程式交易完整指南(2026):從定義、策略到 pip install finlab 實單，
三因子年化 24.5%

程式交易是什麼

程式交易（Program Trading）是把買賣規則寫成可重複執行的程式，由電腦依照固定條件選股、進出場，取代人工盯盤與手動下單。它的核心不是「預測明天漲跌」，而是把一套可回測、可驗證、可自動執行的規則固定下來，讓紀律取代情緒。

程式交易：用程式把交易規則自動化執行，從選股、回測到券商下單一條龍，不靠當下情緒臨時改主意。

下面這張表先把三個常被混用的詞拆開——這也是 Google 搜尋「程式交易」最常見的疑問：

簡單記：量化交易負責「想出策略」，程式交易負責「把策略自動跑起來」，演算法交易負責「把單漂亮地送進市場」。三者重疊但不等價，本文聚焦的是從一套選股規則，到真的能在券商實單跑起來的這條路。

先看這篇給你的東西（資料都跑得出來）

這份指南不是把定義抄一遍。我們用 pip install finlab 在台股實跑了一個可自動化的多因子策略，回測區間 2013-05 至 2026-06（約 13 年），結果如下：

在本文設定下、2013–2026 這段期間，三因子複合策略不只年化報酬高於含息 0050（24.5% vs 19.6%），風險調整後（Sharpe 1.22 vs 1.09）也勝出，且最大回撤和 0050 相當（都約 -34%）。完整程式碼、互動式回測報告都在文末，可以自己重跑。

程式交易有哪些策略類型

程式交易本身只是「自動執行」的框架，真正決定績效的是裡面那套規則。台股實務上常見的有這幾類：

對一般投資人來說，月頻或週頻換股的多因子、動能、籌碼策略最務實——規則清楚、不需要極低延遲的設備、用免費的台股資料就能回測與自動下單。高頻交易屬於法人與專業造市商的戰場，需要 FPGA、主機共置與毫秒級基礎設施，散戶不必往那裡擠。

本文示範的是「多因子選股」：把三個有學術根據的因子排名加權，組成一個分散、可月頻自動換股的策略。

為什麼用「排名加權」而不是條件 AND

新手最常踩的坑，是把「營收年增大於 30% 而且 ROE 大於 15% 而且 本益比小於 15」這種條件用 AND 串起來——結果某些月份只剩 2、3 檔股票，回測曲線好看但完全沒有分散性，實單一遇到買不到就破功。

排名加權的做法不同：每個因子先換算成「在所有股票裡的百分位」，再把三個百分位相加當總分，最後固定取前 20 名。這樣不管市場狀況怎麼變，永遠有 20 檔分散持股，也避免了因子門檻被人為調到「剛好漂亮」的過擬合風險。

Sharpe / Sortino：每承受一單位風險換到多少報酬。Sharpe 用總波動當分母，Sortino 只算「下跌」波動（成長股策略上漲也會被 Sharpe 當成風險扣分，所以 Sortino 通常較高、也更貼近投資人真正在意的「賠錢風險」）。

程式交易新手入門：pip install finlab 五步驟

程式交易聽起來門檻高，但用對工具其實是「把規則寫清楚」而已。FinLab 的定位是讓你用接近白話的條件描述策略，底層由套件處理台股資料對齊、除權息、交易成本與回測，你不用從零造輪子。

入門路徑只有五步：

1. 安裝套件：pip install finlab，首次執行用免費帳號登入。
2. 取台股資料：data.get('price:收盤價')、data.get('monthly_revenue:去年同月增減(%)')，回傳的是已對齊好的 DataFrame。
3. 寫選股條件：用排名、比較把因子組成分數，再取前 N 名。
4. 回測：sim() 一行跑完整回測，自動扣手續費與證交稅，產出 CAGR、Sharpe、最大回撤與互動式報告。
5. 自動下單：把同一份 position 接到券商 API（永豐 / 富果 / 富邦），或部署到雲端排程每月自動換股。

下面是這個三因子策略的完整核心程式碼——不是片段，整段貼進去就能跑（完整檔案見文末 strategy.py 下載）：

from finlab import data
from finlab.backtest import sim
 
# Step 1. 取台股資料
close   = data.get('price:收盤價')
vol     = data.get('price:成交股數')
rev_yoy = data.get('monthly_revenue:去年同月增減(%)')   # 成長
roe     = data.get('fundamental_features:ROE稅後')       # 品質
pb      = data.get('price_earning_ratio:股價淨值比')     # 價值(低 PB)
 
