龍蝦 OpenClaw 跑 finlab 台股選股：高股息加品質動能回測

新手最常做的台股選股，就是「挑殖利率最高的那幾檔，每年領股息」。聽起來很穩，但用 finlab 真的跑回測，結果會嚇你一跳：在 2018 到 2026 這段期間，只挑殖利率最高的 15 檔台股，每月再平衡，年化報酬是 -4.4%，最大回撤 -57.4%，等於本金腰斬還倒賠。原因很直白：殖利率會變高，常常是因為股價先跌了一段，分母變小、殖利率才看起來漂亮，你買到的是一籃子「正在出問題的便宜貨」。

這篇用一隻綽號叫「龍蝦」的開源 AI agent（OpenClaw）帶你看兩輪迭代。第一輪加上「公司有在賺錢」（用 ROE 衡量）和「股價最近半年有起色」（120 日動能）兩道條件，年化從 -4.4% 翻成 +21.7%；但把它放到 0050 含息旁邊看，年化、夏普、索提諾、回撤四項全部落後，領股息領得再安心，結果還不如買一張 0050。所以我們讓龍蝦再跑一輪，加上第四個條件「股價平穩」（120 日低波動）：年化 18.6%，代價是報酬仍低於 0050，換到的是 日夏普 1.30、月索提諾 2.06、最大回撤 -27.3%、年化波動 14.4%，四項都優於 0050 含息。整個過程你不必碰終端機，像傳訊息一樣對龍蝦下指令，finlab 負責抓台股資料、跑回測、扣交易成本。

索提諾比率：和夏普類似的風險調整報酬指標，但分母只計下跌波動，更貼近「怕跌不怕漲」的直覺；年化波動：日報酬標準差換算成年，數字越小淨值路徑越平穩。

口徑：2018-01 到 2026-07-09，策略含 finlab 預設交易成本（手續費加證交稅），0050 為還原價含息買進持有（詳見文末回測方法）。四因子版贏 0050 的是日夏普（1.30 對 1.22）、月索提諾（2.06 對 1.92）、最大回撤（-27.3% 對 -34.0%）與年化波動（14.4% 對 21.0%）這四項；輸的是年化報酬（18.6% 對 25.1%）與總報酬。用一句白話講這筆交換：0050 這 8 年多的高報酬，是用 -34% 的最大回撤和 21% 的年化波動換來的；這個組合報酬較低，但同樣的路上顛簸少了三分之一，最深的坑也淺了快 7 個百分點。

龍蝦 OpenClaw 是什麼？為什麼新手特別適合用它選股

OpenClaw 是一個開源的自主 AI agent，因為標誌長得像龍蝦，社群都直接叫它「龍蝦」。它最大的特色是 用聊天／通訊軟體當操作介面：你不必開終端機、不必記指令，就像在跟朋友傳訊息一樣，把想做的事用白話講給它聽，它會自己規劃步驟、執行程式、把結果回傳給你。它支援多種大型語言模型、可自架，門檻在同類工具裡偏低，台大李宏毅教授也曾把它當作 AI agent 的教學案例之一。

對「想做台股選股但不會寫程式」的新手來說，龍蝦解掉的是最痛的那一步：環境設定與寫程式。傳統流程要你先裝 Python、裝套件、學語法，很多人卡在這裡就放棄了。龍蝦讓你把這些都交給它，你只負責用中文描述策略邏輯。它跟一般股票看盤軟體的差別在這裡：

關鍵在最後幾列。看盤軟體給你一個篩選結果就結束了，龍蝦＋finlab 給你的是「可驗證的研究流程」：策略邏輯用中文講、程式由 AI 產生、數字由 finlab 實跑、結果可下載重跑。這也是為什麼這篇能放上真實回測數字：它們不是 AI 憑記憶講的，是回測引擎跑出來的。想先補一下選股的整體脈絡，可以讀台股選股方法總整理；想理解「回測」到底在做什麼，回測是什麼有完整說明。

招牌用法：像傳訊息一樣，請龍蝦跑高股息選股回測

龍蝦的招牌用法，就是把一段白話需求貼進聊天視窗，剩下交給它。下面這段提示詞你可以直接複製，貼給已經裝好 finlab 的龍蝦：

幫我從台股挑「殖利率高、公司有賺錢（ROE 高）、股價有起色（近半年動能）、
股價平穩（波動低）」的 15 檔，做成每月再平衡的回測，跟 0050 含息比。
殖利率、ROE、120 個交易日動能、120 個交易日波動率四個因子各自做百分位排名
（波動率越低排名越前），分數相加後取總分前 15 名，依分數加權買入。
請告訴我年化報酬、最大回撤、夏普、月索提諾與年化波動，並附上程式碼。

