美股公司行動事件回測：配息調升、拆股、納入 S&P 500，
六種訊號全輸 QQQ

我們把六種公司行動寫成交易規則，在美股普通股上測 2016 年 7 月到 2026 年 11 月：配息調升、首次或恢復配息、除息捕捉、正向拆股、納入 S&P 500、剔除出 S&P 500。六種都沒有贏含息的 QQQ。日夏普最高的是除息捕捉 0.75，QQQ 是 0.93，收每邊 0.1% 成本後掉到 0.29。配息調升年化 12.4%、夏普 0.72，和等權 S&P 500 的 RSP 打平，離 QQQ 的年化 20.0% 還很遠。54 組參數只有 1 組扣成本前贏 QQQ，收每邊 0.1% 成本後夏普變成 -0.51。

站上的美股研究多半是用因子排序股票，或替大盤擇時。公司行動是另一種訊號：公司或指數委員會公布的事件，有明確日期，學術研究也累積了幾十年。這篇只問一個實際的問題：用當時真的查得到的日期，在事件之後買進，結果有沒有比直接買 Nasdaq 100 好？

公司行動訊號關鍵數字

QQQ、SPY、RSP 的區間是 2016-07-05 至 2026-11-06。首次配息的第一筆事件在 2018 年 1 月，剔除規則的第一筆交易在 2016 年 11 月，兩者各自和同一段日期的 QQQ 比（QQQ 夏普分別是 0.79 和 0.91）。參數裡的金額是日均成交值下限，單位美元。

測試的六條規則

• 配息調升。 公司的常規每股股利比上一次常規配息高出 1% 以上（已調整拆股）。持有 60、120 或 240 個交易日，流動性門檻 500 萬、2,000 萬或 5,000 萬美元。
• 首次或恢復配息。 公司在兩年沒有配息之後配息，且至少有兩年股價資料。持有 60、120 或 240 日，門檻 100 萬、500 萬或 2,000 萬美元。這類事件少，所以門檻放低。
• 除息捕捉。 除息日前 1、3 或 5 個交易日買進，除息日收盤賣出，只做單次股利佔股價至少 0.5%、1% 或 2% 的配息。細節見除息日價差與成本的實測。
• 正向拆股。 拆股比例至少 1 股拆成 1.5 股。持有 60、120 或 240 日，門檻 500 萬、2,000 萬或 5,000 萬美元。
• 納入與剔除 S&P 500。 兩條獨立規則，股票進入或離開指數時買進。持有 20、60 或 120 日，單檔上限帳戶的 5%、10% 或 20%。細節見指數成分變動前後的路徑。

每條規則是 3 × 3 的參數格點，中間那格是原設定，格點在看到任何結果前就寫好。持股等權，單檔上限 5%（格點另有設定者除外），符合的股票少於 20 檔時其餘留現金。

事件研究最難的是日期

公司行動要在你知道的那天才有用，規則的日期都用當時已公開的資訊來定。

有三項清理對結果影響很大。來源的股利沒有調整拆股（蘋果 2020 年 1 拆 4 前後，每股股利從 0.82 美元變成 0.205 美元），所以比較前先用同一張表的拆股比例換算。特別股利不列入調升基準：距離上一次配息不到 20 天，或金額達到最近四次常規配息中位數的兩倍以上，都不算調升。代號變更（例如 Fiserv 的 FISV 變成 FI）不算真的納入，一週內就被改回的名單編輯也不算，我們從 S&P 500 名單刪掉這樣的 32 對。沒做這一步，納入規則的夏普是 0.41，做完是 0.47。

股票池是美股普通股，含下市股票，一家公司留一個股別，排除 ETF、基金與 ADR。事件當天收盤價要高於 5 美元，過去一年沒有單日漲跌 50% 以上，日均成交值用未還原的收盤價計算；用還原價會高估之後做過反向分割的股票的成交值。公司資料註明美國以外國家的公司不列入配息與拆股規則，因為它們的股利是換算成美元，股利沒變也可能看起來像調升。

