量化分析是什麼？

量化分析（英文：quantitative analysis）是用可測量的數據與統計方法評估投資標的、檢驗投資想法的分析方式：把「這家公司好不好」「這個買進理由有沒有用」轉換成數字、規則與可重複的檢驗，讓結論能被資料支持，也能被資料推翻。它的對照組是質化分析（qualitative analysis，也譯定性分析）：靠對產業結構、商業模式、管理層的理解形成判斷，結論依賴分析者的經驗與洞察，難以拆成可重複的步驟。

兩者的差別常被講成「看數字 vs 看故事」，這個說法只對了一半。更關鍵的分野在於結論能不能被別人重現：量化分析的每一步（用什麼資料、怎麼算、怎麼排序）都寫得出來，換一個人照做會得到同樣的結果；質化分析的結論再有道理，也很難把「我覺得這家公司的護城河很深」變成別人可以複製的流程。這篇文章把兩種方法的分工講清楚，整理常見的量化分析方法，然後用 FinLab 實際跑出來的台股回測，示範「質化直覺丟進量化檢驗」會發生什麼事。文中名詞的精確定義可隨時查詞彙表。

量化分析 vs 質化分析：關鍵對照表

比較項目	量化分析	質化分析
分析素材	財報數字、股價、成交量、月營收、籌碼等可測量資料	商業模式、護城河、管理層品質、產業前景等難以量化的資訊
產出形式	數字、排名、統計量（夏普比率、年化報酬、相關性）	敘述性的判斷與論點
可重複性	高：規則寫清楚，任何人重跑得到同樣結果	低：高度依賴分析者個人
可驗證性	可以用歷史資料回測，也可能被推翻	難以系統性驗證，常要等很多年才知道對錯
覆蓋廣度	可同時掃描上千檔股票	人力有限，通常只能深入少數公司
主要風險	過擬合、資料品質、把雜訊當規律	確認偏誤、過度自信、樣本只有自己的經驗
典型使用者	量化研究員、量化交易者、用程式選股的散戶	基本面研究員、價值投資人

這張表先記一個重點：兩者回答的是不同層次的問題。質化分析擅長產生假設（為什麼這類公司可能比較好），量化分析擅長檢驗假設（這類公司過去是否真的比較好、好多少、承擔了多少風險）。後面會用真實數字示範這個分工。

量化分析和量化交易一樣嗎？

不一樣，但是上下游關係。量化分析是研究方法：用統計與數據弄清楚「某個因子有沒有效、某個現象存不存在」；量化交易則是把分析結論寫成可下單的規則，回測、執行並承擔盈虧。一個人可以只做量化分析（例如研究員、財經作者），不實際交易；但嚴謹的量化交易一定建立在量化分析之上。想看整套量化交易的全貌與入門步驟，可從 pillar 頁量化交易是什麼讀起；本文專注在「分析方法」這一層。

另一個常被混用的詞是程式交易：它強調的是「用程式自動執行買賣」，策略本身可以來自量化分析，也可以只是把主觀規則寫成程式，詳見程式交易是什麼。

量化分析的方法有哪些？

常見的量化分析法（量化分析方法）可以粗分成五類，由淺到深。它們共用同一個精神：把想法變成可以計算的東西。

方法	在做什麼	台股常見應用
財務比率與排名	把公司體質壓縮成可比較的數字，做橫斷面排序	本益比、ROE、毛利率、營收年增率排名選股
因子分析	檢驗某個特徵（因子）對未來報酬有沒有解釋力	價值、動能、品質、低波動因子的單獨與合成檢驗
回測	把選股規則放回歷史資料，看它過去的報酬與風險	模擬一套規則 2013 年以來每月換股的績效
統計檢定與相關性	量化「因子分數」與「未來報酬」的關聯強度	用資訊係數（IC）衡量因子預測力
風險與組合指標	衡量承擔多少風險換到多少報酬	夏普比率、最大回撤、年化波動

幾個方法各自有完整的展開文：回測的原理與常見失真見回測是什麼；用統計量化因子預測力見資訊係數 IC；衡量風險調整後報酬的核心指標見夏普比率工具頁。

這一類方法最經典的學術示範，是 Fama & French (1992) 對美股橫斷面報酬的研究：他們把「小公司比較會漲」「便宜的股票比較會漲」這些原本偏質化的市場印象，定義成可測量的規模因子與帳面市值比因子，再用數十年的大樣本檢驗，發現這兩個因子對報酬差異的解釋力遠勝過傳統的市場 beta。這篇論文之所以重要，正是因為它示範了量化分析的核心動作：把一句聽起來有道理的話，變成一個可以被資料檢驗的命題。

