Hermes Agent + finlab 安裝指南：模型選擇與本機雲端比較

用 Hermes Agent 跑 finlab，最常卡住的其實是環境選擇：Hermes 要怎麼裝、模型要選雲端還是本機、排程要放在自己的電腦還是 VPS、第一次取台股資料時要設定哪些東西。本文把上手流程放在最前面，再用一支「月營收成長動能三因子」策略當範例，示範 Hermes 每月台股營收公布後自動重跑、跟上月比對、把衰退寫進記憶。

策略範例的實測結果也放在同一篇：配合 walk-forward（研究段對樣本外）驗證，全段（2018-01 到 2026-06）年化報酬（CAGR）30.2%、月索提諾 2.13，樣本外段（2022 之後）年化 39.2%。這些數字用來說明 Hermes 接上 finlab 後能維護什麼，不是叫你跳過安裝與風險設定直接實單。

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、2018–2026 這段期間，三因子策略的年化與月索提諾贏過 0050，但它的日夏普 1.04 低於 0050 的 1.22、最大回撤 -48.0% 比 0050 的 -34.0% 深 14 個百分點。它用更大波動換取更高絕對報酬與下檔風險調整後表現，風險不低。再看中間那欄：同樣三因子，硬加上「大盤 200 日均線擇時」當作風險濾網，年化反而掉到 20.4%、月索提諾掉到 1.51，連策略本身都不如。粗糙的大盤擇時被行情洗來洗去的代價，後面會用真數據拆解。

5 分鐘安裝路徑：Hermes、模型、finlab skill

Hermes 的官方安裝分兩條路。想要少碰命令列，用 macOS／Windows 的 Hermes Desktop installer；想跑在終端機、VPS 或 WSL2，用官方 shell installer。安裝器會處理 Python、Node.js、ripgrep、ffmpeg 等依賴，你主要要確認系統有 Git。

macOS、Linux、WSL2：

curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
source ~/.zshrc
hermes

Windows PowerShell：

iex (irm https://hermes-agent.nousresearch.com/install.ps1)

Hermes 能跑起來後，設定模型。官方最快路徑是：

hermes setup --portal

這個流程會開瀏覽器登入 Nous Portal、選模型，並把 web search、browser、語音與圖片等工具接好。已經有 OpenRouter、Anthropic、OpenAI-compatible endpoint 或本地模型的人，也可以用互動選單切換：

hermes model
hermes config check

接著裝 FinLab 的 AI skill。這一份 SKILL.md 是讓 Hermes 知道怎麼抓台股資料、怎麼用 finlab 回測、怎麼避免常見前視偏差的能力包：

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

最後把 setup 提示詞交給 Hermes。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。

AI 模型怎麼選：工具調用能力優先

Hermes 可以接很多模型供應商：Nous Portal、OpenRouter、Anthropic、OpenAI、Google、DeepSeek、Qwen，也能接 Ollama、llama.cpp、vLLM、SGLang 這類自架 OpenAI-compatible endpoint。量化研究不是純聊天，模型要能穩定讀檔、寫程式、跑終端機、修錯、整理回測結果，所以選模型時要看工具調用與長上下文，不只看一般問答分數。

實務上可以這樣選：第一次設定選 Nous Portal 或一個強工具調用的雲端模型；等流程跑順，再把重複、低風險的批次實驗搬到本地模型。官方本地模型文件以 Qwen3.5-9B 作為 Apple Silicon 入門例子：量化後約 5GB 模型檔，8GB 以上 unified memory 可嘗試，但長上下文與工具迴圈仍會吃記憶體。想跑 27B、35B 以上模型，通常要 32GB 以上記憶體或獨立 GPU。

本機、VPS、雲端 GPU 怎麼選

做 FinLab 回測時，Hermes 本身不一定需要昂貴 GPU。真正吃資源的是「模型推論」與「你是否要 24 小時排程」。如果模型用雲端 API，Hermes 可以跑在普通筆電或小 VPS；如果模型也要自架，本機記憶體與 GPU 才變成主要成本。

如果只是每月重跑一支台股策略，最務實的配置是「小 VPS + 雲端強模型」或「自己的電腦 + 雲端強模型」。想把策略邏輯、對話、回測結果盡量留在本地，就改用本地模型，但要接受速度較慢與模型品質落差。要不要雲端，不取決於 finlab，而取決於你要 Hermes 在你離線時仍然工作到什麼程度。