策略怎樣才算過關

「贏」指同一段日期裡，日夏普高於含息的 QQQ，沒有扣無風險利率。以下條件都在看到結果前固定：

1. 鄰近參數。 9 組參數至少 7 組贏 QQQ。
2. 前後兩段。 原設定在前後兩段都要贏。
3. 成本。 finlab 美股預設成本 0 和每邊 0.1% 都要贏。
4. 現金。 扣掉短天期國庫券（BIL）後的報酬也要贏，因為有些規則大多時間留現金。
5. 單一年份。 拿掉領先 QQQ 最多的那個日曆年後，還要領先。

六條規則五項全部沒過。54 組參數裡唯一贏 QQQ 的是除息前 1 日買進、殖利率下限 0.5% 的除息捕捉，扣成本前夏普 1.11。

每張小圖是一條規則，列是持有天數（除息捕捉是提前買進的天數），欄是第二個參數：流動性、殖利率下限或單檔上限。結果一致低於 QQQ，看不到只在少數倒楣參數上輸的情況。

配息調升：持股很廣，結果和 RSP 打平

配息調升規則平均持有 256 檔，一直滿倉。這麼多檔，行為就像一個等權的大中型配息股組合：夏普 0.72，RSP 也是 0.72；年化 12.4%，RSP 12.0%。最大回撤 -41.6%，比 RSP 的 -39.0% 深一點。單邊週轉一年 3.1 次，成本影響小，每邊 0.1% 下夏普從 0.72 變成 0.68。

事件本身沒有帶來能量測到的優勢。配息調升後 120 個交易日，平均比 QQQ 少 4.87 個百分點，只有 38.6% 的事件領先。5,828 次調升幾乎涵蓋市場上大部分配息公司，所以這個比較多半是在比配息股和 Nasdaq 100。Benartzi、Michaely 與 Thaler（1997）發現股利調升反映的多半是過去的盈餘，對未來盈餘成長的訊息有限，和這裡看到的訊號比好消息晚到一致。相關的研究有美股知名選股公式回測裡的股利成長條件，它要求連續三年調升。台股類似的做法見現金股利調高選股，單獨買也輸 0050，要搭配月營收動能才有用。

首次或恢復配息

2018 年起，日均成交值 500 萬美元以上的股票有 220 次首次或恢復配息。組合平均持有約 12 檔，平均投入 58%，常常有一部分留現金。年化 4.1%、夏普 0.33，前後兩段 0.41 和 0.24，QQQ 同期是 0.57 和 1.06。

Michaely、Thaler 與 Womack（1995）發現首次配息後股價持續上漲。這裡 20 天後平均領先 QQQ 0.77 個百分點，120 天後落後 3.94 個百分點，120 天時只有 37.1% 的事件領先。只有 220 次事件，短天期的數字都在雜訊範圍內，樣本的市場環境也和他們當年研究的很不一樣。

正向拆股：看不到漂移

規則平均持有約 7 檔，平均投入 37%。前半段夏普 1.01，QQQ 是 1.27；後半段 0.32，QQQ 是 0.60。Ikenberry、Rankine 與 Stice（1996）和 Desai 與 Jain（1997）發現拆股後一年以上有正的異常報酬。這個樣本裡，拆股後 120 天平均落後 QQQ 1.61 個百分點，240 天落後 6.29 個百分點。中位數落後更多，120 天 -5.19 個百分點，少數大贏家把平均值拉高了。

事件之後平均發生什麼事

報酬從成交日（訊號隔天）起算，減同一段日期的 QQQ。之後價格不夠長的事件不列入較長天期的欄位。

表上看得出兩件事。第一，前一週的數字都很小，之後偏向負值，看不到舊論文裡的那種漂移。第二，QQQ 的門檻很高：年化 20.0%，到了 240 天，每一列只有 32% 到 38% 的事件領先它。

