# Paper Trading 模擬交易 Python：CMoney 大富翁 API 與 11 年台股數據

台股研究 2020年7月21日 約 10 分鐘閱讀

Paper Trading 模擬交易怎麼做才有用？用 CMoney 大富翁 API 與開源 CmoneyVirtualAccount，三步驟串接 Python 模擬買賣並同步選股策略持股。再用台股 2015～2026 真實回測告訴你要練多久：年化 39.7% 的策略仍有 88.6% 的日子在前高之下；重跑到 2026 年 10 月，鄰近參數、前後兩段與成本三項穩健性驗證都通過。

免安裝，用 AI 重跑這篇的策略

在瀏覽器開啟 FinLab Studio，AI 依本文的條件重跑回測，接著可以改條件再測。

[在 Studio 重跑](https://studio.finlab.finance/chat?lang=zh\&research_context=%7B%22v%22%3A1%2C%22source_url%22%3A%22https%3A%2F%2Ffinlab.finance%2Fblog%2Fcmoney-paper-trading-python-api%22%2C%22task%22%3A%22%E5%B9%AB%E6%88%91%E7%94%A8+finlab+%E8%B7%91%E4%B8%80%E5%80%8B%E6%9C%88%E7%87%9F%E6%94%B6%E5%8B%95%E8%83%BD%E9%81%B8%E8%82%A1%E7%AD%96%E7%95%A5%EF%BC%8C%E4%B8%A6%E5%88%97%E5%87%BA%E9%80%99%E5%80%8B%E6%9C%88%E8%A9%B2%E6%8C%81%E6%9C%89%E7%9A%84%E8%82%A1%E7%A5%A8%E3%80%82%E9%80%99%E9%A0%81%E7%9A%84%E7%AD%96%E7%95%A5%E7%A8%8B%E5%BC%8F%EF%BC%88%E7%94%A8+requests+%E8%AE%80%E5%8F%96%EF%BC%89%EF%BC%9Ahttps%3A%2F%2Ffinlab.finance%2Fblog%2Fcmoney-paper-trading-python-api%2Fstrategy.py%22%2C%22intent%22%3A%22backtest%22%2C%22market%22%3A%22tw%22%2C%22period%22%3A%7B%22start%22%3A%222015-01-05%22%2C%22end%22%3A%222026-07-24%22%7D%7D)

模擬交易要練多久？11 年台股數據給你答案 CAGR 39.7% Sharpe 1.37

> 模擬交易最常見的失敗，是練兩個星期、看到帳面翻紅或翻黑就下結論。台股 2015～2026 的真實回測給出更清楚的刻度：一個年化 **39.7%**、贏過 0050 含息（20.4%）的策略，仍然有 **88.6%** 的交易日淨值低於前一次高點，而且曾經連續 **724 天**沒有創新高。模擬帳戶真正在訓練的能力，是撐過這段。

[![營收動能策略與 0050 含息淨值曲線對照，紅色區間標示策略連續 724 天沒有創新高](https://r2.finlab.finance/blog/cmoney-paper-trading-python-api/chart_equity_underwater_span.png)](https://r2.finlab.finance/blog/cmoney-paper-trading-python-api/chart_equity_underwater_span.png)

依本文重跑

## 執行這個策略

開啟 FinLab Studio，依本文條件重跑，查看報酬與最大跌幅。免安裝。

告訴你的AI：

幫我用 finlab 跑一個月營收動能選股策略，並列出這個月該持有的股票，請讀：https\://finlab.finance/setup?relatedUrl=/blog/cmoney-paper-trading-python-api

