美股類股輪動策略回測：用成分股訊號挑 SPDR 類股 ETF，
20 種都沒穩定贏 QQQ

**本文每個月替 11 檔 SPDR 類股 ETF 打分數，分數來自各類股裡的股票：公司營收成長、自由現金流殖利率、12 個月股價動能的中位數，或站上 200 日線的股票比例等 10 個訊號，再持有分數最高的 2 或 3 個類股。2018 年 4 月到 2026 年 10 月，20 個設計只有 2 個在原始參數贏 QQQ 含息，沒有一個三項驗證全過。最好的是持有近四季營收成長最快的 2 個類股，日夏普 1.02，QQQ 是 0.90，前後兩段與含成本都過，但 9 組鄰近參數只有 6 組贏（要 7 組）。它 103 個月裡有 65 個月持有 XLK；拿掉 XLK 後只剩 0.65，還輸給其他 10 個類股直接等權（0.71）。**所以本文的類股輪動設計都不算成立。

類股輪動回測的關鍵數字

所有曲線都從 2018-04-03 跑到 2026-10-28，QQQ、XLK、SPY 是同一段日子買進持有、股利再投入。前後兩段從 2022-07-14 切開。

三項驗證怎麼判

本文的「贏」只有一個意思：同一段交易日裡，日夏普高於 QQQ 含息。日夏普是每日報酬的平均除以標準差，再乘上 √252 年化，不扣無風險利率（夏普比率怎麼算）。站上的美股量化策略比較用的是月夏普，QQQ 在那個口徑下分數較高，兩邊數字不能直接比。每個設計先用原始參數跑一次，贏 QQQ 的才進入三項驗證，標準和美股 10 個學術因子回測相同：

1. **換鄰近參數也要贏：**兩個主要參數各取包含原始值在內的 3 個相近設定，共 9 組，七成以上（7 組）要贏 QQQ。
2. **前後兩段都要贏：**回測期間從中點切開，原始參數在兩段都要各自贏 QQQ。
3. **含交易成本：**全部用 finlab sim() 的美股預設成本（手續費 0、沒有交易稅）；原始參數改用每邊 0.1% 的成本重跑，也要贏 QQQ。

類股分數怎麼算

股票來自 FinLab 的美股公司資料：普通股，保留後來被併購或下市的公司，同一家公司只留一種股份，排除 ADR、ETF 與基金，金融股保留。每個月最後一個交易日，留下股價高於 5 美元、近 60 日平均成交金額高於 500 萬美元的股票，單日漲跌超過 50% 的股票剔除一年（多半是資料錯誤或代號重複使用），類股不在這 11 類裡的也剔除，再取成交金額最大的 1,000 檔。每檔股票的類股用公司資料裡的 sector 欄位，11 個名稱剛好一對一對應 SPDR 類股 ETF：科技 XLK、金融 XLF、醫療保健 XLV、非必需消費 XLY、必需消費 XLP、能源 XLE、工業 XLI、原物料 XLB、公用事業 XLU、不動產 XLRE、通訊服務 XLC。

類股的分數是該類股所有股票訊號的中位數；兩個均線訊號改用「站上均線的股票比例」。一個類股至少要有 5 檔股票算得出數值才給分。組合持有分數最高的 2 或 3 個類股 ETF，等權，隔天收盤成交，持有到下個月底再換。10 個訊號如下：

1. **營收成長：**近四季營收對一年前的成長率。Jegadeesh & Livnat (2006) 發現個股的營收驚喜能預測後續報酬；本文要看的是，一個類股的典型營收成長能不能預測整個類股。
2. **自由現金流殖利率：**近四季自由現金流除以市值。
3. **12-1 月動能：**過去 12 個月報酬、跳過最近一個月，沿用 Jegadeesh & Titman (1993) 研究的動能，跳過最近一個月是後來的常見做法，取類股內的中位數。
4. **站上 200 日線比例：**市場寬度指標，用在每個類股內部。
5. **類股 ETF 6 個月動能：**ETF 本身的報酬。Moskowitz & Grinblatt (1999) 發現產業動能解釋了大部分的個股動能，Faber (2010) 把同樣的想法用在美股類股組合上。
6. **營業利益率改善：**近四季營業利益率減去一年前。
7. 站上 50 日線比例。
8. **離 52 週高點：**股價除以 52 週最高價，出處是 George & Hwang (2004)。
9. **盈餘成長：**近四季稀釋 EPS 對一年前的成長率。Chordia & Shivakumar (2006) 把價格動能和盈餘動能連在一起。
10. **毛利率改善：**近四季毛利率減去一年前。Novy-Marx (2013) 證明的是毛利獲利能力的「水準」能預測報酬；毛利率的「變化」是另一個沒被驗證過的量，所以放進來測。

