跳至主要內容

ETF 受益人數

資料狀態待確認

全市場 ETF 受益人數、規模與檔數占比的逐月統計,觀察散戶參與度與資金入市熱度。

台股 9 個資料欄位 2007-01-31 ~ 2026-05-31 財報季更新

資料快照截至 2026-07-04

ETF 受益人數,記錄的是持有 ETF 的投資人統計。ETF 在架構上是一種基金,投資人買進後拿到的是受益憑證,持有人因此被稱為「受益人」。這份資料把全市場 ETF 的受益人數、基金規模與檔數,和整體基金市場放在同一張表上逐月統計,讓你看到 ETF 這個工具正被多少人、多少錢採用。在台灣,ETF 是散戶參與市場最主要的入口,所以受益人數的增減,常被拿來當作散戶參與度的溫度計,屬於市場層級的籌碼面資料。

這一類資料涵蓋什麼

內容分三個面向。第一是人數面:全體 ETF 受益人數、全體受益人數,以及 ETF 所占的比例。第二是規模面:全體 ETF 的基金規模、整體基金規模與占比。第三是檔數面:ETF 檔數、基金檔數與占比。要特別注意,這是「全市場總量」的時間序列,統計的是整個 ETF 市場的合計值,看不到單一檔 ETF 或個股的持有人明細;想觀察單一標的的持有人結構,要改用集保與股權分散那類個股層級的資料。受益人、受益憑證這些名詞的定義,可以查名詞解釋

為什麼受益人數是散戶參與度的溫度計

判讀邏輯很直接:行情由資金推動,而受益人數直接記錄「有多少人把錢放進市場」。人數逐月加速增加,通常對應行情熱絡、新資金進場意願升溫;成長停滯甚至下滑,代表入市熱度降溫。和融資餘額這類槓桿資金指標對照著看更有意思:融資捕捉散戶用槓桿追價的行為,受益人數涵蓋範圍更廣的現貨與定期定額族群,兩條線對照,就能把「追價的錢」與「穩定入市的錢」分開來看。另外,ETF 占整體基金的比例長期墊高,反映被動投資普及的結構性趨勢,這條占比曲線本身就是台灣資金結構變化的紀錄。

最容易踩的雷

第一個雷,是把受益人數直接當成「有多少人在買 ETF」。這份統計把每一檔 ETF 的受益人各自計數後加總,同一個人同時持有多檔 ETF 就會被重複計入,所以總數會明顯高於實際參與的自然人數,拿它去除以人口數推算「滲透率」會嚴重高估。第二個雷,是拿水準當情緒訊號。受益人數帶有強勁的長期上升趨勢,「創新高」幾乎是常態,單看絕對水準沒有辨識度;要當市場情緒指標,得看月增速的變化或與長期趨勢的偏離程度,再搭配行情位置驗證。回測時也要記得,這是統計期結束後才公布的資料,訊號必須對齊公布之後的時點才能使用,避免前視偏差

拿這份資料能做什麼

受益人數是市況觀察的原料,實戰用法是把「散戶參與度」做成可回測的市場情緒訊號。想看散戶指標怎麼被驗證成有效訊號,可以讀小台散戶多空比怎麼用才有效;想看用市場情緒溫度計做大盤擇時的完整流程,可以讀用融資維持率地板訊號抄底 0050 的實測。ETF 熱潮本身也值得檢驗,高股息 ETF 實測比較用含息總報酬把熱門標的放上同一把尺。想把這些訊號接回完整的量化流程,可以從量化交易完整指南開始。

怎麼自己取得這份資料

完成 FinLab 安裝設定後,登入即可取得這份逐月統計:

顯示程式碼
import finlab
from finlab import data
 
finlab.login()
df = data.get("tw_etf_beneficiary_stats:全體ETF受益人數")
df.tail()

同一個資料類別下還有全體受益人數、ETF 基金規模與占比等欄位,換上對應欄位名即可取得。資料的涵蓋期間與更新狀態,本頁下方有即時健檢可查。不會寫程式也沒關係,頁面下方可以把這件事直接交給 AI,幫你把資料抓下來、算出月增速,再一步步接成可回測的市況訊號。

ETF 受益人數包含的資料欄位

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
9 欄
時間範圍
2007-01-31 ~ 2026-05-31
更新頻率
財報季更新
狀態
資料狀態待確認
data.get("tw_etf_beneficiary_stats")

如何取得ETF 受益人數

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「ETF 受益人數」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/tw-etf-beneficiary-stats

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("tw_etf_beneficiary_stats:")
df.tail()

用ETF 受益人數跑出的研究

外資一直買或一直賣怎麼看?股價為什麼不漲不跌,外資賣超原因與投信買超策略

外資一直買不代表股價必漲,外資賣超原因也多半是資金調節(指數調整、匯率避險),不等於股價必跌。本文附截至 2026-06 的外資與投信最新買賣超動向,並用 finlab 2015~2026 全市場資料回答外資一直賣股價為什麼不跌、外資一直買為什麼不漲、外資大賣隔天會怎樣、投信買外資賣該聽誰;最強的投信+營收動能策略年化 33.9%,附可重跑程式碼。

散戶反向策略:融資、當沖、集保數據的賺錢密碼

台灣散戶每年落後大盤 3.8%。用集保「小於十張佔比」4 週減>0.3%、外資或投信 10 日買超、營收 YoY>30%、選散戶減持最大 15 檔,2015-2025 回測年化 33.77%、夏普 1.12。

外資 vs 投信 vs 自營商:三大法人跟誰最準?

10 年台股回測比較外資、投信、自營商三大法人跟單績效:純跟投信年化僅 7.4%,加入月營收成長篩選後 CAGR 飆至 30.1%、Sharpe 0.95。揭開三大法人籌碼面組合拳的真實效果,附 FinLab Python 回測程式。

外資買賣超怎麼解讀?外資避險指標教學,提前避開股市大幅回落

外資每日買賣超金額雜訊太多、缺乏標準化基準,改用「近月外資淨買超天數 / 交易日數」轉成 0~1 標準化指標。實作 Python 程式碼並回測 0050 與富櫃 50 避險訊號,協助提前嗅到台股大幅回落的籌碼面警訊。

外資成本線怎麼看?Python 自製外資買入成本指標與選股教學

外資成本線是用外資買賣超與股價估算外資近期平均進出成本的籌碼指標。本文用 Python 與三大法人資料自製外資買入成本指標:以 rolling 60 日加權平均算出外資進出均價,再篩出股價低於外資成本的台股清單,附完整資料整理、買賣成本計算與選股程式碼示範。

主力波動指標:用券商分點數據打造獨家選股因子

傳統主力買賣超效果有限,改用券商分點資料建構「主力波動指標」(買賣比 10 日均值÷10 日標準差),IC 最高達 0.04,搭配月營收 YoY>1.5、日成交量 30 萬股以上篩選打造台股量化選股因子,附 FinLab Python 完整實測程式碼。

更多相關研究(10 篇)

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