創新高策略：用 AI 打造年化 48% 報酬的動能選股系統

股價創新高才買？你瘋了嗎？

這是多數投資人的第一反應。

但讓我們先看數據：在 2015-2025 年的台股回測中，單純買進「創 250 日新高」的股票，年化報酬率可達 19.1%，夏普比率 0.81。

如果再加入營收篩選優化，績效更可提升至年化 48%、夏普比率 1.55。

這篇文章，我會帶你用 AI 一步步探索這個現象，並建立一個可執行的量化策略。

提醒：以下為歷史回測結果，不代表未來表現。

市場現象：創新高的股票，後續表現如何？

在建立策略之前，我們先驗證一個假設：股價創新高的股票，真的會繼續漲嗎？

請用 FinLab 統計台股中，股價創 N 日新高的股票， 在不同 N 值（20, 60, 120, 250, 300 日）下的回測績效表現。

from finlab import data
from finlab.backtest import sim
import pandas as pd
 
close = data.get('price:收盤價')
volume = data.get('price:成交股數')
 
# 測試不同的新高天數
results = []
for n_days in [20, 60, 120, 250, 300]:
    # 價格創 N 日新高
    price_new_high = (close == close.rolling(n_days).max())
 
    # 流動性篩選
    volume_filter = volume.average(20) > 300 * 1000
 
    # 建立部位
    cond = price_new_high & volume_filter
    position = cond.is_largest(10)
 
    # 回測（月度再平衡）
    report = sim(position.loc['2015':], resample='M', upload=False)
    stats = report.get_stats()
 
    results.append({
        'N日新高': n_days,
        '年化報酬率': f"{stats['cagr']:.1%}",
        '夏普比率': f"{stats['monthly_sharpe']:.2f}",
        '最大回撤': f"{stats['max_drawdown']:.1%}"
    })
 
pd.DataFrame(results)

參數敏感度熱力圖

為了更直觀地看出不同新高天數對績效的影響，我們用熱力圖來呈現完整的參數測試結果：

從熱力圖可以清楚看出：

• 新高天數 250 日是最佳甜蜜點，年化報酬達 19.1%、夏普比率 0.81
• 天數太短（20-100 日）容易捕捉到假突破，績效較差
• 天數超過 350 日後，績效開始下降（可能錯過啟動時機）

累積報酬比較圖

為了更清楚看出不同參數的長期表現差異，我們將 11 種新高天數（20-500日）的累積報酬曲線繪製在一起：

圖表說明：

• 🔵 藍色線條 = 短天期（20日）
• 🔴 紅色線條 = 長天期（500日）
• 顏色越紅，代表新高天數越長

從圖表可以觀察到：

• 長天期策略（紅色）的累積報酬明顯高於短天期（藍色）
• 250-350 日新高（偏紅）在整個回測期間表現最為穩定且報酬最高
• 短天期策略（50-100 日）長期累積報酬較低

數據清楚顯示：新高天數越長，策略績效越好（但有上限）。

250 日新高的年化報酬（19.1%）是 60 日新高（11.0%）的近 2 倍。這驗證了「動能效應」——過去表現強勢的股票，未來傾向繼續強勢。

為什麼「追高」反而有效？

從行為金融學的角度，這個現象可以解釋：

1. 損失規避心理

諾貝爾獎得主 Daniel Kahneman 的研究發現，人們對損失的痛苦是獲利快樂的 2.5 倍。這導致大多數人「不敢追高」。

但當股價創新高時，所有持有者都在獲利，沒有「解套賣壓」。害怕追高的人越多，這些股票被低估的程度就越大。

2. 動能效應（Momentum Effect）

學術研究已證實：過去 6-12 個月表現好的股票，未來 3-6 個月傾向繼續表現好。創新高是動能的最強信號。

用 AI 建立基礎策略

既然現象存在，我們把它變成可執行的策略。

請建立一個「創 300 日新高」的基礎策略：

• 買進條件：股價創 300 日新高
• 流動性：20 日均量 > 500 張
• 月度再平衡，單一持股上限 10%
• 回測期間：2015 年至今

from finlab import data
from finlab.backtest import sim
 
# 取得數據
close = data.get('price:收盤價')
volume = data.get('price:成交股數')
 
# 條件：價格創 300 日新高 + 流動性篩選
volume_filter = volume.average(20) > 500 * 1000
position = (close == close.rolling(300).max()) & volume_filter
 
# 執行回測（月度再平衡）
report = sim(
    position.loc['2015':],
    resample='M',
    position_limit=0.1,
    upload=False
)
 
# 生成專業報告
report.to_html('cumulative_returns.html')

基礎策略績效

績效不錯，但有兩個明顯問題：

1. 最大回撤 -36.4% — 波動太大，很多人撐不住
2. 夏普比率只有 0.83 — 風險調整報酬還有提升空間

有沒有辦法改善？

問題分析：為什麼會有假突破？

請分析「創新高」策略失敗的案例， 這些股票有什麼共同特徵？

觀察發現，許多「假突破」有以下特徵：

1. 營收沒有跟上 — 股價創新高，但營收持平或下滑
2. 動能不足 — RSI 偏低，只是短暫反彈
3. 流動性問題 — 小型股容易被炒作後崩跌

這給了我們優化方向：加入基本面篩選，過濾假突破。