pandas qcut 指標計分選股：打分排名年化 20.3%，
門檻篩選只有 12.8%

指標計分選股：排名法年化 20.3%、門檻法 12.8%、0050 含息 21.2%

指標計分選股，是把每檔股票在幾個指標上的相對名次換成分數，加總後買總分最高的一批。這篇用 pandas qcut 把四個因子（單季 ROE、月營收年增率、60 日價格動能、60 日波動）各切成十等分打 1～10 分，加總取前 30 檔，和「四個指標各設一個門檻、全部通過才買」的篩選法放在同一個股票池、同一段時間（2015-01 ～ 2026-09，資料快照 2026-09-07）用 finlab 實跑對照。上圖是五組結果的年化報酬與最大回撤，關鍵數字如下表。

三個結論。第一，同樣的四個指標，用排名法加總選股，年化 20.3%，用合理門檻篩選只剩 12.8%，100 萬終值 844 萬對 400 萬。第二，排名法把每個因子切成 10 級或保留連續百分位，結果幾乎一樣（20.3% 對 20.2%），所以「要切幾等分」對績效影響很小，排名法真正的效果來自「永遠持有分數最高的 30 檔」。第三，在本文設定與這段期間，排名法的年化報酬輸給含息 0050（20.3% 對 21.2%），贏的地方是最大回撤（-31.0% 對 -34.0%，少 3 個百分點）與 2015～2018 這段盤整期（分段年化 10.1% 對 4.8%）；月索提諾 1.84 對 1.83 只能算打平。

研究問題：打分排名與門檻篩選，差在哪裡

多數人第一次寫選股條件，寫的都是門檻：ROE 大於 10%、營收年增大於 0、股價站上季線，條件用 AND 串起來，全部成立才買。這種寫法直覺、好解釋，但有兩個結構性問題。一是持股數不受控，市況好時通過的股票一大堆，市況差時可能一檔都沒有；二是「一票否決」，某檔股票三個指標都在池內前 10%，只因為波動比中位數高一點就整檔被丟掉。

排名法的邏輯相反：每個指標不問「有沒有過線」，只問「在池內排第幾」，換成分數後加總，買總分最高的固定檔數。Piotroski (2000) 的 F-Score 是最早被廣泛引用的加分制選股方法，九個財務訊號各給 0 或 1 分，加總後買高分組，這種加總設計容許個別訊號失分，和要求每個條件都成立的篩選法是兩種不同的邏輯。Asness、Frazzini 與 Pedersen (2019) 的 Quality Minus Junk 更進一步，把獲利、成長、安全性等多個指標各自做橫斷面排名並標準化後再加總，是機構常用的多指標合成做法。本文的 qcut 十分位加總，就是這條路線最簡單的版本。

FinLab 站上的選股方法總覽把常見的選股切入點分成基本面、技術面、籌碼面與消息面，這篇不討論該挑哪個指標，只回答一個問題：同一組指標，用排名加總與用門檻篩選，結果差多少，差在哪裡。

pandas qcut 是什麼？把數值切成等人數的分級

qcut 是 pandas 裡基於分位數的離散化函式：給它一串數值和想切的組數 q，它會找出分位數切點，讓每一組的樣本數大致相等。把 0～19 這 20 個數切成 10 組，每組剛好 2 個：

import pandas as pd
 
# 把 0～19 這 20 個數切成 10 等分，labels=False 回傳整數組別
pd.qcut(x=range(20), q=10, labels=False)
# array([0, 0, 1, 1, 2, 2, 3, 3, 4, 4, 5, 5, 6, 6, 7, 7, 8, 8, 9, 9])

