營收驚喜選股：月營收 SURGE 前 30 檔年化 32.4%，
夏普贏 0050

營收成長多少不重要，重要的是比這家公司自己過去的成長「多出多少」。我們把學術上的標準化營收驚喜（SURGE）改成台股月營收版：每月營收公布後，買進驚喜分數最高的 30 檔。 2015 年 2 月到 2026 年 10 月回測，年化報酬 32.4%、日夏普 1.23、最大回撤 -35.1%，同期 0050 含息是 20.2%、1.06、-34.0%。9 組鄰近參數全部贏 0050，前後兩段也都贏。

代價也要先講清楚：這個策略的日夏普低於同一段期間重跑的月營收動能選股（1.42），而且 2024 到 2026 年每一年都落後 0050，近 3 年日夏普 1.29、0050 是 1.87。它的價值在於選股跟月營收動能幾乎不重疊，平均每天只有 15% 的持股相同，是另一條路線。

關鍵數字：營收驚喜、月營收動能與 0050

本文策略在年化報酬與日夏普都勝過 0050 含息，最大回撤和 0050 差不多，年化波動比 0050 高 6.8 個百分點。11 年 8 個月下來淨值成長約 26.8 倍，0050 含息約 8.7 倍。所有數字都用 finlab 2.2.24、資料截至 2026-10-30 實際跑出，手續費 0.1425% 與證交稅 0.3% 用 sim() 預設值扣除。「近 3 年」指 2023-10-30 到 2026-10-30。

營收驚喜是什麼：跟自己的過去比

一般看月營收，最常用的是年增率：本月營收比去年同月多幾 %。問題是每家公司的「正常成長」不一樣。一家每個月都成長 30% 的公司，這個月成長 35% 只是正常表現；一家多年持平的公司突然成長 15%，才是真的出乎意料。

Jegadeesh 與 Livnat（2006）在 Journal of Accounting and Economics 用美國季報研究這件事，提出標準化營收驚喜（standardized unexpected revenue growth，SURGE）：本季營收減去年同季，再減掉過去幾季這個差額的平均，除以它的標準差。換句話說，就是「這次的年成長，比公司平常的年成長多出幾個標準差」。他們發現營收驚喜高的股票在財報公布後繼續上漲，而且營收驚喜和盈餘驚喜各自帶有資訊。Ertimur、Livnat 與 Martikainen（2003）在 Review of Accounting Studies 也發現，市場對營收超乎預期的反應比對費用省下來的反應更大。

台股的優勢是月營收：上市櫃公司每月 10 日前就要公布上個月的營收，資訊比季報早一到三個月。本文把 SURGE 改成月頻：

1. 差額 = 本月營收 − 去年同月營收（新台幣金額，不是百分比）。
2. 對照組 = 前 24 個月的差額，算平均與標準差（不含本月）。
3. SURGE = （本月差額 − 對照組平均）÷ 對照組標準差。

用金額差而不是年增率，是照論文原本的寫法；年增率在去年同月基期很低的公司會爆出幾百 % 的數字，金額差除以自己的標準差就不會被基期影響。跟盈餘公布後漂移（Bernard 與 Thomas（1989））比較，兩者都是「好消息公布後股價還在反應」，但那篇研究的是季盈餘，不是月營收；台股月營收公布後的漂移，在月營收公告漂移另有回測。

營收驚喜分五組：分數越高，之後報酬越好

在看策略之前，先確認這個分數本身有沒有用。每月 11 日把流動性門檻內的股票依 SURGE 分成五組，每組約 128 檔、組內等權持有一個月，同樣扣手續費與證交稅：

五組由低到高一路遞增，沒有反轉。最高組約 129 檔全部買，日夏普 1.12 已經略高於 0050 的 1.06；本文策略再從裡面挑分數最前面的 30 檔，日夏普提高到 1.23。最低組 11 年多來年化 -3.9%，營收大幅低於自己平常水準的公司，之後的股價也最差。

策略規則與程式碼

規則只有四條：

1. 股票池：上市櫃 4 碼普通股，排除金融保險與存託憑證，保留已下市股票；20 日平均成交金額 2,000 萬元以上。
2. 訊號：上面定義的 SURGE，回看 24 個月。
3. 選股：分數最高的 30 檔，等權持有；同分時成交金額大的優先。
4. 換股：每月 11 日，也就是營收公告期限的隔天。沒有停損。

