Codex 重構 finlab 台股量化回測：兩輪迭代把回撤從 -53% 收到 -30%

把一支寫得很粗的台股動能策略交給 OpenAI Codex，迭代兩輪會走到哪裡？我們做了一個完整實驗：先用最直覺的寫法做一支「多週期動能、等權買前 20 名」的策略，naive 版本年化 16.2%、最大回撤吃到 -53.0%。第一輪請 Codex 重構工程：向量化、抽參數、加成本壓力測試與前視檢查，並補上「低波排名 + 收盤站上 200 日均線」兩道控制，回撤收到 -35.7%，但年化、日夏普、月索提諾、最大回撤四項主要指標仍然全輸 0050 含息。第二輪把這個結論原樣丟回給 Codex，請它從設計層再改一次，得到「多週期動能＋ROE 品質＋雙倍低波＋波動率倒數加權」的推薦版：年化 18.4%、最大回撤 -30.2%、年化波動 16.0%，最大回撤與年化波動兩項優於 0050 含息。

侷限也要一開始就講清楚：兩輪迭代之後，這支策略的年化報酬（18.4% 對 25.0%）與日夏普（1.18 對 1.22）仍然輸給被動持有的 0050 含息。它換到的是被動持有給不到的東西：更淺的最大回撤（-30.2% 對 -34.0%）與明顯更低的年化波動（16.0% 對 20.8%）。2022 年空頭 0050 從高點跌掉 34.0% 的同一天，這支策略只回落 14.7%。

年化波動：日報酬標準差換算成年的波動幅度，數字越低，淨值曲線越平穩。

口徑：2018-01 到 2026-06-09，三支策略含 finlab 預設交易成本，0050 為還原價含息買進持有，純指數算術不扣成本（詳見文末回測方法）。第二輪推薦版贏 0050 的是最大回撤（-30.2% 對 -34.0%）與年化波動（16.0% 對 20.8%）兩項；年化報酬、日夏普與月索提諾仍然落後。換句話說，這支策略適合把「跌得淺、走得穩」看得比「賺得多」重的人，追求絕對報酬的人直接買 0050 更簡單。

整個過程你不需要自己重構程式：把粗略的策略邏輯、既有程式碼、以及「要贏過 0050 哪幾項」的目標用中文描述給 Codex，由它負責向量化、抽參數、加壓力測試、查前視、跑設計變體，數據則由 finlab 套件實跑。下面公開招牌提示詞、兩輪迭代的核心程式碼、全部設計變體的實跑數據，以及可下載的完整重現腳本。

Codex 是什麼？它強在程式工程，不是預測股價

OpenAI Codex 是 OpenAI 推出的程式工程代理，有命令列版（Codex CLI）與桌面版（Codex app）。它的強項是「把程式碼寫對、寫乾淨」這件事：重構雜亂的腳本、把迴圈向量化成 pandas 運算、依 AGENTS.md 規格約束行為、用 work-tree 並行嘗試多個版本、做 code review，以及揪出量化研究裡最常見的兩個地雷：前視偏差（look-ahead）與被低估的交易成本。

這正好對上量化回測的痛點。一支策略寫不對，數字再漂亮都是假的：因子用了當下還拿不到的財報、成本沒扣足、迴圈寫錯一格，回測就會虛高。Codex 不會幫你預測明天哪支股票漲，但它會幫你確認「這個回測的數字是不是真的算對了」。想先補齊量化研究的整體脈絡，可以讀量化交易完整指南再回來看實作；想理解回測本身在驗證什麼，回測是什麼有完整說明。

把 Codex 用在 finlab 台股回測上，和把它當聊天機器人問「給我一支會賺的策略」是兩回事：

最後一列是 Codex 在量化研究裡最被低估的價值。多數人做回測栽在未來函數而不自知，因為錯誤藏在資料對齊的細節裡；請 Codex 專門掃一遍，比自己肉眼讀程式可靠得多。

把 FinLab 裝進 Codex：一份 SKILL.md，到處能用

要讓 Codex 能讀台股資料、跑含成本的回測，先給它 FinLab 的能力。FinLab Skill 是一份 SKILL.md，同一份能裝進 Codex CLI、Claude Code、Cursor、Pi、Hermes 等支援 Agent Skills 的工具，裝一次到處能用。安裝指令所有工具通用：

