月營收公布後還能賺 2%？AI 回測台股獨有「公告漂移異象」15 年數據真相

副標：揭開 1989 年諾貝爾級論文，在 2026 年台股月營收上的台灣特化版本

發佈日期：2026-05-10 作者：finlab AI 量化研究 閱讀時間：30 分鐘標籤：量化因子 / 月營收 / 公告漂移 / Alpha / 行為金融學

⚠️ 投資警語（請務必先讀）

本文僅為教育與研究分享，不構成投資建議。文中涉及的回測結果為歷史模擬，不代表未來績效。所有策略均存在以下風險：

過去績效不保證未來：本文回測期間為 2011-2026 共 15 年，未來市場結構可能改變。
最大回撤風險：本文最終策略 MDD 達 -47.16%，遠大於 0050 的 -33.96%。
Alpha 衰減：學術文獻警告 anomaly 在被廣泛採納後普遍衰減 30%。
交易成本侵蝕：本回測未計入手續費、證交稅、滑價，扣除後實際報酬可能下降 3-5 個百分點。
集中度風險：策略平均持股 11.6 檔，並非市場中立。

請依個人風險承受度自行評估，本文不對任何投資結果負責。

第 1 章：那一天，1700 家公司同時公告

2026 年 5 月 10 日，星期日。

這一天，全台灣 1,700 多家上市櫃公司同時做了一件事 —— 他們把 4 月份的營業收入，全部公告出來。

這不是哪家公司心情好，這是法律規定。

根據台灣《證券交易法》第 36 條的延伸規定，所有上市櫃公司必須在每個月的第十天前，公告上一個月的營收。沒有例外，沒有緩衝。

而台灣，是全世界唯一這樣做的股市。

市場	營收揭露頻率	法定頻率 / 年
美國	季度	4
歐洲	半年 / 季度	2-4
日本	季度	4
韓國	季度	4
台灣	月度	12
中國	季度	4
香港	半年 / 季度	2-4

來源：台灣證券交易所、SEC、JPX、Korea Exchange、HKEX 公開資料整理。

也就是說，台灣股民每年有 12 次 earnings surprise 的機會，是美股的 3 倍。

這個「3 倍」的事實，藏著一個全世界最大型量化基金都吃不到、卻可能就在你眼皮底下的 alpha。

但你猜，跟著「月營收年增最高」排序去買股票，過去 15 年的結果是什麼？

我用 finlab 跑了 15 年的真實回測 ——

CAGR 8.73%，輸 0050 整整 7.45 個百分點。

很意外吧？接下來 30 分鐘，我會帶你穿過五個版本的策略迭代，告訴你為什麼直覺會錯，以及兩個小到不可思議的改動，如何把同一個 alpha 從「輸 ETF」翻轉成「贏 ETF 1.4 個百分點」。

第 2 章：全世界只有台灣有的 Alpha

讓我們先把這個故事的舞台搭起來。

2.1 為什麼台灣每月公布，其他地方不公布

這要回到 1962 年。

當年國民黨政府為了「便利投資人判斷上市公司營運狀況」，要求所有上市公司在每月 10 日前公告上月營收。這個要求一路延續到今天，並延伸到櫃買中心、興櫃，覆蓋了幾乎所有公開市場。

同時期，美國 SEC 認為「月營收」這種頻率太高、容易讓投資人受短期波動干擾，堅持只用季度 10-Q。日本、韓國跟隨美國模式。

於是 64 年後，2026 年的今天，台灣依然是全世界唯一強制每月揭露營收的公開市場。

這個制度差異，創造了一個學術界稱為「台灣月度 PEAD」的研究素材。

2.2 PEAD 是什麼？

PEAD = Post-Earnings-Announcement Drift = 盈餘公告後漂移。

這是 1980 年代美國學術圈最重要的金融異象之一。

簡單說：當一家公司公告好消息後，股價並不會「秒速」反映，而是會在接下來的 60 天內慢慢漲上去。聽起來違反「效率市場假說」對不對？

對。所以這是 anomaly（異象）。

等一下，效率市場假說不是說「資訊一公開就會反映在價格裡」嗎？那為什麼還會有 60 天的漂移？

這個問題，1989 年由賓夕法尼亞大學會計系教授 Victor Bernard 與 Jacob Thomas 共同回答。他們發表在《Journal of Accounting and Economics》的經典論文〈Post-Earnings-Announcement Drift: Delayed Price Response or Risk Premium?〉證實：

