程式交易是什麼？把台股選股到下單寫成自動執行的系統

程式交易是什麼？

程式交易（Program Trading）是把交易規則寫成程式，讓電腦自動完成「選股 → 回測 → 下單」的整條流程，取代人工盯盤與情緒化決策。它處理的是執行紀律：同一套規則，程式每月幾秒掃完全市場，標準前後一致，不會因為當天心情而臨時加碼。

重點摘要

本頁用三套策略在台股 2018-01 至 2026-06 實跑回測（finlab sim()，已扣手續費與證交稅），對照含息 0050。三套各代表一種常見的程式交易路線：動能輪動、均線趨勢、月營收事件。

（數據來源：finlab 實測 2018-01 至 2026-06，重現腳本與各指標見文末下載；0050 用 etl:adj_close 還原息值）

夏普值（Sharpe）：每承擔 1 單位總波動換到多少報酬，越高越好。索提諾值（Sortino）：只計入下跌波動（上漲的波動不算風險），更貼近投資人對虧損的真實痛感。

三套策略的年化報酬都高於 0050，但回撤也都更深；其中動能輪動的風險調整後表現最好（日夏普 1.23、月索提諾 2.48），所以本頁以它為主軸拆解。想先搞懂上層概念，看 量化交易是什麼；想深入選股因子本身，看 股票選股完整指南。

台股程式交易策略回測器：先跑一次看結果

下面的回測器預載本頁三套策略的真實回測結果；登入後可以自己改因子組合與持股數，用最新台股資料在瀏覽器即時重算。

程式交易 vs 量化交易 vs 主觀交易，差在哪？

這是最多人混淆的地方。一句話分清楚：量化交易是「想法、大腦」，程式交易是「手腳、執行」，主觀交易則兩者都靠人。三者常常一起出現：先用量化想清楚規則，再用程式交易自動跑。

可以這樣記：量化交易回答「買什麼」，程式交易回答「怎麼自動買」。一個量化策略若用手動執行，它仍是量化交易，只是沒自動化；一個程式若只是定時定額機械買進，它有程式，卻談不上量化。本頁示範的是兩者的交集：量化規則加上程式自動執行。

程式交易怎麼運作：一筆交易的四個步驟

程式交易把一筆交易拆成四個可以被程式接管的步驟。下表是人工與程式的對照，差別不在誰比較聰明，而在一致性與規模：

再平衡（Rebalance）：每隔固定週期（本頁策略為每月）依最新數據重新計算該持有哪些股票、各佔多少比重，並把投組調整到目標。月頻再平衡讓策略持續汰弱換強，又不會頻繁到被交易成本吃光。

三套程式交易策略逐一拆解

三套策略共用同一個執行框架（月頻自動再平衡、流動性過濾、已扣成本），差別在選股邏輯。這個安排的用意是讓你看到：程式交易的「自動執行」是通用的，值不值得做取決於裡面裝的規則。

策略一（主軸）：動能輪動，動能＋低波動＋品質

每月在市值前 200 大、ROE 大於 0、營收年增大於 0 的股票裡，用近 3 個月與近 6 個月漲幅、低波動、高 ROE 四個訊號共同評分，選前 20 檔、依分數平方加權。年化 29.00%、日夏普 1.23、月索提諾 2.48。它的邏輯是「跟上強勢股，但用品質與低波動過濾掉沒基本面的飆股」，是三套中風險調整後表現最好的，也是最能展現「紀律過濾」價值的一套。

策略二：月營收公告自動換股

台股每月 10 日前公布月營收，是全市場更新最快的基本面訊號。這套策略在營收年增大於 20% 的股票裡，用營收強度加上近 3 個月動能評分，選前 15 檔，換股日刻意設在每月 14 日之後（resample_offset='14D'），確保進場時營收數字已經公開。年化 29.12% 最高，但回撤也最深（-47.2%）：成長股集中度高，跌起來也快。它示範的是「程式盯公告」這類人工做不到的事：每月幾百家公司的營收，程式幾秒掃完。

策略三：均線趨勢過濾

最經典的技術面程式交易：只買站上 120 日均線、且 20 日均線在 60 日均線之上（多頭排列）的股票，再用 6 個月動能挑前 20 檔。年化 26.18%、月索提諾 1.98，三套中最弱，但規則最簡單、最容易理解。它的價值是示範「趨勢過濾」這個老派規則寫成程式後長什麼樣子；也提醒一件事：規則簡單不等於報酬差，但也不會因為自動化就變強。

