注意股名單

已通過驗證

證交所與櫃買中心每日公布的注意股事件紀錄與布林排除濾網，監控短線過熱與處置升級風險。

台股 4 個資料欄位 2001-01-02 ～ 2026-07-03 每日更新

資料快照截至 2026-07-04

注意股名單，是臺灣證券交易所與櫃買中心每天盤後公布的警示名單：當一檔股票的漲跌幅、成交量、週轉率或本益比等指標觸及公告標準，就會被公布「注意交易資訊」，提醒投資人這檔股票的交易狀態偏離常態。它是台股特有的市場監理制度資料，對量化投資人有兩層價值：一層是風險控管，被列注意是升級成處置股票的前哨站；另一層是事件研究，公告本身就是一個可回測的訊號。

這一類資料涵蓋什麼

這是一份事件型紀錄：哪一天、哪一檔股票被公布注意，以及公告當下揭露的交易資訊，欄位包含注意交易資訊的文字內容、當日收盤價與本益比。除了原始事件，FinLab 另外整理了「排除注意股」的布林表格，把每一天的注意股標記為 False，可以直接當成選股濾網使用。要分清楚的是，注意與處置屬於兩個階段：被列注意時交易方式不變，只是公告提醒；若短期內反覆被列注意，才會升級為處置股票，進入約每五分鐘或二十分鐘撮合一次的分盤交易，甚至被要求預收款券。相關名詞定義可查名詞解釋。

怎麼判讀：注意股同時是風險與動能

被列入注意，通常代表股價短線走勢或量能明顯偏離常態，其中很大一部分是題材熱炒的強勢股。所以這份名單有兩面：從風險面看，它是流動性風險的預警，一旦升級處置，分盤交易會讓進出成本大增，短線策略可能直接失效；從報酬面看，公告事件前後的價格規律本身值得研究，盲目把注意股全數剔除，等於同時剔除市場上動能最強的一群股票，策略樣本會被大幅改變。剔或不剔，先用回測驗證再決定。

最容易踩的雷

第一個雷是時點對齊：注意名單是收盤後才公布的，回測若讓策略在公告當天盤中就避開或買進，等於用了當時還不存在的資訊，犯了前視偏差；訊號至少要等公告後的下一個交易日才能反應。第二個雷是忽略處置階段的交易限制：回測通常假設隨時能以收盤價成交，但處置股採分盤撮合、流動性驟降，實單很難照回測價位進出，對換股頻繁的策略影響尤其大。

怎麼接上選股與策略

想看注意與處置事件本身怎麼變成策略，可以讀處置股策略全解析，用真實資料找出處置股的進出時機；想把處置股比例當成策略風險檢測的一環，評估回測能不能落地實戰，可以讀客製化流動性風險檢測；想把這類濾網接進完整的選股流程，可以從台股選股策略完整指南入手。

怎麼自己取得這份資料

完成 FinLab 安裝設定後，兩行就能把注意股資料抓回本機：

      
        顯示程式碼
        
      from finlab import data
 
events = data.get("trading_attention")        # 注意股事件紀錄
mask = data.get("etl:noticed_stock_filter")   # 注意股當日標記為 False

第一份是逐筆事件紀錄，第二份布林表格可以直接與持股訊號相乘，一行就把注意股從投資組合剔除。這份資料的涵蓋期間與更新狀態，本頁下方有即時健檢可以查；不會寫程式也沒關係，頁面下方可以把這件事直接交給 AI，幫你把名單抓下來，接成可回測的濾網。

注意股名單包含的資料欄位

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: 4 欄
時間範圍: 2001-01-02 ～ 2026-07-03
更新頻率: 每日更新
狀態: 已通過驗證

data.get("trading_attention")

如何取得注意股名單

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。

免費試用

用 AI 開始 FinLab

把這句話交給你的AI，它會帶你完成設定並做出第一個策略。

告訴你的AI：

幫我設定 FinLab，取得「注意股名單」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/trading-attention-stocks

免安裝，直接讓 AI 寫策略

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("trading_attention:")
df.tail()

用注意股名單跑出的研究

資產配置實戰：用 Hierarchical Clustering 打造年報酬 40% 的穩健投資組合（腳本公開）

把 13 支 FinLab 選股策略視為資產，用 Hierarchical Clustering 與 Random Search 找最佳權重，打造 CAGR 40%、最大回撤僅 -13.75% 的穩健投資組合。完整實作腳本公開，示範如何用相關性與效率前緣降低同漲同跌風險。

台股 · 年化 40.0%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%。

台股 · 年化 33.3%客製化流動性風險檢測：你的台股策略真的能實戰嗎？

營收動能策略回測 CAGR 47%、Sharpe 1.6 看似漂亮，流動性熱力圖卻揭露收盤價追漲停機率達 13.26%、處置股與小型股比例偏高，實戰必然失真。本文示範如何用 finlab 自製漲跌停、處置股、成交量等多項風險檢測模組，讓台股策略回測更貼近實戰。

台股 · 年化 47.0%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%。

台股 · 年化 23.0%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 為加權與櫃買指數擇時：MA30≥0 持有、<0 出清。回測櫃買指數年化從 5.6% 升至 8.8%，最大回撤由 76.4% 降至 37.4%，顯著控制台股下檔風險。

台股 · 年化 8.8%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。學術研究指出持股約 20 檔就能消除 95% 可分散風險，再加 80 檔僅多降 4%；同質 Alpha 股票過度分散甚至會被攤薄成大盤報酬。最佳做法是每類因子精選持股，再用多種低相關 Alpha 策略疊加，提升整體夏普比率與投資組合穩定度。

台股 · 年化 0.0%

更多相關研究（18 篇）