組別從 0 開始，習慣上加 1 變成 1～10 分比較好讀。qcut 只接受一維序列，finlab 的資料是「日期 × 股票」的二維表，要逐月把該月所有股票的值丟進去切。另一個常見寫法是用 rank(pct=True) 先算出每檔股票在該月的百分位（0～1），乘上 10 再無條件捨去，效果等同十等分；最高分那檔百分位剛好是 1.0 會變成 11 分，用 clip 壓回 10：

import numpy as np
from finlab import data
 
 
def qcut_feature(data_name: str, q_range: int = 10, higher_is_better: bool = True):
    """把 finlab 的一張指標表逐月換成 1～q_range 分。
 
    higher_is_better=True：數值越高分數越高（ROE、營收年增、動能）
    higher_is_better=False：數值越低分數越高（波動、負債比率）
    """
    df = data.get(data_name)
    score = (
        df.rank(axis=1, pct=True, ascending=higher_is_better)
        .mul(q_range)
        .add(1)
        .apply(np.floor)
        .clip(1, q_range)
    )
    return score
 
 
roe_score = qcut_feature("fundamental_features:ROE稅後")

參數名刻意用 higher_is_better 而非 pandas 原生的 ascending。兩者在程式上等價，但「ascending=False 代表越低越好」要多想一層，寫成 higher_is_better=False 一眼就看得出波動是要反向計分的。這件事在後面「排名方向寫反會怎樣」一節會用真實回測數字說明為什麼值得計較。

兩種寫法的差別在於 rank 版把整張表一次算完，速度快、程式短；逐月 qcut 版可以在切分前處理該月有效樣本太少、或切點重複（ValueError: Bin edges must be unique）的情況。本文可下載的完整程式用的是逐月 qcut 版，因為要對「池內」的股票切分，池外股票每個月都不同，rank 版一次算完會把池外的股票也算進分位。

回測設定：同池、同窗、同四個因子

四個因子各有實證來源。動能來自 Jegadeesh 與 Titman (1993) 對美股 3～12 個月贏家續強的記錄；低波動來自 Ang、Hodrick、Xing 與 Zhang (2006) 發現高特異波動股票後續報酬偏低；獲利能力與後續報酬的關係見 Novy-Marx (2013)。這些研究用的是美股與不同期間，台股是否成立要靠下面的回測回答。ROE 與月營收年增率的資料說明可看 ROE 資料頁與月營收年增率資料頁。

四個分數加總、取前 30 檔的核心程式：

total_score = (
    qcut_score(factors["roe"], higher_is_better=True)
    + qcut_score(factors["revenue_yoy"], higher_is_better=True)
    + qcut_score(factors["momentum"], higher_is_better=True)
    + qcut_score(factors["volatility"], higher_is_better=False)
)
 
# 只在池內排名，總分最高的 30 檔為持股
position_qcut = total_score.where(pool).rank(axis=1, ascending=False) <= 30
 
# 門檻法：四個條件全部成立才買，檔數不固定
median_volatility = factors["volatility"].where(pool).quantile(0.5, axis=1)
position_threshold = (
    pool
    & (factors["roe"] > 2.5)
    & (factors["revenue_yoy"] > 0)
    & (factors["momentum"] > 0)
    & (factors["volatility"].lt(median_volatility, axis=0))
)

qcut_score 是逐月對池內值做 pd.qcut 的版本，完整定義在可下載的程式裡。這兩段之外，兩種方法共用同一份資料載入、同一個股票池、同一個 sim() 設定，差別只在選股那幾行。

回測結果

完整指標對照，含近 3 年與近 5 年的日夏普：

對數淨值曲線從 2015 年共同起點 1 出發。排名法與連續百分位兩條線幾乎重疊，全程貼著 0050 走，2017、2021、2023 三年拉開差距，2019、2020、2024 三年被 0050 追回。合理門檻在 2019 年以前與排名法的累積差距不大，2020 年之後明顯落後，終值 400 萬對 844 萬。嚴格門檻那條線多數時間是水平的，反映它經常空手，這點在後面「歸零效應」一節會用持股數說明。