[免安裝，開啟 FinLab Studio](https://studio.finlab.finance/chat?lang=zh\&research_context=%7B%22v%22%3A1%2C%22source_url%22%3A%22https%3A%2F%2Ffinlab.finance%2Fblog%2Fcmoney-paper-trading-python-api%22%2C%22task%22%3A%22%E5%B9%AB%E6%88%91%E7%94%A8+finlab+%E8%B7%91%E4%B8%80%E5%80%8B%E6%9C%88%E7%87%9F%E6%94%B6%E5%8B%95%E8%83%BD%E9%81%B8%E8%82%A1%E7%AD%96%E7%95%A5%EF%BC%8C%E4%B8%A6%E5%88%97%E5%87%BA%E9%80%99%E5%80%8B%E6%9C%88%E8%A9%B2%E6%8C%81%E6%9C%89%E7%9A%84%E8%82%A1%E7%A5%A8%E3%80%82%E9%80%99%E9%A0%81%E7%9A%84%E7%AD%96%E7%95%A5%E7%A8%8B%E5%BC%8F%EF%BC%88%E7%94%A8+requests+%E8%AE%80%E5%8F%96%EF%BC%89%EF%BC%9Ahttps%3A%2F%2Ffinlab.finance%2Fblog%2Fcmoney-paper-trading-python-api%2Fstrategy.py%22%2C%22intent%22%3A%22backtest%22%2C%22market%22%3A%22tw%22%2C%22period%22%3A%7B%22start%22%3A%222015-01-05%22%2C%22end%22%3A%222026-07-24%22%7D%7D)

*圖 1：營收動能分散 20 檔 vs 0050 含息（2015-02～2026-07，對數座標）。紅色區間是策略從 2018-06-15 到 2020-06-08 完全沒有創新高的 724 天。*

## 開始模擬前先看懂的四個數字

下表是本文示範策略（營收動能、分散 20 檔、月換股）與 0050 含息在同一段期間的對照。左邊三欄是回測報表會給你的成績，右邊三欄是你在模擬帳戶裡真正會經歷的東西。

| 項目                 | 營收動能分散 20 檔 | 0050 含息買進持有 |
| ------------------ | ----------- | ----------- |
| 年化報酬率              | **39.7%**   | 20.4%       |
| 日夏普比率              | **1.37**    | 1.03        |
| 月索提諾比率             | **1.92**    | 1.70        |
| 最大回撤               | -37.9%      | -34.0%      |
| 淨值低於前高的交易日比例       | 88.6%       | 90.3%       |
| 最長沒有創新高            | 724 天       | 758 天       |
| 收黑的月份比例            | 36.5%       | 37.2%       |
| 任選一天進場、持有 1 個月虧損機率 | 33.9%       | 36.1%       |

回測區間 2015-02-11 至 2026-07-24，平均持股 19.9 檔。策略在年化報酬、日夏普、月索提諾三項勝出，最大回撤比 0050 深 3.9 個百分點。

右半邊三列才是這篇文章的重點：策略的難熬程度跟大盤幾乎一樣。**淨值長期低於前高是持股這件事本身的常態，它本身不構成策略失效的證據。** 這正是模擬交易要幫你先經歷一遍的事。

## Paper Trading 是什麼，跟回測差在哪

Paper Trading（模擬交易）是用虛擬資金、真實市場報價下單，帳面損益照真實成交價計算，但不動到真錢。它跟[回測](https://finlab.finance/tools/backtesting)的差別在時間方向：回測是把策略丟回過去，一次算完十年；模擬交易是從今天開始，一天一天跟著市場走。

兩者要回答的問題不一樣：

* **回測回答「這套規則過去行不行」**。它給你[年化報酬](https://finlab.finance/glossary/cagr)、最大回撤、夏普比率這些總結性數字。
* **模擬交易回答「這套規則我跟不跟得住」**。它給你的是每天打開帳戶的感受、換股當下要不要手癢改單、連續三個月綠字時會不會想停掉。

回測的十年在報表上只佔一張圖，實際跟著跑的人卻要一天一天過。多數策略失敗的原因在執行端：跟著跑的人中途改了規則。

## 三步驟：用 Python 串接 CMoney 大富翁模擬帳戶

CMoney 的大富翁是台股少數免費、可用程式操控的模擬交易平台。我把操作它的程式碼開源成 [CmoneyVirtualAccount](https://github.com/koreal6803/CmoneyVirtualAccount)，安裝後幾行 Python 就能下單。