貼進去之後，一輪對話大概像這樣：

💬 你問龍蝦：

幫我從台股挑「殖利率高、公司有賺錢（ROE 高）、股價有起色（近半年動能）、股價平穩（波動低）」的 15 檔，每月再平衡回測，跟 0050 含息比，並附程式碼。

🤖 龍蝦回覆：

已用 finlab 完成回測，區間 2018-01 到 2026-07，含手續費與證交稅：

• 策略年化報酬 18.6%，最大回撤 -27.3%，年化波動 14.4%，總報酬 +323%
• 日夏普 1.30，月索提諾 2.06，平均持有 15 檔
• 對照 0050 含息：年化 25.1%、回撤 -34.0%、日夏普 1.22、月索提諾 1.92、年化波動 21.0%

年化報酬輸 0050，但日夏普、月索提諾、最大回撤、年化波動四項都優於 0050。補充：如果只用「殖利率最高」這一個條件，同期年化會掉到 -4.4%、回撤 -57.4%。下面是完整程式碼，你可以自己重跑。

注意龍蝦在最後主動補了一句對照，這正是這篇要講的教訓，我們接著用真實數字把它攤開。

naive 做法為什麼賠錢：只追高股息踩進價值陷阱

先看最直覺、也最多新手會做的版本：每個月把全市場殖利率最高的 15 檔買下來，等權持有。直覺上「股息高＝便宜＝穩」，但回測結果完全相反。

💬 你問龍蝦：

用白話講，為什麼「只買殖利率最高的股票」在 2018 到 2026 這段期間反而會賠錢？

🤖 龍蝦回覆：

因為殖利率是「每股股息 ÷ 股價」。股價跌得越凶，分母越小，殖利率就越高。所以「殖利率排行榜的前幾名」常常不是穩定配息的好公司，多半是股價正在崩、市場已經在預期它減資或減配的公司。回測裡這 15 檔的年化是 -4.4%、最大回撤 -57.4%，等於本金一度腰斬還倒賠，這就是典型的「價值陷阱」。

把這段話換成數字：naive 做法（只挑殖利率最高）在這 8 年多裡淨值越走越低，最後總報酬 -31%；加上品質與動能兩道條件後，同一段期間翻成 +423%（見文首淨值曲線圖的橘線與紫線）。

學術上，這個現象不是新發現。Asness、Frazzini 與 Pedersen 在 Quality Minus Junk (2019) 指出，市場長期對「高品質公司」給的溢價並不足，而單純的便宜（低估值、高股息）若不搭配品質篩選，很容易買到基本面正在惡化的「垃圾」。換句話說，高股息只是入場券，真正要避開的是「便宜但爛」的公司，而判斷「爛不爛」要看獲利能力。

第一輪迭代：加品質（ROE）與動能（120 日）後翻正

修法很白話：在「殖利率高」之外，再要求「公司有在賺錢」和「股價最近半年有起色」。具體做法是把三個因子各自在候選池內做百分位排名，分數相加，取總分前 15 名。這三個因子各自都有扎實的學術根據：

• 品質／獲利能力：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。他用毛利率，本文用 ROE，同屬獲利能力家族但口徑不同，效果不能直接畫等號；用意是把「正在虧錢或獲利惡化」的高股息股先擋掉。
• 價格動能：Jegadeesh & Titman (1993) 發現過去數月的贏家股票，後續一段時間平均仍持續跑贏輸家。本文用 120 個交易日（約半年）報酬當動能指標，把「股價還在破底」的便宜貨往後排。
• 高股息需搭配品質：呼應前一段引用的 Asness、Frazzini 與 Pedersen (2019)，純高股息容易踩價值陷阱，必須用品質因子過濾。

兩道條件加上去，同一段期間的年化從 -4.4% 翻成 21.7%，最大回撤從 -57.4% 收斂到 -34.6%。到這裡為止，這是一個「把賠錢起點救成正報酬」的成功故事。

