週轉率高低能選股嗎？台股低週轉、高週轉與突然放大，
27 組回測未勝 0050

在 2018 年 2 月至 2026 年 11 月這段台股資料中，低週轉、高週轉與週轉突然放大，三種設計都沒有通過驗證。原設定的日夏普依序為 0.30、0.38、−0.31，同期含息 0050 為 1.08；把平均天數、持股數或放大門檻往兩邊移，共 27 組參數，沒有一組高於基準。本文以反面教材為主，記錄把「冷門股會補漲」與「換手熱絡會續漲」寫成交易規則之後的結果。

週轉率選股的三種結果

個股週轉率是成交股數相對於流通股數的比例，週轉率與周轉率在這個語境中是同一個詞。它可以協助比較不同股本股票的交易熱度；策略每月換掉多少持股，也常叫周轉率，兩者的分子與分母不同。完整名詞與投組換手的成本關係，見周轉率說明。本文聚焦個股換手速度是否有選股能力。

低週轉的最大回撤比較淺，但長期報酬與日夏普都較低。高週轉雖有正報酬，最大回撤仍超過五成；週轉突然放大則連年化報酬都是負的。這三個觀察指向不同風險，不能合成一句「週轉率越高越好」或「越低越好」。股票選股完整指南介紹如何把單一指標放回多因子研究的架構。

成交股數除以當時已知的股數

本次個股日週轉率＝當日成交股數 ÷ 當時可取得的發行股數。分母使用 FinLab 的歷史月資料，沿資料的可得日期往後補到交易日。2330 的資料檢查例子是約 259.32 億股；股數較多的公司，即使成交股數很大，換手比例也未必高。

直接讀歷史股數，可以避免把所有股票的面額都當成 10 元。若從財報股本換算，還要處理金額單位、每股面額與面額變更。用最新股數回填整段歷史，也會把當時不知道的增資、減資與拆股資訊帶回過去，造成前視偏差。這次沒有這樣回填。

已發行股數仍是流通在外股數的近似：沒有另扣庫藏股、限售股或大股東長期不交易的持股；月資料也不會即時反映每一次股數變動。因此，它衡量的是相對整體股數的交易熱度，無法直接回答市場上實際可買到多少籌碼。這個限制對低流通股比例的公司尤其重要。

股票池保留歷史價格表中的四碼普通股，排除代號以 0 開頭的 ETF 等商品，以及 91 開頭的存託憑證；再要求近 20 日平均成交金額大於 2,000 萬元、當天有價格與正成交量。這個成交額門檻先做，才依週轉率排序，避免低週轉組塞滿幾乎沒有交易的股票。金融股與 KY 股沒有一律排除，也沒有另加目前上市名單去刪除已下市公司。

低週轉與高週轉，測的是相反假說

Datar, Naik & Radcliffe（1998）以成交股數占流通在外股數的比例作為流動性代理，檢驗美股流動性與報酬的關係。低週轉可能對應較低流動性，投資人要求補償；這是低週轉設計的研究動機。原研究是跨股票的統計分析，不能直接推出台股每月買最低 30 檔就會有效。

高週轉設計則檢查另一個方向：交易熱絡是否能延續報酬。Lee & Swaminathan（2000）研究歷史成交量與價格動能的交互關係，顯示交易量可以區分不同階段的動能。這並不等同「高週轉率就買進」；本文把高週轉單獨拿出來，檢查省略價格動能後還剩下多少選股能力。

第三種設計看的是股票相對自己的變化。近 5 日平均週轉率除以較長天數平均，超過門檻才入選，按放大倍數取前 30 檔。這能區分「向來熱門」與「最近突然熱起來」，但沒有區分放量上漲與放量下跌。若關心量跟價格方向的組合，可接著看量價背離回測；爆量、漲停與當沖研究處理的是另一些事件條件。

四條淨值從共同起始日歸一。低週轉的曲線較平，沒有轉成較好的風險調整報酬；高週轉的波動很大，也沒有以足夠的報酬補償。放大版本持續換進近期交易最活躍的股票，則在這段資料中逐步累積虧損。圖中的對數刻度呈現累積倍率，表格的最大回撤才是從各自高點跌下來的幅度。

鄰近參數：27 組都未形成有效區域

開跑前固定的網格如下，看到結果後沒有改選股條件。

熱圖每一格是該設定的日夏普減去同期 0050 的 1.08，三個面板分別對應低週轉、高週轉與突然放大。要有七成以上的鄰近組合勝出，九組至少要有七組；這次三個設計都是零組。沒有理由在其中挑一個比較不差的格子，改稱找到有效的週轉率門檻。

「週轉率多少算高」也難用一個固定百分比回答。不同股本、交易制度與時期，分布會變；本次低、高週轉使用當天股票池內的相對排序，放大設計則使用自己相對自己的倍數。這兩種方式都沒有把單一絕對數字當成全市場通用門檻，結果仍未通過。