下面是核心程式，完整版（含統計與輸出檔案）在文末的 strategy.py：

import pandas as pd
from finlab import data
from finlab.backtest import sim
 
# 1. 股票池：4 碼普通股，排除 ETF、金融與存託憑證
adj_close = data.get("etl:adj_close")
categories = data.get("security_categories").set_index("stock_id")["category"]
excluded = {"金融保險業", "金融業", "存託憑證"}
stocks = [
    s for s in adj_close.columns
    if len(s) == 4 and s.isdigit() and not s.startswith(("0", "28", "91"))
    and categories.get(s) not in excluded
]
days = adj_close.loc["2014-01-01":].index
 
# 2. 營收驚喜在月表上算：每列是一個月，index 是營收公告期限日
rev = pd.DataFrame(data.get("monthly_revenue:當月營收")).reindex(columns=stocks)
rev.index = pd.to_datetime(rev.index)
yoy_change = rev - rev.shift(12)
past = yoy_change.shift(1).rolling(24, min_periods=24)
std = past.std()
surge = (yoy_change - past.mean()) / std.where(std > 0)
 
# 3. 展開到每個交易日，套用流動性門檻
surge = surge.reindex(days, method="ffill")
turnover = pd.DataFrame(data.get("price:成交金額")).reindex(columns=stocks)
turnover = turnover.rolling(20).mean().reindex(days)
score = surge.where(turnover > 2e7)
 
# 4. 分數最高的 30 檔，每月 11 日換股
rank = score.rank(axis=1, ascending=False)
tie_break = turnover.where(score.notna()).rank(axis=1, ascending=False, pct=True) * 0.5
position = ((rank + tie_break).rank(axis=1, method="first") <= 30).loc["2015-01-01":]
 
report = sim(position, resample="M", resample_offset="11D", upload=False)

rolling 一定要在月表上做：先展開到每日再 rolling(24) 就變成 24 個交易日，意思完全不同。

回測結果：贏 0050，但最近三年落後

12 個年度裡 8 年贏 0050，大部分領先集中在 2019 到 2023 年。2024 到 2026 年 0050 分別漲 48.6%、36.8%、63.2%，這個策略連續三年落後。它的持股以中小型股為主：持股的市值排名中位數約第 395 名，屬於市值前 50 大的只占 6.4%，和以大型權值股為主的 0050 走勢差很多。近 5 年（2021-10-30 起）的日夏普是 1.17，0050 是 1.24，也落後。

最大回撤 -35.1% 發生在 2018-06-11 到 2018-10-30，2019-11-04 才回到前高。單月最差是 2026 年 7 月的 -23.4%，下個月反彈 30.0%。每次換股約有 58% 的持股換掉、其餘續抱；回測把兩次換股之間的每一檔持有算成一筆，共 4,250 筆，其中 50.4% 賺錢。

三項穩健性驗證：鄰近參數、前後兩段、交易成本

「贏」只有一個意思：同一段交易日裡，日夏普高於 0050 含息。日夏普＝日報酬平均 ÷ 日報酬標準差 × √252，不扣無風險利率。三項都要過：

1. 鄰近參數：回看月數取 12、24、36，持股取 20、30、50 檔，共 9 組，至少 7 組要贏。
2. 前後兩段：回測期間在中點切開，原參數在兩段都要贏。
3. 交易成本：用 sim() 預設的手續費與證交稅，不關成本。

這些條件在看到任何結果之前就寫在研究紀錄裡，之後沒有改過。

9 組日夏普介於 1.17 到 1.35，全部高於 0050 的 1.06。原參數（24 個月、30 檔）的 1.23 在中間，不是挑出來的最高點；最高的是回看 36 個月、20 檔的 1.35。

前段（2015-02-11 至 2020-12-18）日夏普 1.16 對 0050 的 0.87，後段（2020-12-21 至 2026-10-30）1.29 對 1.22。兩段都贏，但後段只領先 0.07，這也是前面說「最近落後」的另一面。不扣成本時日夏普是 1.40，手續費與證交稅吃掉 0.17。

和月營收動能的關係：選到的股票幾乎不同

站上的月營收動能選股用「近 3 月平均營收高於近 12 月」加上股價趨勢與短期動能，只買 10 檔。營收驚喜不看股價，只看營收和自己過去比的落差。兩者每天的持股平均只有 14.5% 相同，日報酬相關係數 0.63。

我們也照研究紀錄試了把兩者合在一起：在月營收動能的候選股裡，SURGE 排全市場前 30% 的排前面。原參數日夏普 1.41，原版是 1.42，9 組鄰近參數只有 6 組高於同持股數的原版，沒有達到「至少 7 組」的門檻，所以不算新策略。營收驚喜和月營收動能各自有效，但把驚喜當成月營收動能的加分條件並沒有幫助。

