美股回測教學：finlab 完整上手流程＋股價淨值比移植實測

把台股最經典的股價淨值比選股模板原封不動搬到美股，用 2016 年 3 月到 2026 年 7 月的資料重跑一次，結果是：B/P 月 Rank IC 平均只有 -0.0095（t 值 -0.70，統計上與零無異），最便宜十分位對最貴十分位的年化價差僅 +1.41%，可交易的低 PB 組合年化 8.13%、最大回撤 -50.2%，同期 QQQ 含息年化 20.23%、SPY 含息 13.68%。這個因子在美股沒有排序力，做成組合更是全面落後指數。

這篇文章做兩件事。第一，用這個案例完整走一遍 finlab 的美股回測工作流：從資料取得、因子建構、橫截面檢驗到回測執行，每一步都附程式碼，你可以整套複製到自己的題目上。第二，把「台股策略能不能直接搬到美股」這個問題用數據回答清楚，並更正本文 2023 年舊版的結論。想先看在美股實測有效的策略，可以直接跳到文末的策略清單。

關鍵數字：股價淨值比移植美股的成績單

對照組是我們用同一套工具在台股跑出的結果：台股 2010 到 2026 年按 PB 分五組每季換股，最低分位年化 14.13%、最高分位 7.77%，報酬隨 PB 嚴格遞減、排序完全成立，只是五組全部輸給 0050 含息的 16.43%。台股的 PB 至少是一個「有資訊但不夠強」的因子；到了美股，連排序資訊本身都消失了。

美股回測上手：finlab 完整工作流

先講工具面。finlab 套件的台股與美股共用同一套語法，data.set_market("us") 之後，data.get()、FinlabDataFrame 運算、sim() 回測全部照舊，台股使用者的既有經驗可以直接沿用。如果你還在評估要不要投入美股研究，為什麼要投資美股整理了市場規模與產業廣度的理由；資料表的完整清單與欄位說明在美股資料庫使用指南。

環境準備最快的路徑是用 AI 輔助安裝：

裝好之後，下面這段程式碼就是本文全部分析的核心骨架，一行一個動作：

import finlab
from finlab import data
from finlab.backtest import sim
 
finlab.login()          # 套件會在需要資料時自動引導登入
data.set_market("us")   # 切換到美股資料
 
# 一、載入價量與財報資料
close = data.get("us_price:adj_close")
volume = data.get("us_price:volume")
eps = data.get("us_income_statement:eps_diluted")
net_income = data.get("us_income_statement:net_income")
equity = data.get("us_balance_sheet:total_stockholders_equity")
 
# 二、定義流動性宇宙：60 日平均成交金額前 500 檔
dollar_volume = (close * volume).rolling(60, min_periods=20).mean()
# 完整版(下載檔)另剔除近一年出現極端單日報酬的資料異常股
universe = (
    dollar_volume.is_largest(500)
    & (close > 10)
    & (dollar_volume > 10_000_000)
)
 
# 三、建構 B/P 因子
# 美股資料沒有現成的流通股數欄位，用 TTM 淨利 ÷ TTM 稀釋 EPS 反推
ttm_eps = eps.rolling(4).sum()
ttm_net_income = net_income.rolling(4).sum()
shares = ttm_net_income / ttm_eps
 
book_per_share = equity / shares
bp = book_per_share / close     # B/P 越高代表越便宜
 
# 反推股數在 EPS 接近零時會失真，加上防呆條件
valid = (ttm_eps.abs() > 0.05) & (equity > 0) & (shares > 0) & universe
bp = bp[valid]
 
# 四、選出最便宜五分位中 B/P 最高的 50 檔，每月再平衡
cheapest_quintile = bp.rank(axis=1, pct=True) > 0.8
position = bp[cheapest_quintile].rank(axis=1, ascending=False) <= 50
 
# 五、回測：美股零佣金環境，費用參數設 0
report = sim(
    position,
    resample="M",
    fee_ratio=0,
    tax_ratio=0,
    position_limit=0.05,
    upload=False,
)
report.display()

幾個美股特有的細節值得展開：

• 資料 key 前綴：美股個股價量在 us_price:，財報在 us_income_statement:、us_balance_sheet:，ETF 含息價格在 us_fund_price:adj_close（本文的 QQQ 與 SPY 基準即取自這裡）。
• 股數要反推：美股財報表沒有直接的流通股數欄位，慣用做法是 TTM 淨利 ÷ TTM 稀釋 EPS。這在 EPS 絕對值極小時會除出天文數字，所以程式裡加了 |TTM EPS| > 0.05 與權益為正的防呆；漏掉這步，因子排名會被少數異常值污染。
• 宇宙定義是回測的第一道品質關：美股上市家數多、雞蛋水餃股與資料異常股比台股多得多。本文用 60 日平均成交金額前 500 檔、股價 10 美元以上、日均成交額 1,000 萬美元以上的滾動宇宙，並剔除近一年出現過極端單日報酬的資料異常股。宇宙怎麼切會直接改變結論，美股宇宙分類器與 PEG 策略有更完整的討論。
• 財報以申報日對齊：finlab 的美股財報資料按 filing date 對齊，回測當下只用得到當時已公告的數字，避免前視偏差。