回撤曲線顯示三次深跌的位置一致：2020 年 2～4 月、2022 年全年、2025 年 2～5 月。排名法最大回撤 -31.0%，比 0050 的 -34.0% 淺 3 個百分點；合理門檻 -29.8% 更淺一點，但它是用年化報酬 12.8% 對 20.3% 的差距換來的。門檻法佔優最明顯的一年是 2022 年，當年排名法 -22.9%、合理門檻 -7.5%，因為門檻法在營收年增與動能同時轉負時會自動空手，排名法則一定會持有 30 檔；2016 與 2019 兩年門檻法也領先，差距分別是 3.0 與 6.4 個百分點。

風險調整後的比較，排名法日夏普 1.10、月索提諾 1.84，與 0050 的 1.11、1.83 幾乎相同；合理門檻 0.95、1.39，嚴格門檻 0.48、0.88。圖上 1.5 的虛線是我們對月索提諾的參考線，排名法與 0050 都在線上，兩種門檻法都沒過。夏普與索提諾的定義見夏普比率與最大回撤詞條。排名法的完整互動回測報告如下，可以自己拉時間軸看每一期持股：

為什麼門檻法輸：一票否決砍掉了「三強一弱」的股票

排名法與門檻法用的因子一模一樣，差距來自誰被選進來。從同一次回測抽出每月的持股名單對照：

排名法選出的 30 檔裡，ROE、營收、動能三項幾乎都符合合理門檻的條件，但每月有 13.0 檔的波動高於池內中位數。這些股票通常是營收成長強、動能強、ROE 高，波動因此也偏高的成長股，總分照樣排在前段。門檻法的「波動低於中位數」是一票否決，把它們整批砍掉。兩種方法每月平均只有 11.9 檔重疊，各自約 30 檔與 25 檔的名單，重疊不到一半。

第二個差別是持股數的穩定性。排名法固定 30 檔（因同分並列，實際最少 23、最多 37）；合理門檻中位數 24 檔，最少 4 檔、最多 63 檔。持股數擺盪代表單檔權重跟著擺盪，也代表市況好時買一堆、市況差時買很少，等於用條件通過率在做擇時，而這種擇時在 2015～2026 這段多頭為主的期間是拖累。

周轉率兩者接近：排名法每月平均換 14.4 檔（約 48% 名單更新），合理門檻每月換 12.3 檔（約 51%）。所以門檻法的落後與交易成本無關，純粹是選到的股票不同。周轉率的定義與成本影響見周轉率詞條。

分級與不分級的差別也很小：qcut 十分位 20.3%、連續百分位 20.2%，最大回撤 -31.0% 對 -30.4%。切成 10 級丟掉的是組內的細微差異，加總四個因子後，這些差異對誰進前 30 幾乎沒有影響。這也回答了「該切 5 等分還是 20 等分」的問題：在四因子等權加總的架構下，分幾級不是關鍵參數。

嚴格門檻的歸零效應

把門檻拉高到「單季 ROE > 3.75、營收年增 > 20%、動能 > 10%、波動在最低 30%」，四個條件單看都很合理，交集卻幾乎是空集合。嚴格門檻的持股數中位數是 0 檔，52.5% 的月份完全空手，95% 的月份持股不到 5 檔，平均只有 2.0 檔。持股只有 2 檔時單檔權重可到 50%，名單每月更新率約 84%，等於整個組合每個月幾乎換一輪。

結果是年化 7.1%、日夏普 0.48，全部五組裡最低。最大回撤 -27.6% 看起來最淺，但那是因為一半時間空手，並非選股能力。這是 AND 疊加最典型的失敗模式：每加一個條件，通過的股票就少一截，四個「合理」的條件乘起來，通過率低到組合失去分散效果。分散不足的風險那篇有更完整的討論。

排名方向寫反會怎樣

排名法有一個門檻法沒有的陷阱：方向。門檻寫反（ROE < 2.5）一看就知道錯；排名方向寫反（ROE 越低分越高、波動越高分越高），程式不會報錯，回測照樣跑出一條淨值曲線，看起來像一個「表現比較差的策略」，而非一個 bug。