# Step 2. 流動性過濾:近 20 日均量 > 200 張,避免買得到回測、買不到實單
liquidity = vol.average(20) > 200_000
 
# Step 3. 三因子 rank-weighted 複合(各因子轉百分位再相加)
score = (
    rev_yoy.rank(axis=1, pct=True)
    + roe.rank(axis=1, pct=True)
    + (1 - pb.rank(axis=1, pct=True))   # PB 越低越好,所以用 1 減
)
 
# Step 4. 在流動性足夠的股票池內取分數前 20 名
position = score[liquidity].is_largest(20)
 
# Step 5. 月頻換股,延後 14 天對齊月營收公布日
report = sim(position, resample='M', resample_offset='14D',
             fee_ratio=1.425/1000/3, name='程式交易三因子複合策略')
report.display()

FinLab 的設計哲學是讓你「描述策略」而不是「背語法」。同樣這套條件，你也可以直接用對話方式請 AI 幫你產出：

💬 你對 AI 說：

幫我在台股做一個月頻換股的策略：先用近 20 日均量大於 200 張過濾流動性，再把「月營收年增、ROE、低本益比淨值比」三個因子各自排名、加總，挑分數最高的 20 檔，延後 14 天對齊月營收公布日後回測。

🤖 AI 回覆：

已用 finlab 套件完成回測。2013-05 至 2026-06，年化報酬 24.5%、Sharpe 1.22、Sortino 1.85、最大回撤 -34.0%，同期間優於含息 0050（年化 19.6%、Sharpe 1.09）。已產出可下載的 strategy.py 與互動式回測報告。

這就是 FinLab 的差異：你面對的是 Prompt 與白話條件，底層卻是用 pip install finlab 真的在台股跑得出來、文末可下載自行重跑的回測，而不是憑空寫出來的漂亮數字。

對照組 vs 優化組：單因子為什麼不夠

很多人第一次寫程式交易，會只用「一個很直覺的因子」——例如只挑營收年增最高的 30 檔。我們把它當對照組跑了一遍，差距非常明顯：

單因子的問題在於沒有制衡：營收爆發的股票常常本益比已經很貴、品質參差，一遇到成長熄火就大幅回檔（-68% 的回撤幾乎讓人抱不住）。加入「品質（ROE）」與「價值（低 PB）」兩個因子互相牽制後，不只報酬提高，回撤直接砍半——這正是多因子的價值：不是單純疊報酬，而是用因子互補降低脆弱性。

下面是優化策略的完整互動式回測——月報酬熱力圖、權益曲線、年度績效都在裡面，可直接在文章中操作：

三個因子的學術根據

這三個因子不是隨手挑的，各自對應實證金融的經典發現：

• 價值（低 PB）：Fama & French（1992）發現帳面市值比（B/M）對橫斷面報酬有顯著解釋力，是後來三因子模型的基石。
• 品質（ROE）：Novy-Marx（2013）指出獲利能力（profitability）是被長期低估的因子，高品質公司有持續的超額報酬。
• 成長動能（月營收年增）：台股月營收每月 10 日前公布、頻率高且即時，是領先財報的成長訊號；我們用 resample_offset='14D' 把換股日延後到公布之後，確保用的是「當下真的拿得到」的資料，避免前視偏差。

需要說明的是：學術上的盈餘公告後漂移（PEAD, Bernard & Thomas 1989）談的是「季度盈餘公告」後的價格漂移，與「月營收公布」並非同一件事。我們這裡用月營收，是看中它的即時性與領先性，而非直接套用 PEAD 的結論——這點值得誠實區分，而不是把相似概念硬接。

回測方法揭露（這些數字是怎麼算出來的）

漂亮的數字如果沒有方法支撐，就只是行銷話術。這個策略的回測設定全部攤開：

誠實地說：這是一個全段 in-sample 的研究，沒有保留獨立的樣本外測試集，也沒有排除金融股與 KY 股（生存者偏誤的潛在來源）。把這些限制寫清楚，比假裝嚴謹重要。

穩健性檢查：不是挑到一段漂亮行情

一個策略只有單一數字，沒辦法判斷它是真的有效，還是剛好賭中某段多頭。我們做兩項檢查。

1. 分段期間： 把 13 年切成三段，和含息 0050 同口徑比較年化報酬。

這裡有個必須誠實面對的事實：2024–2026 這段 0050 大贏——這段台積電與權值股一路噴出，市值加權的 0050 直接受惠，而我們這種「分散、低估值偏好」的策略在權值集中行情中相對吃虧。它不是每段都贏，這正是為什麼要看完整週期與風險調整後指標，而不是只盯單一年度。