### 1. 安裝

打開終端機（Windows 可用 Anaconda Prompt）輸入：

顯示程式碼

```
git clone https://github.com/koreal6803/CmoneyVirtualAccount.git
 
# mac 使用的指令
mv CmoneyVirtualAccount/cmoneyVirtualAccount ./cmoney
 
# windows 使用的指令
move CmoneyVirtualAccount/cmoneyVirtualAccount ./cmoney
```

### 2. 申請帳號

到 [CMoney 大富翁](https://www.cmoney.tw/vt/) 申請帳號。假如你用 Facebook 登入，仍然要另外設一組密碼（右上角使用者名稱 → 基本資料），否則 Python 無法登入。

### 3. 用程式操控帳戶

顯示程式碼

```
from cmoney.stock import VirtualStockAccount
 
# 登入
virtual_account = VirtualStockAccount('your_account', 'your_password')
 
# 切換子帳號
virtual_account.aid = '123456'
 
# 查看某檔股票的即時報價
virtual_account.get_price('2330')
 
# 查看目前持股與現有資金
virtual_account.status()
virtual_account.info()
 
# 買一張台積電、賣一張台積電
virtual_account.buy('2330', 1)
virtual_account.sell('2330', 1)
 
# 批次買進：一張台積電、一張聯發科
virtual_account.buy({'2330': 1, '2454': 1})
 
# 出清所有股票
virtual_account.sell_all()
 
# 把帳戶持股調整成指定的組合（先賣掉不在名單內的，再買進名單內的）
virtual_account.rebalance({'2330': 1, '2454': 1})
 
# 自動把資金平均分配到這幾檔（實際模擬選股策略時最常用這個）
virtual_account.sync(['1101', '2330'])
 
# 查看與刪除委託單
virtual_account.get_orders()
virtual_account.cancel_all_orders()
```

## 把選股策略同步到模擬帳戶

模擬帳戶真正的用途，是接上一個有規則的策略，而不是憑感覺點買賣。下面這段用 finlab 算出當期該持有的股票，再一行同步到大富翁帳戶。第一次執行時 finlab 會自動引導登入，不需要在程式裡填任何金鑰。

顯示程式碼

```
from finlab import data
from finlab.backtest import sim
 
close = data.get('price:收盤價')
volume = data.get('price:成交股數')
revenue = data.get('monthly_revenue:當月營收')
 
# 短期價格動能：近 5 日平均日報酬
momentum = (close / close.shift() - 1).rolling(5).mean()
 
# 趨勢濾網：站上 20/60/120 日均線
trend = (close > close.average(20)) & (close > close.average(60)) & (close > close.average(120))
 
# 營收動能：3 個月平均營收高於 12 個月平均
revenue_up = revenue.average(3) > revenue.average(12)
 
# 流動性濾網：20 日平均成交量 500 張以上
liquid = volume.average(20) > 500 * 1000
 
position = momentum[trend & revenue_up & liquid].is_largest(20)
 
report = sim(position, resample='M', resample_offset='11D',
             stop_loss=0.1, position_limit=0.08, name='營收動能分散20檔')
```

拿到 `position` 之後，把最新一期的持股名單丟給模擬帳戶：

顯示程式碼

```
from cmoney.stock import VirtualStockAccount
 
virtual_account = VirtualStockAccount('your_account', 'your_password')
 
latest = position.iloc[-1]
stock_ids = list(latest[latest > 0].index)
 
# sync 會自動平均分配資金，並賣掉不在名單內的持股
virtual_account.sync(stock_ids)
```

之後每個月換股日執行一次，模擬帳戶就會跟著策略走。這條路徑跟真實下單只差最後一步，想直接接券商的話可以看[自動下單的爬蟲與部位串接](https://finlab.finance/blog/python-crawl-trading-records-auto-order)與 [FinLab 全自動下單](https://finlab.finance/blog/finlab-1-2-portfolio-publish)。