初始設定檢查表：第一次跑 FinLab 前確認

Hermes Agent 是什麼？為什麼適合「養」一支量化策略

Hermes 是 Nous Research 開源的 AI Agent（MIT 授權），它和一般聊天機器人最大的差別有三點，剛好都對應「長期維護一支策略」的需求：

量化策略不是寫完就結束的一次性程式，它需要被「養」：每月有新營收、新股價，選股清單會換、績效會漂移，因子也可能擁擠失效。傳統做法是你手動每月開電腦重跑、自己記得上個月的結果、自己判斷有沒有衰退。Hermes 把這三件雜事自動化，等於替你的策略請了一個會記事、會定時、會累積經驗的研究助理。想先補齊量化交易的整體脈絡，可以讀量化交易完整指南；對 AI Agent 怎麼跑回測還沒概念，AI Agent 量化交易實戰有從零開始的三段對話示範；想比較 Hermes 與 Claude Code、Codex、Pi、龍蝦各自的強項與適用情境，見 AI Agent 量化交易工具比較。

策略本體：月營收成長動能三因子

策略的核心是三個低相關的因子，疊在一個「健康成長」的股票池上：

• 營收成長：台股強制公布月營收，這是全球少數的月頻基本面資料。我們取營收年增率的全市場百分位排名。
• 價格動能：用近 60 個交易日（約一季）報酬的全市場排名，捕捉市場已經在追的標的。
• 品質（ROE）：用稅後 ROE 的排名，避免買到「營收衝但賺不到錢」的公司。

健康成長池的定義是：營收年增介於 10% 到 200%（排除衰退股，也排除基期過低的暴衝），且最近 3 個月都正成長。三個排名相加當綜合分數，取前 20 名、分數平方加權、每月再平衡。下面是頁面內可直接讀的核心程式碼，每一段對應一個動作：

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) 載入資料
close = data.get("price:收盤價")
volume = data.get("price:成交股數")
revenue_yoy = data.get("monthly_revenue:去年同月增減(%)").reindex(close.index, method="ffill")
roe = data.get("fundamental_features:ROE稅後").index_str_to_date()
roe = roe.reindex(close.index, method="ffill")
 
# 2) 健康成長股票池:年增 10%~200% 且最近 3 個月都正成長
healthy_growth = (revenue_yoy > 10) & (revenue_yoy < 200) & ((revenue_yoy > 0).rolling(3).sum() == 3)
 
# 3) 三個因子各自做全市場百分位排名,相加為綜合分數
rank_revenue = revenue_yoy.where(healthy_growth).rank(axis=1, pct=True)
rank_momentum = close.pct_change(60).where(healthy_growth).rank(axis=1, pct=True)
rank_quality = roe.where(healthy_growth).rank(axis=1, pct=True)
score = rank_revenue + rank_momentum + rank_quality
 
# 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="月營收成長動能")
report.display()

平方加權的用意是讓綜合分數最高的股票拿到更高權重，而不是 20 檔齊頭等權；這個選擇會在後面的敏感度段一起檢驗。完整可下載版本在文末，跑一次就能取得當下的選股清單與回測報告。

Hermes 的招牌用法：每月自動重跑、寫進長期記憶

策略寫好只是起點。台股月營收約每月 10 號公布，Hermes 的價值是接手後續所有重複工作。下面這段提示詞就是把整個維護迴圈交給它（複製即用）：

每月 11 號自動重跑這支月營收成長動能策略，把這個月的選股清單跟上個月
比對，並把「哪些股票被換掉、整體績效有沒有衰退」記到長期記憶。

實際對話會像這樣：

💬 你對 Hermes 說：

每月 11 號自動重跑這支月營收成長動能策略，把這個月的選股清單跟上個月比對，並把「哪些股票被換掉、整體績效有沒有衰退」記到長期記憶。

🤖 Hermes 回覆：

已建立排程：每月 11 號 09:00 觸發。剛才先跑了一次當基準，這個月前 20 名與上月相比換掉 9 檔（約 45% 周轉），新進的多落在電子零組件；近一年滾動年化從上月的 31.4% 微降到 30.2%，仍在過去 12 個月的正常區間內，尚未觸發衰退警示。已把本月清單、周轉率與滾動績效寫入長期記憶 revenue_momentum_strategy，下個月會自動跟這份基準比較。

這裡發揮了 Hermes 的三項特長：cron 負責「每月 11 號自動觸發」，長期記憶負責「記得上月清單與績效當基準」，技能沉澱讓「重跑—比對—記錄」這串動作存成一個可重複呼叫的技能，下個月不必重新交代。對比 AI 選股提示詞與真實回測 那種一次性問答，這裡的重點是把策略當成需要長期照顧的系統，而不是跑完就丟的腳本。

