AI 選股提示詞 30 條與真實回測：熱門提示詞為何失效，
有效寫法長什麼樣

AI 選股的問題通常出在提示詞只要求一份股票名單。這次我們把 30 條常見台股 AI 選股提示詞分成兩類：一類是「幫我找便宜好公司、找投信連買、找高殖利率」這種名單型提示詞；另一類是要求 AI 把想法翻成可回測規則、指定股票池、排名方式、換股時間與 0050 對照的研究型提示詞。用 uv run 跑 finlab 回測後，差距很清楚：

本文不給股票代號；AI 選股提示詞的價值，是把模糊投資想法變成一套可以重跑、可以和基準比較、可以被推翻的量化規格。30 條提示詞可以直接複製，但真正值得學的是第 25 到 30 條的研究流程，以及後面實測出來的四個有效寫法。

30 條 AI 選股提示詞：先分清楚名單型與研究型

前 24 條可以拿來產生候選名單，但不要停在那裡。後 6 條才是把 AI 變成研究助理的關鍵，因為它們要求 AI 交代規則、基準與回測。

因子（Factor）：一個可以橫向比較股票的量化特徵，例如 ROE、月營收年增率、近 60 日漲幅、波動率。名詞不熟可以搭配量化名詞表查定義。

五條熱門提示詞照字面回測：看起來合理，資料不買單

我們先故意用最常見、最直覺的寫法測一次。共同設定：60 日均量大於 100 萬股，每月再平衡，每版最多等權持有前 30 檔，交易成本採 finlab 台股預設值；基準為 0050 含息買進持有。

單因子提示詞大多只是投資常識的白話包裝，不是可直接交易的優勢。把五個常識因子加總確實有改善，從最佳單因子 12.67% 推到 14.90%，回撤也從 -48% 級別壓到 -35.53%；但它仍然打不過 0050。「請 AI 給我股票代號」得到的結果很不可靠，因為它沒有要求 AI 交代股票池、排名、權重、換股日與基準。

動能是五條裡最強的單因子，這和 Jegadeesh & Titman (1993) 記錄的中期動能效應方向一致：過去一段時間的贏家，後續仍可能相對強勢。但本文這個「創 60 日新高」提示詞的最大回撤接近 -48.5%，說明動能不能單獨裸奔。價值與高殖利率在 2018-2026 台股窗口偏弱，也不意外：這段行情由半導體與 AI 成長股主導，純「便宜」常常買到的是成長停滯。Fama & French (1992) 的價值因子研究仍有重要參考價值，但市場、期間、定義不同，不能保證台股這段窗口會贏。

有效提示詞會指定研究規格

接著我們把提示詞改成「請 AI 做研究」，不再只要求 AI 列名單。改法包括四件事：

我們沒有做參數最佳化，而是逐步改提示詞結構，看哪些要求真的能改善風險報酬。

對照同口徑的 0050 含息：日索提諾 1.67、月索提諾 1.92。階梯前幾級的索提諾與 0050 互有勝負，真正在日、月索提諾同時超車的只有精煉四因子（日 1.82 對 1.67、月 2.55 對 1.92）；前面幾級的改善主要來自壓波動，真正在風險調整後全面領先的是最後一級。

30.90% 不是重點，重點是這條提示詞問得夠具體。有效提示詞不會只說「找好股票」，它會指定：用月營收年增 10% 到 150%、連續三個月正成長當基礎池；把月營收、60 日動能、ROE、低波動都轉成百分位排名；總分前 40 檔，依分數平方加權；月營收公布後 14 天換股；和 0050 含息比較 CAGR、夏普、索提諾、最大回撤。