## 模擬要跑多久才看得出東西：11 年台股數據

這是模擬交易最常被問、也最少人用數據回答的問題。我們把上面那個策略的每日淨值拆開來看，算出三組體感指標。

### 你有 88.6% 的日子會在「還沒回本」的狀態

[![營收動能策略與 0050 含息的水下曲線對照，策略 88.6% 的交易日低於前次淨值高點](https://r2.finlab.finance/blog/cmoney-paper-trading-python-api/chart_underwater.png)](https://r2.finlab.finance/blog/cmoney-paper-trading-python-api/chart_underwater.png) *圖 2：距離前次淨值高點的百分比。策略有 88.6% 的交易日在水面下，0050 含息是 90.3%。*

把每天的淨值跟「歷史最高淨值」相比，只有創新高的那天是 0，其餘都是負的。11 年 2,788 個交易日裡，策略有 2,470 天低於前高，比例 88.6%；0050 含息是 2,512／2,783，比例 90.3%。

換句話說，**你打開帳戶看到「離最高點還差一截」的機率接近九成**，而且買 0050 也一樣。模擬帳戶最重要的訓練，是讓你在這個狀態下仍然照規則換股。

最長的一段：2018-06-15 到 2020-06-08，整整 724 天沒有再創新高，中間最深跌到 -37.9%。0050 含息的對應紀錄是 2022-01-18 到 2024-02-15 的 758 天。如果你只模擬三個月就下結論，抽到的很可能是這 724 天裡的任意一段。

寫這篇文章的當下就是一個現成的例子：截至 2026-07-24，這個策略距離前次高點還差 **-22.3%**，同一天 0050 含息是 -7.9%。全期年化 39.7% 與此刻帳戶上的紅字同時成立，模擬帳戶要先讓你習慣的就是這件事。

### 三分之一的月份會是紅字，連四個月收黑是正常的

[![營收動能策略逐月報酬熱圖，36.5% 的月份收黑，最長連續 4 個月虧損](https://r2.finlab.finance/blog/cmoney-paper-trading-python-api/chart_monthly_heatmap.png)](https://r2.finlab.finance/blog/cmoney-paper-trading-python-api/chart_monthly_heatmap.png) *圖 3：策略逐月報酬熱圖（2015～2026）。137 個月裡有 36.5% 收黑，最長連續 4 個月收黑發生在 2016 年 9 月至 12 月；最右下角的 2026 年 7 月為統計至 24 日的部分月份。*

137 個月份中有 50 個月是虧的，比例 36.5%（0050 含息是 37.2%；最後一個月統計至 2026-07-24）。最差的單月是 2021 年 5 月的 -26.6%，最好的單月是 2020 年 8 月的 +31.9%。連續收黑的最長紀錄是 4 個月，發生在 2016 年 9 月到 12 月，而 2016 年全年策略仍上漲 16.5%。

這組數字給模擬交易一個明確的停損標準：**連續三、四個月虧損不足以判定策略失效**，因為在一個年化 39.7% 的策略裡它本來就會出現。要判定失效，需要的是規則本身的前提改變（例如流動性條件不再成立），而不是帳面顏色。

### 任選一天進場，持有一個月有三分之一機率是虧的

[![持有 1、3、6 個月與 1 年的帳面虧損機率長條圖，策略與 0050 含息對照](https://r2.finlab.finance/blog/cmoney-paper-trading-python-api/chart_holding_period_loss.png)](https://r2.finlab.finance/blog/cmoney-paper-trading-python-api/chart_holding_period_loss.png) *圖 4：任選一天進場後，持有不同期間仍為帳面虧損的機率。持有愈久，虧損機率愈低。*

把 11 年裡每一個交易日都當成「進場日」，計算持有固定期間後的報酬：

| 持有期間 | 策略虧損機率 | 策略報酬中位數 | 0050 虧損機率 |
| ---- | -----: | ------: | --------: |
| 1 個月 |  33.9% |   +2.8% |     36.1% |
| 3 個月 |  28.4% |   +7.9% |     28.7% |
| 6 個月 |  19.6% |  +14.9% |     24.9% |
| 1 年  |  12.8% |  +36.8% |     19.9% |

模擬一個月，有三分之一的機率你會得到一個誤導性的結論（策略沒問題但你看到紅字），這個機率在 0050 上是 36.1%。**模擬期拉到半年以上，虧損機率才明顯低於兩成**，策略跟大盤的差距也才開始顯現：持有一年時策略的虧損機率是 12.8%，0050 是 19.9%。