前後半段與成本，沒有補回優勢

回測依交易日數對半切，兩邊都用各自同期基準比較。高週轉的後半段好於前半段，仍低於 0050 的 1.36；突然放大也是後半段才接近正值，無法支撐跨期間穩定的結論。程式另列剔除策略年報酬最好一年後的結果，避免只靠某一年的表現過關；三個設計在鄰近參數與分段兩關已先失敗。

全部策略都使用 sim() 預設交易成本：買賣各收 0.1425% 手續費，賣出另扣 0.3% 證交稅。沒有把成本設成零，也沒有另外加上滑價。低、高週轉每月的目標權重單邊換手平均都約 35%，單月最高 60%；突然放大平均約 335%，最高約 463%，因為一個月裡會換好幾次。

這裡的單邊換手是各次目標權重變化絕對值總和的一半，再加總到月，未計持有期間的價格漂移，最後一個月也尚未結束。它與選股用的個股週轉率完全不同，卻會決定實際要付多少交易成本。高頻替換持股的代價，在回測方法與成本中有更完整的說明。這次沒有額外跑零成本版本，無法把虧損精確拆成選股訊號與成本各占多少。

用 FinLab 重跑原設定

以下核心程式對應低週轉 40 日、30 檔版本。需要資料時套件會引導登入；可將條件交給 AI 修改，但改過之後就是另一個研究，不能沿用本文結果。

import pandas as pd
from finlab import data
from finlab.backtest import sim
 
data.truncate_end = "2026-11-09"
volume = pd.DataFrame(data.get("price:成交股數"))
amount = pd.DataFrame(data.get("price:成交金額"))
issued = pd.DataFrame(data.get("internal_equity_changes:發行股數"))
issued = issued.reindex(volume.index, method="ffill")
turnover = volume / issued.where(issued > 0)
 
stocks = [
    s for s in volume.columns
    if len(s) == 4 and s.isdigit() and not s.startswith(("0", "91"))
]
liquid = amount[stocks].rolling(20).mean() > 20_000_000
score = -turnover[stocks].rolling(40).mean()
score = score.where(liquid & volume[stocks].gt(0))
position = (score.rank(axis=1, ascending=False, method="first") <= 30) / 30
month_ends = position.groupby(position.index.to_period("M")).tail(1)
month_ends = month_ends.loc["2017-12-01":]
report = sim(month_ends, resample=month_ends.index, upload=False)
report.to_html("report_low_turnover.html")

完整下載版另含共同區間統計、高週轉與放大版本。三者的比較表統一從 2018-02-01 起算，前面的部位資料供持倉暖機；文章內嵌報告的淨值也裁到共同區間。互動報告的夏普使用套件預設無風險利率 2%，本文表格的日夏普採零利率，因此兩個夏普口徑不同，年化報酬與回撤可直接對照。

回測方法與適用限制

歷史資料可能修補，套件版本也會變。本文數字使用同一次完整執行的結果，兩篇研究的 0050 基準採相同日期與算法。回測過度擬合說明為何同一段資料反覆試很多規則，容易產生偶然的漂亮結果；本次保留全部失敗組合，沒有換一個參數重新命名。

常見問題

週轉率跟周轉率有差嗎？

在股票成交語境中，通常是同一名詞的不同寫法。閱讀時更應確認指的是個股成交股數占總股數，還是投資組合換掉多少部位；資產周轉率則是財務上的營運效率指標，也不能混用。

週轉率高，表示主力正在買嗎？

每一筆成交同時有買方與賣方。週轉率只描述交易股數相對股數有多大，不能單靠這個比例判斷買方身分、集中度或買超方向。法人籌碼比較測的是另一類資料。

低週轉率是不是比較安全？

本文原設定的回撤較淺，但年化只有 3.0%，也不代表個別股票容易賣出。低週轉可能伴隨較大買賣價差，遇到需要退出時，報價與可成交數量會比歷史收盤價更重要。

週轉率突然放大兩倍，可以追嗎？

本次每週買進放大倍數最高、且超過兩倍的股票，年化為 −11.1%。這不支持把放大量單獨當成追價規則；加上價格方向或其他條件，需要重新驗證。

為什麼先排除低成交金額？

低週轉組容易選到幾乎沒有交易的股票。門檻把研究限制在日均成交額超過 2,000 萬元的股票，但這也代表結論不能直接外推到門檻以下的股票。

27 組都沒過，代表成交量沒有用嗎？

結論只涵蓋這三個選股設計、這段資料與這組成本。價格與成交量的組合、持有時間或其他股票池可以產生不同問題。OBV 台股實測研究累積量能；本文不把兩者視為同一個因子。

下載與研究資料

FinLab 量化研究團隊使用套件與歷史資料，研究明確規則在扣除成本後的表現，並檢查鄰近參數與分段結果。本文三種設計均未通過驗證，未新增對應策略頁。

免責聲明：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。投資一定有風險，請審慎評估自身風險承受能力。

最後更新：2026-11｜回測區間：2018-02-01 至 2026-11-09｜作者：FinLab 量化研究團隊