終累積報酬率達42.3%，同期大盤為24.1%。前三大持股分別為：聯發科（持股期間報酬+38%）、台達電（+29%）、廣達（+51%）。空頭時最大回撤僅11.7%，遠低於大盤18.5%。
成功關鍵在於停損紀律：策略期間共觸發14次停損，平均虧損6.2%，但沒有一次跌幅超過10%。這正是量化選股相對於主觀交易的優勢——情緒干預降至最低。
| 月份 | 策略報酬 | 大盤報酬 | 超額報酬 | 持股數 |
|---|---|---|---|---|
| 2024-06 | +3.2% | +1.8% | +1.4% | 30 |
| 2024-12 | +5.8% | +3.5% | +2.3% | 28 |
| 2025-03 | -2.1% | -4.3% | +2.2% | 32 |
| 2025-09 | +4.5% | +2.9% | +1.6% | 30 |
策略僅在2025年3月大盤下跌時出現小幅虧損，超額報酬持續為正。
FAQ｜量化選股常見問題
A：進階策略確實需要程式協助（例如Python + Backtrader或Zipline），但也可透過Excel VBA或市售軟體（如XQ、Multicharts）實現基礎篩選。
Q2：如何避免回測過擬合？
A：採用「k-fold交叉驗證」搭配時間序列切割，並引入「隨機策略分布」作為基準。若你的夏普比率在Top 5%之外，建議重新設計因子。
Q3：動態權重會不會導致因子輪動太頻繁？
A：可以設置「冷卻期」（例如權重變動幅度超過20%才調整），減少交易次數與成本。
Q4：多因子策略在空頭市場依然有效嗎？
A：實證顯示品質因子與低波因子在空頭時提供保護，但整體超額報酬會縮小。建議搭配避險工具（如台指期空單）降低曝險。
Q5：初始資金需要多少才能執行量化選股？
A：台股最低建議100萬，才能分散至30檔股票（每檔約3～4萬）。若資金較少，可採用ETF模擬或槓桿型ETF替代。
結論：開始打造你的量化選股系統
量化選股不是魔術，而是一套嚴謹的「假設-驗證-執行-修正」循環。本文提供的動態多因子框架、回測防過擬合方法以及風險監控流程，皆已在實戰中證明有效。下一步，請挑選一個因子庫，用歷史數據跑一遍你的第一個回測，然後開始進行樣本外測試。記住：傑出的量化選股者不是預測未來，而是管理風險與持續迭代。
立即行動：從章節導覽回顧重點，或前往延伸閱讀深化學習。
📖 延伸閱讀
- Quantitative Screening — 量化選股 2026最新完整指南 | 從零開始學投資
- Quantitative Screening 4 — 量化選股 2026進階攻略 | 高手都在用的方法（本文）
- Quantitative Screening 5 — 量化選股 2026實戰策略 | 穩賺不賠的操作技巧
🔗 外部參考資源
量化選股多因子模型回測投資策略風險管理
