股票選股怎麼選？四大面向、六個因子與三套策略的台股實測

股票選股怎麼開始？

股票選股是用明確的指標與規則，從全市場挑出一籃子股票。台股常見的選股方法分四大面向：基本面（賺不賺錢、貴不貴）、技術面（趨勢與波動）、籌碼面（誰在買）、消息面（營收與財報轉折）。選股方法與選股策略是同一件事的兩種說法，重點都在用哪些面向的指標、依什麼規則挑出股票。

重點摘要

本頁用三套選股策略在台股實跑回測（2018-01 至 2026-06，finlab sim() 已扣手續費與證交稅），各代表一個因子家族，對照含息 0050：

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

先把結論講清楚，不含糊：這段期間 0050 贏在絕對報酬（25.05%），三套策略沒有一套在年化報酬上贏過它。 四因子複合的價值在風險調整後表現：日夏普 1.46 對 0050 的 1.22，最大回撤 -24.8% 對 -33.96%，淺了約 9 個百分點。它用略低的報酬換到明顯更小的回撤；能抱得住深回撤的人直接買 0050 反而更好，這是一個取捨，不是免費午餐。

夏普值（Sharpe）：每承擔 1 單位總波動換到多少報酬。索提諾值（Sortino）：只計入下跌波動。最大回撤（MDD）：從最高點跌到最低點的最大跌幅，回撤越深越難抱住。

想直接看選股條件的最新名單，開 台股股票選股器；本頁負責回答「為什麼這些條件要這樣組」以及「怎麼避免單一指標陷阱」。

台股選股策略回測器：自己改條件跑一次

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。

單因子實測：六個經典因子，沒有一個贏過含息 0050

「有沒有單一指標，長期穩定打贏買進 0050 就好？」我們把台股最經典的六個選股因子各自跑了一次回測（各選 30 檔、每月換股；本節視窗 2018-03 至 2026-06，起點受月營收資料限制，重現腳本 factor-comparison.py）：

在本頁設定下、這段期間，沒有任何一個單因子贏過含息 0050。 這是這段樣本的結果，不能直接外推成「台股單因子永遠不行」：換一段期間、換一組參數，排序可能不同。幾個值得記下來的觀察：

• 報酬最高的「價格動能」（11.54%）也只有 0050 的一半，而且要你忍受 -59% 的回撤，多數人很難照原規則一路抱著不停損。
• 「低本益比」單獨用是負報酬。便宜常常便宜有原因（產業衰退、獲利下修），這就是價值陷阱。
• 「低波動」報酬墊底，但最大回撤只有 -13.6%，是所有因子裡最小的。它不是用來衝報酬的，是用來壓回撤的，複合策略會用到這一點。

低波動因子的一個陷阱： 若不加流動性過濾，直接取全市場「波動最低」的股票，會選到近乎停滯的全額交割股或低流動個股（它們因為幾乎不交易，測出來的波動被低估），回測報酬接近零且不具代表性。所以低波因子與複合策略都加上「近 60 日成交額前 50%」的流動性門檻。

為什麼單因子會輸？

每個因子各有一個結構性弱點：

關鍵在於：這些弱點彼此不在同一個時間點發作。動能反轉的時候，低波正好幫你扛住；價值陷阱拖累報酬的時候，品質與營收成長能把你拉回真正在賺錢的公司。把彼此低相關的因子疊起來，一個失靈時其他能補，整體的波動與回撤就被壓下來。這也是 Asness, Moskowitz & Pedersen (2013)《Value and Momentum Everywhere》觀察到的現象：價值與動能在多數市場負相關，合成組合的夏普高於單獨任一個。

三套選股策略逐一拆解

策略一（主軸）：四因子複合，品質＋動能＋低波＋營收

把四個方向不同的因子各自轉成橫斷面百分位排名（0 至 1 分），加權平均成總分，選分數最高的 25 檔、依分數加權，每月對齊營收公布日換股：

低波給雙倍權重是刻意的設計選擇，動機是降低回撤，不是衝高年化。結果：年化 20.05%、日夏普 1.46、最大回撤 -24.8%，三個風險調整指標都在 0050 之上，代價是絕對報酬落後約 5 個百分點。

