台股因子選股總綱：三因子分析、IC、Rank IC 到多因子回測

封面圖片

台股因子選股總綱：先檢查因子，再合成策略

因子選股的核心是先問每個條件有沒有預測力、是否和其他條件重複、在不同市況會不會失效，再決定要不要把條件疊成策略。本文用三個常見因子（市值、營收動能、價格動能）示範完整檢查流程：先拆成單一因子，檢查 Factor Return、Centrality、Shapley、IC 與趨勢，再決定要不要合成策略。

如果你要的是完整選股方法地圖，先讀 股票選股教學；如果你已經有幾個指標，本文負責回答「怎麼判斷這些因子是否值得放進策略」。想用 AI 自動產生候選因子，可以延伸到 AI 因子挖掘，但仍應回到本文的 IC 與貢獻度檢查。

很多選股策略的起點都很直覺：螢幕上跳出一檔飆股，心裡覺得「它會漲」。直覺可能有價值，但不能直接變成策略。比較穩的做法，是把靈感拆成可驗證的因子，把「為什麼漲」說清楚，再用資料檢查它是否真的對未來報酬有幫助。

真正的難點是流程：資料要對齊、標籤要定義清楚、不同頻率不能偷看未來，最後還要知道因子之間是否重複。FinLab 把這些步驟包成一致的資料與分析工具，讓研究者把時間放在判斷因子，減少手工清資料的負擔。

因子分析和一般做法，哪裡不一樣？

一般做法：先選幾個看起來厲害的指標，湊一套回測；結果好就覺得是神功，結果差就再換一套。

我們的做法：先把策略拆解，再逐一檢驗每個因子的線索：它帶來的超額報酬是多少？在什麼狀態下有效？會不會太擁擠（大家都在用）？彼此相關性高不高？

沒有 Finlab 我們得自己處理：資料下載、清洗、對齊、換股對齊、月/季頻率對接… 一個環節錯了，結果就不可信。

有了 finlab，我們可用一致頻率的資料集與安全的 resample 邏輯，把時間對齊、避免偷看未來；剩下的，就是認真跟資料搏鬥。

我們的範例策略：

三個最基本、卻常被忽略「為什麼」的因子：市值、營收動能、價格動能。

• 為什麼要小市值？因為小市值在資訊修正與資金挹注時，彈性常常更大。
• 為什麼看營收加速？因為是最扎實的推力。
• 為什麼要動能？因為市場的從眾與慣性，往往延長趨勢。

from finlab import data, backtest
 
marketcap = data.get('etl:market_value')
revenue   = data.get('monthly_revenue:當月營收')
close     = data.get('price:收盤價')
 
cond_smallcap = marketcap.rank(pct=True, axis=1) < 0.3
cond_revgro   = (revenue.average(3) / revenue.average(12)).rank(pct=True, axis=1) > 0.7
cond_momentum = (close / close.shift(20)).rank(pct=True, axis=1) > 0.7
 
pos = cond_smallcap & cond_revgro & cond_momentum
report = backtest.sim(pos, resample='ME', upload=False)
report.display()

**為什麼要用 rank？**比較的是「相對位置」，而不是絕對數值。

回測結果

把策略拆成可驗證的語言：特徵 & 標籤

先定義我們「到底要預測什麼」：未來一段時間的超額報酬（相對市場平均）。這是策略的真目標，而不是單看漲跌。

from finlab import data
import finlab.ml.feature as feature
import finlab.ml.label as label
 
features = feature.combine({
    'marketcap' : cond_smallcap,
    'revenue'   : cond_revgro,
    'momentum'  : cond_momentum
}, resample='ME')
 
labels = label.excess_over_mean(index=features.index, resample='ME')

為什麼用超額報酬？ 因為我們將焦點從「追隨市場」轉向「超越對手」。我們比較的是相對於競爭者的反應速度，而非大盤的絕對速度。

VIP 區域接著會把 3 因子拆成因子報酬、集中度、Shapley、IC 與趨勢五件套，讓你看到每個因子是否真的貢獻超額報酬。