回測引擎的通用觀念（部位表、再平衡、報告解讀）不分市場，新手可以先讀回測完整指南；如果想比較不同回測工具的取捨，台股回測工具比較把主流選項的資料覆蓋與費用模型攤開來對照過。

移植實測：低 PB 組合對上 QQQ 與 SPY

工作流跑通之後，來看結果。把最便宜五分位中 B/P 最高的 50 檔做成月再平衡組合（平均實際持股 46 檔、單檔上限 5%），與 QQQ、SPY 在同一起始日重設基準後對照：

十年多下來，低 PB 組合總報酬 +124.7%，年化報酬 8.13%；同窗口 SPY 含息 +277.2%、QQQ 含息 +573.2%。風險端更難看：組合年化波動 24.4% 高於 QQQ 的水準，最大回撤 -50.2% 比兩檔指數 ETF 都深了 15 個百分點左右。承擔更高的波動、只換到不到一半的報酬，用「超額報酬變弱」來描述都嫌客氣：這個因子在美股沒有提供可以拿來建構組合的訊號。

排序力的直接檢驗是逐月的 Rank IC：每個月底用 B/P 對下個月報酬做橫截面等級相關，十年多逐月平均下來只有 -0.0095，t 值 -0.70，正 IC 月份佔 45.1%：

圖上的副軸放了 QQQ 累積報酬當市場情境：不論成長股噴出還是回檔，IC 都在零附近正負交錯，看不出任何可以依賴的節奏。對照文首的十分位長條圖，全窗口 D10（最便宜）年化 12.99%、D1（最貴）11.59%，中間各分位高低錯落（D8 只有 7.98%），完全沒有台股那種由低到高嚴格遞減的階梯結構。

完整的互動式回測報告可以直接操作：

想自己重跑或改參數，strategy.py 是產出本文全部數字與圖表的完整腳本，metrics.json 是所有指標的機器可讀存檔。

分段檢驗：研究段與樣本外的排序翻轉

單看全窗口平均會漏掉一個更關鍵的事實：這個因子的方向在期間內翻轉過。把資料切成研究段（2016 到 2021 年底）與樣本外段（2022 年起）分別計算十分位年化報酬：

• 研究段（2016–2021）：D1（最貴、也就是成長股那端）年化 19.29%、D2 18.92% 領跑，D10（最便宜）只有 12.20%。這段期間「買貴的」才是對的。
• 樣本外（2022 起）：方向整個翻過來，D1 年化只剩 0.27%，D10 反而以 13.82% 居首。2022 年的升息與價值反彈讓便宜股短暫揚眉吐氣。

兩段的排序方向相反，全窗口平均出來的 +1.41% 價差只是兩股相反力量互相抵銷的殘值。這對策略開發者是一個重要的方法課：如果你在 2021 年底做研究，會得出「美股該買成長股」；在 2022 年底做研究，會得出「價值回歸了」。單一因子在美股的方向本身就是一個賭注，而且是回測給不了答案的賭注。

為什麼台股有效的 PB 到美股就失效

把台美兩份用同一套工具、同一種方法跑出來的結果並排，差異非常乾淨：台股 PB 五分位由低到高嚴格遞減、最低分位年化是最高分位的 1.8 倍；美股十分位高低錯落、價差 1.41% 且統計上不顯著。可能的原因有三層：

**第一層是因子被定價的程度。**帳面市值比對美股橫截面報酬的解釋力由 Fama & French（1992）系統性確立，此後三十多年，美股是全世界被學術與量化資金掃描最徹底的市場，簡單價格比率能提供的超額報酬被大量套利資金攤薄。台股的散戶佔比高、外資與量化覆蓋相對淺，簡單估值因子的排序力保存得更完整。

**第二層是帳面價值的計量問題。**美股流動性前 500 檔由科技與服務業主導，研發、軟體、品牌這些無形資產大多不入帳面淨值，PB 對這類公司從根本上量錯了東西。Arnott, Harvey, Kalesnik & Linnainmaa（2021）在價值因子衰退的辯論中即指出，無形資產處理方式對帳面價值型指標的有效性影響重大；他們同時論證價值因子「死亡」的說法言過其實，衰退有相當部分來自估值利差的擴張。本文的樣本外段（2022 起 D10 反轉領先）與這個「衰退但未死」的描述一致：因子還有殘存的均值回歸力量，但已經弱到蓋不出一個能打敗指數的組合。

第三層是實作層的常識。Asness, Frazzini, Israel & Moskowitz（2015）整理價值投資的事實與迷思時強調，單獨使用的價值因子波動大、回撤深、失效期可以長達十年，實務上幾乎總是與品質、動能等因子搭配使用。把單一 PB 排序直接做成組合，在任何市場都是脆弱的做法；台股的實測結果同樣支持這點：排序成立，五組仍然全輸 0050。

