AI 量化交易實戰：AI Agent + Python 打造年化 29.4% 台股策略

讓 AI Agent 自己寫策略、跑台股回測，結果會怎樣？我們用三段真實對話、13 年台股資料（2013-04 到 2026-06）做了完整實驗：第一段對話用直覺的篩選法，年化 18.0%，連 0050 含息的 20.0% 都沒贏；第二段對話把條件加嚴，反而掉到 5.4%；第三段對話改用排名法多因子，年化 29.4%，100 萬變 2,951 萬，同期 0050 是 1,080 萬。

口徑：2013-04 到 2026-06，策略含 finlab 預設交易成本，0050 為還原價含息買進持有（詳見文末回測方法）。注意排名法的年化與索提諾勝出，但日夏普 1.02 略低於 0050 的 1.11、最大回撤 -44.7% 比 0050 的 -34.0% 深，這是用波動換報酬的策略，不是低風險策略。

整個過程你不需要寫一行程式：策略邏輯用中文講給 AI 聽，程式由 AI 產生、數據由 finlab 套件實跑。和一般股票軟體只提供條件篩選不同，這裡的 AI 量化交易流程會把投資假設轉成可執行的 Python，由 finlab 負責資料、回測與交易成本。本文公開全部三段對話的提示詞、AI 產生的核心程式碼、七組參數敏感度實測，以及可下載的完整重現腳本。

AI 量化交易是什麼？AI Agent 股票分析和量化 Agent 的差別

AI 量化交易是用大型語言模型把投資想法翻譯成程式、執行回測、分析結果的研究方式。買賣決策仍然依靠數據與回測驗證，AI 取代的是「寫程式」這一步。想補齊量化交易的整體脈絡，可以先讀量化交易完整指南再回來看實作。

很多人搜尋的「量化 Agent」或「AI Agent 股票分析」，指的就是這種會動手執行的 AI，它跟一般聊天機器人的差別：

最後一列是關鍵。聊天機器人「報」數字，AI Agent「跑」數字；本文所有績效都來自 finlab 回測引擎的實際輸出，不是 AI 的語言生成。這也是判斷一篇 AI 量化內容可不可信的第一個檢查點，延伸閱讀：AI 量化交易詐騙怎麼辨識。

這些搜尋說法常被混用，實務上可以用下面方式理解：

AI Agent Python 教學：把 FinLab 裝進你的 AI 工具

開始對話之前，先讓你的 AI 工具具備抓台股資料與跑回測的能力。現在統一從 /setup 的同一句提示詞開始：

貼給 AI 的提示詞（複製即用）：

幫我設定 FinLab，做第一個台股動能策略：https://finlab.finance/setup

不想安裝任何東西，也有零設定的瀏覽器版：打開 FinLab Studio，輸入選股條件就能產生回測。想讓 AI 幫你迭代策略，就用上面的提示詞；資料與回測引擎都在同一套流程裡，首次取資料時套件會自動引導登入。

英文搜尋 trading agent 教學時，這一段對應到研究端的設定：讓 AI 能讀資料、寫 Python、跑回測。真正接到券商下單前，還要處理部位控管、實單滑價、API 權限與錯單保護。

第一段對話：篩選法選股，年化 18.0%，連 0050 都沒贏

假設你是基本面投資者，相信「高成長加上高獲利能力」會帶來超額報酬。最直覺的做法是設兩個門檻來篩選，這也是我們丟給 AI 的第一段對話。

💬 你對 AI 說：

請幫我建立一個台股選股策略：營收年成長率大於 20%，而且 ROE 大於 10%，只買近 20 日平均成交金額大於 1,000 萬的股票。每月再平衡、等權重買入。用 finlab 的資料回測到 2026 年 6 月，給我年化報酬、最大回撤，並跟 0050 含息買進持有比較。