用同一套程式把四個因子的方向全部反過來跑：qcut 版年化 4.4%、日夏普 0.31、最大回撤 -43.3%；連續百分位版年化 6.1%。如果沒有正確版本放在旁邊，這個結果很可能被解讀成「四因子在台股沒用」，然後開始換因子、調參數。

檢查方法只需要一個月份：抽任何一期，把當期前 30 檔的四個因子原始值印出來，看 ROE 是不是真的高、營收年增是不是正、動能是不是正、波動是不是低於池內中位數。

month = total_score.index[-1]
top30 = position_qcut.loc[month]
top30 = top30[top30].index
 
check = pd.DataFrame({
    "roe": factors["roe"].loc[month, top30],
    "revenue_yoy": factors["revenue_yoy"].loc[month, top30],
    "momentum": factors["momentum"].loc[month, top30],
    "volatility": factors["volatility"].loc[month, top30],
})
print(check.describe())

如果印出來的 30 檔波動中位數比池內中位數還高，或 ROE 有一半是負的，方向就寫反了。函式參數名用 higher_is_better 而非 ascending，也是為了讓這個錯誤在寫程式時就被看見。

穩健性：逐年、分段、三次下跌

逐年報酬（%，2015 為 2015-02-26 起算）：

排名法 12 個年度裡 6 年贏 0050（2015、2017、2018、2021、2023、2025），輸的 6 年集中在 0050 大漲的年份（2016、2019、2020、2024、2026），以及 2022 那種全面下跌年。排名法 12 年裡只有 2015、2018、2022 三年為負，合理門檻也是三年，但合理門檻正報酬的年份漲幅明顯較小，2025 年只有 5.3%。

三段期間的年化與最大回撤：

排名法在三段期間都贏合理門檻，且越近期差距越大。對 0050 則是前段贏、後兩段輸，2022 年之後 0050 受台積電權重拉抬，年化 30.4% 是排名法沒有追上的。

三次下跌的回撤：

三次下跌裡排名法都沒有比 0050 深，但也沒有明顯淺，2020 與 2025 兩次都在 -27% 左右。排名法沒有任何擇時機制，永遠滿倉 30 檔，下跌時能做的只有靠低波動因子把持股往波動較低的一端偏。

與 0050 的比較：哪裡輸、哪裡贏

年化報酬 20.3% 對 21.2%，排名法落後，100 萬終值 844 萬對 941 萬。日夏普 1.10 對 1.11、月索提諾 1.84 對 1.83，都在誤差範圍內，算打平。排名法贏的地方有兩個：最大回撤 -31.0% 對 -34.0%，以及 2015～2018 那段 0050 年化只有 4.8% 的盤整期，排名法做到 10.1%。

換句話說，這個排名法在本文設定下沒有超越 0050 的報酬，它給的是一個「與 0050 報酬相近、回撤略淺、持股分散在 30 檔而非集中在台積電」的替代方案。要不要用它取代 0050，取決於你對單一權值股集中度的看法，而非報酬數字。想要更高報酬的版本，多因子選股策略那篇用同樣四個方向的因子但加權合成、不同股票池與窗口，結果不能直接跟本文比，但可以看到參數設計的差異。

回測方法與限制

另外要說明的是，排名法的 30 檔、十等分、四因子等權，是研究開始前定的設定，文中沒有針對 CAGR 調整過。但這不代表沒有過度配適風險，量化交易的缺點與風險那篇對過擬合的討論同樣適用於這裡。回測是什麼則解釋了為什麼歷史模擬與實際交易之間會有落差。

