因子分析實戰：3 因子選股策略從靈感到回測
August 22, 2025
封面圖片
你一定懂那種瞬間——螢幕上跳出一檔飆股，心裡直覺「它會漲」。但直覺不會每次都對。於是我們決定反過來做：把靈感拆成可驗證的「因子」，把「為什麼漲」說清楚，然後用資料驗證。
難嗎？不簡單。因為我們有工具可以把難的事做得乾淨俐落。
因子分析和一般做法，哪裡不一樣？
一般做法：先選幾個看起來厲害的指標，湊一套回測；結果好就覺得是神功，結果差就再換一套。
我們的做法：先把策略拆解，再逐一檢驗每個因子的線索：它帶來的超額報酬是多少？在什麼狀態下有效？會不會太擁擠（大家都在用）？彼此相關性高不高？
沒有 Finlab 我們得自己處理：資料下載、清洗、對齊、換股對齊、月/季頻率對接… 一個環節錯了，結果就不可信。
有了 finlab，我們可以直接用一致頻率的資料集與安全的 resample 邏輯，把時間對齊、避免偷看未來；剩下的，就是認真跟資料搏鬥。
我們的範例策略：
三個最基本、卻常被忽略「為什麼」的因子：市值、營收動能、價格動能。
- 為什麼要小市值？因為小市值在資訊修正與資金挹注時，彈性常常更大。
- 為什麼看營收加速？因為是最扎實的推力。
- 為什麼要動能？因為市場的從眾與慣性，往往延長趨勢。
顯示程式碼
from finlab import data, backtest
marketcap = data.get('etl:market_value')
revenue = data.get('monthly_revenue:當月營收')
close = data.get('price:收盤價')
cond_smallcap = marketcap.rank(pct=True, axis=1) < 0.3
cond_revgro = (revenue.average(3) / revenue.average(12)).rank(pct=True, axis=1) > 0.7
cond_momentum = (close / close.shift(20)).rank(pct=True, axis=1) > 0.7
pos = cond_smallcap & cond_revgro & cond_momentum
report = backtest.sim(pos, resample='ME', upload=False)
report.display()**為什麼要用 rank？**比較的是「相對位置」，而不是絕對數值。
回測結果
把策略拆成可驗證的語言：特徵 & 標籤
先定義我們「到底要預測什麼」：未來一段時間的超額報酬（相對市場平均）。這是策略的真目標，而不是單看漲跌。
顯示程式碼
from finlab import data
import finlab.ml.feature as feature
import finlab.ml.label as label
features = feature.combine({
'marketcap' : cond_smallcap,
'revenue' : cond_revgro,
'momentum' : cond_momentum
}, resample='ME')
labels = label.excess_over_mean(index=features.index, resample='ME')為什麼用超額報酬？ 因為我們將焦點從「追隨市場」轉向「超越對手」。我們比較的不是大盤的絕對速度，而是相對於競爭者的反應速度。