🤖 AI 回覆：

已完成回測。資料中 ROE 數據起點為 2013 年，回測區間 2013-05 到 2026-06，含手續費與證交稅：

• 策略年化報酬 18.0%，最大回撤 -49.8%，總報酬 +768%
• 0050 含息年化報酬 20.0%，最大回撤 -34.0%，總報酬 +980%
• 月底持股數在 1 到 50 檔之間劇烈波動，平均 17 檔

策略輸給 0050，而且承受了更深的回撤。

AI 產生的核心程式碼如下，每一行都能對應到對話裡的條件：

from finlab import data
from finlab.backtest import sim
 
# 載入資料(首次執行會自動引導登入)
close = data.get("price:收盤價")
volume = data.get("price:成交股數")
revenue_yoy = data.get("monthly_revenue:去年同月增減(%)")
roe = data.get("fundamental_features:ROE稅後").index_str_to_date()
 
# 依公布時點對齊到日頻,避免用到未來資料
rev_d = revenue_yoy.reindex(close.index, method="ffill")
roe_d = roe.reindex(close.index, method="ffill")
 
# 流動性過濾:近 20 日平均成交金額 > 1,000 萬
liquid = (close * volume).rolling(20).mean() > 10_000_000
 
# 篩選條件:營收年增 > 20% 且 ROE > 10%
position = (rev_d > 20) & (roe_d > 10) & liquid
 
# 回測:每月再平衡,等權重(預設內扣手續費與證交稅)
report = sim(position, resample="M", name="篩選法")

完整互動式回測報告可以直接在這裡操作：

這一段對話的價值在於它揭露了兩個問題。第一，「合理的條件」扣掉交易成本後可能連大盤都贏不了：年化 18.0% 聽起來不差，但同期買著不動的 0050 有 20.0%，你多花的精力與多承受的 -49.8% 回撤都沒有得到補償。第二，篩選法的持股數量完全看市況臉色：多頭時 50 檔、行情差時剩 1 檔，風險暴露極不穩定。回測在這裡的功能是證偽，它告訴你這個想法行不通，而且只花了幾分鐘。

第二段對話：條件加嚴，年化反而掉到 5.4%

直覺的下一步是「條件不夠嚴」，於是我們請 AI 提高門檻，並加入估值過濾。

💬 你對 AI 說：

把條件改嚴格：營收年成長率大於 30%、ROE 大於 15%、本益比小於 20，其他設定不變，回測後跟上一個策略比較。

🤖 AI 回覆：

已完成回測，績效明顯惡化：

• 年化報酬 5.4%，最大回撤 -65.1%，總報酬只剩 +98%
• 月底持股平均 4 檔，其中 20 個月完全空手
• 三個條件同時成立的股票太少，持股集中導致單一地雷的傷害被放大

程式碼只改一行條件，結果差了一個量級：

pe = data.get("price_earning_ratio:本益比")
 
# 三個條件同時成立的股票極少,持股驟減
position = (rev_d > 30) & (roe_d > 15) & (pe < 20) & liquid
report = sim(position, resample="M", name="加嚴篩選")

問題出在三個條件彼此衝突：高成長加高 ROE 的公司，市場通常早就給了高本益比，再要求本益比小於 20，等於把最強的標的全部排除，留下的多是「看起來便宜但成長動能可疑」的股票。13 年裡有 20 個月完全空手、-65.1% 的最大回撤，說明條件式篩選在嚴格與寬鬆之間沒有好的平衡點：寬鬆變成準指數（對話一），嚴格變成賭少數幾檔（對話二）。

第三段對話：台股多因子選股系統架構，排名法年化 29.4% 超越 0050

轉折點是把「夠不夠好」換成「誰最好」。篩選法問每檔股票「你有沒有過門檻」，排名法問全市場「誰的綜合分數最高」：把每個因子在全市場做百分位排名，加權平均成綜合分數，永遠取分數最高的前 20 檔。市況好壞都持有固定檔數，因子之間互相補位，不會出現空手或爆倉的極端狀態。

