Hermes Agent + finlab 安裝指南：模型選擇與本機雲端比較

用 Hermes Agent 跑 finlab，最常卡住的其實是環境選擇：Hermes 要怎麼裝、模型要選雲端還是本機、排程要放在自己的電腦還是 VPS、第一次取台股資料時要設定哪些東西。本文把上手流程放在最前面，再用一支「月營收成長動能三因子」策略當範例，示範 Hermes 每月台股營收公布後自動重跑、跟上月比對、把衰退寫進記憶。

策略範例的實測結果也放在同一篇：配合 walk-forward（研究段對樣本外）驗證，全段（2018-01 到 2026-08）年化報酬（CAGR）25.9%、月索提諾 1.67；樣本外段（2022 之後）年化 30.3%，與同期 0050 含息的 29.6% 幾乎打平。與 2026-06 快照相比，數字明顯回落。這些數字用來說明 Hermes 接上 finlab 後能維護什麼；要實單，仍得先完成安裝與風險設定。

口徑：2018-01 到 2026-08（資料截至 2026-08-31，2026-10-10 重跑；策略 2018-01-31 首次建倉，0050 同日起算），策略含 finlab 預設交易成本，0050 為還原價含息買進持有（詳見文末回測方法，2026-10 的基準起算日更正也寫在那裡）。在本文設定、2018–2026 這段期間，三因子策略只有年化與總報酬贏過 0050（年化 25.9% 對 24.3%、總報酬 +624% 對 +547%）；日夏普 0.91 低於 0050 的 1.16、月索提諾 1.67 低於 1.92、最大回撤 -48.0% 比 0050 的 -34.0% 深 14.0 個百分點，年化波動 31.7% 也比 0050 的 21.5% 高出約 10 個百分點。它用更大波動換取略高的絕對報酬，風險調整後並不佔優。再看中間那欄：同樣三因子，硬加上「大盤 200 日均線擇時」當作風險濾網，年化反而掉到 16.6%、月索提諾掉到 1.13，連策略本身都不如。

策略近期回落（季度重跑紀錄，數字為 2026-10-10 重跑）： 與 2026-06 快照（資料截至 2026-06-09）相比，全段年化由 30.2% 降到 25.9%、月索提諾由 2.13 降到 1.67、樣本外年化由 39.2% 降到 30.3%。回落集中在最近三個月：2026-06-09 到 08-31 策略 -19.6%，同期 0050 +3.3%；近 12 個月（2025-08-29 到 2026-08-31）策略 +77.8%，也落後 0050 的 +106.5%。月索提諾 1.67 仍在 1.5 以上（FinLab 挑選範例策略時要求夏普或索提諾至少一項達到 1.5）、年化仍高於 0050，這支策略仍留作本文範例，但 2026-06 版「年化與月索提諾雙贏」的說法已不成立，改為只剩年化領先。這正是季度重跑與 Hermes 每月排程要抓的訊號：因子擁擠或市況轉向時，數字要據實下修，不調參硬撐。粗糙的大盤擇時被行情洗來洗去的代價，後面會用真數據拆解。

5 分鐘安裝路徑：Hermes、模型、finlab skill

Hermes 的官方安裝分兩條路。想要少碰命令列，用 macOS／Windows 的 Hermes Desktop installer；想跑在終端機、VPS 或 WSL2，用官方 shell installer。安裝器會處理 Python、Node.js、ripgrep、ffmpeg 等依賴，你主要要確認系統有 Git。

macOS、Linux、WSL2：

curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
source ~/.zshrc
hermes

Windows PowerShell：

iex (irm https://hermes-agent.nousresearch.com/install.ps1)