核心程式就這幾行（finlab.login() 不帶參數，套件會自動引導登入）：

from finlab import data
from finlab.backtest import sim
 
close = data.get('price:收盤價')
roe   = data.get('fundamental_features:ROE稅後').index_str_to_date()
rev   = data.get('monthly_revenue:去年同月增減(%)')
 
mom = close / close.shift(120) - 1                  # 近 120 日動能
vol = close.pct_change().rolling(120).std()         # 近 120 日波動
 
# 四個低相關因子各自橫斷面排名後加總（低波給雙倍權重），選最高 25 檔
score = (roe.rank(axis=1, pct=True)
         + mom.rank(axis=1, pct=True)
         + 2 * (-vol).rank(axis=1, pct=True)
         + rev.rank(axis=1, pct=True))
position = score.is_largest(25)
 
report = sim(position, resample='M', resample_offset='14D')
print(report.get_stats())

完整版（含分數三次方加權、流動性過濾）見文末可下載的 hero-quality-momentum-lowvol.py。

策略二：價值＋品質＋股息

在成交額前 50%、股價淨值比為正、近 6 個月動能為正的股票裡，用「低 PB＋高 ROE＋高殖利率」三個訊號排名加權，選前 20 檔、每季換股。年化 22.92% 是三套中最高，最大回撤 -32.2% 也比 0050 淺。動能大於 0 這道過濾是價值策略的關鍵：它避開「便宜但還在跌」的價值陷阱，等市場開始認同再進場。

策略三：籌碼選股（投信買超＋動能）

用投信近 20 日累計買超佔日均量的比率當「認養強度」，加上近 3 個月動能，在市值前 600 大、流動性過濾後選前 15 檔、每月換股。結果是反面教材：年化 16.52%、日夏普 0.70，全段輸給 0050。 它近三年的夏普在 1.5 以上（投信題材在 2024 至 2026 的行情裡明顯有效），但拉長看，單靠籌碼面訊號的長期體質不如基本面與複合因子。籌碼資料更適合當「額外的確認層」，而非獨挑大樑；深入的法人買賣超實測見 法人籌碼選股實測。

回撤圖是本頁的核心論點：四因子複合（藍線）在 2020 疫情急殺與 2022 升息空頭的回撤都明顯淺於 0050 與其他策略。選股策略的價值不在押對單一指標，而在把低相關因子組起來壓低回撤。

下面是主軸策略（四因子複合）的互動式回測儀表板，可查看每年績效、持股與回撤明細：

{{embed:report_strategy.html}}

穩健性檢查：這結論不是挑到漂亮參數

一個策略最容易被質疑的是過擬合：會不會只是剛好挑到一組好參數、或只靠某一段行情？下列敏感度測試沿用四因子複合的原始研究視窗（2018-03 至 2026-06，重現腳本 robustness.py），該視窗的複合策略基準值為年化 19.55%、日夏普 1.24：

動能回看期（60/120/240 日）：三種口徑的年化都落在 19.5% 至 19.7%、夏普 1.23 至 1.25，結論對回看期不敏感。

持股檔數（20/25/30/50 檔）：年化 19.2% 至 20.4%、夏普 1.23 至 1.28，20 至 50 檔結果都接近，分散程度不是結論的關鍵。

低波權重（1/2/3 倍）：這是唯一影響大的參數，它直接決定報酬與回撤的取捨：

低波權重從 1 倍加到 3 倍，回撤從 -39% 一路降到 -22%，代價是年化從 24% 降到 17%。這印證低波因子是「壓回撤」的主引擎，選 2 倍是報酬與回撤間的刻意折衷，而非曲線擬合。

族群排除：把電子、半導體、光電族群整批排除後再測，年化幾乎不變（19.52%），代表結果不是被台積電供應鏈單一族群撐起來的。

成本壓力測試

四因子複合在不同手續費假設下的年化報酬（證交稅固定 0.3%，本頁主視窗）：

月周轉率約 51%（每月約換掉一半持股）屬中等偏高，所以成本敏感但不致命：手續費加到 0.5%，年化掉到 15.0%，風險調整指標仍在多數單因子之上。

四大選股面向：想自己組策略的工具箱

上面是研究結果；這一節把四大面向當工具箱整理，給想自己組選股條件的讀者。

基本面選股：先看公司賺不賺錢、貴不貴

基本面三大指標單獨用都跑輸大盤（ROE 5.9%、PB 6.4%、PE 倒虧）。它們的價值不在單獨選股，而是當過濾器：先排除不賺錢、太貴的公司，再交給其他因子。想看 ROE 與本益比怎麼搭配，讀 ROE × 本益比選股策略。

