量化交易是什麼？入門教學、策略分類與台股回測器

量化交易是什麼？

量化交易（Quantitative Trading）是把投資決策寫成明確、可重複的規則，例如選哪些股票、何時換股、每檔配置多少權重，再用歷史資料檢查這套規則在不同市場階段的報酬與風險。 它不是猜明天漲跌，也不是把主觀盤感包成程式；它在做的是把「我覺得有效」改成「這個規則在過去資料裡承擔多少波動、遇過多深回撤、是否仍有超額報酬」。

這頁的閱讀順序是：先用對照表分清楚量化交易與主觀交易，再認識可用的回測平台，接著照 FinLab 首頁的三步驟啟動 AI Agent，選一種策略類型，最後用台股策略回測器與三套真實回測檢查結果。讀者不需要一開始就懂所有 Python 語法；比較重要的是知道怎麼把投資想法寫成可驗證的規格。

重點摘要

量化交易 vs 程式交易 vs 技術分析 vs 演算法／高頻交易

這四個詞常被混在一起，其實在回答不同問題。

本文談的是散戶最可執行的版本：用基本面、價量、籌碼資料做台股選股，月頻或週頻換股，讓回測先告訴你規則值不值得投入資金。

量化交易 vs 主觀交易：差別在哪？

可以先用一個生活化例子理解：主觀交易像「今天新聞很多，我覺得這檔會漲」；量化交易像「先寫好條件，讓全市場股票都照同一把尺篩一次，再看過去這把尺是否真的有用」。

所以量化交易不是比較「聰明」的預測法，而是把投資決策變成可檢查的流程。它犧牲一部分臨場彈性，換取紀律、可重複與大範圍分析。

哪些平台工具可以幫忙回測？

量化交易的第一個門檻不是策略，而是工具。你需要一個能讀資料、建立規則、扣成本、產生報告的環境；否則再好的想法也只能停留在「感覺有效」。

如果你還不確定回測到底在驗證什麼，可以先看回測是什麼？2026 量化投資回測入門，再回來比較平台會更容易判斷。

如果目標是「台股量化交易入門」，FinLab 比較像研究工作台：資料、回測、報告與 AI 對話在同一條流程裡。XQ、TradingView、MultiCharts 更偏看盤、技術面與交易執行；TQuant 與純 Python 適合願意承擔較高資料工程成本的研究者。想看 FinLab 介面怎麼操作，可接著看FinLab 量化策略平台入門操作指南。

想逐一深入比較，可看 FinLab 對各平台的單頁分析：vs TEJ／TQuant Lab、vs QuantPass（量化通）、vs XQ、vs TradingView。

量化交易入門教學：三步驟用 AI Agent 跑第一次回測

FinLab 首頁的流程其實很簡單：描述策略 → 產生回測 → 查看風險。新手不用先架資料庫，也不用先背完整 Python；第一步是把投資想法用一句話講清楚，讓 Agent 幫你把它變成可回測的規則。

第一次不要問「幫我找會漲的股票」。比較好的問法是：

找近 3 個月營收成長、估值不過高的股票，順便回測風險。

Agent 回來的結果應該至少包含三件事：選股清單、回測績效、風險指標。首頁範例也是同一個節奏：AI 先讀資料庫，完成回測，再告訴你 CAGR、最大回撤，並提示可以再加估值條件。這就是量化交易入門最重要的第一步：把模糊想法變成可檢查結果。想完整架設對話式研究流程，可延伸看AI Agent 量化交易完整指南。

四步驟入門：不用一口氣學完

1. 選平台：先選一個能拿到台股資料、能回測、能產生報告的工具。新手不需要先自建資料庫。
2. 學基本知識：先懂三件事就夠了：回測不是保證未來、成本會吃掉報酬、最大回撤會考驗你能不能抱住策略。
3. 設計第一個策略：不要從複雜模型開始。先用「營收成長 + 估值不太貴 + 波動不要太大」這種白話條件；如果想把條件拆得更有系統，可以參考設定選股條件的 5 個步驟。
4. 回測與優化：先看結果是否合理，再慢慢調整持股數、換股頻率、因子組合與成本壓力。