但把它放到 0050 含息旁邊，就沒那麼好看了：年化 21.7% 對 25.1%、日夏普 1.14 對 1.22、月索提諾 1.64 對 1.92、最大回撤 -34.6% 對 -34.0%，四項全部落後。也就是說，一個人費工挑了 15 檔高股息股票、每月換股，波動和回撤跟大盤差不多，報酬還比較低，那他為什麼要做這件事？這個問題，就是下一輪迭代的起點。

再讓龍蝦跑一輪：第四個因子「低波動」，回撤變得比 0050 淺

高股息組合的天性是低 beta、偏防禦，照理說它該贏在「跌得少、走得穩」，上一版卻連這點都沒做到。所以我們把這個觀察丟回給龍蝦：

💬 你問龍蝦：

這個三因子版本的年化、夏普、索提諾、回撤全都輸 0050 含息。高股息組合理論上該比較抗跌，幫我往「降波動、降回撤」的方向再設計幾個版本，同一段期間、同樣成本假設實測，把每個版本的結果都列出來，包括比較差的。

🤖 龍蝦回覆：

試了五個設計，全部同視窗、同成本實測。年化報酬沒有任何版本贏過 0050 的 25.1%，但風險面出現明顯分化，下面是全部結果：

五個版本的分歧很有資訊量：B 只動權重不動選股，波動和回撤的改善最小，日夏普還是沒贏 0050；A、C、D、E 四個把「低波動」放進選股邏輯的版本，日夏普、月索提諾、回撤、波動全面改善。最後採用 A，理由有兩個：它改動最小（在原本三個因子旁邊多加一個排名，程式碼只多三行），而且在贏過 0050 風險指標的四個版本裡年化報酬最高。D 和 E 的「連續三年配息」濾網把回撤再壓低一點，但多犧牲約 2 個百分點的年化，取捨後沒有採用。

「低波動的股票長期反而不輸高波動股票」這件事，學術上叫低波動異常：Baker、Bradley 與 Wurgler (2011) 整理了美股數十年的證據，發現低波動組合的風險調整後報酬長期優於高波動組合。我們在台股單獨測過這個因子，結論類似：純低波動輸大盤，但把它當「風險調整」的配料加進多因子組合就很有用，完整實驗在低波動策略的台股實測。

四因子版的年化報酬是 18.6%，低於 0050 含息的 25.1%；換到的是日夏普 1.30、月索提諾 2.06、最大回撤 -27.3%、年化波動 14.4%，四項都優於 0050。完整互動式回測報告（月報酬熱力圖、權益曲線、年度績效都在裡面）可以在這裡操作：

下面是這個策略的核心程式碼。它是龍蝦產出、由 finlab 實跑的版本，一行一個動作，非工程背景也能逐步看懂：

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：收盤價、成交股數、殖利率、ROE
close = data.get("price:收盤價")
volume = data.get("price:成交股數")
dividend_yield = data.get("price_earning_ratio:殖利率(%)").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) 流動性過濾 + 殖利率門檻（殖利率 > 3% 才納入候選）
amount = (close * volume).rolling(20).mean()
candidates = (amount > 10_000_000) & close.notna() & (dividend_yield > 3)
 
# 3) 四個因子各自在候選池內做百分位排名（0~1，越高越好）
#    低波動用 120 個交易日的日報酬標準差，波動越低排名越前
volatility = close.pct_change().rolling(120).std()
rank_yield = dividend_yield.where(candidates).rank(axis=1, pct=True)
rank_quality = roe.where(candidates).rank(axis=1, pct=True)
rank_momentum = close.pct_change(120).where(candidates).rank(axis=1, pct=True)
rank_low_vol = volatility.where(candidates).rank(axis=1, pct=True, ascending=False)
score = rank_yield + rank_quality + rank_momentum + rank_low_vol
 
# 4) 取總分前 15 名，依分數加權，每月再平衡
top15 = score.rank(axis=1, ascending=False) <= 15
weight = score[top15].fillna(0)
weight = weight.div(weight.sum(axis=1), axis=0)
 
report = sim(weight, resample="M", name="高股息品質動能低波動")
report.display()

低波動因子的效果，在回撤圖上最一目了然：三因子版最深跌 -34.6%、0050 含息最深跌 -34.0%，四因子版控制在 -27.3%，而且 2022 年空頭那段（圖中最深的谷）明顯比另外兩條淺。