這組因子和多因子選股策略教學屬於同一個家族（營收、動能、ROE、低波動，同樣的股票池與平方加權），兩篇的分工不同：那篇是因子研究，把每個因子拆開單測、做成本敏感度；本文示範的是把一句提示詞逐步加嚴成完整規格的過程。數字略有出入（30.90% 對 29.45%），來自四個實作細節：本文把因子先彙整成月頻再排名、排名缺值補零、資料快照日釘在 2026-06-09，以及績效統計採與全站 0050 基準相同的純算術公式。同一族因子，規格細節不同，結果就會不同，這正是提示詞必須把規格寫清楚的理由。

精煉四因子的互動式回測報告包含權益曲線、月報酬與持股變化：

另一個限制來自流動性：「精煉四因子+成交額>1億」表現變差，不代表實單不用管流動性。它代表容量限制會改變股票池，有時會拿掉一部分高報酬小型股。比較實用的做法，是把 60 日均量 >100 萬股、成交額 >1 億、成交額 >3 億三組版本並排回測，把報酬與可交易性一起列出來。

可以直接貼給 AI 的有效提示詞模板

這段比「幫我找 AI 概念股」長很多，也因此比較容易重現。把它貼給 ChatGPT、Claude 或 FinLab AI，再要求它輸出 finlab 程式碼與回測表。

輸入給 AI：

請幫我設計一個台股選股回測，不要只列股票名單。股票池使用月營收年增率介於 10% 到 150%，且連續 3 個月年增率為正的公司。因子包含：月營收年增率、近 60 個交易日股價動能、ROE、近 60 日報酬波動率。每個因子都在股票池內轉成 0 到 1 的百分位排名，低波動因子要反向排名。四個分數加總後取前 40 檔，依分數平方加權，月營收公布後 14 天換股。請用 finlab 回測 2018-01 到最新資料，扣除台股預設交易成本，並和 0050 含息比較 CAGR、日夏普、日索提諾、月索提諾、最大回撤、平均持股數。最後檢查是否有前視偏差，並輸出可重跑的 Python 程式碼。

期望輸出：

from finlab import data
from finlab.backtest import sim
import numpy as np
 
close = data.get('price:收盤價')
rev = data.get('monthly_revenue:去年同月增減(%)')
roe = data.get('fundamental_features:ROE稅後').index_str_to_date()
 
def monthly(df):
    return df.reindex(close.index, method='ffill').resample('ME').last()
 
revm = monthly(rev)
momm = monthly(close.pct_change(60))
roem = monthly(roe)
lowvolm = monthly(close.pct_change().rolling(60).std())
 
pool = (revm > 10) & (revm < 150) & ((revm > 0).rolling(3).sum() == 3)
 
def rk(df, asc=True):
    return df.where(pool).rank(axis=1, pct=True, ascending=asc).fillna(0)
 
score = rk(revm) + rk(momm) + rk(roem) + rk(lowvolm, asc=False)
top = score.where(pool).rank(axis=1, ascending=False) <= 40
weight = (score.where(top, 0) ** 2)
weight = weight.div(weight.sum(axis=1).replace(0, np.nan), axis=0).fillna(0)
 
report = sim(weight[weight.index >= '2018-01-01'],
             resample='M',
             resample_offset='14D',
             upload=False)
print(report.get_stats())

完整可重跑版本在文末 prompt_strategies.py，已包含五條熱門提示詞、天真複合、精煉四因子、成交額版本與本機圖表輸出。這段程式的目的不是教讀者背 Python；它把提示詞規格寫到足夠清楚，讓 AI 不能隨便腦補。

有效 AI 選股提示詞的四條規則

Asness, Moskowitz & Pedersen (2013) 在價值與動能研究中強調，低相關因子合成可以改善風險調整報酬；本文的精煉提示詞採用同一個精神，把不同來源的訊號組在一起。DeMiguel, Garlappi & Uppal (2009) 也提醒，簡單的 1/N 或等權規則常常不輸複雜最佳化；所以本文先用排名與平方加權這種透明規則，沒有讓 AI 直接最佳化一堆參數。

