程式交易是什麼?教學、優缺點、策略一次看懂(附可跑的 Python 回測 finlab 範例)｜2026 最新

先看結論:程式交易是什麼(30 秒版)

程式交易(Program Trading),是把你的交易規則寫成程式,讓電腦自動、紀律地完成「選股 → 回測 → 下單」的整條流程,取代人工盯盤與情緒化決策。它的核心價值不是「更會預測」,而是速度 + 紀律 + 可驗證——同一套規則,程式每月幾秒掃完全市場,而且標準完全一致,不會今天心情好就多買兩檔。

這篇文章用一個月頻動能輪動策略當主軸,實際在台股(2018–2026)跑回測,讓你親眼看到「程式交易 = 自動執行 + 紀律」帶來的差別。先把最重要的數字攤開來(數據來源:finlab 實測,完整程式碼可下載):

夏普值(Sharpe):每承擔 1 單位總波動換到多少超額報酬,越高越好。索提諾值(Sortino):只罰「下跌波動」(賺錢的波動不算風險),更貼近投資人的真實痛感,我們策略的索提諾達 1.87。

重點先講白:加上「低波動 + 品質」這兩道紀律過濾後,報酬幾乎沒掉(29.59%→29.06%),但夏普從 0.98 升到 1.14、索提諾從 1.59 升到 1.87——這就是程式交易的價值:它讓你能用一致的標準,系統化地把風險調整後報酬做上去,而不是靠盤感。

本篇屬於 程式交易 主題支柱。想先搞懂上層概念,看 量化交易是什麼;想深入選股因子,看 股票選股。

目錄:這篇會講什麼

1. 程式交易是什麼?它怎麼運作

程式交易把一筆交易拆成四個可以被程式接管的步驟。下表是人工 vs 程式的對照——差別不在「誰比較聰明」,而在一致性與規模:

用我們的動能輪動策略當例子,程式每個月做的「自動篩選漏斗」長這樣(數據來源:finlab 實測,僅計數):

一個人很難每月把 2,351 檔重篩一次、還每次標準一模一樣;程式可以。這個「每月一次、標準零飄移」就是程式交易和手動照表操作最本質的差別。

再平衡(Rebalance):每隔固定週期(本策略為每月)依最新數據重新計算該持有哪些股票、各佔多少比重,並把投組調整到目標。月頻再平衡讓策略持續汰弱換強,又不會頻繁到被交易成本吃光。

2. 程式交易 vs 量化交易 vs 主觀交易,差在哪?

這是最多人混淆的地方。一句話分清楚:量化交易是「想法/大腦」,程式交易是「手腳/執行」,而主觀交易兩者都靠人。三者常常一起出現——你先用量化想清楚規則,再用程式交易自動跑。

可以這樣記:量化交易回答「買什麼」,程式交易回答「怎麼自動買」。 一個量化策略如果用手動執行,它還是量化交易、只是沒自動化;一個程式如果只是無腦定時定額,它有程式、但談不上量化。兩者的交集——量化 + 程式自動執行——才是本篇示範的主場。想深入概念層,看 量化交易是什麼。

3. 程式交易常見策略類型(附台股例子)

程式交易能執行的策略五花八門,但學術與業界常見的可歸成六大類。下表每類給一句白話定義 + 一個台股化的例子:

本篇示範的是「動能輪動」——因為它最能凸顯程式交易「自動執行 + 紀律」的價值:選股邏輯不複雜(誰最強就買誰),但人類最難做到的就是「紀律地每月汰弱換強、不被情緒綁架」,這正是程式最擅長的事。

動能效應有學術根據。 1993 年 Jegadeesh 與 Titman 在《Journal of Finance》發表的經典研究發現:過去 3–12 個月表現好的股票,未來 3–12 個月傾向繼續領先(白話:強者恆強)。這個「動能效應」後來成為金融學三大異象之一,也是本篇策略的理論基礎。不過下面你會看到,純追漲在台股要付出慘痛回撤,所以我們得加上紀律過濾。

4. 程式交易的優點與缺點(誠實版)

不誇大。程式交易不是印鈔機,它把人的弱點換成另一組(不同的)弱點。

4 大優點

1. 零情緒、零猶豫:程式不會因為昨天虧錢就不敢進場,也不會因為貪心而追高。紀律是寫死的。
2. 規模與速度:幾秒掃完全市場,同時監控數千檔——人力做不到。
3. 可回測、可驗證:任何規則上線前都能先用歷史資料量化檢驗,不是「我覺得有用」。
4. 可自動化下單:回測通過的策略能直接串券商 API 自動執行,連「換股」這一步都不用手動。