這一段也可以看成台股 AI Agent 的最小可行架構：資料層抓月營收、ROE 與價格；因子層把不同指標轉成百分位；排名層選出前 20 檔；回測層檢查成本、回撤與周轉率。完整的量化交易系統還會多出風控與下單層；本文聚焦在量化選股與回測，不把研究結果直接接到券商 API。

💬 你對 AI 說：

不要用門檻篩選了，改用排名法：把營收年成長率、ROE、60 個交易日股價動能三個因子各自在全市場做百分位排名，綜合分數用營收 40%、ROE 30%、動能 30% 加權，流動性過濾不變，每月選綜合分數最高的前 20 檔等權買入，回測後跟前兩個策略和 0050 比較。

🤖 AI 回覆：

已完成回測，這是三個策略中唯一明顯超越 0050 的版本：

• 年化報酬 29.4%，最大回撤 -44.7%，總報酬 +2,851%
• 日夏普 1.02、日索提諾 1.62、月索提諾 2.38
• 月底持股穩定在 15 到 20 檔，沒有空手月份
• 100 萬投入 13 年成為 2,951 萬，同期 0050 為 1,080 萬

# 三個因子各自做全市場百分位排名(0~1,越高越好)
rev_rank = rev_d.rank(axis=1, pct=True)
roe_rank = roe_d.rank(axis=1, pct=True)
mom_rank = close.pct_change(60).rank(axis=1, pct=True)
 
# 加權綜合分數:營收 40% + ROE 30% + 動能 30%
composite = rev_rank * 0.4 + roe_rank * 0.3 + mom_rank * 0.3
 
# 流動性過濾後,每月選綜合分數最高的前 20 檔
position = composite.where(liquid & close.notna()).is_largest(20)
report = sim(position, resample="M", name="排名法多因子")

完整互動式回測報告（月報酬熱力圖、權益曲線、年度績效都在裡面）：

三個策略與 0050 的淨值曲線放在同一張圖、同一個起點比較，差距一目了然：

排名法 13 年滾出約 29.5 倍（+2,851%），0050 含息約 10.8 倍（+980%），篩選法 8.7 倍，加嚴篩選只有 2 倍。把風險也放進來看，四個組合在「報酬對回撤」平面上的位置如下：

照數據講清楚代價：排名法的日夏普 1.02 其實略低於 0050 的 1.11，最大回撤 -44.7% 也比 0050 的 -34.0% 深 10 個百分點。它贏在絕對報酬與下檔風險調整後的月索提諾（2.38 對 1.80），輸在波動更大。換句話說，這個策略適合能承受帳面腰斬、追求長期複利的人，不適合把它當低風險替代品。

排名法的三個因子，背後都有學術研究

排名法不是憑空發明，三個因子各自對應行之有年的實證發現：

• 價格動能：Jegadeesh & Titman (1993) 發現過去 3 到 12 個月的贏家股票，後續數月平均持續跑贏輸家，動能因子從此成為實證金融最廣被複製的異常報酬之一。本文用 60 個交易日（約一季）報酬當動能指標。
• 獲利能力：Novy-Marx (2013) 證明獲利能力強的公司即使估值不便宜，長期報酬仍系統性較高。他用的是毛利對資產，本文用 ROE，同屬獲利能力家族但口徑不同，效果不能直接劃等號。
• 營收動能：台股是全球少數強制公布月營收的市場，月頻基本面資料讓「成長加速」的訊號比季報快一步反映。這是台股在地結構帶來的資料優勢，不是普適的學術因子，我們用它補足前兩者的頻率缺口。

把三個低相關的訊號用排名加權合成，單一因子失靈時其他因子補位，這比押注任何單一條件都穩健。類似的多因子做法在多因子選股能不能贏 0050 的實測有另一組獨立驗證，台股選股方法總整理則把基本面、技術面、籌碼面的選股邏輯做了系統性比較。

讓 AI 自動掃參數：七組設定全部贏過 0050

40%、30%、30% 這組權重是拍腦袋訂的，會不會剛好是運氣？我們請 AI 把權重與持股數的變化全部真跑一遍，七組設定的年化報酬落在 23.4% 到 32.4%，全部高於 0050 的 20.0%：