第 1 到 8 個訊號來自本研究之前的一輪初篩，第 9、10 個是之後依上面的出處加進來的。財報數字一律以 SEC 申報日納入，申報之前不會進入分數（前視偏差）。

結果一：20 個設計只有 2 個贏 QQQ，兩個都靠科技股

文首的圖列出全部 20 個設計。只有兩個超過 QQQ 的 0.90：營收成長持有前 2 名（1.02），以及 12-1 月動能持有前 2 名（0.95）。其他 18 個介於 0.40 到 0.89 之間。20 個裡有 14 個連 11 檔類股 ETF 直接等權（0.76）都沒贏；價格訊號裡最差的是短期寬度，持有站上 50 日線比例最高的類股，日夏普只有 0.43 與 0.47，換手也最多，一年大約換掉整個組合 8 次。

XLK 本身就是很高的門檻。買進持有 XLK 年化 24.2%、日夏普 0.95，比 QQQ 還好；其他 10 檔類股 ETF 介於 0.44（XLRE）到 0.72（XLV）之間。任何一條規則只要長時間沒拿科技股，起跑就落後很多。

結果二：兩個設計換鄰近參數都撐不住

營收成長的兩個參數是成長的定義（最近一季年增、近兩季年增平均、近四季年增）與持有類股數（1、2、3 個）。9 組裡 6 組贏 QQQ，差一組才達標。規律很清楚：持有 1 個類股是 1.05 到 1.20，2 個是 1.02 到 1.08，3 個是 0.80 到 0.89，持有 3 個的版本全輸。

高原這一項只差一組。最接近的輸家是近兩季平均、持有 3 個類股，0.889 對 0.900。finlab 2.2.21 以前的版本，會把 ETF 價格表裡 55 個美國休市日當成沒有漲跌的交易日；用那份資料，QQQ 是 0.893，這一組也是 0.893，以 0.0007 勝出，網格變成 7／9。過不過關取決於休市日算不算交易日，稱不上換參數也穩定；後面幾節也會看到，這個結果主要靠 XLK 和 2022 這一年，所以兩種版本下我們都不把它算成立。

原始參數另外兩項都過了：前段 0.80 對 QQQ 0.70，後段 1.32 對 1.15；每邊扣 0.1% 成本後還有 1.00，年化 20.9%。換手不高，一年大約換掉 1.6 個組合。

12-1 月動能的兩個參數是回看月數（9、12、15 個月，都跳過最近一個月）與持有類股數。9 組只有 2 組贏 QQQ，兩組都是 12 個月；15 個月的版本只有 0.61 到 0.73。它前後兩段（0.76、1.27）與成本測試（0.91）都過，但 2／9 談不上穩定。

營收成長輪動是不是只是在持有 XLK？

大部分是。在有持股的 103 個月裡，它有 65 個月持有 XLK、43 個月持有通訊服務 XLC、41 個月持有能源 XLE；必需消費、工業、不動產從沒進過前 2 名。圖上可以看到幾段很長的持有：XLK 涵蓋 2020 到 2021 年大部分時間與 2025 年以後，XLE 從 2018 年持有到 2019 年，2021 年底又持有到 2023 年年中，金融 XLF 在 2023 到 2025 年。

