案例 3：Dreman 逆向投資策略¶
策略類型： 財報選股架構 - 計分法
調倉頻率： 每季（3/6/9/12 月末）
股票池： 台灣上市（TSE）普通股
回測期間： 2019-12-29 ~ 2025-09-30
📌 策略概述¶
這是 David Dreman 逆向投資哲學的量化實作，核心理念是：
"Buy what others are selling, sell what others are buying."
在市場過度悲觀時買入被低估的優質股票。
Dreman 投資哲學¶
David Dreman 認為市場經常過度反應，導致： - 📉 好公司因短期利空被錯殺 - 📈 差公司因題材炒作被高估
因此， 逆向投資者 應該：
- 尋找 被低估的優質公司（低本益比 + 高股息）
- 確認 財務健康（流動性、獲利能力）
- 耐心持有，等待市場修正
策略特色¶
- 兩階段篩選：核心條件（門檻）+ 額外條件（計分）
- 產業中性：避免特定產業偏好
- 動態降級：市場極端時自動放寬標準
- 防禦性強：強調財務安全
🎯 選股條件詳解¶
階段一：核心條件（必須通過）¶
這是 不可妥協的門檻 ，不通過就直接淘汰。
條件 1: 市值 ≥ 市場平均¶
avg_mktcap = df['個股市值_元'].mean(skipna=True)
core_set_1 = set(df[df['個股市值_元'] >= avg_mktcap]['股票代碼'])
條件 2: 本益比 ≤ 50% 分位數¶
df_valid_per = df[df['本益比'] > 0]
per_threshold = df_valid_per['本益比'].quantile(0.5)
core_set_2 = set(df[
(df['本益比'] <= per_threshold) &
(df['本益比'] <= avg_per) &
(df['本益比'] > 0)
]['股票代碼'])
條件 3: 股息收益率 ≥ 市場平均¶
avg_div_yield = df['股利殖利率'].mean(skipna=True)
core_set_3 = set(df[df['股利殖利率'] >= avg_div_yield]['股票代碼'])
階段二：額外條件（計分制）¶
通過核心條件後，根據以下 5 個指標計分， 至少 3 分 才入選。
指標 1: 流動比率 ≥ 市場平均（+1 分）¶
df['流動比率'] = df['流動資產_Q'] / df['流動負債_Q']
avg_current_ratio = df['流動比率'].mean(skipna=True)
score_set_1 = set(df[df['流動比率'] >= avg_current_ratio]['股票代碼'])
指標 2: 負債淨值比 ≤ 市場平均（+1 分）¶
df['負債淨值比'] = df['負債總額_Q'] / df['股東權益總額_Q']
avg_debt_equity = df['負債淨值比'].mean(skipna=True)
score_set_2 = set(df[df['負債淨值比'] <= avg_debt_equity]['股票代碼'])
指標 3: ROE ≥ 市場平均（+1 分）¶
valid_roe = df[df['ROE_A_稅後_Q'] > 0]['ROE_A_稅後_Q']
avg_roe = valid_roe.mean() if len(valid_roe) > 0 else 0
score_set_3 = set(df[(df['ROE_A_稅後_Q'] > 0) & (df['ROE_A_稅後_Q'] >= avg_roe)]['股票代碼'])
指標 4: 稅前淨利率 ≥ 市場平均（+1 分）¶
valid_profit_margin = df[df['稅前淨利率_Q'] > 0]['稅前淨利率_Q']
avg_profit_margin = valid_profit_margin.mean() if len(valid_profit_margin) > 0 else 0
score_set_4 = set(df[(df['稅前淨利率_Q'] > 0) & (df['稅前淨利率_Q'] >= avg_profit_margin)]['股票代碼'])
指標 5: 盈餘成長率 ≥ 市場平均（+1 分）¶
avg_earnings_growth = df['稅後淨利成長率_Q'].mean(skipna=True)
score_set_5 = set(df[df['稅後淨利成長率_Q'] >= avg_earnings_growth]['股票代碼'])
計分與篩選邏輯¶
min_extra_score = 3 # 至少 3 分
selected_tickers = []
for ticker in core_set:
score = 0
if ticker in score_set_1: score += 1 # 流動比率
if ticker in score_set_2: score += 1 # 負債比
if ticker in score_set_3: score += 1 # ROE
if ticker in score_set_4: score += 1 # 淨利率
if ticker in score_set_5: score += 1 # 盈餘成長
if score >= min_extra_score:
selected_tickers.append(ticker)
動態降級機制¶
如果沒有股票達到 3 分，自動降至 2 分：
if len(selected_tickers) == 0:
fallback_score = 2
print(f"降級至 {fallback_score} 分...")