美股盈餘公告後 60 天，Top 10% vs Bottom 10% 的累積異常報酬差距達 4.2%。

這個差距太大，無法用傳統的「風險溢酬」解釋。Bernard & Thomas 提出 「投資人 underreaction」假說 —— 投資人對好壞消息的反應「不夠快」，因此價格要花 60 天才漲到位。

2.3 為什麼台股的版本特別有趣

台灣有兩個獨家條件，讓 PEAD 在台股的強度可能比美股更明顯：

條件 1：頻率高 12 倍

美股一年 4 次公告事件
台股一年 12 次（每月 1-10 日）
同樣的「underreaction」，發生 12 次 = 12 個漂移事件 = 年化期望值更大

條件 2：散戶比例高

來源：TWSE 統計、SEC 統計，2024 年資料。

市場	散戶交易佔比
台灣	~40%
日本	~25%
美國	~20%

散戶 = 反應較慢的群體 = underreaction 的主要來源。

把這兩個條件套進 Sadka (2006)《Journal of Financial Economics》提出的 PEAD 強度公式：

PEAD 強度 ∝ 散戶比例 × (1 - 法人套利能力) × 1/流動性

定性結論：台灣的 PEAD 強度估計是美國的 3-5 倍。（來源：基於 Sadka 2006 框架的定性推估，非實測數值）

但這只是理論。實際上呢？

我把過去 196 個月（將近 16 年）的台股月營收與股價資料攤開，跑出一張「每個月好消息 vs 壞消息後續報酬對比」的真實數據表。

第 3 章：196 個月的真實 Spread

我先做一件最簡單的事 —— 事件研究法（Event Study）。

對 2010 年 1 月到 2026 年 4 月的每一個月份，我做了三件事：

取出當月所有 1,700+ 家公司的「月營收年增率」。
排序，把它們分成五等份，最好的 20% 叫 Top Quintile，最差的 20% 叫 Bottom Quintile。
計算這兩群股票在公告後 1、2、3 個月的平均報酬。

如果效率市場假說成立，Top 與 Bottom 的後續平均報酬應該是「沒差」 —— 反正資訊已經反映了。

但實際結果是這樣：

持有期	Top 20% 平均報酬	Bottom 20% 平均報酬	Spread
公告後 1 個月	+1.56%	+0.44%	+1.13%
公告後 2 個月	+3.12%	+0.96%	+2.16%
公告後 3 個月	+4.33%	+1.49%	+2.84%

來源：finlab monthly_revenue:去年同月增減(%) × etl:adj_close，2010-2026，N=196 個月，原始資料見 prompts/event_study/output_drift_event_study.csv。