提醒：上面的選股清單與周轉率是示意對話，用來說明 Hermes 的記憶與排程怎麼運作；真實數字以你自己跑 strategy.py 在當日的輸出為準。

為什麼要 walk-forward？樣本外才是真考試

一支策略在它「被設計的那段歷史」上表現好，幾乎是必然的，因為你（或 AI）是看著那段資料調出來的。要判斷它有沒有真本事，得看它在沒見過的資料上的表現。walk-forward 的做法很單純：把歷史切成兩段，前段當研究段（in-sample）、後段當樣本外（out-of-sample），分開計算績效。如果樣本外明顯崩掉，就是過擬合的警訊。關於回測本身的方法論與常見陷阱，可延伸讀什麼是回測。

把這個檢查也交給 Hermes，提示詞如下：

用 2018-2021 當研究段、2022 年之後當樣本外，分開算績效，
告訴我這支策略在沒見過的資料上有沒有失效。

我們真的這樣切了：研究段是 2018–2021，樣本外是 2022 年初到 2026-06。結果樣本外不但沒崩，反而更強：

樣本外段月索提諾 3.39、年化 39.2%，比研究段更好，這代表策略邏輯（健康成長 + 動能 + 品質）在 2022 升息修正與之後的行情裡依然有效，而不是靠 2018–2021 那段多頭撐起來的假象。要特別說明：樣本外更好不保證未來也更好，2022 之後台股經歷的是一段強勢電子行情，剛好對營收動能因子有利；正確的解讀是「至少沒有過擬合的崩塌證據」，而不是「保證年化 39%」。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）：

naive 的教訓：粗糙的大盤擇時反而傷績效

很多人看到 -48.0% 的回撤，第一反應是「加個大盤濾網閃開崩盤不就好了」。我們把這個直覺也跑成真數據：同樣三因子，加上「只有大盤站上 200 日均線才進場、跌破就空手」的擇時規則，結果反而更差。

加擇時換來的回撤改善很有限（-48.0% 變 -43.5%），代價卻是年化少了快 10 個百分點、總報酬直接砍半。原因是 200 日均線這種粗糙訊號會在盤整與假突破時被「洗來洗去」：大盤上下穿越均線時，策略被迫頻繁空手又追回，每次進出都付手續費與證交稅，還常常賣在低點、買在反彈之後。這正是把這個教訓寫進 Hermes 長期記憶的價值，提示詞如下：

我之前試過加大盤 200 日均線擇時，實測月索提諾從 2.13 掉到 1.51，
以後別再幫我加這個濾網。

把失敗的實驗也記下來，Hermes 下次優化策略時就不會重蹈覆轍，也不會在你忘記時又把這個壞濾網加回來。下檔保護的取捨向來不簡單，類似結論在 ATR 移動停損的台股實測 也出現過：多數設定下，停損與大盤濾網反而傷害長期報酬。

回測方法與限制

這些數字是怎麼算出來的，逐項交代：

敏感度：換成前 30、前 40 檔，結論不變

平方加權與「前 20 檔」都是設計選擇，會不會剛好挑到漂亮參數？我們把持股數從 20 放寬到 30、40 檔各跑一遍，全部仍贏或追平 0050 的風險調整後表現：

可以看到兩件事。第一，年化報酬從 30.2% 到 26.9%，隨持股數增加溫和下滑，但三組都高於同期 0050 的 25.0%，結論對持股數不敏感，不是只有「前 20」才成立。第二，持股越多回撤越淺（-48.0% → -44.4%），這符合分散降低集中風險的直覺；如果你對 -48% 的回撤吃不消，把持股數調到 40 檔是一個用一點報酬換較淺回撤的合理選項。敏感度表的正確用法是確認結論穩健，而不是回頭挑出最漂亮的那一格當主角。把回撤的完整時間軌跡攤開看：

回撤曲線把「波動換報酬」的代價畫得很清楚：策略在 2018 年底、2022 升息修正都跌得比 0050 深，最深見到 -48.0%。換算成金額，100 萬一度會縮水到約 52 萬。能不能撐過這種帳面腰斬而不停損，是決定你最後拿不拿得到那條淨值曲線的關鍵。