兩個觀察。第一，框架比參數重要：權重怎麼調都贏 0050，但從篩選法換到排名法是 5.4% 與 29.4% 的差距，方向對了，細節只是微調。第二，表中最好的 50/25/25 有 32.4%，我們仍然採用 40/30/30 當本文主角，因為它是掃描前就先決定的設定；如果看完結果才回頭挑最高的那組，就是用同一段歷史既調參又驗證，Bailey, Borwein, López de Prado & Zhu (2014) 對這種做法的結論很直白：回測過擬合會讓樣本外績效系統性低於回測值；Harvey, Liu & Zhu (2016) 更進一步指出，學界與業界已經測過太多因子，新發現要用比傳統更嚴格的統計門檻檢驗才算數。敏感度表的正確用法是確認「結論對參數不敏感」，不是挑出最漂亮的那一格。

三次市場大跌的真實表現：排名法沒有比較抗跌

把策略放進 2015 年下半年修正、2020 年疫情爆發、2022 年升息修正三段大跌檢視，區間最大回撤如下：

三次裡兩次跌得比 0050 深、一次略淺。結論很清楚：排名法的超額報酬來自上漲段的選股勝率，動能與營收因子在系統性恐慌中保護不了你。想在這類策略上疊加下檔保護，常見做法是停損或大盤濾網，但它們有自己的代價，我們在 ATR 移動停損的台股實測用同樣的方法檢驗過：多數設定下停損反而傷害長期報酬。

自己動手：在這頁直接跑因子組合

文中的排名法策略用了營收動能、價格動能與 ROE 品質因子。想感受不同因子組合的差異，用下面的回測器直接試：瀏覽器內用真實台股資料執行，不用安裝環境。

回測方法與限制

這些數字是怎麼算出來的，逐項交代：

目前的選股清單（2026-06-09 快照）

依排名法最新綜合分數選出的 20 檔（依代號排序）：

2059、2360、2383、2408、3135、3167、3443、3528、3555、4931、
4973、5274、5289、5386、5864、6016、6274、6419、7610、8926

提醒：這是回測規則在快照日的機械輸出，不是投資建議；清單每月再平衡都會換約一半（月均周轉 56%），等你讀到本文時持股可能已經不同。正確用法是跑一次文末的 strategy.py 取得當下清單，而不是抄這份快照。

新手最容易踩的五個陷阱

第五點值得展開。回測裡 -44.7% 只是一個數字，實際經歷時是連續數月看著資產縮水、媒體天天喊崩盤。2,951 萬那條淨值曲線的前提是 13 年完全不中斷執行；歷史上多數人撐不過第一次腰斬。如果你的答案是「我會停損」，比較合適的起點是用小部位體驗一輪完整的回撤再決定，或從波動較低的策略入手。

AI 寫的回測可信嗎？自報數字 vs 實際跑出來的差別

判斷一份 AI 量化內容值不值得信，第一個檢查點是分清楚數字的來源：是 AI 憑語言模型「報」出來的，還是 AI 實際執行回測程式「跑」出來的。聊天機器人可能憑記憶生成一個看起來像樣的績效，AI Agent 則是真的抓 finlab 資料、跑回測引擎、把數字當作程式輸出交給你，差別整理如下：

本文所有績效都來自 finlab 回測引擎的實際輸出，不是 AI 的語言生成，所以每個數字都附了可重現的程式碼與下載檔。

要特別提醒另一個更隱蔽的問題：就算數字是真跑出來的，反覆用 AI 改提示詞、在同一段歷史資料上不斷重試，跑到績效漂亮為止，本質上是隱性的過度配適。你以為自己在「優化策略」，實際上只是在背這段歷史的考古題。Bailey, Borwein, López de Prado & Zhu (2014) 的結論很直白：回測過擬合會讓樣本外績效系統性低於回測值；Harvey, Liu & Zhu (2016) 更指出，學界與業界已經測過太多因子，新發現要用比傳統更嚴格的統計門檻檢驗才算數。所以「能不能重跑」之外，還要追問「這個結果是不是在同一段資料上調參調出來的」。連同其他常見話術的辨識方法，整理在 AI 量化交易詐騙的七個檢查點。