for ticker in core_set:
score = 0
# ... 重新計分 ...
if score >= fallback_score:
selected_tickers.append(ticker)
為什麼需要降級？ - 避免極端市況下無股票可買 - 保持策略持續運作 - 類似「次優解」的容錯機制
🔑 執行前準備：環境變數設定¶
本範例使用 python-dotenv 套件來管理敏感資訊（如 API Key），避免將金鑰直接寫死在程式碼中，以確保資訊安全。
1. 安裝套件¶
若您尚未安裝，請在notebook執行：
2. 建立設定檔¶
請在專案的根目錄下建立一個名為 .env 的檔案（注意開頭有點），並填入您的 TEJ API 資訊：
3. 程式讀取機制¶
程式碼中的 load_dotenv() 會自動尋找並讀取 .env 檔案，將其內容載入為環境變數，接著透過 os.getenv 取得使用。
💻 完整程式碼¶
# ====================================
# Dreman 逆向投資策略 - 完整實作
# ====================================
import os
import datetime
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import warnings
from dotenv import load_dotenv
load_dotenv()
warnings.filterwarnings('ignore')
# ====================================
# TEJ API 設定
# ====================================
import tejapi
tejapi.ApiConfig.api_key = os.getenv('TEJAPI_KEY')
os.environ['TEJAPI_KEY'] = os.getenv('TEJAPI_KEY')
tejapi.ApiConfig.api_base = os.getenv('TEJAPI_BASE')
os.environ['TEJAPI_BASE'] = os.getenv('TEJAPI_BASE')
# 中文顯示設定
plt.rcParams['font.sans-serif'] = ['Microsoft JhengHei', 'Arial', 'SourceHanSansTC-Regular.otf']
plt.rcParams['axes.unicode_minus'] = False
# ====================================
# 參數設定
# ====================================
start_date = '2019-12-29'
end_date = '2025-09-30'
# ====================================
# 股票池設定（僅上市）
# ====================================
from zipline.sources.TEJ_Api_Data import get_universe
pool = get_universe(
start=pd.Timestamp(start_date, tz='utc'),
end=pd.Timestamp(end_date, tz='utc'),
mkt_bd_e=['TSE'], # 僅上市
stktp_e='Common Stock'
)
print(f"股票池總數: {len(pool)} 檔")
# ====================================
# 財報數據下載
# ====================================
import TejToolAPI
columns = [
'mktcap', # 市值
'per', # 本益比
'div_yid', # 股息收益率
'a0100', # 流動資產
'a1100', # 流動負債
'a1000', # 總負債
'a2000', # 總權益
'r16a', # 股利支付率
'r103', # ROE_A_稅後
'r107', # 稅前淨利率
'eps', # 每股盈餘
'shares', # 流通在外股數
'r405' # 稅後淨利成長率
]
data__ = TejToolAPI.get_history_data(
start=pd.Timestamp(start_date, tz='UTC'),
end=pd.Timestamp(end_date, tz='UTC'),
ticker=pool,
fin_type='Q', # 季報
columns=columns,
transfer_to_chinese=True,
include_self_acc='Y'
)
print(f"數據筆數: {len(data__):,}")
print(f"日期範圍: {data__['日期'].min().date()} ~ {data__['日期'].max().date()}")
# ====================================
# 換股日期計算（TEJ 交易日曆）
# ====================================
trade_days = tejapi.get(
'TWN/TRADEDAY_TWSE',
zdate={'gte': start_date, 'lte': end_date},
tradeday_cno={'ne': 0} # 只抓取交易日
)
trade_days['zdate'] = pd.to_datetime(trade_days['zdate'])
trade_days['year'] = trade_days['zdate'].dt.year
trade_days['month'] = trade_days['zdate'].dt.month
# 找出每季最後交易日
rebalance_months = [3, 6, 9, 12]
modified_day = []
for month in rebalance_months:
month_data = trade_days[trade_days['month'] == month]
last_days = month_data.groupby('year')['zdate'].max()
modified_day.extend(last_days.tolist())
# 轉換為 date 格式並排序
modified_day = sorted([d.date() for d in modified_day])
