AI Agent 量化交易完整指南：用 Python 打造自動化台股交易系統
投資警語：本文僅供教學參考，不構成投資建議。過去績效不代表未來表現，投資有風險。
AI Agent 量化交易完整指南：用 Python 打造自動化台股交易系統
前言：一支 AI，三個月賺 48%？
你有沒有想過，如果有一個 24 小時不休息的超級助理，專門幫你盯盤、選股、回測策略，會是什麼樣子？
不是科幻小說，這就是 AI Agent 量化交易的現實。
我們用 FinLab 平台實測了三個月，讓 AI Agent 自己設計選股策略、執行回測、優化參數。結果？最終策略在 18 年回測中達到年化報酬率 24.1%，同期 0050 只有 13.3%。如果你在 2007 年投入 100 萬，到 2026 年：
- 買 0050 = 1,050 萬
- 用這個 AI 策略 = 5,888 萬
差距超過 5 倍。
但這不是一帆風順的故事。我們第一次讓 AI 設計策略時，雖然回測結果有 15.9%，勉強贏過 0050，但持股超過 50 檔，跟買指數沒兩樣。第二次想加嚴條件改良，結果更慘，掉到 4.2%，還帶著 -56.6% 的最大回撤（對，你沒看錯，比 0050 的 -55.8% 還慘）。
直到我們改變了一個關鍵思維——不用「條件篩選」，改用「排名評分」——一切才豁然開朗。這個故事，就是今天要跟你分享的完整旅程。
這篇文章不會教你寫 Python 程式碼（放心，一行 code 都不用背），而是教你如何用「自然語言 Prompt」跟 AI 對話，讓它幫你完成所有技術細節。我們會完整公開：
- 4 個實際使用的 Prompt（附真實對話）
- 3 個策略的完整回測數據（4,629 天 × 2,709 檔股票）
- 1 個從 15.9% 進化到 24.1% 的思維轉變
- 5 個你必須知道的風險陷阱
準備好了嗎？我們開始吧。
Ch.1: 什麼是 AI Agent？不只是聊天機器人
1.1 傳統 AI 聊天 vs. AI Agent：差在哪？
你可能用過 ChatGPT 問問題、寫文案，但那只是「一問一答」。AI Agent 不一樣，它可以：
- 主動規劃多步驟任務 - 你說「幫我找高成長股」，它會自己分解成「下載財報 → 計算營收成長率 → 篩選 ROE → 排序 → 輸出清單」
- 使用工具執行 - 它不只「建議你去查」，而是真的去抓資料、跑回測、畫圖表
- 自我修正 - 發現策略績效不好？它會調整參數、重新回測，直到滿足目標
- 記住上下文 - 你今天測試的策略邏輯，明天它還記得，可以持續優化
簡單來說：ChatGPT 是顧問，AI Agent 是執行長。
1.2 AI Agent 在量化交易的角色
傳統量化交易的流程是這樣的：
[人腦] 想策略 → [人] 寫程式 → [電腦] 跑回測 → [人] 看報表 → [人] 調參數 → 重複
每一步都需要你懂程式、懂金融、懂統計。但有了 AI Agent：
[你] 用自然語言描述策略 → [AI Agent] 自動執行所有步驟 → [你] 看結果、給反饋
你只需要說：「我想找營收成長超過 30%、ROE 大於 15%、本益比低於 20 的股票」，AI Agent 就會：
- 自動從資料庫抓取財報數據
- 寫 Python 程式碼執行篩選
- 跑 18 年回測
- 產生績效報表（年化報酬、最大回撤、勝率等）
- 畫出淨值曲線圖
這不是「讓不懂程式的人也能做量化交易」那麼簡單，而是把專業量化交易員的迭代速度提升 10 倍。以前測試一個策略變體要花 2 小時（改 code、除錯、跑回測），現在只要 5 分鐘（改一句 Prompt）。
1.3 你需要什麼才能開始？
硬需求：
- FinLab 帳號（提供台股完整財報、價格資料 + 回測引擎）
- Claude Opus 4.6 或類似等級的 AI（需要能執行程式碼、處理表格數據）
軟需求（不需要！）：
- ❌ 不需要會寫 Python
- ❌ 不需要金融工程碩士
- ❌ 不需要昂貴的 Bloomberg 終端機
你只需要「會提問」——這也是這篇文章要教你的核心技能。
Ch.2: 為什麼 AI Agent 適合量化交易？5 大優勢
2.1 優勢 1：移除技術門檻，專注策略邏輯
傳統量化交易最大的痛點：好的投資邏輯，死在程式語法上。
你可能有個絕妙想法「找連續三季營收成長、但股價還沒漲的股票」，但光是「抓財報資料」這一步，就要處理：