4 大缺點

1. 無法應變突發:程式只執行寫好的規則。遇到規則沒涵蓋的黑天鵝(政策突變、系統當機),它不會臨機應變。
2. 過度擬合風險:歷史回測漂亮,很可能是「事後諸葛」式地把參數調到剛好貼合過去——未來未必有效(見第 6 節)。
3. 需要持續維護:資料源、券商 API、市場結構都會變,策略需要定期重測與更新,不是寫完就一勞永逸。
4. 回撤照樣痛:即使是優化過的策略,本篇主角的最大回撤仍達 -42%(見下圖)。程式不會幫你少痛,只會幫你紀律地撐過去。

這張回撤圖是這篇最重要的誠實揭露: 我們的策略年化 29%,但你必須有本事抱過一度資產縮水 42% 的時刻(主要落在 2022 年熊市與 2025 年初的回檔)。如果抱不住、在低點砍掉,再好的回測都跟你無關。程式交易的紀律價值,有一半就在「幫你在這種時刻不亂動」。

5. 程式交易適合哪些商品?

程式交易本身是「方法」,幾乎任何有報價、能下單的市場都能套用,但各市場特性不同:

本篇選台股月頻示範,正因為它對「紀律」的要求最直接:台股 0.3% 證交稅讓你不能亂換股,逼你用程式精準控制再平衡頻率——這恰好是程式交易最能發揮的地方。

6. 風險與防過擬合:程式交易最該認真看的一段

回測漂亮不等於未來會賺。這一節是把上面那個 29% 拆開,看它扛不扛得住真實世界的摩擦。

6-1. 交易成本與滑價會吃掉多少?

台股每筆完整交易的成本約 0.585%(手續費買賣各 0.1425% + 賣出證交稅 0.3%)。本篇策略是月頻(一年換約 12 次),已經把成本控制在可接受範圍;若改成週頻、日頻,成本會成倍侵蝕報酬。我們的回測已內含手續費與證交稅,所以表中的 29.06% 是扣成本後的數字。

滑價(Slippage):你想用的價格和實際成交價的落差。流動性差的小型股滑價大,這也是本篇把選股池限定在「市值前 200 大」的原因之一——大型股才買得到、賣得掉。

6-2. 防過擬合的四道防線

下圖把「優化組 vs 純動能 vs 0050」三條權益曲線疊在一起。注意紅線(純動能)雖然終點報酬接近藍線,但一路波動更大、回撤更深——這就是為什麼我們選風險調整後更好的優化組:

逐年拆開看,策略並非年年贏 0050——在 2019、2024 等大盤強勢年它會落後,但在 2020、2021、2023、2025 等年份明顯拉開差距。長期勝出靠的是「贏的年份贏更多、輸的年份不致命」,不是每年都贏:

7. 程式交易要會 Python 嗎?(雙軌:AI 對話 + 完整可跑範例)

這是搜「程式交易 python」的人最關心的。答案是雙軌的:

• 不會寫程式 → 用講的請 AI 跑。 FinLab 教的是「跟 AI 對話」,底層由 finlab 套件實跑真數據。
• 想自己學/微調 → 給你完整可複製貼上、能獨立執行的 finlab 範例。

軌道一:用 AI 對話建立策略

💬 你對 AI 說:

幫我建立一個動能輪動策略:在市值前 200 大、ROE 大於 0、營收年增大於 0 的股票裡,用近 3 個月和近 6 個月的漲幅排名,加上低波動和高 ROE 一起評分,選前 20 檔每月換股,回測 2018 到現在,跟 0050 含息比報酬、夏普和回撤。

🤖 AI 回覆:

已完成。優化組年化 29.06%、夏普 1.14、索提諾 1.87、最大回撤 -42.0%,報酬與風險調整後表現皆優於 0050(年化 25.18%)。已附上權益曲線與回撤圖。

軌道二:完整可跑的 finlab Python 範例

下面這段是可以直接複製、完整獨立執行的程式碼(環境:pip install finlab,登入後即可跑)。它就是本篇所有數字的來源——你也能下載完整腳本:strategy.py。

import warnings; warnings.filterwarnings("ignore")
import numpy as np, pandas as pd
from finlab import data
from finlab.backtest import sim
 
close = data.get('price:收盤價')
adj   = data.get('etl:adj_close')                                    # 含息,benchmark 用
rev   = data.get('monthly_revenue:去年同月增減(%)')
roe   = data.get('fundamental_features:ROE稅後').index_str_to_date()  # 對齊公布日,避免前視偏差
mktv  = data.get('etl:market_value')
START = '2018-01-01'
 
def monthly(df):
    return df.reindex(close.index, method='ffill').resample('M').last()
 