三條策略曲線長期都在 0050 之上，但中途的回撤段（2022 升息空頭、2025 年初回檔）一樣痛。下面把回撤單獨畫出來：

這張回撤圖比報酬數字更值得看。三套策略的最大回撤都比 0050 深（-41% 到 -47% 對 -34%）：程式交易不會幫你少痛，只能幫你紀律地撐過去。如果在低點抱不住、砍在谷底，再好的回測都與實際報酬無關。

用風險調整指標看，排序就和報酬不同：動能輪動的月索提諾（2.48）明顯高於營收事件（2.09）與均線趨勢（1.98）。同樣是「贏過 0050 的報酬」，承擔的下跌風險並不一樣，這是選策略時比年化報酬更重要的一張圖。

下面是主軸策略（動能輪動）的互動式回測儀表板，可查看每年績效、持股與回撤明細，不離開頁面就能驗證上面的數字：

{{embed:report_strategy.html}}

程式交易常見策略類型（附台股例子）

本頁三套只是入口。程式交易能執行的策略，學術與業界常見的可歸成六大類：

動能效應有學術根據。Jegadeesh & Titman (1993) 在《Journal of Finance》的研究發現，過去 3 至 12 個月表現好的股票，未來 3 至 12 個月傾向繼續領先。這個動能效應是金融學常被引用的市場異象之一，也是本頁策略一與策略二的理論起點。但純追漲在台股的回撤相當深，實作上需要再加紀律過濾，這正是 追漲停真的能賺嗎？動能投資 18 年實測 用更長樣本驗證過的結論。

程式交易的優點與缺點

程式交易不是印鈔機。它把人工交易的一組弱點（情緒、健忘、盯不過來），換成另一組不同的弱點（僵化、過擬合、要維護）。兩邊都列出來，才看得出它適不適合你。

優點

1. 零情緒、零猶豫：程式不會因為昨天虧錢就不敢進場，也不會因為貪心而追高。紀律寫在規則裡。
2. 規模與速度：幾秒掃完全市場、同時監控數千檔，這是人力做不到的。
3. 可回測、可驗證：規則上線前能先用歷史資料量化檢驗，不再停留在「感覺有用」。
4. 可自動化下單：回測通過的策略能直接串券商 API，連換股這一步都不必手動。

缺點

1. 無法應變突發：程式只執行寫好的規則。遇到規則沒涵蓋的狀況（政策突變、系統當機），它不會臨機應變。
2. 過度擬合風險：歷史回測漂亮，有可能只是把參數調到剛好貼合過去，未來未必有效（見下方回測口徑）。
3. 需要持續維護：資料源、券商 API、市場結構都會變，策略要定期重測更新，不是寫完就一勞永逸。
4. 回撤照樣痛：三套策略的最大回撤都在四成上下，比 0050 更深。程式給你紀律，不給你保護傘。

程式交易適合哪些商品？

程式交易本身是「方法」，幾乎任何有報價、能下單的市場都能套用，但各市場特性不同：

台股 0.3% 的證交稅讓人不能頻繁換股，得用程式精準控制再平衡頻率，這正是程式交易能發揮的地方。

回測口徑與限制：這些數字怎麼算出來的

回測漂亮不等於未來會賺。下表把本頁回測的關鍵設定攤開；同一套規則，排除類別與前視處理不同，結果可以差很多。

滑價（Slippage）：想用的價格和實際成交價的落差。流動性差的小型股滑價大，這也是把選股池限定在大市值、高成交額股票的原因之一：買得到、賣得掉。

成本壓力測試：手續費變貴，還剩多少？

主軸策略在不同手續費假設下的年化報酬（證交稅固定 0.3%）：

手續費加到 0.5%（把滑價一起算進去的粗略代理），年化從 29.0% 降到 24.0%，和 0050 的 25.05% 相當。月頻策略的優勢禁得起成本壓力，但沒有想像中大；若改成週頻、日頻，成本會成倍侵蝕報酬。

防過擬合的四道防線

程式交易要會 Python 嗎？兩條路徑

搜「程式交易 python」的人最在意的就是這題。實務上有兩條路徑，看你想不想碰程式碼：

• 不會寫程式：用講的請 AI 跑。FinLab 教的是跟 AI 對話，底層由 finlab 套件實跑真數據。
• 想自己學或微調：用下面這段完整、可複製貼上、能獨立執行的 finlab 範例。

路徑一：用 AI 對話建立策略

💬 你對 AI 說：

幫我建立一個動能輪動策略：在市值前 200 大、ROE 大於 0、營收年增大於 0 的股票裡，用近 3 個月和近 6 個月的漲幅排名，加上低波動和高 ROE 一起評分，選前 20 檔每月換股，回測 2018 到現在，跟 0050 含息比報酬、夏普和回撤。