回測提示詞怎麼寫才夠用？

等你準備做第二次、第三次回測，再把提示詞補完整。重點是講清楚股票池、因子條件、換股頻率、基準，以及希望 Agent 回傳哪些風險指標；完整不是為了炫技，而是避免 Agent 猜錯你的研究口徑。想看更多提示詞如何把想法跑成策略，可看AI 量化研究：5 個提示詞。

完整提示詞範例：

幫我做一個台股多因子量化交易回測。股票池是上市櫃普通股，排除成交量太低的股票。因子包含月營收年增率、ROE、近 120 日動能與 60 日低波動。請把每個因子轉成橫斷面排名分數，每月選前 40 名，分數平方加權，月營收公布後 14 天換股。基準用含息 0050，回測 2020 年到現在，列出 CAGR、日夏普、索提諾、最大回撤、年度報酬、成本壓力，並附 Python 程式碼與限制說明。

架好 AI Agent 後，下一步是選策略

Agent 只是讓回測變快；真正要決定的是「要測哪一種策略」。新手最適合從可解釋、可月頻換股、資料容易取得的策略開始，例如價值、品質、動能、成長、低波動與多因子複合。下面先把這些策略類型拆開，再進入台股策略回測器。

量化交易策略有哪些？六大類型與台股對照

量化策略不是單一套路，而是一組可組合的因子語言。新手可以先把「策略」想成一種找股票的理由：價值策略找便宜貨，成長策略找營收變好的公司，動能策略找已經轉強的股票，低波動策略找比較不容易大起大落的標的。

下表把常見類型對應到台股實務與站內實證文章。

單一因子很容易在某個市場階段失靈。只看成長，可能買到估值過熱又波動很大的股票；只看低估，可能買到長期便宜但缺乏催化的公司。多因子複合的價值在於讓不同因子的弱點互相抵消，而不是把條件堆到看起來很複雜。

全球常見量化策略分類：哪些適合散戶，哪些不適合？

很多人搜尋量化交易策略時，會看到市場中性、多空、趨勢追蹤、事件驅動、高頻交易等名詞。這些都屬於量化方法，但不代表都適合散戶照做。差別在資料、交易頻率、成本、券源、法規與基礎建設。

新手可以先用一句話判斷：如果策略需要高速下單、放空券源、複雜衍生品或很大的資金容量，它就不適合當第一套策略。

對大多數台股散戶來說，合理順序是：多因子選股 → 趨勢或事件因子 → 成本與回撤壓力測試 → 小資金實單追蹤。市場中性、高頻、複雜對沖可以理解，但不適合當第一套策略。

台股策略回測器：選好策略後，先改條件看結果

上面選完策略類型後，就可以用回測器把想法變成數字。你可以先從「多因子複合」「品質動能低波」「高毛利成長」三種風格開始，觀察持股數、換股頻率、成本與基準 0050 的差異。登入後再把條件改成自己的版本，讓 AI Agent 繼續迭代。

如何衡量策略品質？報酬、夏普、回撤與成本

回測不是證明未來會發生同樣的事，而是把一套交易規則轉成可檢查的時間序列。最基本的口徑可以寫成：

$r^p_t=\sum_i w^i_{t-1}r^i_t-c_t$

白話版：策略每一期的報酬，可以拆成三段。

可以把它想成一條簡單流程：昨天決定持股 → 今天股票漲跌 → 扣掉交易成本 → 得到今天策略報酬。公式只是把這條流程寫得比較短。

如果你已經有一組因子，下一步不是直接丟進策略，而是先檢查它和未來報酬是否真的有關。這類因子驗證可以從 Information Coefficient（IC） 開始。