為什麼 2022 年是六條規則領先最多的一年

領先 QQQ 最多的日曆年，六條規則都是 2022 年。那年 QQQ 跌 32.6%，這些組合跌得少很多，或大致持平。拿掉這一年，QQQ 的夏普從 0.93 升到 1.26，配息調升從 0.72 升到 0.85。規則輸在 QQQ 快速上漲的年份，而這段時間裡這樣的年份佔了多數。

樣本後半段比較接近。QQQ 的夏普從 1.27 掉到 0.60，配息調升（0.64）和除息捕捉（0.86）在這一段贏 QQQ，但前半段都輸，所以沒過前後兩段檢查。這項檢查擋的就是只在一段時間有效的規則。

除息捕捉與指數變動：分開寫成兩篇

除息捕捉和 S&P 500 變動各有不少內容要交代，所以另外寫。重點如下：

• 美股除息日的價差：除息日股價跌幅小於股利，單次股利 0.5% 到 2% 的配息，每筆扣成本前約 0.17% 到 0.18%，比來回 0.2% 的成本還小。
• 納入 S&P 500 前後的股價：納入股在名單日期之前 20 天平均已經贏 QQQ 約 5.2 個百分點，120 天後大部分又吐回去。

和其他研究對照

台股也有同類研究。台股公司行動事件回測測股票股利、庫藏股、現金增資與減資，7 個訊號只有 1 個贏 0050，方向和本文接近。除權息全攻略則討論台股的棄息、抱息與稅務。

美股其他事件研究裡，盈餘驚喜策略用財報事件替大盤擇時，用法和本文買進持有事件股票不同。想看整體哪些規則有效，可以從美股量化交易策略比較和 QQQ、SPY、VOO、VTI 比較開始。剛接觸規則化投資，可以先看量化交易入門。

程式碼

這段是正向拆股規則，六條裡最短。用到 2026-11-06 的資料，它印出的日夏普是 0.56，FinLab 修訂資料時最後一位可能變動。research.py 包含六條規則、54 組參數和五項檢查。

import finlab
import numpy as np
import pandas as pd
from finlab import data
from finlab.backtest import sim
 
finlab.login()
data.set_market("us")
data.truncate_end = "2026-11-06"
 
adj_close = data.get("us_price:adj_close")
raw_close = data.get("us_price:close")
volume = data.get("us_price:volume")
days = adj_close.index
 
# 美股普通股，含下市股票，一家公司留一個股別
profile = pd.DataFrame(data.get("us_company_profile")).astype({"stock_id": str}).drop_duplicates("stock_id")
keep = (
    (profile["security_type"] == "common_stock")
    & ~profile["is_etf"].fillna(False).astype(bool)
    & ~profile["is_fund"].fillna(False).astype(bool)
    & ~profile["is_adr"].fillna(False).astype(bool)
)
stocks = profile.loc[keep, ["stock_id", "company_name", "country"]].astype(str).sort_values("stock_id")
stocks = stocks.drop_duplicates("company_name")
stocks = stocks[stocks["stock_id"].isin(adj_close.columns)]
us_stocks = set(stocks.loc[stocks["country"].isin(["US", "nan"]), "stock_id"])
columns = sorted(stocks["stock_id"])
 
# 事件當天可交易：收盤高於 5 美元、日均成交值 2,000 萬美元、一年內沒有單日漲跌 50%
dollar_volume = (raw_close * volume).rolling(60, min_periods=20).mean()
daily_return = adj_close.pct_change(fill_method=None)
wild = (daily_return.abs() >= 0.5).astype(float).rolling(252, min_periods=1).max().shift(1).fillna(0) > 0
tradable = (raw_close > 5) & (dollar_volume > 20e6) & ~wild
tradable = pd.DataFrame(tradable).reindex(index=days, columns=columns).fillna(False).astype(bool)
 
# 1 股至少拆成 1.5 股的正向拆股
actions = pd.DataFrame(data.get("us_corporate_actions")).astype({"symbol": str})
splits = actions[(actions["split_factor"] >= 1.5) & actions["symbol"].isin(us_stocks)]
 
events = pd.DataFrame(False, index=days, columns=columns)
rows = np.searchsorted(days.values, pd.DatetimeIndex(splits["date"]).values)
for row, symbol in zip(rows, splits["symbol"]):
    if symbol in events.columns and row < len(days):
        events.iloc[row, events.columns.get_loc(symbol)] = True
 
