自由現金流選股 13 年實測：經典螺絲輸 0050，
多因子 FCF 才贏（年化 24%）

很多存股教學都推「自由現金報酬率」這個冷門又迷人的指標，說它能幫你挑到體質好的績優股。我們直接把它寫成可重現的選股策略，用 finlab 把 2013-04 到 2026-06 共 13 年的台股資料跑一次回測，結果跟多數教學講的不太一樣。

一句話結論： 教科書版本的自由現金報酬率價值螺絲（自由現金報酬率前 30％＋本益比 < 25＋股價淨值比 < 1.5）13 年只有年化 14.22％、夏普 0.94，跑輸同期含息 0050 的 21.01％。真正贏過大盤的，是把自由現金報酬率、營收成長、價格動能這三個低相關因子疊起來：年化 24.18％、夏普 1.28、最大回撤 -30.90％（比含息 0050 的 -33.96％ 還淺）。

下面這張是多因子版本、經典螺絲與含息 0050 的權益曲線，全部用 finlab 真實回測、等權重、月調倉：

想自己改因子、換條件即時重算，可以用 AI 輔助安裝流程把 finlab 裝起來：

自由現金報酬率是什麼？

財報狗的「策略狗」公開了一個比較少見的指標：自由現金報酬率。它的算法直接引用策略狗的教學定義。

關鍵差別在分子。一般人看獲利只盯每股盈餘或帳面盈餘，但盈餘是會計數字，可以靠認列方式美化；自由現金流是公司真正收進來、扣掉維持營運與擴張所需資本支出之後，還能自由運用的現金。一家公司就算帳面有獲利，若現金都被應收帳款或設備投資吃光，自由現金流仍可能很薄。用自由現金流當分子、再除以投資資本，等於在問：這家公司每投入一塊錢資本，一年能擠出多少自由現金？比率越高，代表把資本轉成真現金的效率越好，通常也就是體質越穩健的公司。這類財務名詞可以對照量化投資詞彙表釐清。

第一個發現：單獨用自由現金報酬率，贏不了大盤

我們先照教學把它寫成最直覺的價值螺絲：自由現金報酬率全市場前 30％、本益比小於 25、股價淨值比小於 1.5，每月調倉、等權重、滿足條件就買進。13 年下來它的年化只有 14.22％、夏普 0.94，落後含息 0050 將近 7 個百分點。

不死心，我們又試了幾種常見的變形，包括把它集中到少數幾檔、加上價格動能。為了不挑數字，五種版本全部列出來：

兩個反直覺的觀察：第一，把策略集中到少數幾檔（V2、V5）反而更差，夏普掉到 0.6～0.9，回撤更深。自由現金報酬率比較像一個讓整體勝率往上偏的廣度因子，硬要押在最高的幾檔身上，個股波動會把優勢吃掉。第二，唯一明顯贏過含息 0050 的是 V4：它不靠集中，而是靠疊加。

第二個發現：三個低相關因子疊起來才贏

V4 的選股邏輯是同時要求三件事：自由現金報酬率全市場前 30％（體質）、月營收年增率為正（成長）、近三個月股價站上（動能）。這三個因子看的是不同面向，彼此相關性低，失靈的時機也不同步，疊在一起時一個拉回、另一個還撐得住，整體波動就被壓下來。這也是為什麼它的夏普 1.28 與索提諾 1.88 明顯高過任何單一版本。其中價格動能這個因子的長期有效性，最早由 Jegadeesh & Titman (1993) 在美股實證提出，後續也在台股反覆被驗證，把它和價值體質因子搭配，正是經典的低相關組合。

核心程式碼：三個因子怎麼疊

整套策略的核心其實只有幾行。先算出自由現金報酬率，再把營收年增與三個月動能兩個條件疊上去，最後交給 finlab 的 sim 回測。完整可下載版見下方 strategy.py，這裡先看骨架：

import numpy as np
from finlab import data
from finlab.backtest import sim
 
# 自由現金報酬率 ＝ 自由現金流 ÷ 投資資本（股東權益＋短期借款＋長期借款）
fcf = data.get("fundamental_features:自由現金流量")
equity = data.get("financial_statement:股東權益總額")
short_debt = data.get("financial_statement:短期借款")
long_debt = data.get("financial_statement:長期借款")
invested_capital = equity.fillna(0) + short_debt.fillna(0) + long_debt.fillna(0)
fcf_yield = (fcf / invested_capital).replace([np.inf, -np.inf], np.nan)
 
