Claude Code 量化交易實戰：裝 finlab 跑台股籌碼回測，
從一句話到三因子迭代

用 Claude Code 跑 finlab 台股量化回測，和用網頁聊天機器人問策略最大的差別是：它會在你的電腦上動手。建 Python 環境、寫策略程式、執行回測、讀報錯自己修，整條研究流程都在終端機裡完成，你負責用中文描述想法、檢查它的假設與結果。本文把這條路完整走一遍：先安裝 Claude Code 與 FinLab Skill，再用一句話要出第一版投信買超策略，最後讓它讀回測報告、自己提出改法並重跑。兩個版本的數字全部列出，包含輸給 0050 的部分。

先把本文的回測結果攤開。策略是籌碼面的「投信外資買超持續三因子」：投信買超強度、投信買超持續性、外資同步買超，三個排名相加選股：

口徑：2018-01 到 2026-06（資料快照 2026-06-09），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。在本文設定與這段期間，兩版籌碼策略的年化報酬都輸給 0050 含息的 25.0%。迭代的價值出現在風險端：月索提諾從 1.43 升到 1.92、追平 0050，最大回撤從 -38.5% 收斂到 -32.7%，比 0050 的 -34.0% 略淺。這組數字同時說明兩件事：讓 AI Agent 讀報告再迭代，能實質改善策略體質；而只靠籌碼單一面向想贏過大盤，在這段權值股主導的行情裡並不容易。輸在哪裡，後面用數據拆解。

5 分鐘安裝：Claude Code 與 FinLab Skill

Claude Code 是 Anthropic 官方的終端機 AI Agent，安裝只要一行（需要先有 Node.js）：

npm install -g @anthropic-ai/claude-code

裝完在任何資料夾輸入 claude 即可啟動，第一次會引導你登入 Claude 帳號。使用 Claude Code 需要 Claude Pro／Max 訂閱或 API 用量計費，額度依方案而異。

接著裝 FinLab 的 AI Skill。這份 SKILL.md 讓 Claude Code 知道怎麼抓台股資料、怎麼用 finlab 回測、怎麼避開常見的前視偏差：

npx skills add https://github.com/koreal6803/finlab-ai --skill finlab

最後把 setup 提示詞交給 Claude Code。首次取資料時，finlab 套件會自動引導登入，不需要把金鑰寫進提示詞或程式碼：

Claude Code 是什麼？為什麼適合量化回測

Claude Code 是在終端機裡運作的 AI Agent：它能讀寫你電腦上的檔案、執行指令、看到程式的報錯並自己修正。對量化研究來說，這幾個能力剛好對應回測工作流的痛點：

其中 CLAUDE.md 值得一提：在專案資料夾放一份說明檔，寫下「回測都用 2018 年起、對照 0050 含息、成本用 finlab 預設」，之後每次對話 Claude Code 都會先讀它，你不必重複交代口徑。對 AI Agent 跑量化還沒有整體概念的話，AI Agent 量化交易實戰有從零開始的完整示範；想比較 Claude Code、Codex、Hermes 等工具各自的強項，見 AI Agent 量化交易工具比較；量化交易本身的知識地圖，見量化交易完整指南。

第一版：一句話要一個投信買超策略

台股的三大法人買賣超每天盤後公布，是全球少見的高透明籌碼資料。投信（國內基金公司）的買超常被視為中期波段訊號，因為投信操盤有績效壓力、選股集中，這也是很多籌碼派投資人追蹤投信與外資動向的原因。我們先用最直覺的版本開始：

💬 你對 Claude Code 說：

用 finlab 做一個投信買超選股策略：近 20 日投信買賣超股數合計排名前 20 名，等權重，每月再平衡，加上近 20 日平均成交金額大於 1,000 萬的流動性過濾。回測 2018 年至今，對照 0050 含息買進持有。

🤖 Claude Code 回覆：

已建立虛擬環境並安裝 finlab，寫好 naive_trust.py 並執行完成。結果：年化報酬 18.1%、日夏普 0.87、月索提諾 1.43、最大回撤 -38.5%、總報酬 +302%。同期 0050 含息年化 25.0%、最大回撤 -34.0%。這個版本輸給大盤，而且回撤更深。要我分析原因嗎？

一句話就跑出一個完整回測，這是 AI Agent 的門檻優勢。但結果本身不理想：報酬輸 0050 快 7 個百分點，回撤還更深。這也是AI 選股提示詞實測反覆出現的現象：直覺式的第一版提示詞，通常跑不出好策略。

