美股指數成分股
資料狀態待確認S&P 500 與 Nasdaq 100 逐日成分股名單,建立時點正確的美股股票池、避免回測偷看未來的原料。
資料快照截至 2026-07-04
美股指數成分股資料,記錄的是每一個交易日、哪些股票屬於 S&P 500(標普五百)與 Nasdaq 100(那斯達克一百)這兩個美股最具代表性的指數。它的形式是一張逐日的成員表:列是日期,欄是股票代號,值代表這檔股票當天是否在指數名單內。看起來只是一份名單,價值卻在於「逐日」兩個字:指數成分會定期新陳代謝,經營惡化的公司被剔除、崛起的公司被納入,想在回測裡重建「當時真實存在」的股票池,就得靠這份逐日紀錄。
這一類資料涵蓋什麼
這份資料分別記錄兩大指數的每日成員狀態:sp500 對應 S&P 500,nasdaq100 對應 Nasdaq 100。S&P 500 收錄美國市值、獲利與流動性達標的大型企業,常被當成美股整體的代名詞;Nasdaq 100 聚焦在那斯達克掛牌的非金融大型公司,科技股比重高。兩份名單都以「當天實際生效」的時點正確(point-in-time)方式記錄,成分異動(納入與剔除)會直接反映在逐日值的翻轉上。至於成分股的價格與財報,屬於美股資料那一頁,本頁不重複;指數相關名詞的定義可查名詞解釋。
為什麼成分名單要逐日記錄
指數是一場持續的淘汰賽:今天的 S&P 500 名單,其實是幾十年競爭下來的倖存者清單。如果拿今天的名單去回測十年前的行情,等於預先挑出後來活下來的贏家,這種前視偏差會讓回測績效嚴重灌水,實單根本複製不出來。逐日的時點正確名單讓回測在每一天都只用當時看得到的成員選股,衡量的才是當時真正做得到的決策。此外,成分異動本身也是研究題材:股票被納入指數時常伴隨追蹤指數的被動資金買盤,被剔除時則反向,這份逐日紀錄正是觀察這類事件的原料。
回測最容易踩的雷
第一個雷是資料起點。成分股歷史名單的起點比美股價格資料晚,回測視窗若早於名單起點,會拿不到當時的成員狀態;實務做法是在名單起點之前改用成交金額或市值排序建立替代股票池,之後再接回真實成分。實際涵蓋區間本頁下方的即時健檢可以查,動筆寫策略前先確認。第二個雷是把成分當成權重。這份資料只回答「在或不在指數裡」,不包含市值權重,直接把成分股等權買進,績效會與市值加權的指數本身有明顯落差;若目標只是貼近指數報酬,直接用追蹤該指數的 ETF 更省事。
怎麼接上選股與策略
用法核心是把它當成股票池濾網:先用成分表把整個美股市場縮小到 S&P 500 或 Nasdaq 100,再把動能、價值等因子訊號限制在名單內排序,因子比較才會發生在體質相近的股票之間。想先弄懂 FinLab 美股資料庫的全貌與授權限制,可以讀美股資料庫使用者指南;想看股票池的選擇怎麼影響因子表現,可以讀美股選股池分類器使用教學;想直接動手跑第一個美股回測,1 分鐘上手美股回測用股價淨值比示範了完整流程。想把股票池、因子與回測放回整體框架,可從量化交易完整指南入手。
怎麼自己取得這份資料
完成 FinLab 安裝設定後,幾行程式就能把逐日成分表抓回本機:
顯示程式碼
import finlab
from finlab import data
finlab.login()
data.set_market('us')
sp500 = data.get('us_index_constituents:sp500')
nasdaq100 = data.get('us_index_constituents:nasdaq100')回傳的表格以日期為列、股票代號為欄,可以直接和美股價格對齊,當成濾網套在因子訊號上。這份資料的實際涵蓋區間與更新狀態,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,幫你抓下名單、篩出成分股,再一步步接成可回測的策略。
美股指數成分股包含的資料欄位
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
- 2 欄
- 時間範圍
- 2022-11-08 ~ 2026-07-03
- 更新頻率
- 每週更新
- 狀態
- 資料狀態待確認