風險調整後報酬：用夏普比率觀察

風險調整後報酬通常用夏普比率觀察：

$\widehat{SR}=\frac{\bar r_p-r_f}{\sigma(r_p)}\sqrt{252}$

白話來看，夏普比率在問：「策略平均多賺的部分，能不能抵過每天上下震盪？」分子是平均超額報酬，分母是波動度；同樣年化報酬下，路徑越平穩，夏普通常越高。索提諾比率則把焦點放在下跌波動，對投資人更接近「壞波動」的感受。想先看白話版，可讀夏普比率是什麼？2026 白話解釋。

最大回撤衡量的是淨值從歷史高點跌到低點的最大幅度：

$\text{MDD}=\min_t\left(\frac{V_t}{\max_{u\le t}V_u}-1\right)$

把淨值曲線想成一條投資路徑，最大回撤看的不是終點賺多少，而是途中曾經從最高點往下掉到多深。只要把期間拉長，$\min_t$ 會在更多市場狀態裡尋找低點，碰到更大 MDD 的機率自然提高；所以長回測的最大回撤變深，是非常正常的統計現象，不應該被解讀成策略突然變壞。真正要問的是：拉長期間後，策略的報酬、風險與行為邏輯是否仍在可接受範圍內。

量化研究有學術支撐，也有清楚的失敗模式。Fama 與 French 的價值、獲利能力因子，Jegadeesh 與 Titman 的動能效應，Novy-Marx 的毛利率品質因子，Ang 等人的低波動異常，分別對應到本文幾個因子來源。但 Bailey 與 López de Prado 對回測過擬合的研究、Harvey、Liu 與 Zhu 對多重檢定的警示，也說明了另一半事實：測越多參數，越容易在歷史資料裡撞出漂亮但不穩的結果。

真實台股回測：三種策略的報酬與風險怎麼看

下面三套策略風格不同，但都使用相同回測口徑：流動性過濾、橫斷面排名加權、月頻換股、對齊月營收公布日。回測引擎是 finlab 的 sim()，已扣手續費與證交稅；基準是含息 0050，使用還原權值股價計算，避免除權息讓 ETF 報酬被低估。回測區間為 2020-01～2026-06。

這裡會看到「日夏普 1.21～1.26」。白話來說，它不是「保證賺錢」的分數，而是衡量策略在每天波動下拿到多少報酬。數字越高，代表同樣承擔一份波動時，策略拿到的平均報酬越多；但它仍要和最大回撤、成本、基準 0050、全期樣本一起看。

下面直接看三套策略與含息 0050 的同口徑比較：

這組數字的重點不是「策略完全打敗 0050」。2020～2026 是台股大型權值股、尤其半導體的強勢區間，含息 0050 本身就跑出 1.46 的高夏普。比較克制的說法是：三套策略在這段期間提供了不同風格的分散選股結果，年化報酬高於 0050，但風險調整後報酬沒有贏過這輪權值股主導的 0050。這個比較要留在文中，因為它提醒讀者：年化報酬較高，不代表每個風險指標都較好。

四張研究圖：一張一張看懂策略品質

下面四張圖都由同一份回測資料產生，但它們回答的是不同問題。不要把它們當成「漂亮圖表集合」一次看完；比較好的讀法是：先看報酬與回撤的交換，再看夏普是否只是近年樣本好，接著看不同行情期間是否穩定，最後看成本提高後還剩多少報酬。

圖 1：年化報酬 vs 最大回撤

這張圖先回答最直覺的問題：策略賺得多，途中是不是也跌得深？

怎麼看： 每個點是一個策略。越上方代表年化報酬越高；越左邊代表最大回撤越小，也就是歷史上從高點跌到低點的幅度比較淺。右上角不一定最好，因為那通常代表報酬高，但也承擔更深回撤。

這張圖的結論： 高毛利成長的年化報酬最高，但最大回撤也深；品質動能低波的報酬較低，但回撤明顯較小。這表示策略風格不是單純「誰賺最多」的排名，而是「你願意用多深的回撤換多少報酬」。