Hermes 能跑起來後，設定模型。官方最快路徑是：

hermes setup --portal

這個流程會開瀏覽器登入 Nous Portal、選模型，並把 web search、browser、語音與圖片等工具接好。已經有 OpenRouter、Anthropic、OpenAI-compatible endpoint 或本地模型的人，也可以用互動選單切換：

hermes model
hermes config check

接著裝 FinLab 的 AI skill。這一份 SKILL.md 是讓 Hermes 知道怎麼抓台股資料、怎麼用 finlab 回測、怎麼避免常見前視偏差的能力包：

npx skills add https://github.com/koreal6803/finlab-ai --skill finlab

最後把 setup 提示詞交給 Hermes。首次取資料時，finlab 套件會自動引導登入，不需要把金鑰寫進提示詞或程式碼。

AI 模型怎麼選：工具調用能力優先

Hermes 可以接很多模型供應商：Nous Portal、OpenRouter、Anthropic、OpenAI、Google、DeepSeek、Qwen，也能接 Ollama、llama.cpp、vLLM、SGLang 這類自架 OpenAI-compatible endpoint。量化研究需要模型穩定讀檔、寫程式、跑終端機、修錯、整理回測結果，所以選模型時要看工具調用與長上下文，不只看一般問答分數。

實務上可以這樣選：第一次設定選 Nous Portal 或一個強工具調用的雲端模型；等流程跑順，再把重複、低風險的批次實驗搬到本地模型。官方本地模型文件以 Qwen3.5-9B 作為 Apple Silicon 入門例子：量化後約 5GB 模型檔，8GB 以上 unified memory 可嘗試，但長上下文與工具迴圈仍會吃記憶體。想跑 27B、35B 以上模型，通常要 32GB 以上記憶體或獨立 GPU。

本機、VPS、雲端 GPU 怎麼選

做 FinLab 回測時，Hermes 本身不一定需要昂貴 GPU。真正吃資源的是「模型推論」與「你是否要 24 小時排程」。如果模型用雲端 API，Hermes 可以跑在普通筆電或小 VPS；如果模型也要自架，本機記憶體與 GPU 才變成主要成本。

如果只是每月重跑一支台股策略，最務實的配置是「小 VPS + 雲端強模型」或「自己的電腦 + 雲端強模型」。想把策略邏輯、對話、回測結果盡量留在本地，就改用本地模型，但要接受速度較慢與模型品質落差。finlab 在筆電、VPS 或雲端主機都能跑，要不要上雲端，看的是你希望 Hermes 在你離線時還能替你做多少事。

初始設定檢查表：第一次跑 FinLab 前確認

Hermes Agent 是什麼？為什麼適合「養」一支量化策略

Hermes 是 Nous Research 開源的 AI Agent（MIT 授權），它和一般聊天機器人最大的差別有三點，剛好都對應「長期維護一支策略」的需求：

量化策略寫完之後還需要被「養」：每月有新營收、新股價，選股清單會換、績效會漂移，因子也可能擁擠失效。傳統做法是你手動每月開電腦重跑、自己記得上個月的結果、自己判斷有沒有衰退。Hermes 把這三件雜事自動化，等於替你的策略請了一個會記事、會定時、會累積經驗的研究助理。想先補齊量化交易的整體脈絡，可以讀量化交易完整指南；對 AI Agent 怎麼跑回測還沒概念，AI Agent 量化交易實戰有從零開始的三段對話示範；想比較 Hermes 與 Claude Code、Codex、Pi、龍蝦各自的強項與適用情境，見 AI Agent 量化交易工具比較。

策略本體：月營收成長動能三因子

策略的核心是三個低相關的因子，疊在一個「健康成長」的股票池上：

• 營收成長：台股強制公布月營收，這是全球少數的月頻基本面資料。我們取營收年增率的全市場百分位排名。
• 價格動能：用近 60 個交易日（約一季）報酬的全市場排名，捕捉市場已經在追的標的。
• 品質（ROE）：用稅後 ROE 的排名，避免買到「營收衝但賺不到錢」的公司。

