用 Claude/GPT 寫出台股回測策略：從提示到績效報告

不會寫程式也能回測台股策略？2026 年，你需要學的不是 Python，而是怎麼跟 AI 說話。

前言：一個不會寫程式的人，做出了年化 50% 的策略

先看一組數據：

（來源：finlab AI 研究，實際回測數據）

你沒看錯。一個不會寫任何程式碼的人，靠跟 AI 系統化對話 8 輪，就做出了一個：

• 年化報酬 50.47%（是 0050 的 3.9 倍）
• 最大回撤 -42.28%（比 0050 的 -55.75% 好了 13%）

從第一版的 12.48% 到最終的 50.47%，報酬率翻了 4 倍。

關鍵不在於第一次就對，而是你有沒有一套系統化的迭代方法。

但是...事情沒有這麼簡單。

你看到第一行了嗎？「傳統量化策略」只有 6.60% 的年化報酬，連 0050 都打不過。這代表什麼？

不是用了 AI 就自動賺錢。關鍵是你怎麼跟 AI 對話。

今天這篇文章，我要手把手帶你走過這整個過程——從第一句 Prompt 開始，到最終拿到一份完整的績效報告。

不需要任何程式基礎。你只需要會打字。

Ch.1：為什麼 2026 年要學 Prompt，而不是學 Python？

AI 時代的典範轉移

2026 年，投資界正在發生一場安靜的革命。

根據台灣證交所數據，2025 年台股程式交易佔總成交比重已突破 30%，較三年前翻了一倍。而在台灣最大投資社群 PTT Stock 板，「AI 選股」相關討論量 2025 年較前一年成長 300%。

量化交易：用數學模型和電腦程式來分析市場、做出交易決策的方式。過去這是華爾街專利，現在 AI 讓每個人都能做到。

但有趣的是，大部分台股投資人還在糾結一個問題：「我要不要學 Python？」

這就像 2010 年有人問：「我要不要學 HTML 才能上網？」

答案是不用。 就像你不需要學 HTML 就能用 Google，你也不需要學 Python 就能做量化投資。

Prompt 就是新時代的程式語言

想像一下這個場景：

傳統做法（需要程式能力）：

# 你需要寫這種程式碼
from finlab import data
pe = data.get("price_earning_ratio:本益比")
roe = data.get("fundamental_features:ROE稅後")
position = (pe > 0) & (pe < 15) & (roe > 10)
report = sim(position, resample='M')

AI 時代的做法（只需要 Prompt）：

「幫我找出本益比 15 以下、ROE 大於 10% 的股票，然後回測看看績效如何。」

結果完全一樣。 但第二種方法，你只花了 10 秒鐘。

點菜的藝術

好葉有個很棒的比喻：

Prompt 就像點菜。 AI 是你的私人大廚，finlab 是他的食材庫。你不需要知道怎麼切菜、怎麼開火，你只需要說清楚你想吃什麼。

好了，理論講夠了。讓我們開始實戰。

Ch.2：第一次對話 — 選股條件設計

你的第一句 Prompt

大部分人跟 AI 對話時犯的第一個錯誤是：太模糊。

❌ 錯誤示範：「幫我選一些好股票」

這就像走進餐廳說「給我一些好吃的」。你會得到什麼？可能是一碗泡麵。

✅ 正確示範：「幫我找本益比低於 15、ROE 大於 10% 的股票」

這就像說「我要一份不要太辣的宮保雞丁，飯少一點」。具體！

實戰 Prompt #1：基礎選股

💬 你對 AI 說：

幫我找出符合以下條件的台股：

1. 本益比（PE）在 0 到 15 之間
2. ROE（股東權益報酬率）大於 10% 然後用這些條件回測看看，從 2013 年到現在，這樣選股的績效如何。

🤖 AI 回覆：

我幫你用這兩個條件篩選並回測了。以下是結果：

策略：低本益比 + 高 ROE

指標	數值
年化報酬率 (CAGR)	6.60%
最大回撤 (MDD)	-49.74%

嗯...年化只有 6.6%，而且最大回撤接近 50%。 相比之下，0050 的年化報酬是 13.02%。 看起來這個簡單的「低 PE + 高 ROE」策略，打不過大盤。

📌 以上回測結果已包含 finlab 預設交易成本（手續費 0.1425% + 證交稅 0.3%），但未計入滑價成本。

（來源：finlab 實際回測數據）

畫出低PE+高ROE策略 vs 0050 從 2013 年到 2025 年的累積報酬曲線比較圖

from finlab import data
from finlab.backtest import sim
 
pe = data.get("price_earning_ratio:本益比")
roe = data.get("fundamental_features:ROE稅後")
position = (pe > 0) & (pe < 15) & (roe > 10)
report = sim(position, resample='M', name='低PE+高ROE策略')
report.display()

圖 1：第一版策略（藍色）vs 0050（灰色）。數據會說話——簡單的條件篩選不夠用。

等一下，這不是說 AI 很厲害嗎？怎麼第一次就輸了？

這正是重點。AI 不是魔法水晶球。 它是一個工具，結果取決於你怎麼使用它。

就像一把好刀，在大廚手裡能做出米其林料理，在路人手裡可能只能切水果。

問題出在哪？讓我們進入第二次對話。

Ch.3：第二次對話 — 分析失敗原因 + 加入更多因子

為什麼第一版策略會失敗？

你得學會跟 AI 「追問」——這是 Prompt 的進階技巧。

實戰 Prompt #2：分析失敗原因

💬 你對 AI 說：

上一個策略只有 6.6% 的年化報酬，輸給 0050。幫我分析可能的原因，然後改進策略。

我想試試：

1. 在低 PE + 高 ROE 的基礎上
2. 加入「營收年增率大於 0%」的條件
3. 加入「股價在 120 日均線之上」的趨勢確認

這樣可以避免買到正在衰退的便宜股嗎？

🤖 AI 回覆：

你的直覺很對！「低 PE + 高 ROE」的問題可能是：

1. 價值陷阱：PE 低不代表便宜，可能是公司在衰退
2. 缺乏趨勢確認：買了便宜股但股價一直跌

加入你建議的條件後，回測結果：

策略：低 PE + 高 ROE + 營收成長 + 趨勢確認

指標	原始策略	改進策略	變化
年化報酬	6.60%	8.20%	+1.6%
最大回撤	-49.74%	-63.38%	-13.6% ⚠️

報酬提升了一點，但最大回撤反而惡化了！ 問題可能是條件太多，選到的股票太少，集中度過高。

📌 回測已含手續費與證交稅。條件篩選型策略的隱性風險：選股數量不穩定，某些月份可能只剩 3-5 檔，集中度暴增。

（來源：finlab 實際回測數據）

看到了嗎？加了更多條件，報酬提升，但風險反而更大了。

你覺得問題出在哪？ 提示：想想「分散投資」這個概念。

（答案在下一段揭曉）

關鍵洞察：選股邏輯的根本轉變

問題不在於「加更多條件」，而在於選股的邏輯方式。

傳統做法是「篩選」——設定門檻，符合就選、不符合就淘汰。

但更好的做法是「排名」——不問「符不符合標準」，而是問「誰最好」。

這是一個微妙但關鍵的差異：