案例 2：小型成長股策略¶
策略類型： 財報選股架構 - 排名法
調倉頻率： 固定週期（預設 20 天）
股票池： 台灣上市 + 上櫃普通股
回測期間： 2015-01-01 ~ 2025-05-27
📌 策略概述¶
這是一個專注於 小型成長股 的量化策略，核心理念是：
在市值較小的公司中，找出高成長且估值合理的標的。
小型股通常具有：
- 📈 更高的成長潛力
- 💎 市場關注度低，存在定價錯誤
- ⚡ 波動較大，需要嚴格篩選
策略特色¶
- 多條件篩選 → 排名法選股：先用 5 個條件過濾，再按 PEG 排序取前 20%
- 風險偏好監控：追蹤 OTC/TSE 比率，判斷市場對小型股的態度
- 槓桿控制：當槓桿 > 1.2 時自動調降部位
🎯 選股條件詳解¶
階段 1：基本篩選（5 個條件）¶
條件 1: 小型股過濾（市值 ≤ 平均值 × 30%）¶
df['avg_mkt'] = df.groupby('mdate')['Market_Cap_Dollars'].transform('mean')
set_1 = set(df[df['Market_Cap_Dollars'] <= df['avg_mkt'] * 0.3]['coid'])
條件 2: 高成長（淨利成長率 ≥ 15%）¶
邏輯： 單季淨利成長率至少 15%，確保公司處於快速成長期。條件 3: 毛利率 ≥ 產業平均¶
df['ind_gross_margin_mean'] = df.groupby(['mdate', 'Industry'])['Gross_Margin_Rate_percent_Q'].transform('mean')
set_3 = set(df[df['Gross_Margin_Rate_percent_TTM'] >= df['ind_gross_margin_mean']]['coid'])
條件 4: 董監持股 > 市場平均¶
df['avg_ds_ratio'] = df.groupby('mdate')['Director_and_Supervisor_Holdings_Percentage'].transform('mean')
set_4 = set(df[df['Director_and_Supervisor_Holdings_Percentage'] > df['avg_ds_ratio']]['coid'])
條件 5: PEG < 1.0（成長合理估值）¶
df['PEG'] = df['PER_TWSE'] / df['Operating_Income_Growth_Rate_TTM']
set_5 = set(df[df['PEG'] < 1.0]['coid'])
階段 2：排名法選股¶
passed = set_1 & set_2 & set_3 & set_4 & set_5
top_n = int(len(passed) * 0.2) # 取前 20%
filtered_df = df[df['coid'].isin(passed)]
top_df = filtered_df.sort_values(by='PEG').head(top_n) # PEG 最小的前 20%
tickers = list(top_df['coid'])
核心思想： 不是所有通過條件的股票都買，而是挑出 PEG 最低（最便宜）的前 20%。
💻 完整程式碼¶
# ====================================
# 小型成長股策略 - 完整實作
# ====================================
import pandas as pd
import numpy as np
import tejapi
import os
import json
import matplotlib.pyplot as plt
plt.rcParams['font.family'] = 'Arial'
# ====================================
# TEJ API 設定
# ====================================
tej_key = 'your_key'
tejapi.ApiConfig.api_key = tej_key
os.environ['TEJAPI_BASE'] = "https://api.tej.com.tw"
os.environ['TEJAPI_KEY'] = tej_key
# ====================================
# 參數設定
# ====================================
start_date = '2015-01-01'
end_date = '2025-05-27'
back_start = '2015-01-01' # 實際回測起始日
rebalance_freq = 20 # 調倉頻率（天）
# ====================================
# 股票池設定
# ====================================
from zipline.sources.TEJ_Api_Data import get_universe
pool = get_universe(
start=start_date,
end=end_date,
mkt_bd_e=['TSE', 'OTC'],
stktp_e=['Common Stock-Foreign', 'Common Stock']
)
print(f"股票池: {len(pool)} 檔")
# ====================================
# 財報數據下載
# ====================================
import TejToolAPI
columns = [
'coid', # 股票代碼
'Industry', # 產業別
'roi', # 投資報酬率
'mktcap', # 市值
'r403', # 營業利益成長率
'r405', # 淨利成長率
'per', # 本益比
'r105', # 毛利率
'fld005' # 董監持股比率
]
start_dt = pd.Timestamp(start_date, tz='UTC')
end_dt = pd.Timestamp(end_date, tz='UTC')
data_use = TejToolAPI.get_history_data(
start=start_dt,
end=end_dt,
ticker=pool + ['IR0001'],
fin_type=['Q', 'TTM'],
columns=columns,
transfer_to_chinese=False