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

如果你還在用網頁版 ChatGPT，建議改用 Codex app 的桌面版，它能實際執行程式、跑回測、把結果交給你驗證，網頁聊天做不到這些。完全不想安裝任何東西，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。設定流程用下面這句話帶 Codex 一步完成：

首次取資料時，finlab 套件會自動引導你登入，照套件指示操作即可，程式裡只要寫 finlab.login() 不帶參數。想看更完整的 AI 代理量化流程，AI 量化交易實戰指南用三段對話示範了從篩選法到排名法的演進。

起點：一支粗略的多週期動能策略

先看我們交給 Codex 的原始策略。它的想法很單純：股價在過去 60 天、120 天、240 天三個週期都漲得多的股票，動能強，每月選這類股票的前 20 名等權買入。這是教科書級的橫斷面動能，Jegadeesh & Titman (1993) 早就證明過去數月的贏家股票在後續數月平均會持續跑贏輸家，動能因子也成為實證金融最廣被複製的異常報酬之一。

問題不在因子本身，而在這支策略只有「進攻」沒有「防守」。多頭時它跟著動能衝得很順，但 2020 年疫情急殺與 2022 年升息修正這兩段，動能因子整批回吐，naive 版本的最大回撤吃到 -53.0%，幾乎腰斬。年化 16.2% 也低於同期被動持有 0050 含息的 25.0%，承受了更深的回撤卻沒有換到更高的報酬。

回撤的形狀比一個數字更說明問題。把 naive 版本與兩輪迭代版本、0050 的回撤曲線疊在一起看，naive 那條線幾乎全程壓在最下方：2020 年 3 月 19 日探到 -53.0%（同日第一輪重構版 -35.7%、第二輪推薦版 -30.2%、0050 -28.2%），2022 年 7 月又再探 -46.2%。2022 年全年最深回撤的對照更懸殊：0050 -34.0%、第一輪 -33.2%，第二輪推薦版只有 -14.7%：

第一輪迭代：把粗略策略交給 Codex 重構

我們把這支 naive 策略連同它的問題，整段交給 Codex，請它重構成一個乾淨、可重跑、含成本壓力與前視檢查的模組，全程不自己動手改程式。第一段提示詞如下，可以直接複製：

這是一支多週期動能的 finlab 策略，請幫我重構成可重跑的模組：
向量化、把參數（動能週期、持股數、權重）抽成設定，
加上手續費與證交稅加倍的壓力測試，
並印出每個版本的夏普與最大回撤。
我擔心它在大跌時回撤太深，請評估能不能加上控制下檔風險的濾網。

💬 你對 Codex 說：

這是一支多週期動能的 finlab 策略，請幫我重構成可重跑的模組：向量化、把參數抽成設定、加上手續費與證交稅加倍的壓力測試，並印出每個版本的夏普與最大回撤。它在 2020、2022 大跌時回撤接近腰斬，有沒有辦法在不大改報酬的前提下把回撤收斂？

🤖 Codex 回覆：

已重構成參數化模組，並跑了三個版本對照。原始多週期動能在全段是年化 16.2%、最大回撤 -53.0%。回撤集中在 2020、2022 兩段系統性下跌，純動能在這種環境保護不了你。我加了兩道控制：

• 趨勢過濾：只持有收盤價站上 200 日均線的股票，市場結構轉空時自動減少曝險。
• 低波排名：在動能分數之外，把「過去 60 日報酬波動度低」也納入綜合分數，避免一路追進最瘋狂、最容易反轉的標的。

重構後年化 17.1%、最大回撤收斂到 -35.7%，月索提諾從 1.25 升到 1.54。另外要提醒兩件事：第一，手續費與證交稅加倍的壓力測試下，年化從 17.1% 掉到 11.9%，這支策略每月換股、周轉偏高，對交易成本相當敏感，實單的手續費折讓與下單方式會實質影響績效；第二，它在年化與日夏普上仍輸給被動持有的 0050，改善主要在下檔風險。

這就是 Codex 的工程價值具體長什麼樣子。它沒有承諾更高的報酬，而是先把問題定位在「回撤集中在兩段系統性下跌」，再對症下藥補了兩道有學理依據的控制：趨勢過濾對應 Moskowitz, Ooi & Pedersen (2012) 的時間序列動能與趨勢過濾（用自身價格趨勢決定曝險，能壓低空頭段的回撤），低波控制對應 Ang, Hodrick, Xing & Zhang (2006) 記錄的低波動異常（高特異波動股票的後續報酬反而偏低）。