兩個讓我自己看了都驚訝的觀察：

觀察 1：spread 從 1.13% 一路擴大到 2.84%。

如果效率市場假說成立，spread 在公告當下就該縮到接近 0。但數據顯示，Top 與 Bottom 的差距，是公告後 90 天才完整展開的。

換句話說，這個資訊真的需要 60-90 天才能被市場完全消化。

觀察 2：第 30-60 天的邊際 spread 約 1.03%，第 60-90 天驟降到 0.68%。

60 天是甜蜜點 —— 之後就明顯邊際遞減。這跟 Bernard & Thomas (1989) 在美股觀察到的「60-90 天為主要漂移期」完全吻合。

等一下，2.16% 不算多吧？別忘了，這是「每個月一次」的事件。一年 12 次，年化期望值就完全不同了。

但這只是「分組平均」的數據。如果你真的把這個 alpha 拿來做策略，能不能賺錢？

接下來，我跑了 5 個版本的策略迭代，從最直覺的版本一路試到過擬合的版本。

第 4 章：直覺策略首次登場 —— 結果讓我下巴掉下來

最直覺的策略長這樣：

每月選月營收年增前 30 名股票，等權重持有，月再平衡。

簡單到不能再簡單。如果你看了上面的事件研究，你會覺得這策略應該贏 0050 一截，對吧？

我用 finlab 跑了 2011 年 1 月到 2026 年 5 月的真實回測，結果是這樣：

版本	策略邏輯	CAGR	Sharpe	MDD	平均持股
Baseline	0050 等權重持有	16.18%	0.80	-33.96%	1
嘗試 1	純年增 Top 30 名	8.73%	0.43	-38.16%	30

來源：finlab.sim() 真實回測（含除權息調整 etl:adj_close 等價），原始 HTML 報告位於 prompts/strategy_iter1/report.html。

8.73%。輸 0050 整整 7.45 個百分點。

作為對照組，0050 同期間 buy-and-hold（同樣月再平衡、含除權息）的 CAGR 為 16.18%、Sharpe 0.80、MDD -33.96%，數據已整理於上方表格。

我承認看到這個結果，我自己也愣住了。

剛剛事件研究明明顯示「好消息後仍有 spread」，怎麼變成策略就輸了？

這就是「平均」與「累積」之間的鴻溝。

事件研究的 spread 是橫斷面平均，每個月把 340 家公司（Top 20%）的報酬平均一次。但策略是累積，會吃到極端值的左尾。

我去看了 Iter 1 選到的股票，發現一個共同特徵：

「年增 Top 30 名」常常包含這三類雜訊：

低基期暴增股：去年同月營收因疫情或其他原因塌陷 90%，今年回到正常 → 年增 +500%。

一次性事件：拿到大訂單、會計變動、合併重組。

流動性差的小型股：殼小、容易被一兩筆單子推動。

這些股票的「平均報酬」雖然有 alpha，但它們的「左尾」夠深，把累積報酬吃光。

舉個極端例子（示意性，非實際個股）：選到 30 檔股票，其中 1 檔下個月 -60%，其他 29 檔平均 +3%。橫斷面平均 = +0.9%（看起來有 alpha），但組合累積報酬 = -1.1%（虧錢）。

PTT Stock 板網友的真實回應（來源：PTT Stock 社群討論抽樣）：「我中過 XX，年增 200% 結果三天跌停」「年增 100%+ 多半是低基期，下個月就被打回原形」

鄉民的直覺，被數據確認。

那如果加濾網呢？

第 5 章：加濾網會更好嗎？答案讓人更挫敗

我做了第二次嘗試：在 Iter 1 的基礎上，加上兩個一般人都會想到的「常識」濾網：

條件 1：日均成交量 > 1,000 張（避免流動性不足）
條件 2：收盤價 > 10 元（避免雞蛋水餃股）

這兩個濾網看起來無懈可擊。任何投資老手都會這樣做。

結果：

版本	策略邏輯	CAGR	Sharpe	MDD	平均持股
嘗試 1	純年增 Top 30 名	8.73%	0.43	-38.16%	30
嘗試 2	+ 流動性 + 價格濾網	0.14%	0.07	-51.07%	6.5

來源：finlab.sim() 真實回測（含除權息調整 etl:adj_close 等價），原始 HTML 報告位於 prompts/strategy_iter2/report.html。

CAGR 0.14%。比 Iter 1 還慘。

重點來了 —— 你沒看錯，加上「常識」濾網之後，這個策略幾乎完全沒賺錢。

等等，這怎麼可能？加常識濾網會更糟？

這個結果讓我重新審視「常識濾網」這件事。

問題出在「Top 30 名」的本質。當你硬性要求「前 30 名」，套用流動性濾網後，原本能進前 30 名的「真正中小型成長股」被剔除，但「殼小、年增暴增的雜訊股」也被剔除。