技術面選股：看價格趨勢與波動的時機

技術面在本頁扮演兩個角色：價格動能負責跟上市場已認同的標的，低波動負責壓低整體回撤。純動能年化雖有 11.5%，回撤卻達 -59%，動能要搭配低波才抱得住。想完整比較 13 個常用技術指標當選股因子的台股回測，看 技術分析選股總覽。

籌碼面選股：看誰在買

籌碼面在台股相對有效（本土法人行為明顯），但本頁策略三的實測提醒：單靠籌碼訊號長期輸大盤，它更適合當額外的確認層。想深入，從 法人籌碼選股實測 看三大法人買賣超當選股因子的真實回測。

消息面選股：抓營收與財報的成長轉折

台股最即時的訊號是月營收（每月 10 日前公布），比季報快，是抓基本面轉折的好工具。

關於換股日延後 14 天： 本頁策略把換股日延後到月營收公布之後（resample_offset='14D'），目的是避免使用尚未公布的資訊（前視偏差），確保進場時營收數字已對市場公開。這跟 Bernard & Thomas (1989) 的 PEAD（盈餘公告後漂移）是相關但不同的概念：PEAD 講的是盈餘公告後的漂移，月營收不等於盈餘，所以這裡的延後是嚴謹性處理。

新手怎麼開始：把四大面向串成一條流程

1. 定方向。 由上而下（先選產業再選股）或由下而上（直接從財報海選）。新手建議由下而上，讓數據說話，因為它可回測、可驗證。
2. 基本面初篩。 用 ROE、本益比、股價淨值比，過濾掉不賺錢或太貴的公司。
3. 消息面確認成長。 看月營收年增是否為正、是否連續成長。
4. 技術面挑時機。 在符合基本面的標的中，挑近期有動能、波動相對低的。
5. 分散與定期換股。 選 20 至 30 檔分散個股風險，每月依規則換股，並用回測驗證。

這五步驟的精神，正是四因子複合策略在做的事：先用基本面與消息面確認好公司，再用技術面確認好時機，最後分散持有並系統化換股。

不會寫程式？用一句話請 AI 跑回測

FinLab 的做法是：你不必背 Python 語法，只要把規則用白話講清楚，回測交給 AI 加 finlab 實跑。

💬 你對 AI 說：

幫我用四個條件選台股：ROE 高、近 120 天漲幅高、近 120 天波動低（低波給雙倍權重）、月營收年增高。把這四項各自做橫斷面排名加起來，選分數最高的 25 檔，依分數加權，每月對齊營收公布日換股，回測 2018 到現在，跟含息 0050 比報酬、夏普、索提諾和回撤。

🤖 AI 回覆：

已用 finlab 跑完回測。四因子複合策略年化 20.05%、日夏普 1.46、月索提諾 1.92、最大回撤 -24.8%。

和含息 0050 對比：報酬略低（20.1% vs 25.1%），但日夏普更高（1.46 vs 1.22）、回撤淺約 9 個百分點。0050 贏在絕對報酬，這個策略贏在風險調整後表現與較淺的回撤。

回測方法揭露

限制提醒： 這段樣本含一段由 AI、半導體領漲的強多頭，且未做樣本外驗證。實盤前請自行做 out-of-sample 與不同成本假設的壓力測試，別把單一段回測當未來保證。

常見問題（FAQ）

Q1：台股選股策略有哪些？ 常見選股策略對應四大面向：基本面（ROE、本益比、股價淨值比）、技術面（均線、動能、波動）、籌碼面（三大法人、主力持股）、消息面（月營收、財報）。本頁實測顯示單獨用沒有任何一個贏過含息 0050，真正有價值的是把低相關因子疊成複合策略。