Codex 重構後的核心程式碼如下。它把原本糊在一起的邏輯拆成「載入資料 → 趨勢與流動性過濾 → 算多週期動能與低波 → 排名加權 → 回測」幾段，每一段都能對應到上面的對話：

import finlab
from finlab import data
from finlab.backtest import sim
 
finlab.login()
 
# 1) 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")
 
# 2) 流動性過濾 + 趨勢過濾(只在多頭結構中持有)
amount = (close * volume).rolling(20).mean()
moving_average_200 = close.rolling(200).mean()
tradable = (amount > 10_000_000) & close.notna() & (close > moving_average_200)
 
# 3) 多週期動能(短中長)+ 低波控制
momentum_short = close.pct_change(60)
momentum_mid = close.pct_change(120)
momentum_long = close.pct_change(240)
volatility = close.pct_change().rolling(60).std()
 
rank_short = momentum_short.where(tradable).rank(axis=1, pct=True)
rank_mid = momentum_mid.where(tradable).rank(axis=1, pct=True)
rank_long = momentum_long.where(tradable).rank(axis=1, pct=True)
rank_low_vol = volatility.where(tradable).rank(axis=1, pct=True, ascending=False)
score = rank_short + rank_mid + rank_long + rank_low_vol
 
# 4) 取前 20 名,分數平方加權,每月再平衡
top20 = score.rank(axis=1, ascending=False) <= 20
weight = (score[top20].fillna(0)) ** 2
weight = weight.div(weight.sum(axis=1), axis=0)
 
report = sim(weight, resample="M", name="多週期動能低波控制")
report.display()

值得注意的兩個工程細節。第一，tradable 同時把流動性、可交易與 200 日均線濾網寫進一個布林矩陣，後面所有排名都先 .where(tradable)，確保不在條件外的股票被排進來；這種把過濾前置的寫法，是 Codex 重構時最常做的整理。第二，低波那行用 ascending=False 讓「波動越低排名越高」，方向一旦寫反，整個策略就會去追最瘋狂的股票，這也是人工容易看走眼、適合交給代理檢查的地方。

第一輪重構後的年化報酬 17.1%（總報酬 +274%），naive 版本 16.2%（+251%），0050 含息 +559%。工程問題解決了，但把它與 0050 放進同一張對照表，年化、日夏普、月索提諾、最大回撤四項主要指標還是全輸。這個結論成了第二輪迭代的起點；在改設計之前，還有一道必要的檢查：確認這個回測本身沒有作弊。

第二段提示詞：請 Codex 檢查前視偏差

策略寫得乾淨還不夠，量化回測最致命的錯誤是用到「當下還拿不到」的資料，讓回測虛高、實單卻重現不了。這類錯誤藏在資料對齊的細節裡，肉眼很難掃乾淨，正是 Codex 的守備範圍。第二段招牌提示詞專門做這件事：

幫我檢查這段 finlab 回測有沒有用到未來資料（look-ahead）：
每個因子是不是用「當下可得」的資料、財報有沒有對齊公布日。
請逐個因子列出它依賴的欄位、資料頻率，以及在每個再平衡日是否已經可得。

🤖 Codex 回覆（節錄）：

逐因子檢查結果如下：

• 三個動能因子（60/120/240 日報酬）：只用 price:收盤價 的過去報酬，每個再平衡日都是已實現的歷史價格，沒有用到未來資料。
• 低波因子：用過去 60 日報酬的滾動標準差，同樣只依賴歷史價格，安全。
• 200 日均線：close.rolling(200).mean() 是落後指標，當日均線只用到當日與之前的收盤，沒有前視問題。
• 流動性過濾：近 20 日成交金額滾動平均，落後，安全。

這支策略全部因子都只用價量資料，沒有牽涉季財報或月營收，所以不存在「財報公布日對齊」的風險。如果之後要加入基本面因子，務必對季財報用 index_str_to_date() 對齊公布時點、月營收 ffill 到日頻，否則就會用到當下還沒公布的數字。

這一輪檢查的結論是這支策略乾淨，但更重要的是它示範了「該怎麼查」。純價量策略的前視風險低，真正容易出事的是混入財報的策略；想看財報與月營收因子怎麼對齊公布日才不會作弊，AI 選股提示詞與真實回測裡有完整的對齊做法可參考。