print(f"再平衡次數: {len(modified_day)}")
print(f"範例日期: {modified_day[:8]}")
# ====================================
# 選股函數
# ====================================
def compute_stock(date, data, verbose=True):
"""
Dreman 逆向投資選股函數
邏輯：
1. 核心條件：市值 + 低本益比 + 高股息（必須通過）
2. 額外條件：流動比率、負債比、ROE、利潤率、成長率（計分，≥3分）
3. 動態降級：若無股票則降至 2 分
Parameters:
-----------
date : datetime.date
選股日期
data : pd.DataFrame
財報數據
verbose : bool
是否顯示詳細訊息
Returns:
--------
list : 入選股票代碼列表
"""
df = data[data['日期'] == pd.Timestamp(date)].reset_index(drop=True)
if len(df) == 0:
if verbose:
print(f"警告：{date} 無數據")
return []
# ========================================
# 計算衍生指標
# ========================================
df['流動比率'] = df['流動資產_Q'] / df['流動負債_Q']
df['負債淨值比'] = df['負債總額_Q'] / df['股東權益總額_Q']
# 計算市場平均值
avg_mktcap = df['個股市值_元'].mean(skipna=True)
avg_per = df['本益比'].mean(skipna=True)
avg_div_yield = df['股利殖利率'].mean(skipna=True)
avg_current_ratio = df['流動比率'].mean(skipna=True)
avg_debt_equity = df['負債淨值比'].mean(skipna=True)
# ROE 和稅前淨利率：只對正值計算平均
valid_roe = df[df['ROE_A_稅後_Q'] > 0]['ROE_A_稅後_Q']
avg_roe = valid_roe.mean() if len(valid_roe) > 0 else 0
valid_profit_margin = df[df['稅前淨利率_Q'] > 0]['稅前淨利率_Q']
avg_profit_margin = valid_profit_margin.mean() if len(valid_profit_margin) > 0 else 0
# 盈餘成長率
avg_earnings_growth = df['稅後淨利成長率_Q'].mean(skipna=True)
if verbose:
print(f"\n========== {date} 選股 ==========")
print(f"總股票數: {len(df)}")
# ========================================
# 階段一：核心條件
# ========================================
# 條件 1: 市值 ≥ 平均
core_set_1 = set(df[df['個股市值_元'] >= avg_mktcap]['股票代碼'])
# 條件 2: 本益比（50% 分位數）
df_valid_per = df[df['本益比'] > 0]
if len(df_valid_per) > 0:
per_threshold = df_valid_per['本益比'].quantile(0.5)
core_set_2 = set(df[
(df['本益比'] <= per_threshold) &
(df['本益比'] <= avg_per) &
(df['本益比'] > 0)
]['股票代碼'])
else:
core_set_2 = set()
# 條件 3: 股息收益率 ≥ 平均
core_set_3 = set(df[df['股利殖利率'] >= avg_div_yield]['股票代碼'])
# 核心條件交集
core_set = core_set_1 & core_set_2 & core_set_3
# ========================================
# 階段二：額外條件（計分制）
# ========================================
score_set_1 = set(df[df['流動比率'] >= avg_current_ratio]['股票代碼'])
score_set_2 = set(df[df['負債淨值比'] <= avg_debt_equity]['股票代碼'])
score_set_3 = set(df[(df['ROE_A_稅後_Q'] > 0) & (df['ROE_A_稅後_Q'] >= avg_roe)]['股票代碼'])
score_set_4 = set(df[(df['稅前淨利率_Q'] > 0) & (df['稅前淨利率_Q'] >= avg_profit_margin)]['股票代碼'])
score_set_5 = set(df[df['稅後淨利成長率_Q'] >= avg_earnings_growth]['股票代碼'])
if verbose:
print(f"核心條件通過: {len(core_set)} 檔")
# 計分篩選（至少 3 分）
min_extra_score = 3
selected_tickers = []
for ticker in core_set:
score = 0
if ticker in score_set_1: score += 1
if ticker in score_set_2: score += 1
if ticker in score_set_3: score += 1
if ticker in score_set_4: score += 1
if ticker in score_set_5: score += 1
if score >= min_extra_score:
selected_tickers.append(ticker)
# 動態降級機制（降至 2 分）
if len(selected_tickers) == 0:
fallback_score = 2
if verbose:
print(f"降級至 {fallback_score} 分...")