健康成長池的定義是：營收年增介於 10% 到 200%（排除衰退股，也排除基期過低的暴衝），且最近 3 個月都正成長。三個因子都在「近 20 日平均成交金額大於 1,000 萬」的股票裡做排名，排名相加當綜合分數，再從健康成長池挑分數最高的 20 檔，分數平方加權、每月再平衡。下面是頁面內可直接讀的核心程式碼，每一段對應一個動作：

import finlab
from finlab import data
from finlab.backtest import sim
 
# 首次取資料時 finlab 會自動引導登入
finlab.login()
 
# 1) 載入資料
close = data.get("price:收盤價")
volume = data.get("price:成交股數")
revenue_yoy = data.get("monthly_revenue:去年同月增減(%)").reindex(close.index, method="ffill")
roe = data.get("fundamental_features:ROE稅後").index_str_to_date()
roe = roe.reindex(close.index, method="ffill")
 
# 2) 流動性:近 20 日平均成交金額大於 1,000 萬
liquid = ((close * volume).rolling(20).mean() > 10_000_000) & close.notna()
 
# 3) 健康成長池:年增 10%~200%,且最近 3 個月都正成長
healthy_growth = (
    (revenue_yoy > 10)
    & (revenue_yoy < 200)
    & ((revenue_yoy > 0).rolling(3).sum() == 3)
)
 
# 4) 三個因子各自在流動性合格的股票裡做百分位排名,相加為綜合分數
def rank_pct(factor):
    return factor.where(liquid).rank(axis=1, pct=True)
 
score = rank_pct(revenue_yoy) + rank_pct(close.pct_change(60)) + rank_pct(roe)
 
# 5) 在健康成長池內取前 20 名,分數平方加權
top20 = score.where(healthy_growth).rank(axis=1, ascending=False) <= 20
weight = score.where(top20, 0) ** 2
weight = weight.div(weight.sum(axis=1), axis=0).fillna(0)
 
# 6) 2018 年起每月再平衡回測
report = sim(weight[weight.index >= "2018-01-01"], resample="M", name="月營收成長動能")
report.display()

平方加權的用意是讓綜合分數最高的股票拿到更高權重，20 檔不齊頭等權；後面的敏感度段把它和等權版放在一起比。文末可下載的完整版本多了資料截止日設定與績效統計，執行後會印出本文績效表與敏感度表的數字（年化、夏普、索提諾、最大回撤、年化波動、總報酬、平均持股、月周轉率，含同窗 0050、naive 對照與樣本外），並列出資料截止日的持股權重；區間報酬可用附的 data.csv 自行計算。

Hermes 的招牌用法：每月自動重跑、寫進長期記憶

策略寫好只是起點。台股月營收約每月 10 號公布，Hermes 的價值是接手後續所有重複工作。下面這段提示詞就是把整個維護迴圈交給它（複製即用）：

每月 11 號自動重跑這支月營收成長動能策略，把這個月的選股清單跟上個月
比對，並把「哪些股票被換掉、整體績效有沒有衰退」記到長期記憶。

實際對話會像這樣：

💬 你對 Hermes 說：

每月 11 號自動重跑這支月營收成長動能策略，把這個月的選股清單跟上個月比對，並把「哪些股票被換掉、整體績效有沒有衰退」記到長期記憶。

🤖 Hermes 回覆：

已建立排程：每月 11 號 09:00 觸發。剛才先跑了一次當基準：全段年化 25.9%、月索提諾 1.67，仍在 1.5 的門檻之上；但最近三個月（2026-06-09 到 08-31）策略 -19.6%，同期 0050 +3.3%，近 12 個月（2025-08-29 到 2026-08-31）+77.8% 也落後 0050 的 +106.5%，已標記為「連續回落，觀察中」。已把本月前 20 名清單、與上月的差異和滾動績效寫入長期記憶 revenue_momentum_strategy，下個月會自動跟這份基準比較。

這裡發揮了 Hermes 的三項特長：cron 負責「每月 11 號自動觸發」，長期記憶負責「記得上月清單與績效當基準」，技能沉澱讓「重跑—比對—記錄」這串動作存成一個可重複呼叫的技能，下個月不必重新交代。對比 AI 選股提示詞與真實回測 那種一次性問答，這裡的重點是把策略當成需要長期照顧的系統，每個月自動重跑、比對、留紀錄。