第三段提示詞：把「贏過 0050」訂成第二輪迭代的目標

第一輪重構把策略寫對了，也把它「四項主要指標全輸 0050」的事實攤開了。第二輪迭代的提示詞就從這個事實出發，把目標與界線都講明白：

這一版四項主要指標全輸給 0050 含息（年化 17.1% 對 25.0%、日夏普 0.83 對 1.22、
月索提諾 1.54 對 1.92、最大回撤 -35.7% 對 -34.0%）。
請從設計層改進，不要調參數硬湊：可以考慮把低波因子的權重加大、
改用波動率倒數決定持股權重、加入獲利品質因子。
每一個試過的設計都要完整回報指標，不要只給我最好的那一個。

🤖 Codex 回覆（節錄）：

我實跑了五個設計變體，視窗與成本設定不變，全部結果如下：

設計	年化報酬	日夏普	月索提諾	年化波動	最大回撤
A 低波權重加倍	15.9%	1.02	1.76	16.4%	-28.9%
B 改波動率倒數加權	17.1%	0.88	1.71	21.1%	-33.8%
C 加 ROE 品質（低波權重不變）	21.8%	0.90	1.70	26.8%	-49.4%
D 品質＋雙倍低波＋波動率倒數加權（採用）	18.4%	1.18	1.84	16.0%	-30.2%
E 同 D，持股放寬到前 30	18.6%	1.22	1.76	15.5%	-29.7%

建議採用 D，它把三個改動疊在一起：ROE 品質因子拉高報酬、低波權重加倍看住品質因子帶進來的波動、波動率倒數加權讓資金自然偏向平穩的持股。C 是最好的反面教材：只加品質因子而不同步加強低波控制，報酬雖然升到 21.8%，最大回撤卻惡化到 -49.4%，幾乎退回 naive 版的水準。E 的日夏普 1.22 與 0050 打平，但持股 30 檔的操作負擔更高，換到的改善不多。另外，ROE 是季頻財報資料，我已依公布時點對齊後才向後填值到日頻，就是上一輪前視檢查裡提醒過的做法。

五個變體全部列出來，是為了讓「為什麼選 D」有依據可查：A 證明單靠加重低波會犧牲太多報酬，B 證明只改加權方式力道不夠，C 證明品質因子單獨上陣會放大回撤，D 是三個改動互相補位的結果。獲利品質因子的學理依據來自 Novy-Marx (2013) 記錄的獲利能力溢酬：獲利能力較高的公司，後續平均報酬也較高。他用的指標是毛利對資產比，本文以 ROE 作為獲利品質的替代衡量，方向一致但非同一口徑。

第二輪推薦版的核心程式碼如下，與第一輪的差異集中在三行：ROE 排名加入綜合分數、低波排名乘以 2、持股權重改用波動率倒數：

import finlab
from finlab import data
from finlab.backtest import sim
 
finlab.login()
 
# 1) 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")
# ROE 是季頻財報，先對齊公布日再向後填值，避免用到還沒公布的數字
roe = data.get("fundamental_features:ROE稅後").index_str_to_date()
roe = roe.reindex(close.index, method="ffill")
 
# 2) 流動性過濾 + 趨勢過濾（只在多頭結構中持有）
amount = (close * volume).rolling(20).mean()
moving_average_200 = close.rolling(200).mean()
liquid = (amount > 10_000_000) & close.notna()
tradable = liquid & (close > moving_average_200)
 
# 3) 因子：多週期動能 + 低波動（權重加倍） + ROE 獲利品質
momentum_short = close.pct_change(60)
momentum_mid = close.pct_change(120)
momentum_long = close.pct_change(240)
volatility = close.pct_change().rolling(60).std()
 
rank_short = momentum_short.where(liquid).rank(axis=1, pct=True)
rank_mid = momentum_mid.where(liquid).rank(axis=1, pct=True)
rank_long = momentum_long.where(liquid).rank(axis=1, pct=True)
rank_low_vol = volatility.where(liquid).rank(axis=1, pct=True, ascending=False)
rank_quality = roe.where(liquid).rank(axis=1, pct=True)
 
score = rank_short + rank_mid + rank_long + 2 * rank_low_vol + rank_quality
 
# 4) 取前 20 名，改用波動率倒數加權，每月再平衡
top20 = score.where(tradable).rank(axis=1, ascending=False) <= 20
weight = (1 / volatility).where(top20, 0)
weight = weight.div(weight.sum(axis=1), axis=0)
 
report = sim(weight, resample="M", name="多週期動能+品質+雙倍低波")
report.display()