2. 參數敏感度： 把持股檔數從 20 改成 10 / 30 / 50，看結論會不會崩。

四種設定的 Sortino 都落在 1.69–1.85，CAGR 都在 22–26% 之間——結論對「挑幾檔」這個參數不敏感，代表它不是靠精挑某個甜蜜點撐出來的。我們選 20 檔，是在分散度與單檔可投入金額之間取平衡。

從回測到實單：把程式交易自動跑起來

回測過了只是第一步。程式交易的價值在於整條鏈自動化：選股 → 下單 → 排程。FinLab 的 position 可以直接接到台股券商 API，或部署到雲端定時執行：

整套做下來，你每個月只要讓雲端在固定日期自動跑一次選股與下單，不必盯盤。這也是程式交易相對主觀交易最大的優勢：紀律是寫死的，不會因為當天心情而毀約。

程式交易平台怎麼選

FinLab 的差異在於：台股資料齊、用 Python 套件而非封閉軟體、可以用 AI 對話描述策略。對手能寫教學文，但做不出一個 pip install 就有完整台股資料與回測的套件——這是結構性的差異，不是行銷話術。如果你已經會一點 Python，或願意用 AI 幫你產生條件，這條路的學習曲線最平緩。

適合誰、不適合誰

程式交易不是聖杯，它把人的弱點（追高殺低、抱不住）換成另一組需要紀律的事（相信回測、撐過回撤、定期換股）。值得與否，取決於你是不是那種「寧可慢慢複利，也不想每天被市場情緒綁架」的人。

常見問題 FAQ

Q1. 程式交易和量化交易差在哪？ 量化交易強調「用數據與模型找出策略」，程式交易強調「把策略用程式自動執行」。實務上兩者高度重疊：量化研究出的策略，最後通常用程式交易的方式自動下單。延伸看量化交易完整指南與量化交易是什麼。

Q2. 不會寫程式可以做程式交易嗎？ 可以。FinLab 的設計是讓你用接近白話的條件或 AI 對話描述策略，不必從頭背語法。但建議至少看得懂上面那段核心程式碼在做什麼，才知道策略真正的邏輯。

Q3. 這個 24.5% 年化是真的還是假設？ 真的，用 pip install finlab 在台股實跑出來的，回測區間 2013-05 至 2026-06，已扣手續費與證交稅。完整 strategy.py 與互動式報告在文末，可以自己重跑驗證。

Q4. 程式交易需要很貴的設備嗎？ 月頻、週頻的選股策略不需要。只有高頻交易才需要主機共置與超低延遲設備。本文這套策略用一般電腦或免費雲端排程就能跑。

Q5. 回測賺錢，實單一定賺嗎？ 不一定。回測是 in-sample 的歷史模擬，未來市況可能改變；還有滑價、資金容量、流動性等實單因素。所以我們才強調穩健性檢查與誠實揭露方法，而不是只給你一個漂亮數字。

Q6. 要多少錢才能開始？ 策略持股 20 檔、等權，所以資金最好能讓每檔都買得到一個基本單位（視個股股價，數十萬量級較舒適）。資金太小會因為無法均勻分散而偏離回測表現。

下一步：開始你的第一個程式交易策略

把這篇的程式碼下載下來、pip install finlab 跑一次，你就完成了從「看懂定義」到「親手重現一個年化 24.5% 策略」的全程。接著可以調整因子、換成你相信的訊號，再用參數最佳化微調，最後接上券商自動下單讓它每月自動運轉。

本文是 FinLab「程式交易」主題的總綱。想深入特定環節，往下看這些輻條：

• 定義與優缺點：程式交易是什麼
• 演算法與均值回歸：演算法交易是什麼
• 取台股資料：Python 取得台股資料
• 選股回測入門：5 分鐘選股與回測
• 多因子打敗 0050：多因子選股 beat 0050
• 自動下單：Fugle API 自動交易、GCP 雲端排程
• AI 自動化：AI Agent 量化交易指南
• 更多名詞定義：術語表 /glossary

想自己跑回測、改因子？免費試用 FinLab 取得台股資料與回測環境，或加入社群和其他量化研究者討論。

📎 完整互動式回測報告（附件下載）

最後更新：2026-06｜回測區間：2013-05 ~ 2026-06（約 13 年，台股全上市櫃）｜作者：FinLab 量化研究團隊（經量化研究員審閱）

投資有風險，過去績效不代表未來表現。本內容僅供教學參考，不構成投資建議，請依個人風險承受度審慎評估。