質化分析在做什麼？它的價值與極限

質化分析處理的是數字裝不下的資訊：這家公司的護城河是專利、品牌還是轉換成本？管理層過去說到做到嗎？產業的競爭結構正在變好還是變壞？新產品線的技術門檻有多高？這些問題對長期投資非常重要，卻很難變成一個欄位丟進試算表。

質化分析的價值有兩個。第一，它是假設的來源：幾乎每一個後來被量化驗證的因子，最初都是一句質化的觀察（「營收持續創新高的公司通常基本面在轉強」）。第二，它能處理結構性轉變：當市場規則改變（新法規、新技術、新競爭者），歷史資料還來不及反映時，質化判斷是唯一能用的工具。

但它的極限也很硬：質化判斷的樣本通常只有分析者自己的經驗，而且容易被確認偏誤與過度自信放大。這一點行為科學研究得很透徹。Grove et al. (2000) 整合了一百多項橫跨醫療、教育與人事決策的研究，比較「專家的主觀判斷」與「簡單的統計規則」對同一類問題的預測準確度，結論是：在絕大多數的比較中，機械式的統計預測持平或勝過專家判斷，真正由專家明顯勝出的情境是少數。這不代表專家沒有價值，而是說明人類在整合多個線索做重複性預測時，一致性遠不如規則：同一個分析師，心情好與心情差的時候對同一家公司會給出不同評價，規則不會。

把這個結論搬回投資：重複性高、線索多、需要紀律的決策（每月從上千檔台股裡選股），交給量化規則通常更可靠；獨特性高、歷史資料失效的決策（評估一家公司前所未有的轉型），質化判斷仍不可替代。

真實台股實例：把質化直覺丟進量化檢驗

講方法不如看數字。下面三個實例全部來自 FinLab 用 finlab 套件實際跑出的台股回測，每個數字都附來源文章連結，可以點進去看完整的策略規格與方法揭露。

實例一：聽起來有理的直覺，檢驗後不一定站得住

很多投資人深信「買本益比低的股票就是買便宜，長期一定划算」。這是典型的質化直覺：聽起來合理、講起來順口。把它變成規則實際檢驗（回測 2013-2026、月頻換股、單因子選排名前 30 檔、已內扣交易成本），結果如下：

質化直覺	量化檢驗：單因子夏普比率（2013-2026）	檢驗結果
「買低本益比就是買便宜」	0.05	幾乎沒有選股效果
「月營收年增率高代表成長」	0.25	比想像中弱很多
「波動低的股票比較穩」	約 0.5	中等，穩但報酬有限
「營收創新高代表基本面轉強」	0.95	真正有效，有領先性

（上表數字來源：finlab 套件實跑的台股單因子歸因，完整設定與展開見量化交易的缺點與風險。）

四句話聽起來都有道理，檢驗完只有一句真的有用。這就是量化分析最大的價值：它不負責讓你聽起來聰明，它負責告訴你哪些聰明話在歷史資料裡站不住。挑因子如果只靠語感，等於把資金押在沒有驗證過的假設上。

實例二：量化分析能算出「互補」，質化只能感覺到

單一直覺不夠力，那把幾個方向不同的條件疊起來呢？質化上你只能說「應該會互補吧」；量化分析可以把互補算出來。FinLab 用營收動能、價格動能、ROE 品質、低波動四個因子合成台股策略（回測 2018-2026），與含息 0050 對照：

指標	含息 0050	四因子合成
年化報酬 CAGR	25.05%	29.45%
夏普比率（日）	1.13	1.40
最大回撤 MDD	-33.96%	-26.07%

合成的關鍵在因子相關性：四個因子彼此的相關係數接近零，其中營收動能與低波動是 -0.21 的負相關，剛好互相牽制，所以合成後回撤從單看營收動能的 -38% 收斂到 -26%。這種「誰跟誰負相關、牽制力道多大」的資訊，質化分析感覺不出來，只有算出來才知道。完整的單因子拆解、相關係數矩陣與選股名單見多因子選股策略教學。