我們在同一段日子跑了四個對照組，把它拆開來看：

• 選項裡拿掉 XLK，持有其他 10 個類股的前 2 名：日夏普 0.65、年化 11.6%。同樣 10 個類股直接等權是 0.71。沒有科技股時，用營收成長排名反而比不排名還差。
• 50% XLK＋50% 其他 10 類等權，每月再平衡：0.92，跟 QQQ 差不多。
• 50% XLK＋50% 其他類股中營收成長最快的一個：0.98，年化 20.8%。
• 只持有 XLK：0.95，年化 24.2%。

所以策略的 1.02，大致等於 XLK 的報酬，加上第二個類股把波動降下來（年化波動 21.2%，XLK 是 26.5%）；營收訊號在挑第二個類股時有一點幫助，比等權搭配多了大約 0.07 的日夏普（0.98 對 0.92）。

1 美元成長圖看得出它的領先是哪裡賺來的。2022 年前 11 個月它完全沒持有 XLK，大多是能源與原物料，全年賺 16.3%，同年 QQQ 跌 32.6%、XLK 跌 27.7%。前段的領先全部來自這一年：2018 年 4 月到 2021 年底，策略日夏普 0.94，QQQ 是 1.17。其他年份它多半落後 XLK，最後 1 美元變成 5.22 美元，XLK 是 6.41 美元、QQQ 是 4.88 美元。2026 年到目前為止它只漲 3.9%，QQQ 漲 18.5%；第二個位置有一半月份放在今年跌了 11.6% 的 XLC。

為什麼持有越多類股越差

一個訊號如果真的會排類股，它和下個月類股報酬的排名相關係數（rank IC）應該長期為正。10 個訊號都差得很遠。平均最高的是 12-1 月動能的 0.045，t 值 1.3；營收成長平均 0.023（t＝0.6），只有 51.5% 的月份是正的。盈餘成長最負，-0.043，和它在財報訊號裡墊底的成績（0.40 與 0.57）一致。

右圖顯示僅有的一點資訊在哪裡。營收成長排第 1 的類股，下個月平均比類股平均多賺 1.09%，第 2 名多 0.24%，第 3 名少 0.39%，第 4 到 11 名散落在 -0.4% 到 +0.4% 之間。動能也一樣：第 1 名多 1.01%，之後介於 -0.6% 到 +0.4%。每多持有一個類股，就把唯一有用的那一個稀釋成平均水準，這就是熱圖上那道斜坡。

那只持有第 1 名呢？它的日夏普是 1.05 到 1.20，但我們不把它算成立，原因有三。看完網格再挑這一格，正是 Harvey, Liu & Zhu (2016) 提醒的多重檢定問題：20 個設計加上各自的網格一路試下來，即使訊號無效，也可能有一格靠運氣明顯高於 QQQ。它是單押一個類股，最大回撤 31% 到 38%。而且成績靠幾段長期持有撐起來：用最近一季營收的版本持有 XLE 33 個月，2022 年賺 64.2%，選項裡拿掉 XLE 後掉到 0.86。

其他訊號的觀察

自由現金流殖利率（0.82 與 0.74）前段很弱（0.66 與 0.54）。站上 200 日線比例前後兩段最平均（持有 2 個類股時 0.78 與 0.75），但一年換手大約 4 次，全期沒贏 QQQ（後段 0.75 對 1.15）。類股 ETF 6 個月動能是最傳統的類股基金輪動，只有 0.67 與 0.70，低於類股等權，rank IC 只有 0.006。離 52 週高點是 0.61 與 0.71。利潤率改善與盈餘成長前段很弱（0.06 到 0.50，同期 QQQ 0.70），後段強很多（0.87 到 1.36），前後完全相反，不像是穩定的效應。