回測方法與限制

這些數字是怎麼算出來的，逐項交代清楚：

持股數敏感度：結論對「挑幾檔」不敏感

只挑 15 檔，會不會剛好是運氣？我們把持股數從前 15、前 20 測到前 30，年化報酬都落在 18% 到 20% 區間，最大回撤都在 -27% 到 -29% 之間，年化波動都在 14% 上下，沒有因為換個數字就翻盤。這說明風險輪廓的改善來自「加了低波動這道條件」這個框架，而不是剛好挑中 15 這個數字。

三組數字很接近，差異在小數點層級；要挑毛病的話，前 30 的月索提諾 1.84 低於 0050 的 1.92，是三組中唯一輸掉這項的設定，其餘指標三組都維持與前 15 相同的相對優劣。敏感度表的正確用法，是確認「結論對參數不敏感」，而回頭挑最漂亮的那一格等於用同一段歷史既調參又驗證，Bailey、Borwein、López de Prado 與 Zhu (2014) 對這種做法的結論很明確：回測過擬合會讓樣本外績效系統性低於回測值。本文一開始就把前 15 定為主設定，再把另兩組列出來佐證，順序不能反過來。

把 finlab 裝進龍蝦：一句話完成設定

要讓龍蝦能抓台股資料、跑回測，需要先幫它裝上 finlab 的能力。finlab skill 是一份 SKILL.md，同一份能裝進 Claude Code、Codex CLI、Cursor、Pi、Hermes、OpenClaw（龍蝦）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

如果你完全不想安裝任何東西，也有零設定的瀏覽器版：直接打開 FinLab Studio，輸入選股條件就能跑回測。想用 AI app 路徑，可以用 Codex app 或 Claude cowork。設定好之後，把下面這句任務貼給龍蝦，它會依流程完成：

首次取資料時 finlab 會自動引導你登入，照套件指示操作即可，不需要在程式碼裡填任何金鑰。設定完成後，前面那段招牌提示詞就能複製貼上開跑。想看更多現成的台股選股提示詞與它們的真實回測表現，可以參考 AI 選股提示詞與真實回測；想了解 AI agent 怎麼一步步把一句話變成可回測的策略，AI Agent 量化交易實戰有完整三段對話示範。

進階用法：請龍蝦每週把選股清單傳到 Telegram

龍蝦的另一個強項是「自動化通知」。因為它本來就以通訊軟體當介面，你可以請它把每週的最新選股清單，整理成一段話傳到你的 Telegram，省去每週手動重跑的功夫：

每週把最新選股清單整理成一段話，傳到我的 Telegram。
內容包含日期、15 檔股票代號與名稱，以及一句話提醒這是回測規則的機械輸出、
不是投資建議。

這類自動化要注意：清單是「回測規則在當下的機械輸出」，每月再平衡都會換掉一部分持股，它是研究與追蹤用的參考，不是叫你照單全收。真正要下單前，部位控管、實單滑價、流動性與風控，都還是你自己要把關的事。

適合誰、不適合誰

適合： 完全不會寫程式、但想認真做台股選股的新手；想以「領股息＋避開地雷」為核心邏輯，且在意淨值路徑平不平穩的人（本文推薦版年化波動 14.4%，比 0050 的 21.0% 低了約三分之一）；喜歡用聊天視窗操作、不想碰終端機的人；想把選股清單自動化通知到通訊軟體的人。

不適合： 想要「贏過大盤絕對報酬」的人，因為本文策略年化 18.6% 仍輸 0050 含息的 25.1%；完全不在意波動、只求長期報酬最大化的人（那直接持有 0050 更省事）；想要全自動下單、把研究結果直接接券商 API 的人（那需要額外的下單與風控層，本文不涵蓋）。

和一般看盤軟體相比，龍蝦＋finlab 的差異在於它把「資料、因子、回測、成本」整套打通，而且可以用對話迭代、結果可下載驗證。如果你想比較市面上不同的台股回測工具，台股回測工具怎麼選有六種主流工具的逐項對照，與 XQ 的單獨比較另見比較頁。

常見問題

龍蝦 OpenClaw 是什麼？跟一般 AI 聊天機器人有什麼不同？

龍蝦（OpenClaw）是開源的自主 AI agent，用聊天／通訊軟體當操作介面。和一般聊天機器人最大的差別是：它會「動手執行」，包括規劃步驟、跑程式、抓資料、回傳結果，而不只是回答你問的那一句。配上 finlab 後，它能真的跑台股回測，數字來自回測引擎而非語言生成。