常見問題

哪個 AI 最適合做量化交易？有 AI Agent 排名嗎？

通用的 AI Agent 排名（程式能力、推理能力跑分）跟「適不適合量化交易」是兩回事。量化研究的瓶頸在資料與回測引擎：AI 再聰明，沒有乾淨的台股資料與含成本的回測，產出的就只是看起來像樣的數字。實務上 Codex、Claude 或 RD-Agent-Quant 這類研究代理都要先檢查三件事：能不能取得目標市場資料、能不能重跑回測、能不能把程式碼與結果交給你驗證。模型排名只是輔助，研究流程才是核心。

量化 Agent／股票 Agent 是什麼？跟程式交易機器人一樣嗎？

量化 Agent 指能自主完成「想法轉程式、跑回測、解讀結果」的 AI 助手，工作在研究階段。程式交易機器人通常指依固定訊號自動下單的執行程式，工作在交易階段。兩者的差別與分工，程式交易是什麼有完整說明。本文的 AI Agent 屬於前者：它幫你驗證策略，下不下單由你決定。

AI Agent 做股票分析可信嗎？怎麼防止它編數字？

關鍵是分清楚數字是 AI「報」出來的還是真跑出來的，實務檢查法有三招：要求 AI 附上完整程式碼、自己重跑一次對照結果、檢查回測有沒有內扣交易成本。完整說明見上方〈AI 寫的回測可信嗎？自報數字 vs 實際跑出來的差別〉。

做台股量化交易要用什麼股票軟體？

看你的起點。完全不想碰程式：用瀏覽器開 FinLab Studio 直接輸入條件回測。想用 AI 對話迭代策略：把 /setup 提示詞貼給 Codex app 或 Claude cowork。一般股票軟體偏看盤、下單或條件篩選；量化選股系統要能處理資料、因子、回測與成本。如果你搜尋的是「量化選股系統是什麼、怎麼用」，可以用本文的四層架構檢查：資料是否完整、因子是否可重現、回測是否含成本、結果是否能下載驗證。市面上六種主流台股回測軟體的完整比較（含 XQ、TradingView、MultiCharts），見台股回測工具怎麼選，與 XQ 的逐項對照另見比較頁。

不會寫 Python 也能做 AI 量化交易嗎？

可以，本文三段對話就是示範：策略邏輯全用中文描述，程式由 AI 產生。不過看得懂基本程式對你有利，因為你能檢查 AI 有沒有用到未來資料、成本有沒有扣。想補底子的話，Python 量化交易教學會帶你從 /setup 設定一路到第一個台股回測，FinLab 平台新手指南則是平台功能的快速導覽。

AI Agent 交易可以自動幫我下單嗎？AI 自動化交易要注意什麼？

技術上可以串券商 API 做 AI自動交易，但我們不建議在策略沒有經過足夠長的實單觀察前就全自動化。比較穩健的順序：回測驗證、小部位手動跟單數月、確認實際成交與回測差距可接受，再考慮自動化執行。AI Agent 交易最容易被忽略的是錯單保護、委託失敗重試、盤中流動性與風控上限；這些都不是回測報酬率能替你回答的問題。

需要多少資金才能開始？

學習與回測完全免費，不需要投入資金。實際執行面，這個策略持有 20 檔等權，考慮台股以張為單位（零股交易亦可），數十萬以上比較能貼近等權配置；策略持股偏中小型股，資金規模大到單筆買賣影響股價時（流動性門檻 1,000 萬日均成交金額下，約數千萬以上），回測與實單的差距會擴大。

排名法策略未來還會有效嗎？

沒有人能保證。本文是全段樣本內回測，13 年的歷史優勢可能因為市場結構改變、因子擁擠而衰減；我們能做的是每季用新資料重跑一次，數據惡化就如實更新。讀者自己驗證最新數據的方法：跑一次文末的重現腳本，幾分鐘就有答案。