三個因子背後的學術研究

這支策略不是憑空拼湊，三個因子各自對應行之有年的實證發現：

• 價格動能：Jegadeesh & Titman (1993) 發現過去 3 到 12 個月的贏家股票，後續數月平均持續跑贏輸家，動能成為實證金融最廣被複製的異常報酬之一。本文用 60 個交易日報酬當動能指標。
• 獲利品質：Novy-Marx (2013) 證明獲利能力強的公司即使估值不便宜，長期報酬仍系統性較高。他用毛利對資產，本文用 ROE，同屬獲利能力家族但口徑不同，效果不能直接劃等號。
• 盈餘與動能的關聯：Chan, Jegadeesh & Lakonishok (1996) 發現價格動能與盈餘相關訊息（如盈餘驚奇）彼此獨立、又能相互補強，把基本面成長與價格動能合用比單押其一更穩健，正是本文「營收 + 動能」組合的理論依據。

要補充一個常見的引用誤區：有些文章會把 Bernard & Thomas (1989) 的「盈餘公告後漂移」（PEAD）拿來支撐「對齊月營收公布日」。但 PEAD 講的是季度盈餘公告後的價格漂移，月營收是另一回事，它是領先指標、頻率更高、也不等於盈餘。本文用月營收是看中它「比季報早一步反映成長加速」的資料優勢，這個機制需要單獨論證，不能沿用 PEAD 的結論。把不同因子用排名合成的整體效益，多因子選股能不能贏 0050 的實測 有另一組獨立驗證。

適合誰、不適合誰

適合：

• 能承受帳面腰斬（最深 -48.0%）、追求長期複利的投資人。
• 想用 AI Agent 把「每月重跑、比對、記錄」自動化，不想每月手動維護策略的人。
• 重視可重現研究的人：本文全部數字附程式碼與資料，能自己跑一次驗證。

不適合：

• 把它當低風險替代品的人：它的日夏普 1.04 低於 0050 的 1.22，回撤更深。
• 期待「加個濾網就能閃崩盤」的人：naive 段已證明粗糙擇時反而傷績效。
• 資金規模大到單筆買賣會推動股價的人：策略持股偏中小型成長股，容量有限，本文未估算容量上限。

和一般股票看盤軟體相比，這套流程的差別在於它能跟 AI 對話、免自己寫程式，而且台股月營收、財報、價格資料齊全，回測自帶交易成本。市面上各種台股回測工具的完整比較，見台股回測工具怎麼選；想用 AI 系統性地挖因子，可參考 AI 因子探勘 Agent 與 AI 量化研究流程。

常見問題

Hermes Agent 是什麼？和 Claude、ChatGPT 有什麼不同？

Hermes 是 Nous Research 開源的 AI Agent（MIT 授權），最大特色是跨對話的長期記憶、內建 cron 排程，以及能把任務沉澱成可重複呼叫的技能。一般聊天機器人換個對話就忘光、也不會自己定時執行；Hermes 適合「需要被長期照顧」的工作，例如每月重跑一支策略並記住歷史結果。它支援 SKILL.md 標準，所以能直接讀 finlab 的技能定義。

Hermes Agent 最快怎麼安裝？

macOS／Windows 新手用 Hermes Desktop installer 最快，裝完開 Hermes 即可；命令列使用者在 macOS、Linux、WSL2 跑 curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash。安裝完成後跑 hermes setup --portal 選模型，再用 npx skills add https://github.com/koreal6803/finlab-ai --skill finlab 裝 FinLab skill。這三步完成，Hermes 就能接上 finlab 回測。

Hermes 做 FinLab 量化研究該用哪個 AI 模型？

第一次設定用雲端強模型比較穩，優先看工具調用、長上下文與修錯能力。Claude Sonnet 類模型適合一般 agent 工作，GPT 高階模型適合複雜推理與程式修錯，Gemini Pro 類模型適合長文件與大段報告，DeepSeek／Qwen 大模型適合壓低成本。本地小模型適合重複實驗與隱私需求，但要接受速度與穩定度落差。Hermes 4 適合聊天與研究摘要，官方文件提醒它不是 Hermes Agent 工具迴圈的首選。

一定要買雲端主機或 GPU 嗎？

不用。Hermes 用雲端 API 模型時，普通筆電就能跑；如果要每月自動重跑、不想依賴筆電開機，租一台小型 VPS 更穩。雲端 GPU 只有在你要自架大型開源模型、多人共用或高吞吐時才比較合理。單人每月重跑台股策略，多數情境用「本機或小 VPS + 雲端模型」就夠了。