實務上的建議是模擬至少三到六個月、涵蓋至少一次完整的換股循環與一次明顯的回檔，再決定要不要投入真錢。

## 為什麼帳面數字撐不住人：三份研究

模擬交易在做的事，本質上是先把行為偏誤的成本花在虛擬帳戶上。三份經典研究解釋了這些偏誤從哪來：

* **[Kahneman & Tversky（1979）](https://www.jstor.org/stable/1914185) 的前景理論**指出，人對損失的感受明顯強於對同額獲利的感受（後續 [Tversky & Kahneman（1992）](https://link.springer.com/article/10.1007/BF00122574) 把這個損失趨避係數估在 2.25 附近）。這解釋了為什麼 88.6% 的水下時間會被主觀放大成「這策略不行」。
* **[Odean（1998）](https://onlinelibrary.wiley.com/doi/10.1111/0022-1082.00072) 的處分效果研究**分析一萬個券商帳戶，發現投資人明顯傾向賣掉賺錢的部位、抱住虧錢的部位。策略要求月底換股時，這個傾向會直接讓你想跳過某幾檔。
* **[Barber & Odean（2000）](https://onlinelibrary.wiley.com/doi/10.1111/0022-1082.00226)** 追蹤 66,465 個家庭帳戶，發現交易最頻繁的族群年化淨報酬 11.4%，比市場的 17.9% 低約 6.5 個百分點，成本主要來自過度交易。模擬帳戶的價值之一，就是讓你看見「多做的那幾筆」對淨值的實際影響。

這三個機制都不需要真錢才會發生，所以模擬交易能練到。它練不到的部分放在下一節。

## 模擬交易的檢查清單：該記錄什麼

模擬期間光看帳面損益意義不大，建議固定記錄這幾項，結束時才有東西可以檢討：

1. **有沒有照規則換股**：每次換股日記下「策略給的名單」與「你實際下的單」，兩者不一致的次數就是你的執行落差。
2. **手癢紀錄**：每次想要改單、加碼、停損卻不在規則裡的念頭都記一行，包含當下的帳面損益。模擬結束後回頭看，這些念頭多半發生在水下最深的時候。
3. **成交價落差**：模擬平台用的是真實報價，但你的委託價與收盤價會有差距，把它記下來當作滑價的粗估（[滑價定義](https://finlab.finance/glossary/slippage)）。
4. **持股數與集中度**：確認實際持股接近策略設定的檔數。持股過度集中會讓體感波動遠大於回測，這點在[分散投資的成本](https://finlab.finance/blog/risk-of-diversification)有完整的數據拆解。
5. **換股頻率**：實際換手率若遠高於回測假設，成本會吃掉報酬（[周轉率定義](https://finlab.finance/glossary/turnover)）。

## 回測方法與限制

本文所有數字都來自 finlab 套件的真實回測，可用文末的 `strategy.py` 完整重現。

| 項目    | 本文設定                                                           |
| ----- | -------------------------------------------------------------- |
| 交易成本  | `sim()` 預設已內扣手續費 0.1425%（未打折）與賣出證交稅 0.3%                       |
| 滑價    | 未額外假設滑價，成交價採換股日收盤價                                             |
| 股票池   | 全上市櫃，未排除金融股、KY 股與 ETF                                          |
| 流動性過濾 | 20 日平均成交量 > 500 張                                              |
| 生存者偏誤 | finlab 資料庫保留已下市股票，回測期間內下市者仍計入                                  |
| 前視偏差  | 月營收以公布日對齊，換股日設在每月第 11 天之後（`resample_offset='11D'`），避開營收尚未公布的期間 |
| 權重    | 等權重、單檔上限 8%（`position_limit=0.08`）                             |
| 停損    | 個股 -10% 停損（`stop_loss=0.1`）                                    |
| 周轉率   | 未估算；月頻換股 20 檔的換手率會顯著高於買進持有                                     |
| 樣本內外  | 全段樣本內（in-sample），未做樣本外或滾動測試                                    |
| 基準    | 0050 使用 `etl:adj_close` 還原價買進持有，含息                             |