🤖 AI 回覆：

已完成。動能輪動策略年化 29.00%、日夏普 1.23、月索提諾 2.48、最大回撤 -41.5%；0050 含息年化 25.05%、日夏普 1.22、最大回撤 -33.96%。策略報酬與風險調整後表現較好，但回撤更深。已附上權益曲線與回撤圖。

路徑二：完整可跑的 finlab Python 範例

下面這段可以直接複製、獨立執行（finlab.login() 不帶參數，套件會自動引導登入）。主軸策略的所有數字都來自這支腳本，完整版可下載：strategy.py。

import numpy as np
from finlab import data
from finlab.backtest import sim
 
close = data.get('price:收盤價')
rev   = data.get('monthly_revenue:去年同月增減(%)')
roe   = data.get('fundamental_features:ROE稅後').index_str_to_date()  # 對齊公布日，避免前視偏差
mktv  = data.get('etl:market_value')
 
def monthly(df):
    return df.reindex(close.index, method='ffill').resample('ME').last()
 
# 複合動能：近 3 個月 + 近 6 個月（扣最近 1 月，避免短期反轉）
mom3m = monthly(close.pct_change(60))
mom6m = monthly(close.pct_change(120).shift(20))
volm  = monthly(close.pct_change().rolling(60).std())   # 近 60 日波動
roem  = monthly(roe)
revm  = monthly(rev)
mktvm = monthly(mktv)
 
# 選股池：市值前 200 大 + ROE>0 + 營收年增>0（避免動能抓到沒基本面的飆股）
pool = (mktvm.rank(axis=1, ascending=False) <= 200) & (roem > 0) & (revm > 0)
 
def rk(df, asc=True):
    return df.where(pool).rank(axis=1, pct=True, ascending=asc).fillna(0)
 
# 四訊號評分：雙動能 + 低波動 + 高 ROE，選前 20 檔、分數平方加權
score  = rk(mom3m) + rk(mom6m) + rk(volm, asc=False) + rk(roem)
mask   = score.where(pool).rank(axis=1, ascending=False) <= 20
masked = (score.where(mask, 0)) ** 2
w      = masked.div(masked.sum(axis=1).replace(0, np.nan), axis=0).fillna(0)
w      = w[w.index >= '2018-01-01']
 
report = sim(w, resample='M', resample_offset='14D', upload=False)   # 月頻自動再平衡
print(report.get_stats())

程式看不懂也不影響理解。關鍵在規則本身清不清楚，程式只是把規則自動化；真正要學的是怎麼設計策略，而非背語法。一個常見的小細節：股號要用字串，例如 close['2330'] 而非 close[2330]。

路徑三：回測通過後，自動下單

把回測通過的策略接上自動下單，整套「選股 → 換股 → 送單」就成了一個自動交易系統：每月固定日期由程式執行，不必手動盯盤。回測站得住腳，才接自動下單。finlab 已串接永豐、富邦、國泰、玉山等券商。把回測的目標部位 position 交給帳戶物件，它會自動算出該買賣哪些股票、各多少張並送單：

from finlab.online.fugle_account import FugleAccount   # 以富果為例，其他券商類似
from finlab.online.order_executor import OrderExecutor
 
acc = FugleAccount()                       # 載入券商憑證
# position = 你的目標權重（對齊上面的 w 最後一期）
oe = OrderExecutor(position, account=acc)
oe.create_orders()                          # 依目標部位自動下單（可先 view 確認）

把整套自動下單部署到雲端定時執行的做法，見 Python 自動下單實作。

學術背書：策略訊號各自的文獻來源

理財主題該講清楚「為什麼這樣設計」。本頁用到的訊號各自對應到一篇常被引用的研究：

這幾個訊號在實證上彼此相關性偏低，疊起來時一個失靈，其他還能補上。策略一贏在報酬來源夠分散，而非單純增加訊號數量。

程式交易軟體、自動交易系統與合法性

程式交易在台股合法嗎？

合法。透過券商提供的官方 API 進行程式下單是被允許的，前提是遵守交易所規範與券商服務條款。永豐、富邦、國泰、富果等券商都提供官方下單 API 供程式串接。合法的前提是不得從事影響市場秩序的行為：

1. 沖洗交易：在自己或關係人之間對作、製造虛假成交量。
2. 連續委託拉抬：以連續、密集的委託影響價格，誘導他人跟進。
3. 其他擾亂市場秩序的行為：任何足以影響正常價格形成、妨礙交易秩序的下單方式。

