Python 股票選股回測教學：5 分鐘寫出條件，
五種篩選全輸 0050 實測

五種直覺選股條件與 0050 含息的年化報酬與最大回撤對照（2018-01 至 2026-08，月頻換股，含手續費與證交稅）。

先講結果：本文示範的五種選股條件，從「本益比低於 15 加上營收成長」到「10 日均線最強的前 20%」，在 2018 年 1 月到 2026 年 8 月這段台股行情裡，年化報酬最高 17.7%、最差 1.4%，全部輸給同期 0050 買進持有含息的 24.8%。這篇文章是一份反面教材。你在 5 分鐘內能學會的，是把腦中的選股條件寫成 finlab 程式、跑出回測、看懂它輸在哪裡；你學不到的，是一套可以照抄的獲利策略，因為這五種都不合格。

這篇專注在最短路徑：一個條件、幾行程式、一張回測報告。想把選股升級成三因子排名、處理前視偏差與波動加權的完整工程流程，請看 Python 量化交易完整教學；只想用三行程式碼試試創新高動能，請看 三行程式碼打造創新高動能策略。三篇分工明確：本文教「把條件寫成程式並讀懂結果」，前者教「把策略做對」，後者教「用最少的程式碼起手」。

五種篩選的成績單

回測口徑：股票池限定 60 日平均成交金額大於 5,000 萬元且收盤價高於 10 元，先排除流動性不足的股票；篩選通過者依月營收年增率由高到低取前 30 檔等權持有，每月換股一次；sim() 內扣手續費 0.1425% 與賣出證交稅 0.3%，未另設滑價；0050 基準用 etl:adj_close 還原價計算含息買進持有。累積報酬：示範策略 +306%、舊版 +284%、0050 +580%。所有數字都能用文末的 strategy.py 重跑。

5 分鐘上手：從安裝到第一張回測報告

安裝完成後，整個流程只有四步：取資料、寫條件、排序選股、跑回測。以下是本文示範策略的完整程式，每一行只做一件事。

import finlab
from finlab import data
from finlab.backtest import sim
 
finlab.login()
 
# 載入資料
close = data.get('price:收盤價')
volume = data.get('price:成交股數')
rev_yoy = data.get('monthly_revenue:去年同月增減(%)').index_str_to_date().reindex(close.index, method='ffill')
roe = data.get('fundamental_features:ROE稅後').index_str_to_date().reindex(close.index, method='ffill')
 
# 股票池：流動性與價格門檻
amount = (close * volume).rolling(60).mean()
pool = (amount > 50_000_000) & (close > 10)
 
# 選股條件：營收成長、獲利能力、趨勢確認
cond = pool & (rev_yoy > 20) & (roe > 8) & (close > close.rolling(60).mean())
 
# 通過條件者依營收年增率排序，取前 30 檔
score = rev_yoy.where(cond)
position = score.rank(axis=1, ascending=False) <= 30
 
# 月頻換股回測
report = sim(position, resample='M', name='營收年增 + ROE + 趨勢')
report.display()

幾個關鍵細節：

• data.get() 換資料表名稱就能切換到任何基本面、籌碼面或價格資料，完整清單見 Python 台股資料完整指南。
• index_str_to_date() 把月營收與財報從「所屬月份」對齊到「實際公告日」，避免用還沒公布的數字選股，也就是避開前視偏差。
• rank(axis=1) 是橫向排名，每一天在所有通過條件的股票裡排序；<= 30 就是取前 30 檔。
• resample='M' 代表每月最後一個交易日重新計算持股，中間不動。

想加本益比上限，只要多取一張表、多加一個條件：

pe = data.get('price_earning_ratio:本益比')
 
cond_pe = cond & (pe > 0) & (pe < 15)

pe > 0 是為了排除虧損公司的負本益比，否則「本益比小於 15」會把虧損股也放進來。

2020 年舊版的寫法更短，用移動平均線做一個全市場排名（沿用同一組股票池）：

moving_average = close.rolling(10).mean().where(pool)
top_20_percent = moving_average > moving_average.quantile(0.8, axis=1)
 
report_old = sim(top_20_percent, resample='M', name='10 日均線前 20%')
report_old.display()

這四行就是 2020 年原文的示範，只保留同一組流動性與價格門檻，沒有任何基本面條件；每月平均持有 117.7 檔，等於買進一個「近期股價偏高族群」的等權指數。

五策略的累積淨值與回撤

累積淨值（對數刻度）。0050 含息累積 +580%，示範策略 +306%，舊版 +284%，本益比小於 15 加趨勢的版本幾乎沒有成長。

回撤曲線。加了本益比上限的三個版本最大回撤都超過 -45%，舊版 117 檔分散組合的 -38.3% 是五種裡最淺的，0050 為 -34.0%。

風險調整指標。五種篩選的日夏普介於 0.20 到 0.77，0050 為 1.18；月索提諾最高 1.11，0050 為 1.92。

教訓一：本益比上限越嚴，持股越少，績效越差

把成績單裡的第一列和第二、三列排在一起看，唯一的差別是本益比上限：

「營收成長、獲利好、股價站上均線、本益比又低」聽起來像是四個好條件的交集，實際上四個條件同時成立的股票非常少。本益比壓到 15 以下時，平均只剩 5.1 檔，這時候的組合已經稱不上「策略」，比較像是每個月押注五檔股票。五檔的組合，任何一檔踩到地雷就是 20% 的權重受傷，回撤 -52.9% 就是這樣來的。

