公司基本資料

公司基本資料，指的是每一檔上市櫃公司最底層的身分資訊：它屬於哪個產業、什麼時候成立、什麼時候掛牌上市、股本有多大。這些欄位幾乎不會天天變動，卻是量化選股的第一塊地基，因為你得先知道「市場上有哪些股票、各自是什麼樣的公司」，才談得上後面的篩選與排序。

很多人會問：既然不是漲跌數字，這份資料到底有什麼用？關鍵在於它幫你把幾千檔股票切成可比較、可研究的群組，而不是把消費電子跟金融股、把剛掛牌三個月的新股跟上市二十年的老牌公司混在一起亂比。下面就用搜尋進來的人最常想搞懂的幾件事，一段一段講清楚。

這份資料裡有什麼

公司基本資料常見的核心欄位有四類。第一是產業類別，例如半導體、金融保險、航運，讓你做產業中性的比較。第二是成立與上市日期，看一家公司在市場上待了多久。第三是股本規模，通常用來區分大型股、中小型股的研究範圍。第四是一些靜態識別資訊，例如股票代號與公司全名。產業、股本這些名詞如果還不熟，可以先翻名詞解釋把定義弄清楚再往下看。

它的角色：先圈出選股母體

公司基本資料很少單獨拿來排序「哪一檔最好」，它更像選股流程的第一道篩網，負責定義「選股母體」，也就是你這次研究要從哪一群股票裡挑。舉幾個實際做法：用產業類別把同一個產業的公司放在一起比，避免拿台積電的毛利率去跟銀行股硬比；用上市日期排除掛牌時間太短、歷史資料不足的新股；用股本規模把研究範圍限定在大型股或中小型股。

想把這些分類欄位真正組合成自己的選股範圍，用 Python 與 Pandas 客製化台股產業分類有一步步的示範，從原始分類整理到自訂群組都涵蓋到了。

最容易踩的兩個陷阱

第一個，也是殺傷力最大的，是上市日期沒處理好造成的存活者偏差。如果你只用「今天還在市場上的公司」去回測過去好幾年，那些已經下市、被合併、被打入全額交割的輸家根本不在母體裡，等於事先把失敗案例都刪掉了，回測績效會被系統性地高估。正確做法是讓選股母體隨著時間還原成「當時真實存在的標的」，而不是拿今天的清單往回硬套。要正確抓出完整、含歷史的上市櫃清單，可以參考如何用 Python 獲得上市上櫃股票清單。

第二個陷阱是把產業類別當成永遠不變的標籤。公司會轉型、會改變主要營業項目，分類也會跟著調整。用最新的分類去回測多年前的持股，可能把當年其實是傳產的公司，誤判成今天的科技股，結論就跟著走偏。處理方式是清楚知道自己用的是哪個時點的分類，並對長期回測的產業歸屬保持懷疑。

怎麼搭配其他資料一起選股

公司基本資料的價值在於「和別的因子組合」。常見的實務邏輯是：先用它圈出母體，例如鎖定某個產業、剔除剛掛牌的新股、限定股本區間，再疊上基本面與籌碼條件，像是穩定獲利、低負債、法人持續買超，最後才得到一份候選名單。換句話說，它負責把雜訊先濾掉，讓後面的因子在乾淨的池子裡發揮。想先把整套量化選股的思路建立起來，可以讀量化分析是什麼？和質化分析差在哪，理解為什麼要用資料而非感覺來做決策。

怎麼自己取得這份資料

完成 FinLab 的安裝設定後，登入只要一行，接著一行就能把整份公司基本資料抓下來：

from finlab import data
 
finlab.login()
info = data.get("company_basic_info")

抓下來之後，你就能用產業欄位分組、用上市日期過濾、用股本切研究範圍，把它接到你自己的選股流程裡。不會寫程式也沒關係，這個頁面下方可以把這件事直接交給 AI 幫你完成。把公司基本資料當成第一道篩網之後，再回到量化交易完整指南，把產業與規模條件，和基本面、籌碼因子組合成一套完整的多因子策略。