風險調整指標的口徑統一：夏普與索提諾皆由日／月淨值序列計算，無風險利率取 1%。策略的月索提諾 1.92 高於 0050 的 1.70，日夏普 1.37 高於 1.03（日索提諾 1.84 對 1.41、月夏普 1.23 對 0.97，四種口徑一致勝出），但最大回撤 -37.9% 比 0050 的 -34.0% 更深，追求較低波動的讀者要把這點納入考量。

模擬交易本身也有三件事練不到：

* **胃納量**：模擬平台不會因為你的委託而讓價格移動，真實下單在小型股上會有衝擊成本。
* **真實的心理壓力**：虛擬資金的痛感遠小於真錢，模擬期表現好不代表真倉能執行相同紀律。
* **滑價與成交失敗**：模擬撮合通常比實際寬鬆，漲跌停與零股情境不一定被完整模擬。

這三項加上其他常見的回測失真來源，整理在[回測限制與回測陷阱完整指南](https://finlab.finance/blog/backtest-strategy-limitations-guide)；回測報酬率本身怎麼計算，可以看 [FinLab 回測引擎規則解析](https://finlab.finance/blog/finlab-backtest-return-calculation)。

## 三項穩健性驗證：重跑到 2026 年 10 月

這裡驗證本文的示範策略：近 5 日平均日報酬當短期動能，收盤站上 20、60、120 日均線、月營收近 3 個月平均高於近 12 個月平均、近 20 日平均成交量大於 500 張，依短期動能取前 20 檔等權、單檔上限 8%、個股停損 10%，每月第 11 天後換股。文末的 `strategy.py` 把資料截到 2026-07-24 重跑，年化 39.7%、日夏普 1.37、最大回撤 -37.9%，和文中相同（文中的夏普扣了 1% 無風險利率）。接著在 2026-10-30 用 [validation/strategy.py](https://finlab.finance/blog/cmoney-paper-trading-python-api/validation/strategy.py) 的同一組條件（finlab 2.2.24，資料截至 2026-10-29）不截斷結束日重跑，再做三項檢查。三項檢查的「贏」都是同一個意思：日夏普高於同一段期間的 0050 含息買進持有（`etl:adj_close` 還原價直接計算報酬、不扣成本）。兩邊的日夏普用同一個公式：日報酬平均除以標準差、乘上 √252，不扣無風險利率。三項都用 `sim()` 預設的手續費 0.1425% 與證交稅 0.3%。

| 檢查   | 標準                                                   | 結果                                   |
| ---- | ---------------------------------------------------- | ------------------------------------ |
| 鄰近參數 | 短期動能回看天數（3、5、7 日）乘上持股檔數（15、20、25 檔），9 組至少 7 組贏       | 9／9 組贏，**通過**                        |
| 前後兩段 | 2015-02-11 到 2020-12-21、2020-12-21 到 2026-10-29 兩段都贏 | 前段 1.39 對 0.88，後段 1.40 對 1.24，**通過** |
| 交易成本 | 原參數、`sim()` 預設成本                                     | 日夏普 1.39 對 1.07，**通過**               |

[![營收動能分散 20 檔鄰近參數 9 組日夏普熱圖：9 組都高於同期 0050 含息的 1.07，原參數日夏普 1.39](https://r2.finlab.finance/blog/cmoney-paper-trading-python-api/chart_validation_2026-10-30.png)](https://r2.finlab.finance/blog/cmoney-paper-trading-python-api/chart_validation_2026-10-30.png)

9 組參數的日夏普（括號內是年化報酬，粗體是本文參數）：

| 持股檔數 ＼ 動能回看天數 | 3 日            | 5 日                | 7 日            |
| ------------- | -------------- | ------------------ | -------------- |
| 25 檔          | 1.52（年化 41.5%） | 1.45（年化 39.4%）     | 1.42（年化 38.2%） |
| 20 檔          | 1.53（年化 43.8%） | **1.39（年化 39.2%）** | 1.41（年化 39.8%） |
| 15 檔          | 1.38（年化 40.3%） | 1.32（年化 39.0%）     | 1.40（年化 42.5%） |