另外算了一個參考數字：兩個策略各放一半資金、每天再平衡，日夏普 1.48、最大回撤 -31.8%，日夏普與最大回撤都比兩者單獨好，年化 40.1% 則介於兩者之間。這個搭配沒有做三項驗證，只說明兩者的報酬來源不同。其他月營收訊號（年增率加速、由負轉正、連續年增、產業擴散等）的結果整理在月營收進階訊號回測。

回測方法與限制

月營收用的是 FinLab 的鎖定版（monthly_revenue），數值以公告後第一個開盤前的最後一次寫入為準，之後的更正不回寫。少數公司晚於期限才公布，這幾筆在本文會被當成期限日就知道，影響很小但存在。本文沒有估算策略容量，30 檔中小型股實際能放多少資金取決於成交量。在同一段資料上測試很多訊號，總有幾個會碰巧過關，這種風險可以看回測過度擬合的機率，前視偏差與周轉率的定義在名詞解釋頁。

適合誰、不適合誰

適合：已經在用月營收選股、想要一個和月營收動能不同來源的策略的人；能接受連續幾年落後大盤的人；想研究台股特有月頻資料的人。

不適合：要求每年都贏 0050 的人，這個策略 2024 到 2026 年連續落後；不想每月換股的人；資金很大、需要集中在權值股的人。

常見問題

營收驚喜和營收年增率有什麼不同？

年增率是本月營收比去年同月多幾 %，所有公司用同一把尺。營收驚喜是拿本月的年成長金額和這家公司前 24 個月的年成長金額比，看高出幾個標準差，所以同樣成長 20%，對平常成長 5% 的公司是很大的驚喜，對平常成長 30% 的公司反而是退步。

為什麼不用分析師預估的營收當基準？

台股大部分中小型公司沒有分析師預估，就算有也不是每個月更新。用公司自己過去的營收當基準，每家公司每個月都算得出來，也是 Jegadeesh 與 Livnat 在論文裡的做法。

回看月數為什麼是 24 個月？

24 個月是原始設定，取上下各一個鄰近值 12 與 36 個月一起測。三個回看長度配上三種持股數，9 組都贏 0050，最高的是 36 個月，代表結果不是靠剛好挑到 24 個月。

近 3 年落後 0050，這個策略還有效嗎？

這個策略的持股以中小型股為主，市值前 50 大只占 6.4%，大型權值股領漲的年度很難跟上。11 年多來的日夏普與前後兩段都贏 0050，但最近三年確實落後，未來是否回到領先沒有人能保證。策略頁會每天更新，可以持續追蹤。

營收驚喜高的股票，公布後多久還會漲？

本文只測了「公布後持有一個月、下個月重新選」的寫法，沒有測更長或更短的持有期。分五組的結果顯示這一個月內，驚喜最高組和最低組年化差了將近 30 個百分點。

可以和月營收動能一起用嗎？

兩者持股平均只有約 15% 相同。把營收驚喜當成月營收動能的加分條件，日夏普沒有提高；各放一半資金的參考組合日夏普 1.48，但沒有做三項驗證。要搭配使用，建議先自己用不同期間重跑。

這個策略可以直接照做嗎？

這是研究與回測結果，不是投資建議。實際操作要考慮滑價、成交量與資金規模，本文沒有估算容量。想自己重跑或修改參數，可以下載文末的 strategy.py。

延伸閱讀

• 月營收動能選股：本文的對照策略，含三項驗證，策略頁有淨值曲線與程式碼。
• 月營收進階訊號回測：年增率加速、累計年增、由負轉正、連續年增、產業擴散與營收創新高的完整結果。
• 營收創新高選股：同一批研究裡另一個成立的策略，在月營收動能上優先買營收創 12 個月新高的股票。
• 月營收公告漂移：月營收公布前後的股價反應。
• 美股盈餘驚喜策略：美股用季盈餘做的同類研究。
• 營收暴增的陷阱：為什麼只看年增率容易買到一次性營收。
• 股票選股完整指南：基本面、技術面、籌碼面選股方法的總覽。
• 月營收資料：FinLab 月營收資料欄位說明。

下載資源

風險提示

本文所有策略與回測結果僅供教學與研究用途，不構成投資建議。過去績效不代表未來表現，本文策略最大回撤 -35.1%，2024 到 2026 年連續落後 0050。投資一定有風險，請依自身風險承受能力審慎評估。

最後更新：2026-10｜回測區間：2015-02 ～ 2026-10｜作者：FinLab 量化研究團隊（經量化研究員審閱）