提醒：上面的回覆是示意對話，用來說明 Hermes 的記憶與排程怎麼運作；引文中的績效數字取自本文 metrics.json 與 data.csv，你自己跑 strategy.py 時以當日輸出為準。

為什麼要 walk-forward？樣本外才是真考試

一支策略在它「被設計的那段歷史」上表現好，幾乎是必然的，因為你（或 AI）是看著那段資料調出來的。要判斷它有沒有真本事，得看它在沒見過的資料上的表現。walk-forward 的做法很單純：把歷史切成兩段，前段當研究段（in-sample）、後段當樣本外（out-of-sample），分開計算績效。如果樣本外明顯崩掉，就是過擬合的警訊。關於回測本身的方法論與常見陷阱，可延伸讀什麼是回測。

把這個檢查也交給 Hermes，提示詞如下：

用 2018-2021 當研究段、2022 年之後當樣本外，分開算績效，
告訴我這支策略在沒見過的資料上有沒有失效。

我們真的這樣切了：研究段是 2018–2021，樣本外是 2022 年初到 2026-08。結果分兩層看。只看策略自己，樣本外沒有崩塌，年化與月索提諾都高於全段；把同一段的 0050 含息放在旁邊，策略年化只多 0.7 個百分點，日夏普、索提諾與最大回撤全部落後：

粗體標示樣本外兩欄中較好的一方。全段從 2018-01-31 起算，樣本外兩欄都從 2022-01-03 起算。

樣本外段策略年化 30.3%、月索提諾 2.06，都比它自己的全段數字好，策略邏輯（健康成長 + 動能 + 品質）在 2022 升息修正與之後的行情裡沒有出現過擬合式的崩塌。可是同一段 0050 含息年化 29.6%、月索提諾 2.39、最大回撤 -34.0%：策略只在年化上多 0.7 個百分點，承擔的回撤卻深了 8.6 個百分點。2022 之後台股是一段強勢電子行情，對營收動能因子有利，也同樣推升了權值股集中的 0050。所以這次 walk-forward 能支持的結論只到「沒有過擬合崩塌」為止，樣本外並沒有出現打敗大盤的證據；2026 年 6 月到 8 月的回落也把樣本外年化從 2026-06 版的 39.2% 拉到 30.3%。

還有一個限制要講清楚：這支策略的因子與門檻是在 2026-06 首次發佈時定下的，當時 2018 到 2026 的全段資料都已存在，無法證明 2022 之後的行情完全沒有影響設計，所以這裡的切分是時間切分檢查，嚴格意義上沒參與設計的前瞻樣本，是首次發佈日 2026-06-22 之後的區間：到 2026-08-31，策略 -18.8%、0050 含息 -3.8%。兩個多月太短，不足以下結論，季度重跑會繼續累積。完整互動式回測報告（月報酬熱力圖、年度績效、權益曲線都在裡面）：

naive 的教訓：粗糙的大盤擇時反而傷績效

很多人看到 -48.0% 的回撤，第一反應是「加個大盤濾網閃開崩盤不就好了」。我們把這個直覺也跑成真數據：同樣三因子，加上「只有大盤站上 200 日均線才進場、跌破就空手」的擇時規則，結果反而更差。

加擇時讓最大回撤從 -48.0% 變成 -43.5%，只淺了 4.5 個百分點，代價卻是年化少了 9.3 個百分點、總報酬少了五成多。拆開幾段大跌看得更清楚：2022 年擇時版確實少跌（年內最深 -18.6%，原始版 -32.9%）；2020 年 3 月疫情急跌，從 1 月中的高點算起兩版一樣跌了 29.3%，均線訊號來不及反應；2018 年那一段擇時版反而更深，從 2018-04 高點一路回落，直到 2020-03 都沒回到前高，全期最大回撤就出在這段。