各家 AI 工具的台股實戰專文

同一套 finlab 回測流程，接上不同的 AI agent 會長出不同的工作型態。每篇專文各用一個不同的因子家族實測，數據都可下載重現：

• Claude Code 跑 finlab 台股量化回測：投信外資買超持續三因子，示範對話式迭代改進
• Hermes Agent 每月自動重跑營收動能策略：從安裝、選模型到排程自動化
• Codex 重構粗略動能策略：多週期動能加品質與低波控制，兩輪迭代後回撤與波動低於 0050
• Pi 在本機跑 finlab 回測：資料不出本機，品質因子替換實驗
• 龍蝦 OpenClaw 跑高股息選股：只挑殖利率最高會賠錢，加品質與動能後翻正

下一步：三條路徑直接開始

• 零安裝：打開 FinLab Studio，用瀏覽器直接輸入選股條件跑回測。
• AI 工具：把 /setup 提示詞貼給 Codex app 或 Claude cowork，複製文末提示詞範本開始第一段對話。
• 加入社群：FinLab Discord 裡有上千位台股量化同好，策略卡關、回測結果怪異都可以直接貼出來討論。

下載與重現

• strategy.py：排名法策略完整原始碼，可直接執行取得最新選股清單
• agent_strategies.py：本文全部數據的重現腳本（三策略、七組敏感度、股災區間、圖表）
• data.csv：四條淨值曲線的每日數據
• metrics.json：全部指標的機器可讀快照
• 互動式回測報告：篩選法、排名法

附錄：可直接複製的提示詞範本

範本一（篩選法）

請幫我建立台股選股策略：營收年成長率大於 20%、ROE 大於 10%，
只買近 20 日平均成交金額大於 1,000 萬的股票，每月再平衡、等權重。
用 finlab 資料回測，給我年化報酬、最大回撤、總報酬，
並跟 0050 含息買進持有比較。

範本二（加嚴條件）

把條件改嚴格：營收年成長率大於 30%、ROE 大於 15%、本益比小於 20，
其他設定不變，回測後跟上一個策略比較，並分析持股數量的變化。

範本三（排名法）

改用排名法：營收年成長率、ROE、60 個交易日股價動能三個因子
各自在全市場做百分位排名，綜合分數 = 營收排名 × 40% + ROE 排名 × 30% +
動能排名 × 30%。流動性過濾不變，每月選綜合分數最高的前 20 檔等權買入，
回測後跟前面的策略和 0050 比較。

範本四（參數敏感度掃描）

請對排名法做參數敏感度測試：權重組合測 50/25/25、30/30/40、
等權 33/33/34、20/40/40，持股數測前 10、前 20、前 30，
每一組都實際回測，把年化報酬、最大回撤、索提諾整理成表格。
不要幫我挑「最好」的參數，我要看結論對參數敏不敏感。

使用提示：範本可自由改條件，但記得兩個原則，要求 AI 附上完整程式碼（方便檢查未來函數），以及確認回測有內扣交易成本。

延伸閱讀：想看更多現成的台股選股提示詞，以及為什麼多數熱門寫法其實跑輸 0050、把一句話逐步加嚴成有效規格的過程，可參考 AI 選股提示詞 30 條與真實回測。

投資警語：本文僅供教學參考，不構成投資建議。文中全部回測數據（年化 29.4%、最大回撤 -44.7% 等）為 2013-04 至 2026-06 的歷史模擬，已含 finlab 預設交易成本，但未含滑價與容量限制；過去績效不代表未來表現。本策略最大回撤近五成，代表 100 萬可能一度縮水至約 55 萬，請依個人風險承受度審慎評估，僅使用虧損不影響生活的閒置資金。

最後更新：2026-06｜回測區間：2013-04 ～ 2026-06（資料快照 2026-06-09）｜作者：FinLab 量化研究團隊（經量化研究員審閱）