提醒：文中對話為示意呈現，績效數字取自本文實際執行的回測輸出（見文末下載）；你自己跑時的環境訊息與當日數據會略有不同。

迭代：讓 Claude Code 讀報告、自己提改法

接著把回測報告丟回給它。這一步是 Claude Code 和「問一次拿一次答案」的分水嶺：它能讀完整份報告與程式碼，指出結構性問題，改完直接重跑驗證：

💬 你對 Claude Code 說：

讀這份回測報告和程式碼，指出這個策略最可能的三個問題，提出具體改法，改完重跑並和第一版、0050 對照。

🤖 Claude Code 回覆：

我看到三個問題。第一，買超「股數」沒有正規化：同樣買超 5,000 張，對日成交十萬張的權值股是雜訊，對日成交一萬張的中型股是強訊號，直接排股數會系統性偏向大股本股票。第二，20 日窗口太短：投信單月的買超排行波動很大，換股率高、追價成本重。第三，沒有任何風控條件：買超排行榜上不乏一路下跌被逢低承接的股票。我建議改成三個因子：近 60 日投信買賣超佔同期成交量比（強度）、近 60 日投信站在買方的天數比例（持續性）、近 60 日外資買賣超佔成交量比（外資同步確認），三個排名相加，只買股價站上 60 日均線的標的，前 20 名依分數平方加權。正在重跑。

改進版的核心程式碼如下，每一段對應一個動作，完整可執行版本在文末下載：

import finlab
from finlab import data
from finlab.backtest import sim
 
# 首次取資料時 finlab 會自動引導登入
finlab.login()
 
# 1) 載入價量與法人買賣超資料
close = data.get("price:收盤價")
volume = data.get("price:成交股數")
trust_net = data.get("institutional_investors_trading_summary:投信買賣超股數")
foreign_net = data.get("institutional_investors_trading_summary:外陸資買賣超股數(不含外資自營商)")
trust_net = trust_net.reindex(close.index).fillna(0)
foreign_net = foreign_net.reindex(close.index).fillna(0)
 
# 2) 流動性過濾與個股趨勢條件
amount20 = (close * volume).rolling(20).mean()
liquid = (amount20 > 10_000_000) & close.notna()
ma60 = close.rolling(60).mean()
 
# 3) 三個籌碼因子
vol60_sum = volume.rolling(60).sum()
trust_intensity = trust_net.rolling(60).sum() / vol60_sum      # 投信買超強度
trust_persistence = (trust_net > 0).rolling(60).mean()          # 投信買超持續性
foreign_intensity = foreign_net.rolling(60).sum() / vol60_sum   # 外資同步
 
# 4) 排名相加、取前 20、分數平方加權、每月再平衡
def rank_pct(factor):
    return factor.where(liquid).rank(axis=1, pct=True)
 
score = rank_pct(trust_intensity) + rank_pct(trust_persistence) + rank_pct(foreign_intensity)
top20 = score.where(liquid & (close > ma60)).rank(axis=1, ascending=False) <= 20
weight = score.where(top20, 0).clip(lower=0) ** 2
weight = weight.div(weight.sum(axis=1), axis=0).fillna(0)
 
report = sim(weight, resample="M", name="投信外資買超持續三因子")
report.display()

迭代前後的差異，三個指標都有感：

改進版年化 19.8%、月索提諾 1.92、最大回撤 -32.7%。完整互動式回測報告（月報酬熱力圖、年度績效、權益曲線都在裡面）可直接在頁面上操作：

為什麼迭代完還是輸 0050

把差距講清楚比只報好消息有用。三因子版本輸給 0050 的 5.2 個百分點年化，主要來自三個結構性原因：

• 行情組成：2024 到 2026 年的台股漲幅高度集中在權值股，0050 的市值加權結構近半權重壓在台積電上，剛好全額吃到這段行情。三因子策略的持股由投信買超決定，偏向中型股，分散在 20 檔，權值行情下天生吃虧。
• 成本口徑：策略每月再平衡、平均月周轉率 58%，手續費與證交稅已內扣在績效裡；0050 基準是不含任何成本的指數算術。這個比較口徑對策略偏保守，實務上買 0050 也有內扣費用與交易成本。
• 訊號公開性：三大法人買賣超每天公布、人人看得到，公開訊號的超額報酬會被競爭壓縮。籌碼資料的優勢在於更新頻率高、不受財報延遲影響，而非獨家性。