data.get("us_index_constituents")如何取得美股指數成分股
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。
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「美股指數成分股」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/us-index-constituents
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.markets.us import USMarket
from finlab import data, config
config.set_market(USMarket)
df = data.get("us_index_constituents:")用美股指數成分股跑出的研究
財報狗免費選股條件也能排列組合出價值股策略:EPS 五年成長 > 1.1、ROE 四季 > 0、流動比率 > 200、本益比 < 15、股價淨值比 < 1.5;半年換股一次回測台股,2009 金融海嘯後反彈強勁,附完整篩選邏輯、權益曲線與每期持股檔數分析。
本益比選股真的有效嗎?PE、PB、PEG 台股 10 年回測台股 10 年回測比較 PE、PB、PEG 三種估值因子:單看低本益比年化僅 -1.4%、低股價淨值比 7%,唯有 PEG 結合月營收成長動能組合年化拉到 37.1%、夏普 1.08。文中解析三大估值指標公式、適用情境與避免「便宜其實是陷阱」的台股選股實作方法。
自由現金流選股 13 年實測:經典螺絲輸 0050,多因子 FCF 才贏(年化 24%)把財報狗策略狗的「自由現金報酬率」寫成可重現策略,用 finlab 實測 2013–2026 共 13 年:經典 FCF+本益比+股價淨值比螺絲只有年化 14.22%、夏普 0.94,跑輸含息 0050(21.01%)。真正贏過大盤的是把自由現金報酬率、營收成長、價格動能三個低相關因子疊起來,年化 24.18%、夏普 1.28、回撤還更淺,附可下載 strategy.py 與回測數據。
PEG 策略實戰:用本益成長比挖掘被低估的成長股PEG = 本益比 / 盈餘成長率,可避開低 PE 價值陷阱。文中用 FinLab 在台股做四輪 AI 迭代優化,從 PEG<2、營收動能、流動性篩選到停損設定,把彼得林區式選股年化從 9.7% 提升到 25.6%、最大回撤壓到 37%、Sharpe 0.93,附 Python 程式。
0056 高股息 ETF 復刻:用量化策略打造進階版用量化方法復刻 0056 高股息 ETF 選股邏輯,從市值前 150、近三年穩定配息與毛利率成長著手,股池與原版重疊率達 72%。再加入營收成長、長期均線、波動率與殖利率門檻打造進階版,篩出 20 檔兼顧股利與資本利得的標的,附完整 Python 程式碼範例。
美股探險記第3課:1分鐘上手美股回測|股價淨值比在美股還有效嗎?用 FinLab 美股策略實驗室一鍵複製「美股_低股價淨值比」範例,1 分鐘上手美股回測流程。回測顯示近 7 年該策略報酬與抗跌幅度都優於 S&P 500、2020 疫情回檔較淺,但移植到美股後超額報酬明顯弱於台股版本,文中討論市場效率差異與美股因子開發的注意要點。
更多相關研究(53 篇)
- 財報選股:只要 3 個指標,年化報酬率超過 60% 年化 60.0%
- 月營收動能選股:台股 11 年回測年化 50%,夏普 1.46(附程式碼) 年化 50.0%
- 七七四十九種 PEG 本益成長比實測:打造年報酬率 30% 成長股選股策略 年化 40.0%
- 跌深反彈真的能賺錢嗎?用 AI 回測揭開抄底策略的殘酷真相 年化 34.6%
- 揭秘庫藏股:庫藏股投資策略再優化,年化約 30% 回測(Part 2) 年化 30.0%
- 美股多空策略:用財報指標打造年報酬 30% 的對沖組合 年化 30.0%
- 存股推薦 2026:用量化數據找出最佳定期定額標的 年化 25.2%