類股資料的限制

• **XLC 從 2018 年 6 月才有。**通訊服務類股 2018-06-19 之後才能持有。2018 年 9 月 S&P 與 MSCI 把 Alphabet、Meta 從資訊科技、把 Netflix、迪士尼從非必需消費移到新的通訊服務類；2023 年 3 月 Visa、Mastercard 從科技移到金融。本文所有月份都用今天的公司資料分類，所以 Alphabet 一直算通訊服務、Visa 一直算金融，即使當時 XLK 持有它們。這是分組上的一點前視。
• **計分的股票不等於 ETF 持股。**SPDR 類股 ETF 持有的是 S&P 500 成分股、按市值加權；本文的分數是最多 1,000 檔成交活躍股票的中位數，多數是規模較小的公司。2026 年 10 月科技類有 206 檔，通訊服務只有 28 檔。
• **財報從 2016 年才完整。**FinLab 美股季報在 2016 年以前涵蓋的公司很少（2015 年第 4 季只有 581 家申報，2016 年第 1 季是 3,634 家），近四季營收成長與利潤率變化在 2017 年 8 月只算得出 50 檔，到 2018 年 3 月底才超過 800 檔，所以回測從 2018-04-02 開始。盈餘成長會跳過一年前虧損的公司，檔數更少。改從 2017 年 8 月起算（前幾個月能計分的類股較少），結論相同：營收成長 1.02 對 0.90、9 組贏 6 組，動能 9 組贏 2 組。
• **公司資料每天更新。**類股與證券類型欄位每天都會更新，日後重跑 research.py，結果可能有些微差異。

程式碼

營收成長類股輪動的核心是五個步驟：算每檔股票的成長率、留下成交活躍的股票、取每個類股的中位數、持有前 2 名的類股 ETF、和 QQQ 比較。

import finlab
import pandas as pd
from finlab import data
from finlab.backtest import sim
 
finlab.login()  # finlab 會自動引導登入
data.set_market("us")
 
SECTOR_ETF = {
    "Technology": "XLK", "Financial Services": "XLF", "Healthcare": "XLV",
    "Consumer Cyclical": "XLY", "Consumer Defensive": "XLP", "Energy": "XLE",
    "Industrials": "XLI", "Basic Materials": "XLB", "Utilities": "XLU",
    "Real Estate": "XLRE", "Communication Services": "XLC",
}
 
# 1. 近四季營收年增率（以 SEC 申報日納入）
revenue = data.get("us_income_statement:revenue").rolling(4).sum()
growth = (revenue / revenue.shift(4) - 1).index_str_to_date()
 
# 2. 股價高於 5 美元、成交金額前 1,000 大的股票，只有普通股會對到類股
close = data.get("us_price:close")
dollar_volume = (close * data.get("us_price:volume")).rolling(60).mean()
liquid = dollar_volume[close > 5].rank(axis=1, ascending=False) <= 1000
profile = data.get("us_company_profile")
common = profile[(profile["security_type"] == "common_stock") & ~profile["is_etf"].fillna(False)]
sector = common.set_index("stock_id")["sector"]
 
# 3. 每個月最後一個交易日，算每個類股的營收成長中位數
growth = growth.reindex(close.index, method="ffill").reindex(columns=close.columns)
month_ends = close.index.to_series().resample("ME").last().loc["2018-04":]
scores = pd.DataFrame({
    day: growth.loc[day][liquid.loc[day]].groupby(sector).median()
    for day in month_ends
}).T.rename(columns=SECTOR_ETF)
 
# 4. 持有成長最快的 2 個類股 ETF，等權，持有到下個月底
data.set_market("us_fund")
etf = data.get("us_fund_price:adj_close")
scores = scores.where(etf.reindex(scores.index)[scores.columns].notna())
position = (scores.rank(axis=1, ascending=False) <= 2).astype(float) / 2
days = etf.loc[month_ends.iloc[0]:].index
report = sim(position.reindex(days, method="ffill"), resample=position.index, upload=False)
 
# 5. 同一段日子和 QQQ 含息比較日夏普
equity = report.creturn
qqq = etf["QQQ"].reindex(equity.index).ffill()
for name, curve in [("Sector rotation", equity), ("QQQ", qqq)]:
    daily = curve.pct_change().dropna()
    print(name, round(daily.mean() / daily.std() * 252 ** 0.5, 2))

用到 2026-10-28 的資料，這段會印出 1.0 與 0.89。它從 2018 年 4 月底開始，比研究晚一個月，也省略了單日漲跌 50% 剔除、每類股至少 5 檔、同公司只留一種股份、排除 ADR 與基金這些條件。完整的 research.py 包含這些條件與全部 10 個訊號，--grid 會重現本文所有熱圖、前後兩段、成本重跑與 XLK 對照組。