從市場邏輯來看，這段台股行情裡營收高成長的公司通常也伴隨高本益比，硬要求「高成長又便宜」，等於把成長股裡最被市場看好的那群排除掉，留下的往往是成長性受到質疑、所以才便宜的公司。Fama & French（1992）在美股資料裡發現低股價淨值比與小市值能解釋橫斷面報酬差異，這篇論文常被引用來支持「便宜有溢價」，原文見 The Cross-Section of Expected Stock Returns；但他們的價值因子是全市場分組後的長期平均，並沒有說「本益比低於 15 的五檔股票會贏大盤」。把學術因子縮成一個門檻、再和其他條件取交集，得到的樣本已經和論文裡的分組完全不同。

教訓二：加一個條件，不等於變得更好

第三列與第四列的差別只有「站上 60 日線」這一個條件：

加上趨勢確認之後，年化從 11.8% 掉到 1.4%，回撤反而更深。直覺上「等股價站上均線再買」應該更安全，但在本益比小於 15 的樣本裡，它做了兩件事：第一，把持股從 9.9 檔砍到 5.1 檔，分散度再度惡化；第二，低本益比的股票之所以便宜，常常是股價已經跌了一段，要求它站上 60 日線等於在它反彈後才追進，而每月換股又會在跌破均線後把它賣掉，一來一回吃掉價差與交易成本。

Jegadeesh & Titman（1993）證實的動能效應，是「過去 3 到 12 個月報酬最強的股票，接下來 3 到 12 個月會繼續領先」，原文見 Returns to Buying Winners and Selling Losers。那是一個跨全市場的相對排名，並且明確避開最近一個月的短期反轉；「收盤價高於 60 日均線」只是單檔股票的絕對條件，兩者不是同一件事。本文示範策略（無本益比上限）雖然也用了 60 日線，但它的持股有 14.5 檔、樣本以成長股為主，趨勢條件才沒有造成同樣的傷害。

結論很簡單：每加一個條件，先看平均持股掉了多少，再看報酬與回撤怎麼變。條件變多、樣本變少、績效變差，是這類篩選最常見的失敗路徑。

教訓三：117 檔的粗糙分散，比 5 檔的精挑細選穩

2020 年的舊版寫法看起來最不講究：沒有任何基本面條件，只在同一組股票池裡看 10 日均線的相對位置。但它交出了五種裡最淺的回撤 -38.3%，日夏普 0.77 也是五種裡最高，年化 17.0% 只比示範策略少約 0.8 個百分點。

原因就在平均持股 117.7 檔。持股分散到上百檔之後，單一股票的意外對整體的影響被稀釋，組合的波動主要來自市場本身。反過來看，本益比小於 15 加趨勢的版本只有 5.1 檔，波動幾乎完全由個股決定。用風險調整報酬來看，日夏普從 0.77 一路降到 0.20，就是分散度逐級惡化的軌跡。

這不代表舊版是好策略。它同樣輸 0050，而且 117 檔的月頻換股意味著可觀的周轉率與交易成本，2020 年原文沒有提到這一點。它只說明一件事：在你還沒有能力挑出真正的贏家之前，分散比精挑更重要。

近三年的數字也支持這個看法。示範策略近 3 年日夏普 1.07、舊版 1.18，都比整段的 0.70 與 0.77 明顯好轉，但這只是後段的局部數字，整段 2018 至 2026 五種全輸 0050 的結論並沒有改變。

教訓四：五種全輸 0050，因為這段行情屬於大型股

五種篩選沒有一種贏過 0050 含息的年化 24.8%、日夏普 1.18、最大回撤 -34.0%。回撤也是，0050 的 -34.0% 比五種篩選全部都淺。

背後的市場事實是，2018 到 2026 年的台股是一段以台積電為核心的大型權值股行情，0050 的成分裡台積電權重極高，等於用一檔 ETF 高比例持有這段時間表現最好的公司。本文五種篩選的股票池是全市場等權，平均持股從 5 檔到 117 檔不等，每一檔權重都很小，即使台積電通過條件，它在組合裡的貢獻也和一檔中小型股沒兩樣。當行情由少數大型股主導，任何等權分散的選股法都會在報酬上落後市值加權的指數。

這也解釋了為什麼營收成長與獲利能力這兩個有學術支持的因子，在這裡沒有帶來超額報酬。Novy-Marx（2013）在美股資料裡發現毛利率高的公司長期報酬顯著較高，並且在控制價值因子之後仍然成立，原文見 The Other Side of Value: The Gross Profitability Premium。但他的獲利能力因子是全市場分組後的多空差異，衡量的是「獲利好的公司相對於獲利差的公司」；本文用 ROE 大於 8% 當門檻、再等權持有前 30 檔，測的是「一小群成長股相對於市值加權大盤」，前者的超額報酬可以存在，後者仍然可以輸給指數。