前後兩段與全期：

| 期間                         |  策略年化 | 策略日夏普 | 0050 含息年化 | 0050 日夏普 |
| -------------------------- | ----: | ----: | --------: | -------: |
| 前段 2015-02-11 到 2020-12-21 | 35.0% |  1.39 |     13.4% |     0.88 |
| 後段 2020-12-21 到 2026-10-29 | 43.5% |  1.40 |     28.0% |     1.24 |
| 全期 2015-02-11 到 2026-10-29 | 39.2% |  1.39 |     20.5% |     1.07 |

交易成本對照（原參數）：

| 成本設定                            |    年化 |  日夏普 |   最大回撤 |
| ------------------------------- | ----: | ---: | -----: |
| 不扣成本                            | 48.6% | 1.64 | -30.0% |
| `sim()` 預設：手續費 0.1425%、證交稅 0.3% | 39.2% | 1.39 | -37.9% |
| 0050 含息買進持有（同期）                 | 20.5% | 1.07 | -34.0% |

三項都通過。9 組的日夏普在 1.32 到 1.53 之間，都高於同期 0050 含息的 1.07；前後兩段各自都贏，後段（2020 年 12 月以後）的差距縮小到 1.40 對 1.24。風險要一起看：全期最大回撤 -37.9%，比 0050 的 -34.0% 深，前面講的長時間水下也照樣會發生。同一組選股邏輯（5 日動能、站上 20／60／120 日均線、近 3 個月營收高於近 12 個月）在策略庫已有[10 檔集中版](https://finlab.finance/strategies/monthly-revenue-momentum)與[前 40 檔分散版](https://finlab.finance/strategies/risk-of-diversification)，每天用最新資料更新績效；本文的 20 檔版持股數夾在兩者之間，另外多了 20 日均量 500 張的流動性條件（40 檔版也有、10 檔版沒有），不另開策略頁。

## 常見問題

**Q1：CMoney 大富翁模擬交易免費嗎？** 基本的模擬帳戶免費，註冊後即可使用。用 Facebook 登入的話要另外設定密碼，Python 才能登入。

**Q2：模擬交易要跑多久才有參考價值？** 以本文數據為準，模擬一個月有 33.9% 的機率得到與策略長期表現相反的結論，建議至少三到六個月，並涵蓋一次完整換股循環與一次回檔。

**Q3：Paper Trading 跟回測哪個重要？** 回測驗證規則本身，模擬驗證你執行規則的能力。策略沒經過回測就模擬，等於用三個月的樣本判斷一套規則，樣本數遠遠不夠；只有回測沒有模擬，則容易在第一次連續虧損時放棄。

**Q4：模擬帳戶賺錢，真實帳戶就會賺錢嗎？** 不一定。模擬不含衝擊成本與真實心理壓力，兩者的差距在資金規模大、標的流動性差時特別明顯。

**Q5：可以用其他券商的模擬帳戶嗎？** 可以。永豐、玉山富果等券商都有模擬或實單 API，差別在申請流程與可用函式；本文的策略同步邏輯（取得當期持股名單 → 呼叫同步函式）不變。

**Q6：連續虧損幾個月該停掉策略？** 用固定月數當停損門檻並不可靠。本文策略最長連續 4 個月收黑，但當年仍為正報酬。判定失效應該回到規則前提是否改變，或是用[回測績效檢討](https://finlab.finance/blog/backtest-performance-review)的方法重跑最新資料。

**Q7：模擬交易需要自己寫程式嗎？** 不需要從零寫。策略部分可以直接跟 AI 助手描述條件，讓它用 finlab 產生程式碼；[選股策略工具頁](https://finlab.finance/tools/stock-selection)與[量化交易總覽](https://finlab.finance/tools/quant-trading)有更多可直接使用的範例。

## 互動式回測報告

下面是本文策略的完整回測報表，可以自行切換指標、拖曳時間軸，觀察每一段水下期間的長度：

[report strategy](https://r2.finlab.finance/blog/cmoney-paper-trading-python-api/report_strategy.html)