- 量化模型說這檔股票營收暴增 50%,可以買嗎?每 3 檔就有 1 檔是地雷! 年化 24.5%
- 反思菲式思考 Part.3:恢復信用交易策略優化,年化 23.46% 年化 23.5%
- 杜邦分析教學:ROE 拆解公式、計算例子與台股 13 年選股回測實證 年化 22.9%
- 業外收入選股:3 個財報數據,年化報酬率 22% 年化 22.2%
- 研發費用率選股策略:用研發投入找出高成長科技股 年化 22.0%
- F-Score 選股:9 分體檢表打敗大盤,年化 21.8% 年化 21.8%
- 意圖因子選股:找到主力護航的穩定上漲股 年化 18.5%
- 0056 vs 00878 vs 00919 高股息 ETF 實測:殖利率贏,含息總報酬卻全輸 0050 年化 17.7%
- 股價淨值比選股策略:台股 16 年實測,低 PB 排序成立但五組全輸 0050 年化 15.1%
- 除權息全攻略:16年虧7.2%揭開填息迷思 年化 11.7%
- F-Score 選股:9 個財報指標升級你的所有策略 年化 7.7%
- 事件研究法教學:找到股價異常報酬率的方法 年化 0.0%
- Alpha Arena 背後的技術解析:LLM AI 交易的缺陷與潛力
- 探討一個全局有效的因子優化方法:xxx/Price 因子選股
- 反思菲式思考 Part.1|關鍵交易思維與選股邏輯的啟發
- 美股選股池分類器使用教學:本益成長比最適合用在哪些產業?
- 美股探險記第2課:美股資料庫使用者指南|FinLab 量化平台
- 產業資料庫的基礎應用:用 Python 與 Pandas 客製化台股產業分類
- FinLab 開發與研究月報 (2022-11)|量化選股策略與總經回測教學總整理
- 選股策略系統性學習(1)|新手必看的5個FinLab入門選股策略
- 產業面選股策略|同業本益比比較法實戰回測
- 台股財報資料豆知識:發布日、截止日與時序索引操作完整教學
- 如何用指標計分來選股?Python pandas qcut 資料分級處理選股策略
- 1 分鐘學會!使用 Lux API 自動視覺化 Pandas 資料
- 營業利益率選股策略:用 Finlab 量化篩選穩定成長的低價好股
- 結合技術面與籌碼面的 AI 選股策略:CatBoost 機器學習實戰
- 台股資料庫建置教學:用 Python 整理財報、月報與股價資料
- 本益比河流圖教學|用 Python Plotly 打造客製化看盤工具
- 合約負債選股術:用流動合約負債挖掘營建業營收領先指標
- 給投資新手的理財規劃:小資族投資 0050 滾出千萬退休金的免費模擬工具
- ROE 怎麼看?用 SVM 機器學習解析 ROE 與市值的選股關係
- EPS 跟 ROE 哪個選股比較有效?台股 13 年回測:能避開地雷股,但高 ROE 不再領先
- 如何判斷投資理財課程的好壞?用量化策略與歷史回測檢驗老師
- 利用 Machine Learning 選股新手教學:用隨機森林實作量化選股
- 利用 Pandas 輕鬆選股 — Python 實作教學
- 用股價淨值比 (PB) 判斷台股大盤漲跌與買賣點
- 大盤要跌了嗎?用企業本益比中位數分佈判斷台股大盤漲跌
- 本益成長比 PEG 真的越低越好?台股回測揭曉最佳區間
- 市值營收比選股 13 年實測:「便宜高獲利」是 -60% 回撤陷阱,多因子才贏 0050
- 超簡單用 Python 抓取每月營收:30 行爬蟲下載全台股月營收
- 月營收選股三種方法 14 年實測:成長法總報酬 1,474% 勝 0050,夏普仍輸
- ROE 到底高或低才好?換股頻率決定高 ROE 選股績效
- 買股票只考慮 ROE 是不夠的!用 ROE 搭配 PB 選便宜好股
- 財報狗巴菲特免費選股教學:27 種條件組合回測實測
- 超簡單台股每日爬蟲教學:15 行 Python 程式碼下載股價並篩選低本益比股票
- 只用一行程式碼分析數據!?實用的 Python Package pandas_profiling
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