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。
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。
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
點開任一欄位可看它的完整涵蓋範圍、資料品質檢查與取得方式。程式碼欄位即是用 finlab
取得該資料的 data.get() 代號。
| 資料欄位 | 程式碼 | 資料量 | 時間範圍 | 權限/免費期間 | 狀態 |
|---|---|---|---|---|---|
| 處置股名單(處置股票事件紀錄) | data.get("disposal_information") | 8,167 | 2001-01-02 ~ 2026-11-18 | 免費版至 2023-12-31 | 已通過驗證 |
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。
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「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
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("disposal_information")
df.tail()用注意股名單跑出的研究
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。
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;重跑到 2026 年 10 月,原版與改成開盤價進出、排除處置股的版本都通過三項穩健性驗證。
更多相關研究(25 篇)
- 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%
- 低波動本益成長比策略|MAE/MFE 機器學習選股優化教學 年化 24.2%
- 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