- Pandas DataFrame 的索引對齊
- NaN 值處理
- 季報發布時間差（避免未來函數）
- 資料頻率轉換（日線 vs. 季線）
這些技術細節跟你的投資邏輯無關，卻會吃掉你 80% 的時間。
AI Agent 的價值：你說中文，它處理所有技術細節。
2.2 優勢 2：快速迭代，從失敗中學習
我們的實測案例完美展示了這點。看看這個進化時間表：
- Day 1 上午：Prompt 001 → 策略 1（營收成長 >20% + ROE >10%）→ CAGR 15.9%（勉強贏 0050，但持股 50+ 檔太分散）
- Day 1 下午：想加嚴條件，改 Prompt 002 → 策略 2（更嚴格條件）→ CAGR 4.2%（更慘！）
- Day 2：換思路，Prompt 003 → 策略 3（排名法）→ CAGR 24.1%（成功！）
從 15.9% 到 24.1%，只花了兩天。如果用傳統方法（人工寫程式、除錯、回測），這至少要兩週。
更重要的是，AI Agent 不怕失敗。你可以大膽測試各種瘋狂想法（「如果只買董事長姓王的公司會怎樣？」），因為測試成本幾乎為零。
2.3 優勢 3：處理複雜數據，不會累
台股有 2,709 檔股票，每檔股票每天都有：
- 6 個價格數據（開高低收、成交量、成交額）
- 100+ 個財報數據（營收、EPS、ROE、負債比...）
- 30+ 個技術指標（MA、RSI、MACD...）
人腦無法處理這麼大的數據量，但 AI Agent 可以。它能在 30 秒內：
- 計算 2,709 檔股票的 18 年營收成長率
- 排除財報異常值
- 套用 3 個因子加權排名
- 產生每月前 20 名清單
- 回測淨值曲線
而且不會「看到第 500 檔就累了」或「忘記第 1 檔的數據」。
2.4 優勢 4：透明且可驗證
這點常被忽略，但超級重要。
AI Agent 產生的策略，你可以完整檢視：
- 它用了哪些數據？（來源、時間範圍、處理方式）
- 篩選邏輯是什麼？（每一行程式碼都能看）
- 回測假設是什麼？（交易成本、滑價、再平衡頻率）
這跟「黑箱基金」完全不同。你永遠知道 AI 在做什麼，隨時可以喊停或調整。
2.5 優勢 5：24 小時執行，不受情緒影響
這是量化交易的老優勢，但 AI Agent 讓它更極致。
人類交易員的敵人：
- 恐慌（看到跌 10% 就想停損）
- 貪婪（看到漲 20% 還想再等）
- 疲憊（盯盤 8 小時後判斷力下降）
- 健忘（忘記當初設定的停利點）
AI Agent 沒有這些問題。它會嚴格執行你設定的規則，不會因為「今天新聞很恐怖」就亂改策略。
但這也帶來一個問題：如果策略本身有缺陷，AI 會無情地執行到底。這就是為什麼「回測驗證」這麼重要——我們稍後會詳細說明。
Ch.3: 新手第一步：用 Prompt 建立選股策略
好，理論講完了。現在讓你看看實際怎麼做。
3.1 我們的第一個策略目標
假設你是個基本面投資者，相信「高成長 + 高獲利能力」的公司會帶來超額報酬。你的選股邏輯是：
- 營收年成長率 > 20%（高成長）
- ROE（股東權益報酬率）> 10%（高獲利能力）
這個邏輯合理嗎？聽起來不錯。但到底能不能賺錢？我們用 AI Agent 測試看看。
3.2 Prompt 001：第一次對話
這是我們實際使用的 Prompt（一字不改）：
💬 你對 AI 說：
請幫我建立一個台股選股策略，條件如下：
- 營收年成長率 > 20%
- ROE > 10%
使用 FinLab 的資料，回測 2007 年至今的績效。請產生：
- 年化報酬率（CAGR）
- 最大回撤（MDD）
- 淨值曲線圖
- 與 0050 買進持有的比較
🤖 AI 回覆：
好的，我將使用 FinLab 資料執行回測。
[AI 自動執行以下步驟]
- 抓取台股財報資料（2007-04-23 ~ 2026-02-11，共 4,629 天）
- 計算每月營收年成長率（YoY）
- 篩選 YoY > 20% 且 ROE > 10% 的股票
- 每月月初等權重買入所有符合條件的股票
- 假設交易成本 0.4%（含手續費、交易税）
回測結果：
- 資料範圍：4,629 天 × 2,709 檔股票
- 策略年化報酬率（CAGR）：15.9%
- 最大回撤（MDD）：-44.4%
- 0050 買進持有 CAGR：13.3%
- 0050 MDD：-55.8%