第二輪推薦版全段年化報酬 18.4%（總報酬 +311%）、最大回撤 -30.2%、年化波動 16.0%、月索提諾 1.84。對照 0050 含息的 -34.0% 與 20.8%，這一版在最大回撤與年化波動兩項優於被動持有；年化報酬（18.4% 對 25.0%）、日夏普（1.18 對 1.22）與月索提諾（1.84 對 1.92）仍然落後。完整互動式回測報告可以直接在這裡操作：

把四個版本的風險報酬放在同一張圖上，兩輪迭代各自的貢獻就分開了：第一輪把 naive 的極端回撤收掉，第二輪才把回撤與波動壓到 0050 之下：

兩段空頭的表現並不對稱。推薦版的最大回撤 -30.2% 發生在 2020 年 3 月疫情急殺（同日 0050 -28.2%），那是一場所有股票一起跌的流動性危機，趨勢過濾來不及反應；低波與趨勢控制真正發揮的是 2022 年那種歷時一年的緩跌空頭，0050 全年最深 -34.0%，推薦版只有 -14.7%。

第四段提示詞：持股數敏感度掃描

前 20 名是個拍腦袋訂的數字，會不會剛好挑到一個漂亮參數？第四段提示詞請 Codex 把推薦版的持股數掃一遍，證明結論對它不敏感：

把推薦版的持股數 15、20、30 三種設定做敏感度掃描，
輸出一張對照表（CAGR、日夏普、月索提諾、年化波動、最大回撤），
其他設定維持不變。

Codex 真跑了三組，結果如下：

三組的年化報酬落在 17.2% 到 18.6% 之間，月索提諾在 1.76 到 1.87 之間，最大回撤都在 -30% 上下。更重要的是，三組的最大回撤與年化波動全部低於 0050 含息的 -34.0% 與 20.8%，代表「回撤與波動優於 0050」這個核心結論不是靠剛好挑到前 20 這個數字撐出來的。本文採用前 20 是取報酬與集中度的折衷；前 30 的日夏普 1.22 與 0050 打平、波動最低，偏好更分散的讀者可以自行改參數重跑。敏感度掃描的正確用法是確認結論穩健，不是回頭挑數字最漂亮的那一格。

回測方法與限制

這些數字是怎麼算出來的，逐項交代：

兩輪迭代之後：贏在回撤與波動，輸在報酬與夏普

把帳算清楚。在本文設定、2018–2026 這段期間，第二輪推薦版對 0050 含息的勝負是：最大回撤贏（-30.2% 對 -34.0%）、年化波動贏（16.0% 對 20.8%）；年化報酬輸（18.4% 對 25.0%）、日夏普輸（1.18 對 1.22）、月索提諾輸（1.84 對 1.92）。後三項的差距比第一輪（0.83 對 1.22）小了很多，但沒有翻盤。

這個帳本身就是有用的資訊。第一輪證明工程紀律能把 -53.0% 的極端回撤收掉，卻改不了「全面落後被動持有」的格局；第二輪證明設計層的改動（品質因子、低波權重、加權方式）能換到兩項真實的優勢，代價是報酬上限仍然被防守型持股壓著。要不要用這支策略，取決於你怎麼定價「跌得淺、走得穩」：願意用 -34% 回撤換 25% 年化的人，0050 仍是更好的答案；曾經在大跌時砍在低點的人，2022 年空頭裡 -14.7% 對 -34.0% 的回撤差異可能比帳面報酬更值錢。想看單因子在台股普遍跑不贏 0050、要靠分散的多因子才有機會的更完整實測，多因子選股能不能贏 0050有另一組獨立驗證。

適合誰、不適合誰

適合： 已經有一支「能跑但寫得粗」的 finlab 策略，想把它整理成可重跑、可維護、無前視偏差的模組；或想替既有策略加上回撤控制與成本壓力測試，但不確定濾網該怎麼寫、寫得對不對。Codex 在「重構與檢查既有程式碼」這件事上最強。

不適合： 期待把策略丟給 Codex 就生出一支穩贏大盤的策略。Codex 不會憑空變出 alpha，市場上原本不存在的超額報酬，它也生不出來。它能保證的是「你的回測算對了」，不是「你的策略會賺」。