一句話總結：台股策略的「模板」可以搬（語法與工作流完全共用），策略的「參數與因子」不能搬。每個市場的有效因子要在該市場重新驗證，這正是回測工具存在的意義。想系統性理解因子驗證的流程，量化交易完整指南從因子檢驗到組合構建有一套完整的路徑。

2023 年舊版結論的更正

本文 2023 年 7 月的初版以線上策略實驗室的範例展示這個低 PB 策略，當時以 2016 到 2023 年中的回測畫面得出「近 7 年報酬領先 S&P 500、2020 疫情回檔較淺」的結論。以 2016-03 到 2026-07 的完整窗口重跑後，這個結論不再成立：低 PB 組合年化 8.13% 低於 SPY 含息的 13.68%，最大回撤 -50.2% 比 SPY 的 -34.1% 深得多，抗跌的描述在全窗口下也站不住。

差異的來源不難定位。2023 年中的觀察點恰好落在 2022 年價值反彈之後：那一年成長股重挫、便宜股相對抗跌（樣本外十分位數據顯示 2022 起 D10 領先 D1 超過 13 個百分點），使策略當時的相對績效處在高點。此後 2023 到 2026 年由 AI 與大型成長股主導的行情中，低 PB 組合系統性缺席，相對優勢被完全回吐。當年的結論是特定時點快照的產物，我們據此更新全文，並把完整重現腳本與指標存檔公開，任何人都能用同一份程式碼驗證。

這也是我們維護回測內容的固定做法：數據標明區間、定期重跑、結論跟著數據走。舊文的另一個時代背景也已改變：2023 年美股資料僅能在網頁端使用，現在 finlab 套件已可在本地直接取用美股資料，本文的工作流即為本地執行版本。

在美股行得通的策略

檢驗到這裡，讀者真正想要的東西很明確：在美股實測過、通過同樣嚴格檢驗、可以直接研究的策略。我們用相同的資料引擎與宇宙方法論跑了一系列美股策略（英文撰寫，各文附完整程式碼、十分位檢驗與樣本外切分；各文窗口與口徑見原文）：

其中「品質價值」那篇與本文直接相關：價值因子在美股並非完全無用，把估值指標換成現金流基礎、再與品質因子交集，結果就與單一 PB 排序完全不同。這與前一節的文獻結論互相印證：價值要活下來，得換更好的計量方式、且不能單獨上場。六個策略的總覽與方法論比較在美股量化策略總覽。

回測方法與限制

本文所有數字的計算口徑如下，完整實作見可下載的 strategy.py：

常見問題

美股回測怎麼開始最快？

裝好 finlab 套件後，data.set_market("us") 一行切到美股，其餘語法與台股完全相同。本文的程式碼區塊就是一個可以直接執行的最小工作流；環境安裝走 AI 輔助流程最省事，新手常見的資料表問題在美股資料庫使用指南都有對照表。

做美股量化要準備多少錢？

回測與研究階段只需要 finlab 的資料訂閱，不需要投入資金。實際下單時，美股可以買零股（fractional shares）且主流券商零佣金，幾百美元就能複製一個分散組合的縮小版；限制主要在組合檔數多時的零股精度，而非資金門檻。

美股資料是從哪裡來的？可信嗎？

finlab 的美股資料整合自機構級資料商，價量含還原調整、財報以申報日對齊。本文用的每個資料 key（us_price:adj_close、us_income_statement:eps_diluted 等）都寫在程式碼裡，你可以逐欄位驗證。

股價淨值比在美股為什麼失效？

三個層次：因子發表後被套利資金攤薄（美股是被掃描最徹底的市場）、帳面淨值量不到科技公司的無形資產、單一價值因子本身波動大且失效期長。本文的實測數字（IC -0.0095、十分位無單調排序、分段方向翻轉）與這三點一致。

台股策略能直接搬到美股嗎？

語法與工作流可以原樣搬，因子與參數不行。本文就是一個完整的反例：同一個 PB 模板在台股排序嚴格成立，在美股連排序力都沒有。任何跨市場移植都應該重跑十分位、IC 與分段檢驗這三件事之後再上場。

回測沒算滑價，實際交易會差多少？

本文費用設定為零佣金、零稅，貼近美股散戶現況，但滑價確實未估。月再平衡、持股約 46 檔、集中在流動性前 500 檔的設定下，小資金的滑價衝擊通常有限；資金規模放大後衝擊取決於單檔下單量佔日成交額的比例，本文未估算容量，這是把回測結果外推到實盤時必須自行折減的部分。

延伸閱讀

• 為什麼要投資美股：市場規模與產業廣度
• 股價淨值比選股策略：台股 16 年實測
• 美股宇宙分類器與 PEG 策略
• 量化交易完整指南

**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。**本文為因子失效的檢驗報告，文中的低 PB 組合在回測期間全面落後指數，請勿將其作為投資依據；引用的其他策略績效均為歷史回測，不保證未來報酬。

最後更新：2026-07｜回測區間：2016-03～2026-07｜作者：FinLab 量化研究團隊（經量化研究員審閱）