代價主要來自錯過反彈，交易成本不是主因：擇時版的平均月周轉率 48%，還低於原始版的 59%。擇時只在每月再平衡日判斷，回測期間一共空手 7 段，每段都從月初開始；這 7 段裡原始策略全部上漲，例如 2020 年 4 月 +14.5%、2023 年 11 月 +16.1%，2022 年 5 月到 2023 年 1 月空手 9 個月，躲過了原始策略 5 月到 10 月底 -17.6% 的跌勢，也錯過之後到 2023 年 1 月 +34.8% 的反彈，整段下來原始策略仍是 +11.1%。200 日均線這種粗糙訊號在盤整與假突破時會被「洗來洗去」，常常空手在低點、回到市場時反彈已經走了一段。這正是把這個教訓寫進 Hermes 長期記憶的價值，提示詞如下：

我之前試過加大盤 200 日均線擇時，實測月索提諾從 1.67 掉到 1.13，
以後別再幫我加這個濾網。

把失敗的實驗也記下來，Hermes 下次優化策略時就不會重蹈覆轍，也不會在你忘記時又把這個壞濾網加回來。下檔保護的取捨向來不簡單，類似結論在 ATR 移動停損的台股實測 也出現過：多數設定下，停損與大盤濾網反而傷害長期報酬。

回測方法與限制

這些數字是怎麼算出來的，逐項交代：

2026-10 重跑與基準更正： 2026-10-10 以同一個資料截止日（2026-08-31）重跑全部數字，修正三件事。第一，0050 基準原本從 2018-01-02 起算，比策略首次建倉的 2018-01-31 早了一個月，兩條曲線不在同一個視窗；改為同一天起算後，0050 年化由 24.8% 修正為 24.3%、日夏普由 1.18 修正為 1.16、總報酬由 +580% 修正為 +547%，walk-forward 表也補上同窗 0050 欄位。第二，頁面內與可下載的程式碼原本在健康成長池內排名、沒有流動性過濾，和產生本文數字的回測引擎不一致，跑不出文中數字；現在兩者都改成引擎的同一套邏輯，strategy.py 執行後逐格對得上本文表格。第三，重跑後策略年化由 2026-09 版的 26.5% 變成 25.9%、最大回撤由 -46.8% 變成 -48.0%，樣本外年化由 29.7% 變成 30.3%，naive 擇時版最大回撤由 -45.8% 變成 -43.5%（「擇時只少 1.0 個百分點回撤」因此改為 4.5 個百分點）。回測引擎的選股邏輯沒有改動，這類重跑差異可能來自 finlab 歷史資料修補或套件版本更新（本次使用 finlab 2.2.8），本文無法逐項拆解；最近三個月與近 12 個月的區間報酬則完全相同。另外新增前 20 等權的敏感度列。

敏感度：持股數與加權方式，結論對持股數敏感

平方加權與「前 20 檔」都是設計選擇，會不會剛好挑到漂亮參數？我們另跑三組：前 20 改等權、持股數放寬到 30 與 40 檔（後兩者維持平方加權）。四組的日夏普（0.88 到 0.91）與月索提諾（1.48 到 1.67）都低於 0050 的 1.16 與 1.92，年化只有前 20 檔的兩個版本高於 0050 的 24.3%：

可以看到三件事。第一，平方加權和等權幾乎沒有差別（年化 25.9% 對 25.7%、月索提諾 1.67 對 1.65），報酬來自選進來的 20 檔本身，加權方式是次要細節。第二，持股從 20 檔放寬到 30 檔，年化由 25.9% 掉到 23.5%，放寬到 40 檔是 23.7%，都低於同期 0050 的 24.3%；2026-06 快照時持股數三組都贏 0050，季度重跑後結論對持股數變得敏感，等於「贏過 0050」這件事只在最集中的 20 檔版本成立。第三，持股越多回撤略淺（-48.0%、-46.9%、-44.3%），但最淺的前 40 檔仍比 0050 的 -34.0% 深 10 個百分點以上，分散在這組因子上換不到多少下檔保護。敏感度表的用途是確認結論穩健，回頭挑出最漂亮的那一格當主角就失去意義；這次它告訴我們的是結論不夠穩健。把回撤的完整時間軌跡攤開看：