# 複合動能:近 3 個月 + 近 6 個月(扣最近 1 月,避免短期反轉)
mom3m = monthly(close.pct_change(60))
mom6m = monthly(close.pct_change(120).shift(20))
volm  = monthly(close.pct_change().rolling(60).std())   # 近 60 日波動
roem  = monthly(roe)
revm  = monthly(rev)
mktvm = monthly(mktv)
 
# 選股池:市值前 200 大 + ROE>0 + 營收年增>0(避免動能抓到沒基本面的飆股)
pool = (mktvm.rank(axis=1, ascending=False) <= 200) & (roem > 0) & (revm > 0)
 
def rk(df, asc=True):
    return df.where(pool).rank(axis=1, pct=True, ascending=asc).fillna(0)
 
# 四因子評分:雙動能 + 低波動 + 高 ROE,選前 20 檔、分數平方加權
score  = rk(mom3m) + rk(mom6m) + rk(volm, asc=False) + rk(roem)
mask   = score.where(pool).rank(axis=1, ascending=False) <= 20
masked = (score.where(mask, 0)) ** 2
w      = masked.div(masked.sum(axis=1).replace(0, np.nan), axis=0).fillna(0)
w      = w[w.index >= START]
 
report = sim(w, resample='M', resample_offset='14D', upload=False)   # 月頻再平衡
print(report.get_stats())

看不懂沒關係——重點是規則清楚,程式只是把規則自動化。你學的是「怎麼想策略」,不是背語法。股號要用字串,例如 close['2330'] 而非 close[2330]。

下面是這支程式跑出來的互動式回測儀表板(可滑動查看每年績效、持股、回撤明細),完全不離開頁面就能驗證上面的數字:

軌道三:回測通過後,自動下單

回測站得住腳,才接自動下單。finlab 已串接永豐、富邦、國泰、玉山等券商。把回測的目標部位 position 交給帳戶物件,它會自動算出該買賣哪些股票、各多少張並送單:

from finlab.online.fugle_account import FugleAccount   # 以富果為例,其他券商類似
from finlab.online.order_executor import OrderExecutor
 
acc = FugleAccount()                       # 載入券商憑證
# position = report.current_trades / 你的目標權重(對齊上面的 w 最後一期)
oe = OrderExecutor(position, account=acc)
oe.create_orders()                          # 依目標部位自動下單(可先 view 確認)

這就是程式交易和「手動照表操作」最大的差別:選股 → 換股 → 下單整條鏈不用手動,每月按表執行,紀律 100%。

8. 學術背書:程式交易策略不是憑空亂湊

YMYL(理財)主題最該講清楚「為什麼這樣設計」。本篇四個因子各有經典文獻支撐:

把這些低相關的因子疊起來,正是第 4 節「規則簡單但有學理」的實踐:一個因子失靈時,其他能補,整體更穩。這也是為什麼純動能(夏普 0.98)加上低波動 + 品質後,夏普能升到 1.14。

9. 程式交易常見問題:門檻、合法性、軟體比較

9-1. 程式交易要花多少錢、門檻多高?

9-2. 程式交易在台股合法嗎?

合法。 透過合法券商提供的官方 API(永豐、富邦、國泰、富果等)進行程式下單是被允許的,但須遵守交易所規範:不得從事影響市場秩序的行為(如沖洗交易、連續委託拉抬),且高頻/大量委託可能受券商風控限制。一般月頻/週頻的程式交易策略完全在規範內。(來源:各券商 API 服務條款與證交所程式交易相關規定)

9-3. 常見軟體/平台比較

9-4. 新手 0 基礎怎麼開始(更細的步驟)

接下來

本篇屬於 程式交易 主題支柱。延伸閱讀:

• 量化交易是什麼 — 先把上層概念搞懂(想法層)
• 台股 5 大選股因子實測 — 單因子為何全輸 0050、複合才贏
• 四因子選股實戰(可下載程式碼) — 把因子疊起來的完整拆解
• 追漲停真的能賺嗎?動能投資 18 年實測 — 純動能的失敗與優化
• 股票選股總覽 — 各類選股因子的方法地圖

常見問題(FAQ)

投資有風險,過去績效不代表未來表現。本內容僅供教學參考,不構成投資建議,請依個人風險承受度審慎評估。本文所有 CAGR / 夏普 / 索提諾 / 回撤數字來源:finlab 實測(2018-01 ~ 2026-06,benchmark 用 etl:adj_close 含息),完整可重現程式碼見 strategy.py。作者:FinLab 量化研究團隊,經量化研究員審閱。最後更新:2026-06。