可以完全在本地端跑 Hermes 和模型嗎？

可以，但硬體要跟任務匹配。Hermes 可以接 llama.cpp、Ollama、MLX、vLLM、SGLang 等 OpenAI-compatible endpoint；Apple Silicon 入門可嘗試量化後的 Qwen 9B 等小模型，16GB 記憶體會比 8GB 餘裕得多。若要長上下文、複雜程式修錯或大型模型，32GB 以上記憶體或 GPU 會比較實際。本地端的優點是資料較少外流、沒有模型呼叫費；缺點是速度慢、模型品質較不穩，排程也依賴你的機器保持運作。

為什麼要 walk-forward？整段一起回測不行嗎？

整段一起回測（全段 in-sample）的問題是：你或 AI 是看著那段歷史調策略的，表現好幾乎是必然。walk-forward 把歷史切成研究段與樣本外，只看策略在沒見過的資料上的表現。本文研究段 2018–2021、樣本外 2022–2026，樣本外月索提諾 3.39、年化 39.2% 沒有崩塌，是相對可信的訊號。但樣本外好不等於未來保證好，2022 之後的強勢電子行情剛好對營收動能有利，要把這點納入解讀。

加大盤均線擇時不是能避開崩盤嗎？為什麼反而變差？

理論上可以，實測上常常不行。本文把同三因子加上「大盤站上 200 日均線才進場」的規則，年化從 30.2% 掉到 20.4%、總報酬砍半，回撤只少了 4.5 個百分點。原因是 200 日均線在盤整與假突破時會被洗來洗去，策略被迫頻繁進出，付掉手續費與證交稅，還常賣在低點、追在高點。下檔保護要有效，通常需要比單一均線更細緻的設計。

月營收成長動能策略會一直有效嗎？

沒有人能保證。本文雖然做了 walk-forward，13 年的歷史優勢仍可能因市場結構改變、因子擁擠而衰減。能做的是每季用新資料重跑、據實更新；數據惡化就在文中標記衰退，不調參硬撐。這也正是用 Hermes 排程的理由：它每月自動重跑並把績效寫進記憶，衰退能被及早發現，而不是等你某天想起來才檢查。

不會寫 Python 也能做嗎？

可以。策略邏輯全用中文描述給 Hermes，程式由它產生、finlab 負責資料與回測。不過看得懂基本程式對你有利，因為你能檢查 AI 有沒有用到未來資料、成本有沒有扣。想補底子，Python 量化交易教學 會帶你從設定到第一個台股回測。

這支策略要多少資金才適合？

學習與回測完全免費。實際執行面，策略持有 20 檔、平方加權，台股以張為單位（零股亦可），數十萬以上比較貼近權重配置。策略偏中小型成長股，資金規模大到單筆買賣影響股價時（流動性門檻 1,000 萬日均成交金額之上，約數千萬以上），回測與實單的差距會擴大，本文未估算容量上限。

為什麼用平方加權，不用等權？

平方加權讓綜合分數最高的股票拿到更高權重，把資金集中到訊號最強的標的。代價是集中度上升、回撤可能更深。敏感度段顯示，把持股數從 20 放寬到 40 檔（同時稀釋了平方加權的集中效果），回撤從 -48.0% 收斂到 -44.4%、年化仍有 27.5%，提供一個用報酬換較淺回撤的選項。要把這個權重決定也交給數據檢驗，而不是單靠直覺。

下一步：三條路徑直接開始

• 零安裝：打開 FinLab Studio，用瀏覽器直接輸入選股條件跑回測。
• 本機 AI 工具：在自己的電腦安裝 Hermes，接雲端模型或本地模型，裝好 finlab skill 後重現本文策略。
• 長期排程：把 Hermes 放在小型 VPS 或 serverless 環境，排每月 11 號重跑並把結果送到 Telegram／Discord。
• 加入社群：FinLab Discord 裡有上千位台股量化同好，策略卡關、回測結果怪異都可以直接貼出來討論。

下載與重現

• strategy.py：月營收成長動能三因子完整原始碼，可直接執行取得最新選股清單與回測報告
• data.csv：淨值曲線的每日數據
• metrics.json：全部指標的機器可讀快照
• 互動式回測報告：月營收成長動能三因子

延伸閱讀：想看 AI Agent 從零做台股量化的完整三段對話，參考 AI Agent 量化交易實戰；想看更多現成的選股提示詞與回測，參考 AI 選股提示詞 30 條與真實回測 與 AI 提示詞回測策略。

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 30.2%、最大回撤 -48.0% 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。本策略最大回撤達 -48.0%，代表 100 萬可能一度縮水至約 52 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：2026-06｜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）