不要誤讀： 年化報酬高，不代表策略比較容易持有。新手最常忽略的是回撤心理壓力：如果策略曾經跌 40% 以上，你要先問自己能不能在那段期間繼續照規則執行。

圖 2：2020～2026 夏普 vs 2007～2026 夏普

圖 1 看報酬與回撤，圖 2 則看「近期漂亮績效是不是拉長期間後還站得住」。

怎麼看： 深色柱是 2020～2026 主視窗，淺色柱是拉長到 2007～2026 全期。深色比淺色高，代表近年表現比長期平均好；差距越大，越要小心近期樣本太順。

這張圖的結論： 三套策略拉長期間後夏普都下降，這是合理現象。2020～2026 包含台股權值股與 AI 供應鏈強勢行情，不能把這段期間的高夏普直接外推成未來常態。

不要誤讀： 全期夏普下降不代表策略失效。比較精準的解讀是：近期報酬有順風，長期仍有優勢，但策略必須接受更普通的市場階段。

圖 3：分段穩定度熱力圖

圖 2 把期間拉長，圖 3 再把期間拆開，檢查策略是不是只靠某一段行情撐起來。

怎麼看： 每一格是某策略在某段期間的日夏普。顏色越深，代表該期間風險調整後報酬越好；顏色變淡，代表那段期間策略變普通或比較難做。

這張圖的結論： 2022～2023 明顯降溫，代表策略會遇到不順期間。2024～2026 的數字很強，但讀者不能只看這段，否則很容易在多頭行情後高估策略。

不要誤讀： 量化策略不需要每一年都贏，但需要知道什麼市場環境會變弱。分段圖的用途不是挑一段最好看的期間，而是提醒你策略在壓力期間的行為。

圖 4：交易成本壓力測試

最後一張圖回到實盤問題：回測報酬扣掉手續費、證交稅與滑價後，還剩多少？

怎麼看： 橫軸是手續費與滑價代理，越往右代表交易成本越高；縱軸是年化報酬。折線往下代表成本正在吃掉策略報酬。

這張圖的結論： 以多因子複合策略來看，月頻換股對成本仍有緩衝，成本提高到 0.5% 時年化報酬仍有明顯空間。但這個結論只適用於本文的月頻策略。

不要誤讀： 如果策略改成週頻或日頻，周轉率上升，成本會更快吃掉報酬。看到高報酬策略時，最好先問它多久換股一次，而不是只看回測表上的 CAGR。

三套策略都從同一份 strategy.py 產生。程式核心是：抓取 finlab 資料，建立因子分數，選前 N 名，再交給 sim() 回測。下面是多因子複合策略的摘要版本：

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()
mom = close.pct_change(120)
vol = close.pct_change().rolling(60).std()
 
score = (
    rev.rank(axis=1, pct=True)
    + roe.rank(axis=1, pct=True)
    + mom.rank(axis=1, pct=True)
    + (1 - vol.rank(axis=1, pct=True))
)
 
position = score.is_largest(40)
report = sim(position, resample='M', resample_offset='14D')
report.display()

完整可重現版本（三套策略 + 0050 對照）可下載：strategy.py。資料會隨時間更新，重跑時數字可能略有不同，這是量化策略的正常狀態。

穩健性與期間敏感度

我們把同樣三套策略拉到 2007～2026 全期，再看分段期間與成本壓力。全期結果如下：

全期夏普下降、最大回撤變深，是合理現象。回測時間越長，樣本越可能包含金融海嘯、歐債、COVID、升息空頭或政策衝擊；MDD 是對整段路徑取最差水下值，樣本變長時，碰到更大回撤的機率本來就會上升。