for ticker in core_set:
score = 0
if ticker in score_set_1: score += 1
if ticker in score_set_2: score += 1
if ticker in score_set_3: score += 1
if ticker in score_set_4: score += 1
if ticker in score_set_5: score += 1
if score >= fallback_score:
selected_tickers.append(ticker)
if verbose:
print(f"最終入選: {len(selected_tickers)} 檔")
if len(selected_tickers) > 0:
print(f"股票: {selected_tickers[:10]}")
print("="*40)
return selected_tickers
# ====================================
# 匯入價量資料
# ====================================
from zipline.data.run_ingest import simple_ingest
pools = pool + ['IR0001']
print("正在準備 Zipline 資料...")
simple_ingest(
name='tquant',
tickers=pools,
start_date=start_date.replace('-', ''),
end_date=end_date.replace('-', '')
)
print("資料準備完成！")
# ====================================
# Zipline 回測設定
# ====================================
from zipline.api import (
set_slippage, set_commission, set_benchmark,
symbol, record, order_target_percent
)
from zipline.finance import commission, slippage
from zipline import run_algorithm
def initialize(context):
"""初始化函數：設定交易成本、滑價、基準"""
# 滑價模型
set_slippage(slippage.VolumeShareSlippage(volume_limit=1, price_impact=0.01))
# 手續費模型
set_commission(
commission.Custom_TW_Commission(
min_trade_cost=20,
discount=1.0,
tax=0.003
)
)
# 設定基準指數
set_benchmark(symbol('IR0001'))
# 初始化變數
context.i = 0
context.state = False
context.order_tickers = []
context.last_tickers = []
def handle_data(context, data):
"""每日執行函數：判斷是否需要調整持倉"""
# 避免前視偏差：在篩選股票下一交易日下單
if context.state == True:
print(f"下單日期: {data.current_dt.date()}, 入選股票數: {len(context.order_tickers)}")
# 賣出不再持有的股票
for ticker in context.last_tickers:
if ticker not in context.order_tickers:
order_target_percent(symbol(ticker), 0)
# 買入新入選的股票（等權重）
if len(context.order_tickers) > 0:
target_weight = 1 / len(context.order_tickers)
for ticker in context.order_tickers:
order_target_percent(symbol(ticker), target_weight)
curr = data.current(symbol(ticker), 'price')
record(price=curr, days=context.i)
context.last_tickers = context.order_tickers
context.state = False
backtest_date = data.current_dt.date()
# 查看是否為再平衡日期
for rebalance_date in modified_day:
if backtest_date == rebalance_date:
context.state = True
# 執行選股
context.order_tickers = compute_stock(
date=backtest_date,
data=data__,
verbose=True
)
context.i += 1
def analyze(context, perf):
"""分析函數：繪製績效圖表"""
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(14, 10), sharex=True)