# 另外兩個低相關因子：營收成長與價格動能
revenue_yoy = data.get("monthly_revenue:去年同月增減(%)")
close = data.get("price:收盤價")
momentum = close / close.shift(60)
 
# 三因子同時成立才買進
position = (
    (fcf_yield.rank(axis=1, pct=True) > 0.7)
    & (revenue_yoy > 0)
    & (momentum > 1)
)
report = sim(position, resample="M", name="自由現金流多因子")

rank(axis=1, pct=True) > 0.7 的意思是每一天把全市場股票依自由現金報酬率排序、取前 30％；resample="M" 是每月調倉（本文開頭表格那組數字就是這個版本，每季再略好一點，見下一節）。你只要把這三個條件換成自己想驗證的因子，就能立刻重跑出一條新的權益曲線，這也是用真實資料做選股研究最有價值的地方：所有結論都可以自己復現、自己挑戰。

回撤的差距更直接。多因子版本 13 年最深只回 -30.90％，比含息 0050 的 -33.96％ 還淺一些，等於用更高的報酬換到更小的痛苦。

完整的互動報告（可看每筆交易、年度報酬與部位明細）在這裡：

策略的完整程式碼可以直接下載重跑：strategy.py，回測權益曲線數據在 data.csv。想把多因子怎麼疊看得更完整，可以參考多因子選股實戰：年化贏過 0050。

第三個發現：每年換一次股，其實太久了

很多存股教學會說「價值股每年換一次就好」。對多因子版本來說，這個結論並不成立。我們把同一套 V4 條件分別用每月、每季、每年三種換股頻率各跑一次：

每季與每月幾乎打平、每季略好，但拉長到每年，年化就掉到 18.88％、夏普掉到 1.02。原因在於這套策略含有動能因子，而動能的有效期本來就短；一年才換一次，等於讓動能訊號放到過期。所以這類含動能的多因子策略，每季調倉是比較合理的節奏。

幾個要老實講的限制

第一，這是 2013-04 到 2026-06 的樣本內結果，台股這段期間整體偏多頭，換到不同期間、不同參數，數字一定會變，不能當成未來保證。第二，V4 平均持有約 155 檔，它的本質是一個分散的因子組合，而不是少數幾檔的集中存股；想拿來當「只買十檔長抱」的清單並不適合。第三，回測未計交易成本與滑價，每季調倉的周轉雖然不算高，實單仍要把手續費與流動性算進去。把這三點放在心裡，這套策略真正的用途是：當一個有體質、有成長、有動能的分散選股框架，而不是一張穩賺的明牌。

常見問題

自由現金報酬率高的股票一定會漲嗎？ 不一定。我們也做過自由現金報酬率與單月報酬的相關性檢查，短期幾乎看不出關聯，這是長期體質指標，醞釀不出一個月的漲跌。它的價值在於長期把勝率往上偏，而且高自由現金報酬率的股票短期波動通常較低、不易暴漲暴跌，比較適合當分散組合裡的體質濾網。

為什麼經典的自由現金報酬率螺絲會輸 0050？ 因為它本質上是一個偏向深度價值的篩選（股價淨值比小於 1.5），而 2013 到 2026 這段期間，台股的權值與成長股表現強勁，純深度價值反而落後。把成長與動能因子補進來，才把這個缺口補上。

這套策略要多久換一次股？ 以本文的多因子版本來說，每季調倉表現最好（年化 24.86％、夏普 1.30），每月幾乎一樣，但每年就明顯變差，因為動能訊號會過期。完整選股流程與其他面向，可參考台股選股完整指南，以及換股頻率的延伸實測績優股獵犬 2：多久換股一次最好。

延伸閱讀

• 台股選股完整指南：基本面、技術面、籌碼面、消息面
• 多因子選股實戰：年化贏過 0050

本文由 FinLab 量化研究團隊撰寫。所有回測均以 finlab 套件在真實台股歷史資料上實證，程式碼與權益曲線數據皆可下載重跑，歡迎自行驗證與挑戰。

投資警語：本文所有回測數據來源為 finlab 真實實測（2013-04 至 2026-06），僅供教學與研究參考，不構成投資建議。過去績效不代表未來表現，投資有風險，請依個人風險承受度審慎評估。