回撤曲線把「波動換報酬」的代價畫得很清楚。2018 年那段，策略從 6 月高點跌到 10 月底，回撤 -34.9%，0050 在 2018 年 8 月到 2019 年 1 月初那一段最深 -17.5%；全期最深的一段從 2021 年 7 月高點跌到 2022 年 10 月升息修正的低點，-48.0%，0050 從 2022 年 1 月高點起算最深 -34.0%；2024 年 7 月高點到 2025 年 4 月急跌的低點，策略 -42.6%（這也是樣本外段的最大回撤），0050 從 2025 年 1 月高點起算 -27.5%；2026 年 6 月到 7 月底的回落也已見到 -35.9%，0050 同期最深 -15.4%。換算成金額，100 萬一度會縮水到約 52 萬。能不能撐過這種帳面腰斬而不停損，是決定你最後拿不拿得到那條淨值曲線的關鍵。

三個因子背後的學術研究

這支策略的三個因子，各自對應行之有年的實證發現：

• 價格動能：Jegadeesh & Titman (1993) 發現過去 3 到 12 個月的贏家股票，後續數月平均持續跑贏輸家，動能成為實證金融最廣被複製的異常報酬之一。本文用 60 個交易日報酬當動能指標。
• 獲利品質：Novy-Marx (2013) 證明獲利能力強的公司即使估值不便宜，長期報酬仍系統性較高。他用毛利對資產，本文用 ROE，同屬獲利能力家族但口徑不同，效果不能直接劃等號。
• 盈餘與動能的關聯：Chan, Jegadeesh & Lakonishok (1996) 發現價格動能與盈餘相關訊息（如盈餘驚奇）彼此獨立、又能相互補強，把基本面成長與價格動能合用比單押其一更穩健，是本文「營收 + 動能」組合最接近的學術依據；但該研究的基本面訊號是盈餘，本文改用月營收年增，屬於延伸應用，效果不能直接沿用。

要補充一個常見的引用誤區：有些文章會把 Bernard & Thomas (1989) 的「盈餘公告後漂移」（PEAD）拿來支撐「對齊月營收公布日」。但 PEAD 講的是季度盈餘公告後的價格漂移，月營收是另一回事，它是領先指標、頻率更高、也不等於盈餘。本文用月營收是看中它「比季報早一步反映成長加速」的資料優勢，這個機制需要單獨論證，不能沿用 PEAD 的結論。把不同因子用排名合成的整體效益，多因子選股能不能贏 0050 的實測 有另一組獨立驗證。

適合誰、不適合誰

適合：

• 能承受帳面接近腰斬（最深 -48.0%）、追求長期複利的投資人。
• 想用 AI Agent 把「每月重跑、比對、記錄」自動化，不想每月手動維護策略的人。
• 重視可重現研究的人：本文全部數字附程式碼與資料，能自己跑一次驗證。

不適合：

• 把它當低風險替代品的人：它的日夏普 0.91 低於 0050 的 1.16，回撤更深。
• 期待「加個濾網就能閃崩盤」的人：naive 段已證明粗糙擇時反而傷績效。
• 資金規模大到單筆買賣會推動股價的人：策略持股偏中小型成長股，容量有限，本文未估算容量上限。

和一般股票看盤軟體相比，這套流程的差別在於它能跟 AI 對話、免自己寫程式，而且台股月營收、財報、價格資料齊全，回測自帶交易成本。市面上各種台股回測工具的完整比較，見台股回測工具怎麼選；想用 AI 系統性地挖因子，可參考 AI 因子探勘 Agent 與 AI 量化研究流程。

常見問題

Hermes Agent 是什麼？和 Claude、ChatGPT 有什麼不同？

Hermes 是 Nous Research 開源的 AI Agent（MIT 授權），最大特色是跨對話的長期記憶、內建 cron 排程，以及能把任務沉澱成可重複呼叫的技能。一般聊天機器人換個對話就忘光、也不會自己定時執行；Hermes 適合「需要被長期照顧」的工作，例如每月重跑一支策略並記住歷史結果。它支援 SKILL.md 標準，所以能直接讀 finlab 的技能定義。