延伸：同一套排名法在其他設定下的表現

站上另外兩篇用的也是排名加總，但窗口與股票池不同，數字不能與本文直接比較，適合看設計選擇的差異：

• AI 代理人量化交易指南：營收、ROE、動能三因子百分位加權 40/30/30，取前 20 檔，2013-04 ～ 2026-08 年化 28.2%。因子加權、持股較集中，回撤也較深。
• 多因子選股策略：營收動能 + 價格動能 + ROE + 低波：2018 ～ 2026 年化 29.45%、最大回撤 -26.07%，加權合成。

門檻計數型的打分可看 F-Score 指標，它把九個條件各記 0 或 1 分再加總，介於本文的排名法與門檻法之間。單一指標的門檻選股實例則有 EPS 與 ROE 選股比較、營業利益率篩選與低價股量化策略。用 Python 跑 finlab 回測的入門流程見Python 選股回測教學，更多策略在策略總覽與量化交易完整指南。

常見問題

pandas qcut 和 cut 差在哪裡？ cut 依數值範圍等距切分，每組人數不同；qcut 依分位數切分，每組人數大致相等。打分選股要的是「相對名次」，用 qcut。用 cut 的話，ROE 分布右偏時多數股票會擠在低分組。

qcut 出現 ValueError: Bin edges must be unique 怎麼辦？ 該月有太多股票的值相同（例如營收年增有大量 0），分位數切點重疊。解法是先 rank(method="first") 把相同值排成不同名次再 qcut，本文程式就是這樣寫；或用 duplicates="drop" 參數，但組數會變少。

要切幾等分？ 本文對照顯示十等分（20.3%）與不分級的連續百分位（20.2%）幾乎沒有差別。等分數影響的是分數的粗細，對前 30 檔名單影響很小。

四個因子的分數要不要加權？ 本文用等權。加權會引入四個額外參數，需要另外做敏感度測試；上面延伸那兩篇是加權版本，可以對照。等權的好處是沒有可調的東西，比較不容易調出只在歷史上好看的結果。

門檻法完全沒用嗎？ 本文的合理門檻年化 12.8%，在 2022 年那種全面下跌年回撤只有 -13.7%，比排名法淺很多。門檻法的空手機制在空頭有保護作用，但在 2015～2026 這段多頭為主的期間，代價是年化 12.8% 對排名法的 20.3%。它比較適合當「不買什麼」的過濾層，而非主要選股邏輯。

排名法要持有多少檔？ 本文用 30 檔，同分並列時實際在 23～37 檔之間。檔數越少，前幾名的因子暴露越純，但單檔風險越高；檔數越多越接近池子平均。

這套方法可以用在美股嗎？ finlab 有美股資料，把 data.set_market("us") 後可以取同類的財報與價格欄位。但月營收年增率是台股特有的月頻資料，美股沒有對應欄位，四因子要改成三因子或換一個成長指標。

finlab 怎麼取這些資料？ from finlab import data 之後，data.get("fundamental_features:ROE稅後") 取單季 ROE，data.get("monthly_revenue:去年同月增減(%)") 取月營收年增率，data.get("price:收盤價") 取收盤價算動能與波動。第一次取資料時 finlab 會引導登入，程式碼裡不需要放任何 token。

下載與重現

本文五組策略的完整程式、五條淨值日序列與所有指標都放在 VIP 區的下載檔裡，執行完整程式會印出排名法與合理門檻法的年化與最大回撤，數字與本文一致。最新一期（2026-09 快照）排名法持股前 5 檔為亞德客-KY（1590）、大成鋼（2027）、新代（7750）、洋基工程（6691）、緯穎（6669），各約 3.3%；合理門檻法前 5 檔為統一（1216）、元大金（2885）、裕融（9941）、億豐（8464）、保瑞（6472）。名單只是回測當期輸出，用來對照兩種方法選出的股票有多不同。

VIP 區域接著提供排名法（年化 20.3%、最大回撤 -31.0%）與合理門檻法兩種方法的完整 Python 程式碼、五條淨值日序列 CSV、指標 JSON，以及合理門檻法的互動式回測報告與三個可以自己動手改的方向。