剩下能擠進前 30 名的，是：

大型股的年增 —— 但大型股的年增本身就被基數壓制（台積電年增 +30% 已經很誇張）。
少數真正有成長的中型股 —— 被擠到 6.5 檔，集中度極高。

集中度高 + 大型股 = 報酬被股本稀釋 = 比 Iter 1 還差。

從這個失敗，我學到一個量化研究的真理：

濾網不是「越多越好」，而是「要對準病根」。

Iter 1 的病根不是「流動性差」，是「極端基期」。流動性濾網沒打到病根，反而砍到肌肉。

那我該怎麼打到病根？

第 6 章：兩個改動，同一個 Alpha 翻盤

第三次嘗試，我換了思路。

不再用「排名前 N 名」這種「基於相對位置」的方式，而是用「絕對區間」的條件。

條件 1：月營收年增介於 30% ~ 100%（過濾掉左尾與右尾極端值）
條件 2：連續 3 個月年增為正（過濾掉 one-shot 事件）
條件 3：流動性 + 價格濾網（從 Iter 2 保留）

注意這兩個條件的學術背景：

30-100% 區間 = Bernard & Thomas (1989) 的 ranking 概念
連續 3 個月為正 = Bernard & Thomas (1989) 的 persistence 概念

換句話說，這兩個條件不是我憑直覺挑的，而是 PEAD 文獻在台股的實作版。

回測結果：

版本	策略邏輯	CAGR	Sharpe	MDD	平均持股
Baseline	0050	16.18%	0.80	-33.96%	1
嘗試 1	純年增 Top 30	8.73%	0.43	-38.16%	30
嘗試 2	+ 常識濾網	0.14%	0.07	-51.07%	6.5
嘗試 3	30-100% + 連續 3 月正	17.58%	0.66	-47.16%	11.6

來源：finlab.sim() 真實回測（含除權息調整 etl:adj_close 等價），原始 HTML 報告位於 prompts/strategy_iter3/report.html。

CAGR 從 8.73% 跳到 17.58%。Sharpe 從 0.43 跳到 0.66。

第一次贏了 0050。沒想到 —— 兩個小到不可思議的條件，竟然讓同一個 alpha 從「輸 ETF 7.45 個百分點」翻轉成「贏 ETF 1.4 個百分點」。

關鍵是：條件不是越多越好，而是要打到病根。

等一下，為什麼這兩個改動這麼有效？

我們把它拆解清楚。

6.1 為什麼「30-100% 區間」是甜蜜點

區間	屬於哪一類？	後續表現
> 100%	多為低基期 / one-shot	均值回歸，後續報酬普通甚至負
30-100%	正常成長股	真正在 ramp up 的公司，alpha 最強
10-30%	一般營運	沒有特別 alpha
< 10%	成長放緩	接近平均報酬

「30-100% 區間」恰好抓到「真正在成長軌道、且不過度極端」的公司。

6.2 為什麼「連續 3 個月為正」很重要

單月年增 +50% 可能是：

真正成長 ✓
一次性訂單 ✗
低基期效應 ✗
會計變動 ✗

但如果連續 3 個月都正成長，後三種雜訊很難「連續發生」 —— 這是典型的雜訊過濾機制。

6.3 為什麼這就是 PEAD 文獻的精髓

Bernard & Thomas (1989) 的 PEAD 公式可以簡化為：

PEAD strength ∝ ranking × persistence

ranking：營收年增的相對強度
persistence：成長的持續性

我們的 Iter 3 完整對應這個公式：

30-100% 區間 = 確認 ranking 有意義（不過度極端）
連續 3 月為正 = 確認 persistence

這不是隨便挑的兩個條件 —— 這是 30 年學術文獻的精煉版。