Hermes Agent 最快怎麼安裝？

macOS／Windows 新手用 Hermes Desktop installer 最快，裝完開 Hermes 即可；命令列使用者在 macOS、Linux、WSL2 跑 curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash。安裝完成後跑 hermes setup --portal 選模型，再用 npx skills add https://github.com/koreal6803/finlab-ai --skill finlab 裝 FinLab skill。這三步完成，Hermes 就能接上 finlab 回測。

Hermes 做 FinLab 量化研究該用哪個 AI 模型？

第一次設定用雲端強模型比較穩，優先看工具調用、長上下文與修錯能力。Claude Sonnet 類模型適合一般 agent 工作，GPT 高階模型適合複雜推理與程式修錯，Gemini Pro 類模型適合長文件與大段報告，DeepSeek／Qwen 大模型適合壓低成本。本地小模型適合重複實驗與隱私需求，但要接受速度與穩定度落差。Hermes 4 適合聊天與研究摘要，官方文件提醒它不是 Hermes Agent 工具迴圈的首選。

一定要買雲端主機或 GPU 嗎？

不用。Hermes 用雲端 API 模型時，普通筆電就能跑；如果要每月自動重跑、不想依賴筆電開機，租一台小型 VPS 更穩。雲端 GPU 只有在你要自架大型開源模型、多人共用或高吞吐時才比較合理。單人每月重跑台股策略，多數情境用「本機或小 VPS + 雲端模型」就夠了。

可以完全在本地端跑 Hermes 和模型嗎？

可以，但硬體要跟任務匹配。Hermes 可以接 llama.cpp、Ollama、MLX、vLLM、SGLang 等 OpenAI-compatible endpoint；Apple Silicon 入門可嘗試量化後的 Qwen 9B 等小模型，16GB 記憶體會比 8GB 餘裕得多。若要長上下文、複雜程式修錯或大型模型，32GB 以上記憶體或 GPU 會比較實際。本地端的優點是資料較少外流、沒有模型呼叫費；缺點是速度慢、模型品質較不穩，排程也依賴你的機器保持運作。

為什麼要 walk-forward？整段一起回測不行嗎？

整段一起回測（全段 in-sample）的問題是：你或 AI 是看著那段歷史調策略的，表現好幾乎是必然。walk-forward 把歷史切成研究段與樣本外，只看策略在沒見過的資料上的表現。本文研究段 2018–2021、樣本外 2022–2026，樣本外年化 30.3%、月索提諾 2.06，都比全段好，沒有過擬合式的崩塌；但同一段 0050 含息年化 29.6%、月索提諾 2.39，策略在樣本外只是打平大盤年化，風險調整後落後。2026 年 6 到 8 月的回落也把樣本外年化從 2026-06 版的 39.2% 拉低到 30.3%。另外，參數設計時全段資料已存在，這裡的切分屬時間切分檢查，嚴格的前瞻樣本是首次發佈日 2026-06-22 之後。樣本外好不等於未來保證好，2022 之後的強勢電子行情剛好對營收動能有利，要把這點納入解讀。

加大盤均線擇時不是能避開崩盤嗎？為什麼反而變差？

理論上可以，實測上常常不行。本文把同三因子加上「大盤站上 200 日均線才進場」的規則，年化從 25.9% 掉到 16.6%、總報酬少了五成多，最大回撤只從 -48.0% 收斂到 -43.5%。擇時在 2022 年確實少跌，但 2018 年那段反而跌得更深，2020 年 3 月疫情急跌也來不及反應。原因是擇時只在每月再平衡日判斷，常在急跌之後才空手，等反彈走了一段才回到市場；錯過反彈的代價遠大於交易成本，擇時版的月周轉率（48%）其實還低於原始版（59%）。下檔保護要有效，通常需要比單一均線更細緻的設計。