和一般看盤、下單軟體的差別也在這裡：那類工具偏條件篩選與即時報價，回測能力有限、也很難客製成本與前視檢查；用 Codex 加 finlab 的組合，你能用中文描述需求，由代理產生可驗證、可下載、含台股交易成本的回測程式。市面上六種主流台股回測軟體的完整比較，見台股回測工具怎麼選。判斷一篇 AI 量化內容可不可信，可參考AI 量化交易詐騙怎麼辨識裡的檢查點。

常見問題

Codex 和 ChatGPT 網頁版做量化回測差在哪？

差在「能不能實際執行程式」。ChatGPT 網頁版只能用語言生成看似合理的程式碼或數字，無法跑回測、也無法驗證；Codex（CLI 或 app）是程式工程代理，能實際執行你的 finlab 腳本、跑出含成本的回測、把程式碼與結果交給你重跑對照。做量化研究務必用能執行的版本，否則拿到的可能是憑記憶生成的假數字。

Codex 真的能找出回測裡的未來函數嗎？

能，但前提是你要它做。前視偏差通常藏在資料對齊的細節：用了當下還沒公布的財報、因子計算窗口框到未來。請 Codex 逐因子列出依賴的欄位、資料頻率、以及在每個再平衡日是否已可得，比自己肉眼讀程式可靠得多。本文第一輪的純價量因子經檢查無未來函數；第二輪加入的 ROE 屬季頻財報，用 index_str_to_date() 對齊公布時點後才進因子，混入財報或月營收的策略最需要這道檢查。

策略年化還是輸 0050，為什麼值得用？

因為它提供被動持有拿不到的兩樣東西：最大回撤 -30.2% 淺於 0050 的 -34.0%，年化波動 16.0% 低於 0050 的 20.8%，2022 年空頭全年最深只回落 14.7%（0050 -34.0%）。回撤深的部位多數人撐不過第一次大跌就砍在低點，反而拿不到帳面上的年化報酬；淨值曲線越平穩，紀律越容易維持。反過來說，若你確定自己能忍受 -34% 的回撤，直接買 0050 的 25.0% 年化更簡單，這也是本文據實列出所有輸掉指標的原因。

第二輪迭代會不會只是過擬合？

風險存在，但有幾道防線可以檢查。第一，兩輪改動都在設計層（加因子、改加權方式），提示詞明確要求不做參數搜尋；第二，五個設計變體全部公開實跑結果，包含表現最差的 C（回撤 -49.4%），不是只呈現最好的那個；第三，持股數 15、20、30 三組的回撤與波動全部優於 0050，核心結論對參數不敏感。即便如此，全段仍是樣本內回測，過擬合風險無法完全排除，我們每季會用新資料重跑並據實更新。

不會寫 Python 也能用 Codex 重構策略嗎？

可以。你用中文描述需求（向量化、抽參數、加壓力測試、查前視偏差），程式由 Codex 產生。不過看得懂基本程式對你有利，因為你能檢查它有沒有把濾網方向寫反、成本有沒有扣。想補底子，Python 量化交易教學會帶你從設定一路到第一個台股回測。

Codex 重構後的策略可以馬上拿去下單嗎？

不建議。本文是全段樣本內回測，推薦版最大回撤 -30.2% 代表 100 萬可能一度縮水至約 70 萬。比較穩健的順序是：回測驗證、用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。把研究結果直接接券商 API 前，還要處理部位控管、錯單保護與盤中流動性，這些不是回測報酬率能回答的問題。延伸閱讀程式交易是什麼。

這支策略未來還會有效嗎？

沒有人能保證。本文是 8.4 年的全段樣本內回測，歷史優勢可能因市場結構改變或因子擁擠而衰減。我們能做的是每季用新資料重跑、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。

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，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配置；持股由動能、低波與品質排名篩出，其中不乏中小型股，資金規模大到單筆買賣影響股價時，回測與實單的差距會擴大。

下載與重現

• strategy.py：第二輪推薦版的完整策略原始碼，可直接執行取得最新選股清單
• data.csv：0050 與 naive、第一輪、第二輪推薦版四條淨值曲線的每日數據
• metrics.json：全部指標的機器可讀快照，含五個設計變體與成本加倍壓力測試
• 互動式回測報告：第二輪推薦版完整報告

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（第二輪推薦版年化 18.4%、最大回撤 -30.2%，第一輪 -35.7%，naive 版 -53.0% 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；過去績效不代表未來表現。本策略最大回撤約三成，代表 100 萬可能一度縮水至約 70 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）