不想自己寫程式，可以透過 AI 輔助安裝流程把 FinLab skill 裝進 Claude Code、Codex 或 Gemini CLI，用中文說「用成分股營收成長中位數替 SPDR 類股 ETF 排名，持有前 2 名」或「拿掉 XLK 重跑類股輪動，和類股等權比較」，AI 會寫好程式並跑出回測。

回測方法與限制

這個結果說明了什麼、沒說明什麼

它說明：2018 到 2026 年，用成分股的基本面或價格趨勢替美股類股排名，沒有穩定贏過 QQQ；看起來最好的版本，主要是持有科技股，2022 年前 11 個月換到能源與原物料，剛好避開科技股大跌。它沒有說明類股訊號完全沒有資訊：營收成長或動能排第 1 的類股，下個月確實平均比一般類股多賺約 1%，但優勢只停在第一名，8 年多的月資料也不足以分辨這是不是幾段好運氣。

對想拿真錢做類股輪動的人，比較實際的解讀是：基準比訊號更重要。這段期間科技是表現最強的類股，而且差距很大，QQQ 本來就重押它，多數輪動規則卻有很長一段時間不在科技股裡。FinLab 上三項驗證都過的美股策略，例如美股動能策略與 ETF 輪動策略回測，切換的是那斯達克曝險與防守部位，不是在類股之間換，而且用了槓桿 ETF，有它自己的風險。同一套資料的其他研究，還有美股 6 個知名選股法、槓桿 ETF 均線擇時與懶人資產配置組合。

常見問題

類股輪動策略是什麼？

依某個訊號（動能、獲利成長、景氣循環等）在類股基金之間移動資金的規則，例如在 11 檔 SPDR 類股 ETF 之間，持有排名最高的類股、賣掉其他的。

類股輪動能打敗大盤嗎？

本文的測試沒有。2018 到 2026 年，20 個規則化設計沒有一個對 QQQ 三項驗證全過，18 個連原始參數的日夏普都低於 QQQ，14 個還輸給 11 檔類股 ETF 直接等權。

2018 到 2026 年哪一檔 SPDR 類股 ETF 最好？

科技。XLK 年化 24.2%、日夏普 0.95，都高於 QQQ（20.3%、0.90）。日夏普第二高是醫療保健 XLV（0.72），最低是不動產 XLRE（0.44）。

類股動能有用嗎？

很弱。類股 ETF 自己的 6 個月動能只有 0.67 與 0.70，低於類股等權。改用各類股成分股的 12-1 月動能中位數好一些（持有 2 個類股 0.95），但 9 組鄰近參數只有 2 組贏 QQQ。

市場寬度（站上均線比例）適合拿來挑類股嗎？

在本文單獨使用時不適合。持有站上 200 日線比例最高的類股是 0.76 與 0.83；50 日線版本只有 0.43 與 0.47，是價格訊號裡最低的，一年還要換手約 8 次。台股的寬度指標可以參考騰落線 ADL 回測。

SPDR 的 11 檔類股 ETF 是哪些？

XLK（科技）、XLF（金融）、XLV（醫療保健）、XLY（非必需消費）、XLP（必需消費）、XLE（能源）、XLI（工業）、XLB（原物料）、XLU（公用事業）、XLRE（不動產）、XLC（通訊服務，2018 年 6 月成立）。

可以自己重跑嗎？

可以。透過 AI 輔助安裝流程裝好 FinLab skill，下載下面的 research.py，執行 python research.py --grid。

延伸閱讀

• 選股方法完整指南：基本面、技術面、籌碼面選股的做法與工具總覽。
• 美股量化策略總覽：FinLab 美股策略的績效比較與入門方式。
• 美股因子投資總覽：價值、品質、動能等因子在美股的研究整理。

下載資源

**投資警語：本文僅供教學參考，不構成投資建議。過去績效不代表未來表現，投資有風險。**本文所有回測均為全段樣本內結果；前後兩段只是穩定度檢查，未經樣本外驗證。

最後更新：2026-10｜回測區間：2018-04～2026-10｜基準：QQQ 含息｜作者：FinLab 量化研究團隊（經量化研究員審閱）