月營收成長動能策略會一直有效嗎？

沒有人能保證。本文雖然做了 walk-forward，近 9 年（2018 到 2026）的歷史優勢仍可能因市場結構改變、因子擁擠而衰減；2026 年 6 到 8 月的回落就是一次提醒。能做的是每季用新資料重跑、據實更新；數據惡化就在文中標記衰退，不調參硬撐。這也正是用 Hermes 排程的理由：它每月自動重跑並把績效寫進記憶，衰退在下一次重跑就會被標出來，不必等你某天想起來才檢查。

不會寫 Python 也能做嗎？

可以。策略邏輯全用中文描述給 Hermes，程式由它產生、finlab 負責資料與回測。不過看得懂基本程式對你有利，因為你能檢查 AI 有沒有用到未來資料、成本有沒有扣。想補底子，Python 量化交易教學 會帶你從設定到第一個台股回測。

這支策略要多少資金才適合？

學習與回測完全免費。實際執行面，策略持有 20 檔、平方加權，台股以張為單位（零股亦可），數十萬以上比較貼近權重配置。策略偏中小型成長股，資金規模大到單筆買賣影響股價時，回測與實單的差距會擴大；流動性門檻只保證每檔近 20 日平均成交金額超過 1,000 萬，本文未估算容量上限。

為什麼用平方加權，不用等權？

平方加權讓綜合分數最高的股票拿到更高權重，把資金集中到訊號最強的標的。實測下來差別很小：同樣前 20 檔，平方加權年化 25.9%、月索提諾 1.67，等權年化 25.7%、月索提諾 1.65，最大回撤也只差 0.1 個百分點，資料截止日平方加權的單檔權重也只落在 4.5% 到 5.6%。真正影響結果的是持股數：放寬到 40 檔，回撤只從 -48.0% 變成 -44.3%，年化卻降到 23.7%、低於 0050 的 24.3%。想要更簡單的版本，用等權即可。

下一步：三條路徑直接開始

• 零安裝：打開 FinLab Studio，用瀏覽器直接輸入選股條件跑回測。
• 本機 AI 工具：在自己的電腦安裝 Hermes，接雲端模型或本地模型，裝好 finlab skill 後重現本文策略。
• 長期排程：把 Hermes 放在小型 VPS 或 serverless 環境，排每月 11 號重跑並把結果送到 Telegram／Discord。
• 加入社群：FinLab Discord 裡有上千位台股量化同好，策略卡關、回測結果怪異都可以直接貼出來討論。

下載與重現

• strategy.py：月營收成長動能三因子完整原始碼，執行後印出本文績效表與敏感度表的數字（主策略、naive 擇時、前 20 等權、前 30／前 40、樣本外與同窗 0050，含年化波動、平均持股與月周轉率）和資料截止日的 20 檔持股權重
• data.csv：策略、naive 對照與 0050 含息的每日淨值（2018-01-31 同起點）
• metrics.json：全部指標的機器可讀快照（含重跑日與 finlab 版本）
• 互動式回測報告：月營收成長動能三因子

延伸閱讀：想看 AI Agent 從零做台股量化的完整三段對話，參考 AI Agent 量化交易實戰；想看更多現成的選股提示詞與回測，參考 AI 選股提示詞 30 條與真實回測 與 AI 提示詞回測策略。

投資警語：本文僅供教學參考，不構成投資建議。文中全部回測數據（年化 25.9%、最大回撤 -48.0% 等）為 2018-01 至 2026-08 的歷史模擬，已含 finlab 預設交易成本，但未含滑價與容量限制；過去績效不代表未來表現。本策略最大回撤達 -48.0%，代表 100 萬可能一度縮水至約 52 萬，請依個人風險承受度審慎評估，僅使用虧損不影響生活的閒置資金。

最後更新：2026-10｜回測區間：2018-01 ～ 2026-08（資料截至 2026-08-31，2026-10-10 重跑）｜作者：FinLab 量化研究團隊（經量化研究員審閱）