# 上圖：累積報酬
perf['algorithm_period_return'].plot(ax=ax1, label='策略報酬', linewidth=2, color='#2E86AB')
perf['benchmark_period_return'].plot(ax=ax1, label='大盤報酬 (IR0001)', linewidth=2, alpha=0.7, color='#A23B72')
ax1.set_title('Dreman 逆向投資策略 vs 大盤', fontsize=16, fontweight='bold', pad=20)
ax1.set_ylabel('累積報酬率', fontsize=12)
ax1.legend(loc='upper left', fontsize=11)
ax1.grid(True, alpha=0.3)
ax1.axhline(0, color='black', linewidth=0.8, linestyle='--', alpha=0.5)
# 下圖：投資組合價值
perf['portfolio_value'].plot(ax=ax2, label='投資組合價值', color='#F18F01', linewidth=2)
ax2.set_title('投資組合價值變化', fontsize=14, fontweight='bold', pad=15)
ax2.set_xlabel('日期', fontsize=12)
ax2.set_ylabel('價值（元）', fontsize=12)
ax2.legend(loc='upper left', fontsize=11)
ax2.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()
# 儲存績效數據
perf.to_csv(f"dreman_perf_{start_date}_{end_date}.csv")
print(f"\n績效數據已儲存至: dreman_perf_{start_date}_{end_date}.csv")
# ====================================
# 執行回測
# ====================================
print("="*60)
print("開始回測 David Dreman 逆向投資策略")
print("="*60)
results = run_algorithm(
start=pd.Timestamp(start_date, tz='utc'),
end=pd.Timestamp(end_date, tz='utc'),
initialize=initialize,
handle_data=handle_data,
analyze=analyze,
bundle='tquant',
capital_base=1e7 # 1000 萬元
)
print("\n回測完成！")
# ====================================
# Pyfolio 績效分析
# ====================================
try:
import pyfolio as pf
from pyfolio.utils import extract_rets_pos_txn_from_zipline
returns, positions, transactions = extract_rets_pos_txn_from_zipline(results)
benchmark_rets = results.benchmark_return
print("------ 大盤績效指標 ------")
pf.show_perf_stats(benchmark_rets)
print("------ 策略績效 ------")
pf.tears.create_full_tear_sheet(
returns=returns,
positions=positions,
transactions=transactions,
benchmark_rets=benchmark_rets
)
except ImportError:
print("未安裝 pyfolio，略過詳細分析")
print("若需完整報告，請執行: pip install pyfolio")
except Exception as e:
print(f"Pyfolio 分析錯誤: {e}")
📊 策略特性分析¶
優勢 ✅¶
-
防禦性強
- 低本益比 + 高股息：提供下檔保護
- 強調財務健康：避開地雷股
- 中大型股為主：流動性佳
-
計分制靈活
- 不是「全有或全無」
- 允許某些指標略差
- 綜合評估更全面
-
動態降級機制
- 避免極端市況無股票可買
- 保持策略持續運作
- 類似「Plan B」的容錯設計
-
適合長期持有
- 季度調倉，週轉率低
- 交易成本低
- 適合價值投資者
風險 ⚠️¶
-
價值陷阱風險
- 便宜不一定是好貨
- 可能買到夕陽產業
- 需搭配成長率檢驗
-
績效落後成長股
- 市場瘋狂時表現平淡
- 錯過高成長股行情
- 需要耐心等待
-
選股數量波動
- 牛市時可能只選出 5-10 檔
- 熊市時可能選出 30-40 檔
- 影響分散效果
🔍 關鍵學習點¶
1. 計分制的實作技巧¶
# 方法 1: 逐檔計分（適合複雜邏輯）
selected_tickers = []
for ticker in core_set:
score = 0
if ticker in score_set_1: score += 1
if ticker in score_set_2: score += 1
# ...
if score >= min_score:
selected_tickers.append(ticker)