風險端則有不同的結論。把回撤攤開看，改進版在 2020 年疫情崩盤與 2022 年升息修正的最深回撤都比 naive 版淺；對上 0050 則分段互有深淺：2020 年策略 -32.7% 比 0050 的 -28.2% 更深，2022 年策略 -23.1% 比 0050 的 -34.0% 淺得多，全期最大回撤 -32.7% 略淺於 0050 的 -34.0%：

60 日均線的個股趨勢過濾在這裡發揮作用：跌勢中投信買超再多也不進場，避開一部分「逢低承接卻繼續跌」的標的。對照大盤層級的擇時，Hermes 那篇的實測顯示大盤 200 日均線擇時反而重傷績效；個股層級的趨勢條件影響溫和得多，敏感度段有數字。

回測方法與限制

這些數字怎麼算出來的，逐項交代：

敏感度：換參數，結論會不會翻

「前 20 檔、平方加權、60 日均線」都是設計選擇。我們把持股數、趨勢過濾、加權方式各自變動重跑，看結論是否依賴特定參數：

三個發現。第一，五組設定的年化落在 18.6% 到 20.7%、月索提諾落在 1.68 到 1.93 的窄區間，結論不因參數翻盤。第二，平方加權和等權幾乎沒有差別（1.92 對 1.93），代表報酬來自因子本身，加權方式是次要細節。第三，拿掉 60 日均線趨勢過濾後月索提諾從 1.92 降到 1.68、年化少 1.2 個百分點，趨勢條件有貢獻但策略不靠它成立。同樣重要的是：五組設定的年化全部落在 0050 的 25.0% 之下，「輸給大盤絕對報酬、風險調整後接近」這個主結論，不因參數翻盤。敏感度表的用途是驗證穩健性，回頭挑最漂亮那格當招牌就變成過擬合了。

法人買賣超的學術根據與侷限

追蹤法人買賣不是台股獨有的土方法，實證文獻對「機構投資人的交易含資訊」有長期累積：Nofsinger & Sias (1999) 用美國市場資料發現機構持股變化與股票報酬強烈正相關，且機構買進的股票在其後表現較佳，支持機構交易含有資訊的解釋。Sias (2004) 進一步證明機構買賣具有跨季持續性：這一季被機構群體買進的股票，下一季更可能繼續被買，本文的「買超持續性」因子對應的正是這個現象。台灣市場的證據更直接：Barber, Lee, Liu & Odean (2009) 用台灣完整的交易人層級資料估計，散戶因交易造成的年損失約當台灣 GDP 的 2.2%，而法人（尤其外資）是這場零和交換裡的系統性贏家。

侷限也要說清楚。前兩篇研究用的是美國市場的季頻機構持股資料，台股的日頻買賣超公開透明得多，訊號人人可見，超額報酬更容易被競爭稀釋；本文 naive 版輸給 0050 就是提醒：文獻支持「法人交易含資訊」，不等於「照抄買超排行榜就能賺錢」。從排行榜到可用的因子，中間的正規化、持續性、風控設計才是重點，這也是值得讓 AI Agent 反覆迭代的部分。想看投信買超在不同持有期的原始表現，三大法人策略比較有另一組獨立實測。

適合誰、不適合誰

適合：

• 想學 AI Agent 量化研究流程的人：本文的「一句話初版、讀報告迭代、敏感度驗證」三步，換成任何因子都適用。
• 在意回撤多於絕對報酬的投資人：三因子版本最大回撤 -32.7%，略淺於 0050，月索提諾追平。
• 重視可重現的人：全部數字附程式碼與資料，裝好環境跑一次就能驗證。

不適合：

• 目標是打敗 0050 絕對報酬的人：本文設定下三因子年化 19.8%，輸 0050 的 25.0%。
• 不想碰終端機的人：Claude Code 在命令列運作；想用瀏覽器直接跑回測，FinLab Studio 門檻更低。
• 資金量大的人：策略偏中型股、月周轉 58%，本文未估算容量上限，大額進出的滑價會侵蝕回測與實單的差距。

