重訊公告
已通過驗證2006 年起台灣上市櫃公司的重大訊息公告事件表:哪家公司、在什麼時間點、公告了什麼,累計超過百萬筆,每個交易日多班更新。
資料快照截至 2026-11-18
資料可用範圍
- 免費版
- 台股歷史資料到 2023-12-31
- VIP
- 最新資料,日行情通常到前一交易日
VIP 專屬資料與其他例外
免費版台股資料的最後交易日是 2023-12-29。可轉債等 VIP 專屬資料,試用到期後需訂閱才能下載。整表開放的參考資料與美股公開測試資料,另依各欄權限標示。
重訊公告是台灣上市櫃公司依規定發布的重大訊息:董事會決議、合併收購、財報揭露、澄清媒體報導、增資減資,都會以重訊形式公告在公開資訊觀測站。這份資料把 2006 年以來的每一筆重訊整理成事件表,涵蓋 3,505 檔股票、累計超過 125 萬筆,記錄哪家公司、在哪個時間點、公告了什麼標題與內文,每個交易日多班更新。想回答「這檔股票最近發生什麼事」或把公告事件變成可回測的訊號,這是最完整的一條原始序列。
這份資料裡有什麼
重訊公告資料(important_info_announcement)是一張逐筆事件表,每列一則公告,欄位包含公司代號與名稱、公告時間、標題與內文全文。在 finlab 一行取出,完成安裝設定後登入即可:
顯示程式碼
finlab.login()
df = data.get("important_info_announcement")回傳的表格一列就是一則重訊,用公告時間與標題關鍵字過濾,就能整理出特定公司的事件時間軸,或全市場某類事件的完整清單。
怎麼判讀這份資料
上方圖表是歷年重訊件數:2006 年約 4.2 萬筆,之後一路墊高,2025 年達 84,370 筆創下歷史新高,2026 年只統計到 8 月就已超過 6.6 萬筆。以一年約 240 個交易日換算,現在的台股平均每個交易日產生三百多筆重訊,靠人工逐則盯是不可能的,這也是把它變成結構化資料的價值所在。
判讀時先了解它的組成:重訊絕大多數是例行的公司治理申報,標題含「董事會」的約 38.9 萬筆,佔了三成以上,其次是合併收購相關約 10.9 萬筆、財報相關約 8.9 萬筆、股利相關約 6.5 萬筆;市場最愛看的「澄清媒體報導」約 3.5 萬筆,佔比其實不高。另一個實用的特徵是發布時間:重訊高度集中在 15:00 到 18:00 之間發布,也就是收盤之後,盤中發布的是少數。
用這份資料最容易踩的兩個陷阱
第一個陷阱:把「有重訊」當成訊號。中位數而言一檔股票二十年累計有 280 筆重訊,其中大半是例行申報,「有沒有重訊」幾乎沒有資訊量;有意義的做法是按標題關鍵字把事件分類,再對特定事件類型做統計檢驗,事件研究的完整做法可參考減資事件放空策略的範例。
第二個陷阱:用當日收盤價回測公告效果。重訊高峰在收盤後的 15:00 到 18:00,公告當天的收盤價多半形成於公告之前,拿當日收盤當進場價等於偷看未來;回測事件反應一律從公告後的下一個交易日起算,前視偏差與回測方法的基礎見什麼是回測。
怎麼自己取得這份資料
把事件表變成可分析的統計,只要幾行:
顯示程式碼
from finlab import data
import pandas as pd
df = data.get("important_info_announcement")
d = pd.to_datetime(df["date"], errors="coerce")
counts = d.groupby(d.dt.year).size() # 歷年公告件數要追特定公司,用 df[df["stock_id"] == "2330"] 過濾;要追特定事件,用標題關鍵字過濾(例如「澄清」「合併」「股利」)。監管面的事件資料可搭配注意股名單一起監控,想把事件訊號接成完整選股流程,可從台股選股完整指南入手。這份資料的涵蓋年限、筆數與更新狀態,本頁下方有即時健檢可以查;不想寫程式的話,頁面下方可以把取資料、分類與統計直接交給 AI 完成。
重訊公告包含的資料欄位
這個分類是一張完整的資料表,取出整張表後再挑欄位使用。完整涵蓋範圍與更新狀態如下:
- 欄位數
- 6 欄
- 時間範圍
- 2006-01-01 ~ 2026-11-18
- 更新頻率
- 每日更新
- 狀態
- 已通過驗證
data.get("important_info_announcement")真實數字與取得程式碼
上面的圖與下面的數字都是用 finlab 一行程式直接跑出來的真實資料(截至 2026-08-21),不是示意圖。你也可以自己跑一次。
| 日期 | 數值 |
|---|---|
| 2021-01-01 | 76,738 |
| 2022-01-01 | 70,790 |
| 2023-01-01 | 68,488 |
| 2024-01-01 | 78,234 |
| 2025-01-01 | 84,370 |
| 2026-01-01 | 66,484 |
from finlab import data
df = data.get("important_info_announcement")
import pandas as pd
d = pd.to_datetime(df["date"], errors="coerce")
counts = d.groupby(d.dt.year).size() # 歷年公告件數
counts.plot.bar()
print(df[["stock_id", "name", "date", "title"]].tail())如何取得重訊公告
不會寫程式也沒關係,把下面這句話交給你的 AI,它會帶你完成設定並做出第一個策略。
30 秒,用 AI 跑出你的第一個台股回測