實例三：量化分析也會揭露對自己不利的事實

量化分析的誠實之處在於，它連「換一段期間結論就變了」這種尷尬事實也會老實呈現。同一套品質加動能加低波動的三因子規則，完全不改參數，只改回測起點：2020-2026 夏普比率 1.58、年化 21.2%；把起點拉回 2013 年，夏普掉到 1.28、年化 15.8%。差距並非策略變差，而是 2020 年後的台股多頭墊高了近期成績。這組對照與參數敏感度測試的完整數據見 Python 量化交易教學；另外在量化交易 pillar 頁還有三套策略的真實回測（2020-2026 日夏普 1.21 到 1.26），同樣附完整的口徑與限制說明。

一個只在乎說服你的人，會挑 1.58 那段講；一個用量化分析做研究的人，兩段都得攤開。看一篇量化文章可不可信，就看它願不願意呈現對自己不利的期間。

量化分析的三個盲點

量化分析不是掛上數字就自動嚴謹。它有三個結構性的盲點，每一個都有真實的學術討論與對應的防法。

盲點一：檢驗越多次，越容易撈到假規律。 歷史資料只有一份，你可以對著它測幾百個因子，總有幾個純靠運氣就顯著。Harvey, Liu & Zhu (2016) 普查了學術文獻中被宣稱顯著的數百個因子，指出在嚴格的多重檢定校正下，多數因子根本撐不住，因為研究者傾向只發表跑出來好看的結果。對個人投資者的含意是：自己試了二十個條件之後挑出最漂亮那個，跟論文界的「因子動物園」（factor zoo）是同一種錯誤。防法與實作見策略優化如何避免過擬合與做量化投資會遇到的挑戰。

盲點二：資料品質決定一切。 量化分析的結論建立在資料上：股票池有沒有把下市股算回來（生存者偏誤）、財報是不是用公布日對齊（前視偏差）、成本有沒有誠實內扣，任何一項出錯，跑出來的數字再漂亮都是幻覺。這些失真機制在回測是什麼有系統性整理。

盲點三：可量化的不一定重要，重要的不一定可量化。 量化分析只能處理裝得進資料的東西。管理層誠信、技術護城河、地緣政治，這些對長期報酬可能影響巨大的因素，目前都很難變成可靠的欄位。把「模型裡沒有」誤當成「不存在」，是量化使用者最隱蔽的傲慢。這也是質化分析永遠有位置的原因。

量化與質化怎麼搭配？一個務實的流程

兩種方法的正確關係是接力，而非對立。一個務實的研究流程長這樣：

質化提出假設。 從產業觀察、財報閱讀或生活經驗形成一句可檢驗的話，例如「營收連續創新高的公司，後續股價表現比較好」。
把假設翻成規則。 定義清楚：什麼叫創新高（近 12 個月最高？）、選幾檔、多久換股一次。把模糊的形容詞全部換成數字，具體做法可參考設定選股條件的 5 個步驟。
量化檢驗。 回測這套規則，看夏普比率、最大回撤、不同期間的穩定度，並跟含息 0050 同口徑對照。不會寫程式的人，現在可以用 AI 對話完成這一步，做法見AI 量化研究：5 個提示詞。
質化複核結果。 檢驗通過後回頭問：這個因子為什麼有效？經濟直覺說得通嗎（風險補償？行為偏誤？資訊落差？）。說不通的因子，就算數字漂亮也要懷疑是撈出來的；說得通的因子，才值得投入資金，之後也才知道它什麼情況下會失效。

市面上的工具大致也沿著這條線分工：偏質化與財務體質研究的工具（例如財報狗）強在個股深度頁面，FinLab 則強在第 2、3 步的規則化與回測，兩者的詳細比較見 FinLab vs 財報狗。順帶一提，台股完整的選股面向整理（基本面、技術面、籌碼面如何各自量化）可看台股怎麼選股。

量化分析師跟「自己做量化分析」是兩回事

搜尋量化分析的人，有一部分其實想問職涯：量化分析師（quant analyst）在做什麼、薪水多少。簡單說：法人的量化分析師處理的是機構等級的資料管線、模型驗證與風控，跟散戶用現成工具做選股研究是兩個世界，台灣的量化職缺也極少、門檻偏硬。完整的角色拆解、台灣薪資帶與入行門檻，見量化交易職涯全解析。對多數人而言，更務實的定位是把量化分析當成一項投資技能：不用轉行，也能用它檢驗自己的選股直覺。