常見問題

Claude Code 是什麼？和網頁版 Claude 有什麼不同？

Claude Code 是 Anthropic 官方的終端機 AI Agent。網頁版 Claude 只能對話與產生程式碼，Claude Code 能在你的電腦上讀寫檔案、執行指令、看報錯自己修，還能透過 CLAUDE.md 記住專案設定、透過 SKILL.md 標準載入 FinLab Skill。做量化回測時，差別就是「拿到程式碼自己想辦法跑」與「講完想法等結果」的差別。

Claude Code 怎麼安裝？要付費嗎？

終端機跑 npm install -g @anthropic-ai/claude-code（需要 Node.js），再輸入 claude 登入即可。使用需要 Claude Pro／Max 訂閱或 API 用量計費。finlab 套件本身免費註冊即可取用台股資料，回測不用額外付費。

不會寫 Python 也能用 Claude Code 做量化回測嗎？

可以。本文兩版策略的程式都由 Claude Code 生成與執行，人的工作是描述邏輯、質疑結果。不過看得懂基本程式對你有利：你才能檢查它有沒有用到未來資料、成本有沒有扣、流動性過濾合不合理。想補底子，Python 量化交易教學從環境設定帶到第一個台股回測。

Claude Code 和 Codex、Hermes 這些工具差在哪？

定位不同：Claude Code 強在寫程式與自我修錯的迭代深度，適合當研究主力；Hermes 有跨對話長期記憶與排程，適合策略的長期維護；各工具的完整比較與選擇建議見 AI Agent 量化交易工具比較。工具會迭代，比較基準是它能不能穩定完成「讀資料、跑回測、修錯、整理結果」這個迴圈。

投信買超策略輸給 0050，還有研究價值嗎？

看你要什麼。這段期間 0050 受惠於權值股行情，絕對報酬確實難贏；三因子版本的價值在風險結構：回撤較淺、月索提諾追平、持股分散在 20 檔投信著墨的中型股，報酬來源與 0050 的權值集中結構不同。它更適合當多策略組合裡的一條腿，而非單獨對標大盤。把籌碼因子和基本面、動能因子疊加會怎樣，多因子選股實測有獨立驗證。

這個回測有過擬合風險嗎？

有，而且要明說：本文為全段 in-sample，沒有做樣本外切分，參數雖然通過敏感度檢驗（持股數、加權、趨勢過濾變動下結論不變），仍不能排除整段歷史剛好有利於這組因子。比較嚴謹的做法是切研究段與樣本外段分開驗證，做法見回測是什麼。

怎麼確認 Claude Code 寫的程式沒有用未來資料？

三個檢查點：一，資料的可得時點，法人買賣超是盤後公布，隔日開盤前才可用，本文的月頻再平衡遠粗於這個延遲，安全；二，rolling 類統計只能往回看，程式裡不能出現 shift(-n) 這種往未來取值的寫法；三，直接問它「這支程式有沒有前視偏差，逐行說明每個資料欄位的可得時間」，讓它自我審查，再抽查關鍵行。FinLab Skill 的說明檔內建這些提醒，這也是裝 Skill 比裸問的可靠之處。

實單執行要注意什麼？

三件事：平均月周轉 58% 代表每月約換掉一半持股，手續費折扣對長期績效影響可觀；持股偏中型股，單檔買賣金額大時滑價會高於回測假設；策略月頻再平衡，適合下單自動化，台股回測工具與下單環節的選擇見台股回測工具比較。

下一步

• 零安裝：打開 FinLab Studio，瀏覽器直接輸入選股條件跑回測。
• 裝起來跑：安裝 Claude Code 與 FinLab Skill，把本文的對話流程重走一遍，再換成你自己的因子。
• 進一步的提示詞寫法：怎麼把一個模糊想法逐步收斂成可回測的規格，AI 提示詞回測策略有完整的迭代示範。
• 加入社群：FinLab Discord 有上千位台股量化同好，策略卡關、回測結果怪異都可以貼出來討論。

下載與重現

• strategy.py：naive 版與三因子版完整原始碼，跑一次即可取得最新選股清單與回測報告
• data.csv：三條淨值曲線的每日數據
• metrics.json：全部指標與敏感度數據的機器可讀快照
• 互動式回測報告：投信外資買超持續三因子

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 19.8%、最大回撤 -32.7% 等）為 2018-01 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，且為全段 in-sample、未經樣本外驗證；過去績效不代表未來表現。本策略最大回撤達 -32.7%，代表 100 萬可能一度縮水至約 67 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：2026-07｜回測區間：2018-01 ～ 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）