分段看，以穩健型為例：

這也是「紀律」真正派上用場的地方。績效亮眼時誰都能照規則；績效平庸、回撤加深、基準短期更強時，量化交易靠的是重新檢查風控與假設，而不是臨時預測哪一檔明天會漲。

交易成本壓力測試（以穩健型、不同手續費率代理滑價）：

成本提高到 0.5% 時，年化仍有 31.4%，代表這套月頻策略對交易成本不算敏感。這個結論只適用於月頻；如果改成日頻或週頻，周轉率上升，成本會更快侵蝕報酬。

回測口徑與限制

這些限制會直接影響讀者對數字的信任。滑價、容量、樣本外測試都還能再做得更細；現階段這頁提供的是「可下載、可重跑、口徑公開」的基準版本，而不是最終實盤建議。

新手常遇到的現實門檻

量化交易看起來像把策略交給電腦，但真正困難的地方通常不是按下回測，而是下面幾件事。

• 資料取得與清理：股價、財報、月營收、除權息、下市股都會影響結果。資料錯，回測再漂亮也沒有參考價值。
• 資金門檻與分散：策略如果每月要持有 40 檔，小資金很難完全照比例買足，實際績效可能和回測不同。
• 平台學習曲線：FinLab Studio 可以降低入門門檻，但進階時仍要理解因子、回測口徑、成本與風險指標。
• 策略需要維護：市場結構會變，因子會輪動。策略不是寫好就永遠有效，需要定期重跑與檢查。
• 心理門檻：回測能告訴你過去最大回撤，但真的遇到虧損時，能不能照規則執行，仍是人要面對的問題。

資料面可以先從Python 取得台股資料完整教學補足；若未來要走到實單，還需要理解Python 自動下單完整教學裡的券商串接、錯單處理與風控限制。

這些門檻不代表新手不能做，而是要先把期待放對：量化交易不是不用學習的賺錢機器，而是一套讓你更有紀律地研究、驗證與修正策略的方法。

量化交易的優點與風險

關於過擬合與夏普的盲點，可延伸看做量化投資會遇到的挑戰：夏普、過擬合與失效策略。風險指標本身怎麼讀，可看夏普比率工具頁。

常見問題（FAQ）

Q1：量化交易要會寫程式嗎？不會 coding 可以做嗎？ 可以。傳統量化通常要寫程式，但 FinLab 的做法是用 Prompt 描述策略，由 AI 產生 finlab 程式碼並跑真實資料。你需要理解的是因子邏輯與風險，而不是一定要會語法。

Q2：量化交易真的賺得到錢嗎？散戶有勝算嗎？ 有勝算，但不是因為散戶能更準預測。散戶比較可行的優勢是紀律、分散、低管理成本與長期執行。策略績效平庸或遇到回撤時，重點是按規則檢查風控與部位，而不是隨性預測、隨性加減碼。

Q3：量化交易和程式交易、演算法交易差在哪？ 量化交易是用數據驗證決策的方法，程式交易是自動執行的手段，演算法／高頻交易強調下單演算法與速度，多為法人低延遲場景。三者常重疊但不等於，詳見上方對照表與程式交易是什麼。

Q4：判斷量化策略好壞只看報酬率嗎？ 不行。CAGR 是年化報酬，只告訴你賺錢速度；夏普比率看報酬是否值得承擔波動，索提諾比率更重視下跌波動，最大回撤看途中最深跌幅，成本壓力看手續費與滑價會吃掉多少，分段穩定度看策略是否只靠某一段多頭。

Q5：什麼是過擬合？為什麼是量化最大的風險？ 過擬合是把策略在歷史資料上調得很漂亮，實盤卻失效。參數越多、回測次數越多，越容易在歷史資料裡挑到僥倖有效的組合。對策是限制參數、做樣本外測試、偏好簡單穩健的複合因子。

Q6：量化交易需要多少本金才能開始？ 回測不需要本金。實單上，持股數越多，所需本金越大，才有辦法分散且降低單檔權重偏差。可以先用較少持股或定期定額起步，重點是先建立策略與風控紀律。