Q2：選股方法和選股策略一樣嗎？ 指的是同一件事，差別只在說法。挑哪些指標、用什麼規則把它們組起來，就成了一套選股策略。

Q3：低本益比不是價值投資核心嗎，為何會倒虧？ 概念對，但單獨用在台股這段期間跑輸大盤（-1.4%）：便宜常有因（產業衰退），即價值陷阱。本頁策略二的做法是加上品質、股息與動能確認，年化就回到 22.9%。

Q4：複合策略年化 20.1% 還輸 0050 的 25.1%，憑什麼說它好？ 它沒有全面贏，優勢在風險調整後表現：日夏普更高（1.46 vs 1.22）、回撤淺約 9 個百分點（-24.8% vs -34.0%）。報酬上限換更小的回撤，是取捨不是免費午餐。

Q5：選 25 至 30 檔會不會太分散？ 分散是為了降低個股暴雷風險；複合策略用分數加權把資金集中在最高分股，兼顧分散與集中。敏感度表顯示 20 至 50 檔結果都接近。

Q6：投信買超選股有效嗎？ 本頁策略三的實測答案：近三年有效（夏普 1.5 以上），全段（2018 起）輸 0050。籌碼訊號適合當確認層，不適合單獨扛選股。

Q7：新手該怎麼開始選股？ 走「由下而上」：基本面初篩 → 月營收確認成長 → 技術面挑時機 → 分散 20 至 30 檔、依規則定期換股。重點是可回測、可驗證。

Q8：回測贏就能直接實單嗎？ 不行。要扣交易成本與滑價、注意過擬合與前視偏差，還要考量策略容量。本頁為全段 in-sample，請當研究起點，不是保證。

Q9：我不會寫程式可以做嗎？ 可以。把選股規則用白話講給 AI，由 finlab 實跑回測；上方回測器登入後也能直接改條件重算。

Q10：哪一種選股策略報酬最高？ 看你比哪個指標。絕對報酬是 0050 最高（25.05%）；風險調整後是四因子複合（日夏普 1.46）；三套策略中年化最高的是價值＋品質＋股息（22.92%）。注意這是這段樣本的結果，換期間排序可能不同。

學術參考

• Fama & French (1992)《The Cross-Section of Expected Stock Returns》：規模與淨值市值比（價值）能解釋股票報酬，是低 PB 選股的理論基礎。
• Jegadeesh & Titman (1993)《Returns to Buying Winners and Selling Losers》：過去 3 至 12 個月漲得多的股票傾向繼續漲，確立動能異象。
• Novy-Marx (2013)《The Other Side of Value》：高獲利能力（品質）的公司有超額報酬，支撐用 ROE 選股。
• Ang, Hodrick, Xing & Zhang (2006)《The Cross-Section of Volatility and Expected Returns》：低波動股票有較好的風險調整報酬，支撐給低波較高權重。
• Asness, Moskowitz & Pedersen (2013)《Value and Momentum Everywhere》：價值與動能跨市場負相關，合成組合的夏普高於單一因子，是「疊加」的理論依據。

相關閱讀

• 量化交易是什麼：上層概念與三套量化策略實測
• 程式交易是什麼：把選股規則自動執行、串券商 API 下單
• 台股股票選股器：8 個熱門選股條件、最新名單與可下載程式碼
• 回測是什麼：回測方法與常見陷阱
• 多因子選股實戰：年化贏過 0050：複合思路的進階加碼版
• ROE × 本益比選股策略：基本面兩大指標怎麼搭
• 法人籌碼選股實測：三大法人買賣超當因子的真實回測
• 技術分析選股總覽：13 個技術指標的 11 年實測
• PE、PB、PEG 三大估值因子台股 10 年回測
• ROE 到底高或低才好？換股頻率決定績效
• 機器學習選股新手教學：把因子交給模型的入門路徑

可下載重現（本頁所有數字的來源）

• 三策略入口腳本：strategy.py
• 單因子 vs 0050：factor-comparison.py
• 四因子複合完整版：hero-quality-momentum-lowvol.py
• 穩健性 / 敏感度：robustness.py
• 指標摘要：backtest_results.csv、metrics.json、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（主表 2018-01 至 2026-06、單因子與敏感度表 2018-03 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）