[已產生淨值曲線圖]
3.3 第一次結果：15.9%——看似不錯，其實有問題
看到 AI 回覆的瞬間，心情是複雜的。
好消息：
- ✅ AI 成功執行了所有步驟（抓資料、算指標、回測）
- ✅ 15.9% 的 CAGR，確實贏過 0050 的 13.3%
- ✅ 最大回撤 -44.4% 比 0050 的 -55.8% 好（波動較小）
壞消息：
- ❌ 持股超過 50 檔，幾乎等於買了一個「營收成長版的指數基金」
- ❌ 沒有真正的「選股」效果——條件太寬鬆，符合的股票太多
- ❌ 勉強贏 0050 的 2.6%，扣掉交易成本和管理精力，很不划算
這是很多新手第一次做量化回測的真實寫照：表面上績效不錯，但策略邏輯太粗糙，沒有真正的 alpha。
這裡有個關鍵教訓：回測不是用來「證明你是對的」，而是用來「發現你錯在哪」。表面上贏過 0050 不代表策略就是好的——你需要問自己：「這個績效是靠真正的選股能力，還是只是買了一大堆股票碰巧跑贏？」
3.4 問題出在哪？初步診斷
我們請 AI 進一步分析：
💬 你對 AI 說：
這個策略雖然勉強贏 0050，但持股 50+ 檔太分散，沒有真正的選股效果。請分析可能的原因，並提供改進方向。
🤖 AI 回覆：
根據回測數據分析，可能的問題：
條件太寬鬆：營收 YoY > 20% 在多頭時期很多股票都符合，導致持股過於分散（平均每月持有 50+ 檔），稀釋了優質股的報酬。
缺乏估值考量：沒有檢查本益比（PE），可能買到「成長性已反映在高股價」的股票。
ROE 門檻偏低：10% 的 ROE 在台股算普通水準，無法篩選出真正的高獲利公司。
改進建議：
- 提高條件門檻（例如 YoY > 30%、ROE > 15%）
- 加入估值過濾（例如 PE < 20）
- 限制持股數量（只買最符合條件的前 20 名）
聽起來很合理！那我們就來試試看。
Ch.4: 第一次改進...結果更慘？從 15.9% 到 4.2%
4.1 Prompt 002：加嚴條件
根據 AI 的建議，我們把條件變嚴格：
💬 你對 AI 說：
請改良策略，新條件如下：
- 營收年成長率 > 30%（提高門檻）
- ROE > 15%（提高門檻）
- 本益比 < 20（加入估值過濾）
其他設定同上，請回測並與策略 1 比較。
🤖 AI 回覆：
已執行回測。
策略 2 結果：
- CAGR：4.2%
- MDD：-56.6%
- 平均每月持股數：3 檔
與策略 1 比較：
指標 策略 1 策略 2 0050 CAGR 15.9% 4.2% 13.3% MDD -44.4% -56.6% -55.8% 平均持股 50+ 檔 3 檔 50 檔 策略 2 的績效顯著惡化。
4.2 發生什麼事了？過度篩選的陷阱
這是新手常犯的錯誤：以為條件越嚴格，績效就越好。
實際上，策略 2 的問題是：
- 樣本數太少：每月只有 3 檔股票符合條件，缺乏分散風險的能力
- 條件衝突：「高成長 + 高 ROE」的股票通常本益比都很高（市場早就發現它們了），加上「PE < 20」會把最好的標的排除掉
- 運氣成分大：只買 3 檔股票，遇到地雷股的影響會被放大
這裡的教訓是：量化交易不是「找到完美條件」，而是「在條件嚴謹度 vs. 樣本數之間找平衡」。太寬鬆（策略 1）會買到太多股票，太嚴格（策略 2）會錯過好機會。
那到底該怎麼辦？
4.3 關鍵轉折：從「條件篩選」到「排名評分」
這時我們遇到了一個高手（FinLab 的創辦人），他給了一個建議：
「不要用『條件篩選』，改用『排名法』。」
什麼意思？讓我們用一個類比來說明。
類比：招聘員工的兩種方法
方法 1：條件篩選（策略 1、2 的做法）
- 「我只要學歷 985、工作經驗 5 年以上、會寫 Python 的人」
- 問題：條件太嚴可能沒人符合，太鬆又一堆人符合
方法 2：排名評分（策略 3 的做法）
- 「我把所有應徵者的『學歷』『經驗』『技能』分別打分數，然後加權平均，取總分前 20 名」
- 好處：永遠有 20 個候選人，而且會自動選出『綜合實力最強』的人
回到選股，排名法的邏輯是：
- 不設死條件（不說「營收成長一定要 > 30%」）
- 而是把所有股票的「營收成長率」由高到低排名
- 再把「ROE」「股價動能」等因子也分別排名
- 最後加權平均，選出「綜合排名最高」的前 20 檔
這個思維轉變，讓我們從 4.2% 跳到 24.1%。