Q7：PTT／Dcard 上常問：量化交易是不是賣課？策略出租能不能買？ 判斷重點不是包裝，而是能不能看到資料來源、回測口徑、成本、滑價、最大回撤與策略失效情境。只展示漂亮報酬、不交代風險與方法的策略出租或課程，都不適合作為下單依據。懷疑時可以對照過擬合與策略失效這篇，檢查對方是否揭露同樣的風險。

Q8：策略會不會失效？多久要重看一次？ 會。市場結構會變，因子會輪動。建議每季重跑回測檢視新資料，策略衰退時重新檢查因子、風控與成本，而不是憑感覺改參數。

Q9：量化交易要怎麼學？有沒有入門教學、書單或課程？ 學的順序是先懂概念，再動手跑一次回測，最後才補語法。免費路徑：先照本頁上方「量化交易入門教學：三步驟」用 AI Agent 把一個想法跑成 finlab 回測，再理解夏普、最大回撤與成本這些品質指標，接著看回測是什麼與AI 量化研究：5 個提示詞補觀念。書單方面，因子與過擬合的學術論文（見文末引用）是進階讀物，但對散戶而言，先把一個策略從想法跑到可驗證的回測，比讀完一本書更有效。判斷付費課程值不值得，看它有沒有揭露資料來源、回測口徑與策略失效情境，而不是只秀漂亮報酬。

Q10：量化分析是什麼？和量化交易一樣嗎？ 量化分析（quantitative analysis）是用統計與數據方法研究市場或個股，例如估算因子有沒有效、計算夏普與相關性；量化交易則是把這些分析結論寫成可下單的規則並回測驗證。簡單說，量化分析是研究方法，量化交易是把研究變成可執行、可回測的策略。本頁後段三套台股策略（2020～2026 日夏普 1.21～1.26）就是把量化分析的因子結論，落地成可回測、可下載的 finlab 策略。

相關閱讀

• 回測是什麼？量化投資回測入門
• 程式交易是什麼？台股自動化交易入門
• AI 量化研究：5 個提示詞，把想法跑成策略
• Information Coefficient：因子驗證與避免過擬合
• 台股選股回測：複合策略怎麼贏
• 多因子選股策略：年化贏過 0050
• AI Agent 量化交易：用對話打造自動化台股系統
• 做量化投資會遇到的挑戰：夏普、過擬合與失效策略
• 設定選股條件的 5 個步驟
• 用 Python 抓台股資料
• 夏普比率：怎麼算、多少算好　·　名詞定義表 /glossary

引用文獻

• Sharpe，W. F.（1966）. Mutual Fund Performance. 提出用超額報酬除以波動度衡量基金績效，本文用日夏普與索提諾衡量策略的風險調整後報酬。
• Fama，E. F. 與 French，K. R.（1992，2015）. 價值、規模、獲利能力與投資因子的長期實證，對應本文的價值與 ROE／品質因子。
• Jegadeesh，N. 與 Titman，S.（1993）. 動能效應的經典實證，對應本文的價格動能因子。
• Novy-Marx，R.（2013）. The Other Side of Value: The Gross Profitability Premium. 毛利率作為品質因子的證據，對應本文的高毛利成長策略。
• Ang，A.、Hodrick，R.、Xing，Y. 與 Zhang，X.（2006）. 低波動異常研究，對應本文用低波動因子控制回撤的設計。
• Lo，A. W.（2002）. The Statistics of Sharpe Ratios. 說明夏普比率的估計誤差與年化假設，支撐本文對短期間高夏普的保守解讀。
• Bailey，D.、Borwein，J.、López de Prado，M. 與 Zhu，Q.（2014）；Harvey，C.、Liu，Y. 與 Zhu，H.（2016）. 分別討論回測過擬合與多重檢定，支撐本文對樣本內、參數測試與漂亮數字的警示。

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。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：2026-06｜回測區間：2020-01 ～ 2026-06（另列 2007～2026 全期）｜作者：FinLab 量化研究團隊（經量化研究員審閱）