回測方法與限制

這組結果有兩個限制。第一，精煉四因子的結果仍是同一段歷史的樣本內（in-sample）檢驗，不能當作未來保證；下一步應該做滾動樣本外與季度刷新。第二，2018-2026 台股由 AI、半導體與權值股帶動，0050 本身非常強，不同市場窗口可能改變價值、股利、籌碼因子的排名。對回測過度自信的風險，可以延伸看回測過擬合機率。

AI 選股常見問題

AI 選股提示詞真的有用嗎？

有用，但用途不是直接問股票代號。本文實測顯示，名單型提示詞幾乎都不夠好；研究型提示詞能把想法變成可重跑規則，讓你快速知道哪些直覺該丟掉、哪些結構值得深入。

為什麼熱門提示詞全輸 0050？

因為那些提示詞多半只描述單一公開常識，例如便宜、成長、高殖利率、法人買超。公開常識不等於超額報酬，尤其在 2018-2026 這段由權值成長股主導的台股。Harvey, Liu & Zhu (2016) 檢視大量發表過的因子後指出，提高統計門檻後許多因子站不住；一行提示詞更需要被真資料檢驗。

精煉四因子可以直接實單嗎？

不建議直接照抄。它通過本文的日索提諾品質門檻，但仍是全段 in-sample，也沒有完整容量與滑價估算。它的用途是示範有效提示詞結構：低相關因子、排名分數、公布日對齊、基準比較。要實單前，至少要做成交額版本、樣本外追蹤與不同持股數敏感度。

為什麼成交額 >1 億版本反而變差？

流動性濾網會改變股票池，拿掉一些小型高成長股，所以報酬可能下降。這不代表流動性不重要；提示詞應該要求 AI 列出容量取捨。小資金與大資金看到的可交易策略本來就不同。

可以只請 ChatGPT 給我股票代號嗎？

不建議。通用聊天模型沒有穩定的即時台股行情、籌碼與財報資料，也不會自動幫你處理除權息、公布日與交易成本。比較好的流程是讓 AI 寫規則與 finlab 程式，資料與回測交給資料庫與回測引擎。

和 FinLab AI 的差別在哪？

一般聊天模型適合幫你把想法翻成規則；FinLab 的優勢是台股資料、回測、策略管理與後續實作都在同一個工作流。完整 AI 量化流程可以看AI 量化交易完整指南，如果想從 Python 入門，看量化交易 Python 教學會比較順。

相關研究

• 多因子選股策略教學：把營收、動能、ROE、低波動做成更完整的台股多因子研究。
• 台股選股方法總整理：基本面、技術面、籌碼面與複合策略的地圖。
• 用 Claude/GPT 寫出台股回測策略：從提示詞到績效報告的實作流程。
• 月營收公布後漂移：為什麼台股月營收值得單獨研究。
• 動能投資 18 年實測：動能因子的長期檢驗。
• 投信跟盤法：籌碼類提示詞為什麼需要更細的持有與出場設計。
• 本益比選股回測：低本益比因子的長期表現。
• 0056 vs 00878 vs 00919：高股息提示詞背後的 ETF 與股利邏輯。
• 量化交易完整指南：資料、回測、策略與實單的完整入口。

想自己驗證這 30 條提示詞？FinLab 讓你用 AI 對話描述策略，底層接真實台股資料實跑回測，免費註冊開始。先把文末腳本重跑一遍，再改股票池、因子、持股數與成交額門檻，看結論怎麼變。

下載資源

投資有風險，過去績效不代表未來表現。本內容僅供教學參考，不構成投資建議，請依個人風險承受度審慎評估。本文所有策略為歷史資料的 in-sample 檢驗，實際交易成本、滑價、資金規模與市場狀況可能使結果與回測不同。

最後更新：2026-06｜回測區間：2018-01 ～ 2026-06｜作者：FinLab 量化研究團隊（經量化研究員審閱）。文中數據由 uv run 執行 finlab 套件產出，腳本見下載資源。