券商通常對高頻或大量委託設有風控限制。一般月頻、週頻的程式交易策略換手頻率低，較不會觸及這類限制。實單上線前先以小額驗證，確認下單流程與部位計算正確。（來源：各券商 API 服務條款與證交所程式交易相關規定）

程式交易軟體、回測軟體與付費看盤軟體怎麼分

一套完整的自動交易系統＝研究資料＋回測驗證＋下單執行三件事串起來。本頁的策略就是這樣運作：用 finlab 資料選股、用 sim() 回測驗證、再把通過的目標部位交給券商 API 自動下單。所謂「自動交易軟體」常常只做到下單那一段，研究與回測端仍得自己補齊。

選軟體的順序應該是「策略能否被回測驗證」排第一，「能不能自動下單」排第二，「畫面好不好看」排第三。沒有通過回測的方法，換成任何自動交易軟體都只是更快地執行同一個弱規則。回測本身怎麼做、常見陷阱有哪些，見 回測是什麼。

新手 0 基礎怎麼開始

常見問題（FAQ）

Q1：程式交易是什麼？ 把交易規則寫成程式，讓電腦自動完成選股、回測、下單，核心是速度、紀律與可驗證。

Q2：程式交易和量化交易差在哪？ 量化交易是「想法、做決策」，程式交易是「手腳、自動執行」，兩者常一起用。概念層見 量化交易是什麼。

Q3：程式交易就是自動交易系統嗎？ 接近但不完全相同。把回測通過的策略接上券商 API 自動下單，讓「選股→換股→送單」整條鏈每月自動執行，這套就是自動交易系統。程式交易是方法，自動交易系統是它落地後的成品。

Q4：一定要會 Python 嗎？ 不用。可用 AI 對話操作 finlab；想自己微調再學語法，本頁也附完整可跑範例。

Q5：程式交易一定賺嗎？ 不。程式只負責紀律執行。本頁三套策略年化 26% 至 29%，都高於 0050 的 25.05%，但回撤也都更深；策略好不好要靠回測、防過擬合與成本檢驗。

Q6：月頻再平衡會不會被交易成本吃掉？ 月頻一年換約 12 次，本頁回測已扣手續費與證交稅；成本壓力測試顯示手續費升到 0.5% 時年化從 29.0% 降到 24.0%，優勢縮小但仍在。

Q7：程式交易在台股合法嗎？ 合法，透過券商官方 API 下單即可，但須遵守交易所規範、不得擾亂市場。

Q8：程式交易軟體怎麼選？ 先確認它能不能支援你的市場資料、回測口徑與下單流程。台股量化研究先看資料與回測是否可重現，實單再接券商 API 或看盤軟體。

Q9：三套策略該選哪一套？ 看你在意什麼：要風險調整後最好選動能輪動（月索提諾 2.48）；想跟基本面公告走選月營收事件（年化 29.12% 但回撤 -47.2%）；想要規則最簡單選均線趨勢。也可以在上方回測器自己改因子組合重算。

Q10：回測贏就能直接實單嗎？ 不行。本頁為全段 in-sample、未做樣本外測試，且未估算策略容量；實單前請自行做樣本外與成本壓力驗證，並從小額開始。

相關閱讀

• 量化交易是什麼：上層概念與三套量化策略實測
• 股票選股完整指南：四大選股面向與因子實測
• 回測是什麼：回測方法與常見陷阱
• 台股股票選股器：8 個熱門選股條件的最新名單
• Python 量化交易教學：從安裝到第一個台股回測
• Python 自動下單：GCP 雲端部署：把自動交易系統搬上雲端
• Python 自動下單：Selenium 通用券商：另一種自動化路徑
• 追漲停真的能賺嗎？動能投資 18 年實測：純動能的失敗與優化
• 多因子選股實戰：把因子疊起來的完整拆解

可下載重現（本頁所有數字的來源）

• 主軸策略完整腳本：strategy.py
• 三策略與 0050 指標摘要：backtest_results.csv、metrics.json
• 淨值曲線原始資料：data.csv

投資有風險，過去績效不代表未來表現。本內容僅供教學參考，不構成投資建議，請依個人風險承受度審慎評估。本頁所有年化報酬、夏普、索提諾、回撤數字來源：finlab 實測（2018-01 至 2026-06，benchmark 用 etl:adj_close 含息，sim() 已扣手續費與證交稅），回測為全段 in-sample、未做樣本外測試，數字會隨資料更新而變動。

最後更新：2026-07-02｜回測區間：2018-01 至 2026-06｜作者：FinLab 量化研究團隊（經量化研究員審閱）