回測結果怎麼看

表格裡的每一欄都對應一個問題，看懂它們才能判斷一個策略是不是真的比買 0050 好：

• 年化報酬（CAGR）：把整段累積報酬換算成「每年平均複利幾 %」，讓不同長度的回測可以互相比較。本文示範策略 8 年 8 個月累積 +306%，換算年化 17.7%。
• 日夏普：每承擔一單位波動，換到多少超額報酬，數字越高代表報酬品質越好；用日報酬計算後年化。五種篩選最高 0.77，0050 為 1.18，計算方式與判讀門檻見夏普比率計算工具。
• 月索提諾：與夏普類似，但分母只算下跌月份的波動，不懲罰上漲的波動。0050 為 1.92，五種篩選最高 1.11。
• 最大回撤：從歷史高點到後續最低點的最大跌幅，代表你在最壞時間點進場會承受的帳面損失。-47.8% 的意思是資產曾經腰斬近半，多數人撐不到回本。
• 平均持股：每月平均持有幾檔。低於 10 檔時，回測結果會被少數個股的運氣主導，數字再漂亮也不可靠。

一個實用的判讀順序：先看平均持股夠不夠分散，再看最大回撤能不能承受，最後才看年化報酬有沒有贏過 0050。本文五種篩選連最後一關都沒過。更完整的回測觀念與常見陷阱，見回測是什麼。

下一步：想贏 0050 該往哪裡走

本文的五種篩選都是「條件交集」：符合 A、符合 B、符合 C 就買。這種寫法的問題已經在四個教訓裡攤開：條件越多樣本越少，門檻是硬切的，沒有考慮持股權重，也沒有處理成本。要做出有機會贏過 0050 的版本，方向是把「門檻篩選」換成「排名複合」，把「等權」換成「依風險調整權重」：

• 想看完整的選股方法總覽與台股各類因子的比較，從台股選股完整指南開始。
• 想把本文的條件升級成三因子排名複合、加上前視偏差處理與反波動加權的工程化版本，接著讀 Python 量化交易完整教學。
• 想從最少的程式碼起手，用創新高動能取代條件交集，看創新高動能策略的三行寫法。
• 想了解從回測到自動下單的整條流程，看程式交易入門指南。
• 想先知道量化選股會踩哪些坑再動手，看量化交易的缺點與風險。

常見問題

Python 選股要學多久？

把一個選股條件寫成程式並跑出回測，照本文的四步流程，第一次操作在 5 分鐘內可以完成，程式碼不到 20 行。真正花時間的是學會讀回測結果：本文示範策略年化 17.7% 看起來不錯，但要對照 0050 的 24.8%、-47.8% 的最大回撤與 14.5 檔的平均持股，才知道它不合格。

finlab 回測免費嗎？

本文的程式碼用免費帳號就能執行，finlab.login() 會自動引導登入。免費帳號可以取得的資料期間與資料表數量有限制，部分資料表與完整歷史區間需要 VIP 權限，本文的五種篩選用到的收盤價、成交股數、月營收年增率、ROE 與本益比都是常用資料表。

為什麼我的選股策略輸 0050？

本文五種篩選給了三個具體原因：第一，條件交集讓持股太少，本益比小於 15 加趨勢的版本平均只剩 5.1 檔，年化 1.4%；第二，加條件不等於變好，加上 60 日線確認後年化從 11.8% 掉到 1.4%；第三，2018 到 2026 的台股由大型權值股主導，等權分散的選股法在報酬上天生落後市值加權的 0050。要贏 0050，需要換成排名複合與風險加權的做法，而且要接受多數版本回測完仍然會輸的事實。

延伸閱讀

• FinLab 官方策略範例與即時績效（公開策略頁）
• Python 台股資料完整指南
• 使用 Python 進行股票分析指南：入門篇（含布林通道）
• 三行程式碼打造創新高動能策略：台股 Python 起手勢
• 為什麼用 Python 投資？MT4、XQ、MultiCharts 與 Python 的選股能力比較
• 選股之後怎麼下單？Python + Selenium 通用券商自動下單教學
• 程式交易是什麼？台股 Python 回測與自動下單教學
• 台股怎麼選股？完整指南
• 量化交易的缺點與風險

下載與重現

回測方法與限制：股票池為 60 日平均成交金額大於 5,000 萬元且收盤價高於 10 元；月營收與 ROE 以公告日對齊；手續費 0.1425%、賣出證交稅 0.3% 內扣，未計滑價，實際成交價會比回測更差；五種篩選全部是同一區間的樣本內結果，沒有樣本外驗證；月頻換股的周轉率未列入本文，舊版 117 檔的實際成本會高於表列數字。

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。

最後更新：2026-09｜回測區間：2018-01 ～ 2026-08｜作者：FinLab 量化研究團隊（經量化研究員審閱）