「只挑殖利率最高的股票」真的會賠錢嗎？

在本文設定、2018 到 2026 這段期間，只挑全市場殖利率最高的 15 檔、每月再平衡，年化報酬是 -4.4%、最大回撤 -57.4%。原因是殖利率＝股息 ÷ 股價，股價先跌會讓殖利率虛高，排行榜前幾名常是基本面正在惡化的公司。加上 ROE 與 120 日動能後同期年化翻成 21.7%；再加上低波動因子後年化 18.6%，但最大回撤縮到 -27.3%、年化波動降到 14.4%。

低波動因子是什麼？為什麼加了它，回撤反而比 0050 淺？

本文的低波動因子＝過去 120 個交易日的日報酬標準差，排名時波動越低分數越高，效果是把「殖利率高但股價暴上暴下」的標的往後排。學術上這叫低波動異常（Baker、Bradley & Wurgler 2011）：低波動股票的風險調整後報酬長期不輸高波動股票。在本文回測中，這一個條件把最大回撤從 -34.6% 縮到 -27.3%、年化波動從 19.5% 降到 14.4%，日夏普與月索提諾也雙雙超過 0050。

年化 18.6% 還是輸 0050 的 25.1%，那這個策略贏在哪？

輸的是報酬：年化 18.6% 對 25.1%，總報酬 +323% 對 +573%。贏的是風險：日夏普 1.30 對 1.22、月索提諾 2.06 對 1.92、最大回撤 -27.3% 對 -34.0%、年化波動 14.4% 對 21.0%。0050 的高報酬要用超過三成的帳面回撤去換，抱不住就會在低點出場；這個組合給的是較平穩的淨值路徑，適合把「睡得著」看得跟報酬一樣重的人。

我完全不會寫 Python，也能用龍蝦跑這個回測嗎？

可以。龍蝦的招牌用法就是讓你用聊天視窗講白話，程式由 AI 產生、資料與回測由 finlab 處理。你只要把本文的招牌提示詞貼進去即可。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，但不是必要條件。想補底子可讀 Python 量化交易教學。

殖利率、ROE、動能、低波動這四個因子是隨便挑的嗎？

不是。四個都有實證金融的研究支撐：獲利能力（Novy-Marx 2013）、價格動能（Jegadeesh & Titman 1993）、「高股息需搭品質」（Asness、Frazzini & Pedersen 2019），以及低波動異常（Baker、Bradley & Wurgler 2011）。本文用 ROE 代表品質、120 日報酬代表動能、120 日報酬標準差代表波動，把純高股息容易踩的價值陷阱與暴漲暴跌股一起濾掉。

這個策略要多少資金才能跑？

學習與回測完全免費，不需要投入資金。實際執行面，策略持有 15 檔依分數加權，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；策略持股可能偏中小型股，資金規模大到單筆買賣會影響股價時（流動性門檻 1,000 萬日均成交金額下），回測與實單的差距會擴大。

選股清單可以照抄嗎？

不建議。清單是回測規則在快照日的機械輸出，每月再平衡都會換掉一部分持股，等你讀到本文時持股可能已經不同。正確用法是跑一次文末的 strategy.py（或請龍蝦重跑）取得當下清單，而不是抄某個時間點的快照。

這個策略未來還會有效嗎？

沒有人能保證。本文是全段樣本內回測，這段期間的優勢可能因市場結構改變、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最快的方法，就是跑一次重現腳本，幾分鐘就有答案。

下載與重現

• strategy.py：高股息＋品質＋動能＋低波動四因子完整原始碼，可直接執行取得最新選股清單
• data.csv：naive、三因子、四因子與 0050 含息四條每日淨值曲線
• metrics.json：全部指標的機器可讀快照（含五個迭代設計的完整結果）
• 互動式回測報告：高股息品質動能低波動策略

想看更多 AI agent 怎麼用對話做量化研究與選股，可延伸閱讀 AI 量化研究怎麼做 與 量化交易完整指南；要把 finlab skill 裝進你的 AI 工具，從 AI skill 安裝頁 開始最快。

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（四因子年化 18.6%、最大回撤 -27.3%，三因子年化 21.7%、回撤 -34.6%，以及 naive 基準年化 -4.4%、回撤 -57.4% 等）為 2018-01 至 2026-07 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。本文推薦策略最大回撤 -27.3%，代表 100 萬可能一度縮水至約 73 萬，naive 高股息做法更深達 -57.4%；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 ～ 2026-07（資料快照 2026-07-09）｜作者：FinLab 量化研究團隊（經量化研究員審閱）