# 方法 2: 向量化計分（效能更好）
df['score'] = (
(df['股票代碼'].isin(score_set_1)).astype(int) +
(df['股票代碼'].isin(score_set_2)).astype(int) +
# ...
)
selected_tickers = df[df['score'] >= min_score]['股票代碼'].tolist()
何時用計分法？ - 條件很多（>5 個） - 條件之間可替代 - 希望綜合評估而非絕對門檻
2. 動態降級的設計哲學¶
# 基本版：固定降級
if len(selected_tickers) == 0:
selected_tickers = fallback_selection()
# 進階版：漸進式降級
for threshold in [3, 2, 1]:
selected_tickers = select_with_score(threshold)
if len(selected_tickers) >= 5: # 至少 5 檔
break
# 專業版：根據市場狀況調整
if market_volatility > 30: # 市場恐慌
min_score = 2 # 降低標準
else:
min_score = 3
為什麼需要降級？ - 實務考量：總不能空手 - 策略穩健性：極端情況仍能運作 - 避免過度擬合：太嚴格的條件可能失效
3. 處理負值與缺失值¶
# ❌ 錯誤：直接計算平均
avg_roe = df['ROE'].mean() # 包含負值，平均值失真
# ✅ 正確：只對正值計算
valid_roe = df[df['ROE'] > 0]['ROE']
avg_roe = valid_roe.mean() if len(valid_roe) > 0 else 0
# ✅ 更嚴謹：處理極端值
valid_roe = df[(df['ROE'] > 0) & (df['ROE'] < 100)]['ROE'] # 排除 >100% 的異常值
4. 50% 分位數 vs 平均值¶
# 平均值：容易被極端值影響
avg_per = df['本益比'].mean() # 如果有幾檔 PE=100，平均會被拉高
# 中位數（50% 分位）：更穩健
median_per = df['本益比'].quantile(0.5) # 不受極端值影響
# Dreman 同時使用兩者
condition = (df['本益比'] <= median_per) & (df['本益比'] <= avg_per)
決策樹： - 數據分佈偏態？ → 用中位數 - 有極端值？ → 用中位數 - 想要更嚴格？ → 兩者都用（AND）
🎯 延伸優化方向¶
優化 1: 動態調整計分權重¶
# 根據市場環境調整權重
if market_pe > historical_pe.quantile(0.8): # 市場過熱
# 重視財務安全
score = (
ticker in score_set_1 * 2 + # 流動比率（加倍）
ticker in score_set_2 * 2 + # 負債比（加倍）
ticker in score_set_3 * 1 + # ROE
ticker in score_set_4 * 1 + # 淨利率
ticker in score_set_5 * 0 # 成長率（忽略）
)
min_score = 5
else: # 市場正常
# 平衡考量
score = sum([ticker in s for s in [score_set_1, ..., score_set_5]])
min_score = 3
優化 2: 加入動量過濾¶
# 排除價格趨勢向下的股票
df['MA20'] = df.groupby('股票代碼')['收盤價'].transform(lambda x: x.rolling(20).mean())
momentum_set = set(df[df['收盤價'] > df['MA20']]['股票代碼'])
# 最終篩選
selected_tickers = [t for t in selected_tickers if t in momentum_set]
邏輯： Dreman 重視價值，但也不買「falling knife」（接落下的刀）。
優化 3: 產業分散¶
# 每個產業最多 3 檔
industry_counts = {}
final_tickers = []
for ticker in selected_tickers:
industry = df[df['股票代碼'] == ticker]['主產業別'].values[0]
if industry_counts.get(industry, 0) < 3:
final_tickers.append(ticker)
industry_counts[industry] = industry_counts.get(industry, 0) + 1
優化 4: 持有期延長¶
📚 相關資源¶
- 模板頁面：template.md - 計分法模板
- 架構說明：index.md - 理解設計原理
- 其他案例：
- 多因子選股 - 交集法範例
- 小型成長股 - 排名法範例
💡 總結¶
Dreman 逆向投資策略展示了 計分法 的精髓：
- ✅ 兩階段設計：核心門檻 + 靈活計分
- ✅ 動態降級：容錯機制，保持運作
- ✅ 防禦為主：低估值 + 高股息 + 財務健康
- ✅ 長期持有：季度調倉，低週轉率
適合誰使用？ - 價值投資者（重視安全邊際） - 保守型投資人（偏好穩定收益） - 長期投資者（不在意短期波動）
與其他策略的差異： | 特性 | Dreman | 多因子 | 小型成長股 | | :--- | :---: | :---: | :---: | | 選股邏輯 | 計分法 | 交集法 | 排名法 | | 風險偏好 | 保守 | 中性 | 積極 | | 持股數量 | 10-20 檔 | 15-30 檔 | 5-15 檔 | | 適合市況 | 熊市/盤整 | 全市況 | 牛市 |
👉 Next Step:
三個案例都看完了？前往 faq.md 查看常見問題，或直接開始開發你的策略！
📖 延伸閱讀¶
David Dreman 經典著作：
- 《逆向投資策略》(Contrarian Investment Strategies)
- 《逆向投資心理學》(Contrarian Investment Psychology)
核心觀點摘要：
"The market is not always efficient. Emotions drive prices to extremes, creating opportunities for patient investors who focus on fundamentals."
Dreman 四大投資原則：
- 買入低本益比股票
- 買入低股價淨值比股票
- 買入高股息股票
- 持有分散的投資組合
本策略即為這些原則的量化實作。