常見問題 FAQ

Q1：量化分析的英文是什麼？質化分析呢？ 量化分析是 quantitative analysis，質化分析是 qualitative analysis。中文裡量化分析也被稱為定量分析，質化分析也被稱為定性分析，意思相同。在投資領域，quant 一詞常作為量化研究者的簡稱。

Q2：量化分析跟量化交易有什麼不同？ 量化分析是研究方法：用數據與統計檢驗「某個因子或現象有沒有效」。量化交易是把檢驗過的結論寫成可執行的買賣規則並實際操作。先有分析、後有交易；只做分析不下單完全可行，反過來（不分析就交易）則等於拿錢測試未驗證的假設。

Q3：質化分析是什麼？有什麼用？ 質化分析靠對公司、產業、管理層的理解形成投資判斷，處理財報數字裝不下的資訊（護城河、商業模式、經營者品質）。它是投資假設的主要來源，也是市場結構改變、歷史資料失效時唯一能用的工具；弱點是不可重複、容易受確認偏誤影響。

Q4：量化分析一定比質化分析準嗎？ 分情境。重複性高、線索多的決策（大範圍選股、定期換股），統計規則的一致性通常勝過人為判斷，Grove 等人 2000 年的整合分析支持這一點。但獨特性高、沒有歷史前例的判斷（評估前所未見的轉型或新產業），質化分析仍不可替代。量化也有自己的失準方式：過擬合、資料偏誤、多重檢定，本文盲點一節有展開。

Q5：做量化分析需要會寫程式嗎？ 門檻已經大幅降低。傳統上需要 Python 處理資料與回測；現在可以用自然語言對 AI 描述條件，由 AI 產生可執行的回測程式，本文流程一節提到的提示詞方法就屬此類。不過看懂結果仍需要基本概念：至少要理解夏普比率、最大回撤與過擬合在講什麼。

Q6：常見的量化分析方法有哪些？ 五大類：財務比率與橫斷面排名、因子分析、回測、統計檢定與相關性（如資訊係數 IC）、風險與組合指標（夏普比率、最大回撤）。散戶最常用的入門組合是「比率排名選股加回測驗證」。

Q7：量化分析師是做什麼的？薪水如何？ 法人量化分析師負責因子研究、模型驗證、風險控管與策略監控，日常是大量的資料清理、對帳與除錯。台灣相關職缺極少，薪資離散度大且缺乏官方統計；想認真評估這條職涯，建議閱讀本文連結的職涯全解析，裡面有逐家公司的公開資訊整理。

Q8：散戶想開始做量化分析，第一步是什麼？ 把一個你深信的選股理由寫成一句可檢驗的話，然後檢驗它。本文實例一就是示範：「低本益比等於買便宜」檢驗完夏普只有 0.05。第一次檢驗的價值通常是發現自己的直覺不可靠，這個發現本身就值回票價。

想自己檢驗一個選股直覺？可以免費試用 FinLab，用 AI 對話把它跑成第一個回測；過程卡關，歡迎加入 FinLab 社群和其他量化研究者討論。

引用文獻

Fama, E. & French, K. (1992). The Cross-Section of Expected Stock Returns. Journal of Finance。把「小公司、便宜股票表現較好」的市場印象定義成可測量因子並以大樣本檢驗，是量化分析方法論的代表作。
Grove, W., Zald, D., Lebow, B., Snitz, B. & Nelson, C. (2000). Clinical versus Mechanical Prediction: A Meta-Analysis. Psychological Assessment。整合一百多項研究比較專家判斷與統計規則的預測準確度，支撐本文「重複性決策交給規則」的主張。
Harvey, C., Liu, Y. & Zhu, H. (2016). ...and the Cross-Section of Expected Returns. Review of Financial Studies。對數百個被宣稱顯著的因子做多重檢定普查，是本文盲點一（檢驗越多越容易撈到假規律）的學術依據。

投資有風險，過去績效不代表未來表現，本文僅供教學參考，不構成投資建議。

本文引用之回測數字均來自連結中的來源文章，各自的回測區間（2013-2026、2018-2026、2020-2026）與完整方法揭露以來源文章為準。最後更新：2026-06｜作者：FinLab 量化研究團隊

量化分析是什麼？和質化分析差在哪？方法、台股實例與三個盲點