## 下載資源

| 檔案                                                                                       | 用途                     |
| ---------------------------------------------------------------------------------------- | ---------------------- |
| [strategy.py](https://finlab.finance/blog/cmoney-paper-trading-python-api/strategy.py)   | 策略、體感指標計算與模擬帳戶同步的完整程式碼 |
| [data.csv](https://finlab.finance/blog/cmoney-paper-trading-python-api/data.csv)         | 策略與 0050 含息的逐日淨值與水下曲線  |
| [metrics.json](https://finlab.finance/blog/cmoney-paper-trading-python-api/metrics.json) | 全部回測與體感指標的機器可讀版本       |

重跑方式：安裝 finlab 套件後直接執行 `strategy.py`（第一次執行會自動引導登入），或把檔案內容貼給你的 AI 助手，請它換成你自己的選股條件再跑一次。

## 延伸閱讀

* [月營收動能選股：台股 11 年回測與參數拆解](https://finlab.finance/blog/monthly-revenue-momentum)（該文同一變體回測到 2026-06，本文釘在 2026-07-24、含 7 月 -18.0% 的月報酬，因此年化數字略低）
* [程式交易是什麼？完整入門指南](https://finlab.finance/tools/program-trading)
* [低波動選股有效嗎？純低波輸 0050 的台股實測](https://finlab.finance/blog/low-volatility-strategy)
* [FinLab 與 CMoney 的功能比較](https://finlab.finance/vs/cmoney)

***

*投資警語：本文僅供教學參考，不構成投資建議。投資有風險，過去績效不代表未來表現。模擬交易的結果不代表真實交易績效，讀者應自行評估風險承受度，並在做出投資決策前諮詢專業顧問。*

最後更新：2026-07｜回測區間：2015-02-11～2026-07-24｜作者：FinLab 量化研究團隊（經量化研究員審閱）

![韓承佑](https://finlab.finance/people/cheng-yu-han-avatar.jpg)

韓承佑

創辦人 & 量化研究員

韓承佑是 FinLab 創辦人，也是開源 Python 量化套件 finlab 的作者，長年投入台股與美股的量化策略研究、回測與教學。

[在 GitHub 上追蹤 →](https://github.com/koreal6803) [在 LinkedIn 上連結 →](https://www.linkedin.com/in/cheng-yu-han/)

FinLab AI

### 想建立自己的策略？

用自然語言描述你的選股想法，AI 自動驗證、回測、給你答案

[免費開始](https://finlab.finance/#get-started)

## 更多風險與資產配置研究

[查看全部](https://finlab.finance/blog/category/risk)

* [![客製化流動性風險檢測：你的台股策略真的能實戰嗎？](https://r2.finlab.finance/blog/customized_liquidityanalysis/liq-analysis.png) 客製化流動性風險檢測：你的台股策略真的能實戰嗎？ 年化報酬 47.0% · 台股](https://finlab.finance/blog/liquidity-risk-analysis-backtest)
* [![資產配置實戰：年報酬 40%、回撤 -13.75% 的策略組合方法](https://r2.finlab.finance/blog/portfolio_optimization/27.png) 資產配置實戰：年報酬 40%、回撤 -13.75% 的策略組合方法 年化報酬 40.0% · 台股](https://finlab.finance/blog/asset-allocation-40-percent-portfolio)
* [![分散風險不是越多越好：分散投資如何攤薄你的超額報酬](https://r2.finlab.finance/blog/risk-of-diversification/chart_dilution_wall.png) 分散風險不是越多越好：分散投資如何攤薄你的超額報酬 年化報酬 36.6% · 台股](https://finlab.finance/blog/risk-of-diversification)
* [![小型股效應：散戶優勢的殘酷真相](https://r2.finlab.finance/blog/small-cap-effect/chart_market_cap_returns.png) 小型股效應：散戶優勢的殘酷真相 年化報酬 34.9% · 台股](https://finlab.finance/blog/small-cap-effect)

來源：https://finlab.finance/blog/cmoney-paper-trading-python-api｜資料日期：2015-02-11 ~ 2026-07-24｜頁面更新：2026-10-30