# 每次拆股持有 120 個交易日，單檔上限 5%
position = (events & tradable).astype(float).rolling(120, min_periods=1).max() > 0
position = position.loc["2016-07-01":"2026-11-06"]
position = position.loc[:, position.any()]
 
report = sim(position, resample=None, position_limit=0.05, upload=False)
returns = report.creturn.pct_change().dropna()
print("日夏普：", round(returns.mean() / returns.std() * 252 ** 0.5, 2))

不想自己寫也可以。照 AI 輔助安裝流程裝好 FinLab skill，或直接到 FinLab Studio 用白話請 AI 重跑，例如「配息調升只測 S&P 500 成分股」或「拆股規則加上 20 日動能濾網，每邊收 0.05% 成本」。

回測方法

這個結果能說明什麼

在這段期間和這些規則下，配息調升、首次配息、正向拆股、S&P 500 變動之後買進，都沒有贏 QQQ；除息捕捉 9 組參數有 1 組扣成本前贏。配息調升組合的風險調整報酬和等權 S&P 500 相同，所以已經持有等權美股的人，偏向調升股在這裡看不出壞處，也看不出好處。

這篇無法告訴你原始的學術效果還在不在。我們的日期是資料裡最早能驗證的日期，S&P 500 變動還晚於實際公告。測試涵蓋的十年，QQQ 又特別強。如果你交易的是小型股的公司行動，或想交易公告而不是事件日，需要另外測。

常見問題

公司行動能預測股價嗎？

在這個測試裡不能。2016 到 2026 年，六條美股事件規則都沒贏含息的 QQQ，最接近的是除息捕捉，扣成本前夏普 0.75，QQQ 是 0.93。

買配息調升的股票是好策略嗎？

在這個測試裡和等權 S&P 500 打平：年化 12.4%、夏普 0.72，RSP 是 12.0% 和 0.72。9 組參數全部輸 QQQ 的 20.0% 和 0.93。

股票拆股後會漲嗎？

正向拆股後 120 個交易日，平均落後 QQQ 1.61 個百分點，中位數落後 5.19 個百分點。每次拆股持有 120 日的組合年化 5.0%、夏普 0.56。舊研究發現正的漂移，但樣本是另一段時間。

首次配息後股價會漲嗎？

這個樣本沒有。2018 年起日均成交值 500 萬美元以上的 220 次事件，組合夏普 0.33、年化 4.1%，事件後 120 天平均落後 QQQ 3.94 個百分點。

為什麼用 QQQ 比，不用 S&P 500？

站上所有美股策略都用 QQQ 當基準，結果才能互相比較。表上也列了 SPY 和 RSP：配息調升和 RSP 打平，輸 SPY 與 QQQ。

有任何參數贏 QQQ 嗎？

54 組有 1 組：除息捕捉，除息前 1 日買進、單次股利至少 0.5%，扣成本前夏普 1.11。每邊收 0.1% 後變成 -0.51。

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。

延伸閱讀

• 除息捕捉策略回測：31,843 次除息日，股價跌幅小於股利，但付不起成本。
• S&P 500 納入與剔除回測：18 組參數全輸 QQQ，事件前後的路徑分兩段期間列出。
• 道瓊狗股策略回測：另一種靠配息選股的美股規則。
• 美股知名選股公式回測：Magic Formula、CANSLIM 與股利成長。

下載資源

投資警語：本文僅供教學參考，不構成投資建議，也不推薦任何個股。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，前後兩段未經樣本外驗證。

最後更新：2026-11｜回測區間：2016-07～2026-11｜資料截至 2026-11-06，重跑日 2026-11-09｜基準：QQQ 含息｜作者：FinLab 量化研究團隊（經量化研究員審閱）