把這句話貼給你的 AI,它會裝好 FinLab、抓台股資料,跑出一份你能下載的回測。
告訴你的AI:
幫我設定 FinLab,取得「重訊公告」資料,挑一個欄位畫出走勢圖,並示範一個用它選股的回測,請讀:https://finlab.finance/setup?relatedUrl=/data/important-announcements
想自己寫程式?看取得資料的程式碼
finlab Python 套件用一行 data.get() 就能取得這些資料;第一次使用時 finlab.login() 會自動引導登入,不需要手動處理 token。
from finlab import data
df = data.get("important_info_announcement:")
df.tail()用重訊公告跑出的研究
把 13 支 FinLab 選股策略視為資產,用 Hierarchical Clustering 找權重,原文回測年化約 40%、最大回撤 -13.75%。2026 年 10 月以 sim 預設成本重跑到最新,年化 31.4%、日夏普 1.95 對 0050 含息 1.08,三項穩健性驗證都過。
分散風險不是越多越好:分散投資如何攤薄你的超額報酬分散風險不是越多越好。用真實台股回測驗證:同一套營收動能策略,持股從 10 檔加到 100 檔,年化報酬 45.4% 被攤薄到 26.3%,波動率卻在 40 檔之後幾乎不再下降;夏普比率最高的甜蜜點落在 20~40 檔。文內含分散投資檔數建議、多策略疊加前的強度檢查清單與可下載回測程式碼。
低波動選股有效嗎?台股 18 年實測:純低波輸 0050,優化版年化 33%用 finlab 實測台股 2008–2026:每月選波動率最低的 30 檔年化 4.9%,最高的 30 檔年化 -5.1%、回撤 -90%,低波動異象確實成立。但純低波動年化只有 4.9%,其實輸給含息 0050 的 14.8%。真正有用的是改選風險調整報酬最高的股票,加上品質與動能後年化 33.3%、日夏普 1.13、回撤收斂到 -38%。
選擇權未平倉量避險:用 Put/Call 未平倉比率避開台股下跌風險用 Put/Call 未平倉比率 MA30 替加權與櫃買指數擇時:MA30≥0 持有、<0 出清。原文 2001–2024 回測加權指數最大回撤從 58.3% 降到 28.7%;2026 年 10 月重跑三項驗證,櫃買版 2016 年起日夏普 0.66 輸 0050 含息的 1.20,9 組參數全輸,不成立。
資產配置回測:60/40 股債、全天候等 7 種組合,回撤較淺、夏普沒穩贏 QQQ股債配置、全天候、永久投資組合、黃金蝴蝶、三基金、Faber 趨勢配置、雙動能,哪種資產配置最好?finlab 用美股 ETF 實測 2017 到 2026:最大回撤 -9% 到 -34%,都比 QQQ 淺,但三項驗證沒有一個過,最接近的是永久投資組合與 Faber。
低波動本益成長比策略|MAE/MFE 機器學習選股優化教學本益成長比策略原本年化 23%、夏普僅 0.9 且回撤過大,本文改用 KMeans 對 MAE/MFE 分群當機器學習 label,再以 scikit-learn 決策樹找出低融資使用率與低進場波動兩因子,加回原策略後夏普拉升到 1.5、最大回撤降至 -17%;重跑到 2026 年 10 月回撤 -24.0%,三項驗證沒有全過。
更多相關研究(25 篇)
- 客製化流動性風險檢測:你的台股策略真的能實戰嗎? 年化 47.0%
- Paper Trading 模擬交易 Python:CMoney 大富翁 API 與 11 年台股數據 年化 39.7%
- 小型股效應:散戶優勢的殘酷真相 年化 34.9%
- 美股波動度目標策略回測:QQQ 依實現波動減碼,回撤從 -35% 降到 -23% 年化 15.7%
- FinLab 1.2 支援全自動下單! 年化 0.0%
- 槓桿策略實測:用 MDD 動態控制風險,放大報酬 年化 0.0%
- 逢低買進回測:QQQ 跌 10% 才買,兩種做法都沒通過驗證
- 網格交易0050回測:固定中心27組全未過關
- 網格交易QQQ回測:固定中心27組全未過關
- 凱利公式0050回測:半凱利回撤57%
- 200 日均線大盤濾網回測:疊在 2 支美股策略上,幾乎沒有差別
- 跌破季線、半年線就空手?31 支台股策略加大盤濾網,3 支過關
- 風險平價組合回測:反波動度、等風險貢獻與 RPAR,扣掉國庫券後 54 組全輸 QQQ
- 量化交易的缺點與風險有哪些?2026 台股實證:過擬合、期間敏感與成本陷阱
- 回測限制與回測陷阱:過度擬合、流動性與實盤落差完整指南
- 客製化選股策略回測價格序列:比較進出場時間點特性與最佳選擇
- 美股探險記第1課:為什麼要投資美股?台股與美股優缺點比較
- 生命週期投資法則:諾貝爾經濟學獎得主背書的長期投資策略全解析
- Plotly Sunburst 旭日圖|輕鬆監控多策略部位|FinLab DashBoard 教學(5)
- MAE & MFE 是什麼?最大不利偏移如何幫你設停損停利(2026 台股回測實證)
- 4種均線指標濾網實測:ADLs、VIX、融資維持率、多空頭家數能避開大盤崩盤嗎?
- 投資組合最佳化有用嗎?台股 ETF 八年半實測:max-Sharpe 夏普 1.04,輸給 1/N 等權的 1.20
- 做量化投資會遇到的挑戰?夏普指標、過擬合與失效策略
- 好用Package:用 ffn 分析時間序列|Python 財經時間序列分析教學
- 利用機器學習預測股票漲跌:用 Triple Barrier 優化 Labeling 方式
相關資料分類
本頁資料涵蓋範圍與更新時間以實際資料為準,僅供研究與教學參考,不構成任何投資建議。
回資料庫總覽