)
# ====================================
# 數據預處理
# ====================================
data_use = data_use.sort_values(['mdate', 'coid'])
# 計算全市場平均值
data_use['avg_mkt'] = data_use.groupby('mdate')['Market_Cap_Dollars'].transform('mean')
data_use['avg_ds_ratio'] = data_use.groupby('mdate')['Director_and_Supervisor_Holdings_Percentage'].transform('mean')
# 計算產業平均毛利率
data_use['ind_gross_margin_mean'] = data_use.groupby(['mdate', 'Industry'])['Gross_Margin_Rate_percent_Q'].transform('mean')
# 計算 PEG
data_use['PEG'] = data_use['PER_TWSE'] / data_use['Operating_Income_Growth_Rate_TTM']
print(f"數據筆數: {len(data_use):,}")
# ====================================
# 選股函數
# ====================================
def compute_stock(date, data):
"""
小型成長股選股函數
Returns:
--------
tickers : list
入選股票代碼
sets : list
各條件通過數量（用於監控）
"""
df = data[data['mdate'] == pd.to_datetime(date)].reset_index(drop=True)
# 條件 1: 小型股（市值 ≤ 平均 × 30%）
set_1 = set(df[df['Market_Cap_Dollars'] <= df['avg_mkt'] * 0.3]['coid'])
# 條件 2: 高成長（淨利成長 ≥ 15%）
set_2 = set(df[df['Net_Income_Growth_Rate_Q'] >= 15]['coid'])
# 條件 3: 毛利率 ≥ 產業平均
set_3 = set(df[df['Gross_Margin_Rate_percent_TTM'] >= df['ind_gross_margin_mean']]['coid'])
# 條件 4: 董監持股 > 市場平均
set_4 = set(df[df['Director_and_Supervisor_Holdings_Percentage'] > df['avg_ds_ratio']]['coid'])
# 條件 5: PEG < 1.0
set_5 = set(df[df['PEG'] < 1.0]['coid'])
# 取交集
passed = set_1 & set_2 & set_3 & set_5 & set_4
# 排名法：取前 20%
top_n = int(len(passed) * 0.2)
filtered_df = df[df['coid'].isin(passed)]
top_df = filtered_df.sort_values(by='PEG').head(top_n)
tickers = list(top_df['coid'])
sets = [len(set_1), len(set_2), len(set_3), len(set_4), len(set_5)]
return tickers, sets
# ====================================
# 風險偏好指標（OTC/TSE 比率）
# ====================================
codes = ['IR0001', 'IR0043']
co = ['coid', 'Industry', 'mkt', 'vol', 'open_d', 'high_d', 'low_d', 'close_d',
'roi', 'shares', 'per', 'pbr_tej', 'mktcap']
data_index = TejToolAPI.get_history_data(
start=start_dt,
end=end_dt,
ticker=codes,
columns=co,
transfer_to_chinese=False
)
# 篩選時間
data_index = data_index[data_index['mdate'] >= back_start]
# 分別取出 TSE 與 OTC 並標準化
tse = data_index[data_index['coid'] == 'IR0001'][['mdate', 'Close']].copy()
otc = data_index[data_index['coid'] == 'IR0043'][['mdate', 'Close']].copy()
tse.rename(columns={'Close': 'TSE_Close'}, inplace=True)
otc.rename(columns={'Close': 'OTC_Close'}, inplace=True)
# 合併
merged = pd.merge(tse, otc, on='mdate', how='inner')
# 標準化：以首日為基準
merged['TSE_norm'] = merged['TSE_Close'] / merged['TSE_Close'].iloc[0] * 100
merged['OTC_norm'] = merged['OTC_Close'] / merged['OTC_Close'].iloc[0] * 100
# 計算風險偏好比（OTC / TSE）
merged['OTC_TSE_ratio'] = merged['OTC_norm'] / merged['TSE_norm']
# 繪圖
fig, axes = plt.subplots(2, 1, figsize=(12, 8), sharex=True)
axes[0].plot(merged['mdate'], merged['TSE_norm'], label='TSE')
axes[0].plot(merged['mdate'], merged['OTC_norm'], label='OTC')
axes[0].set_title('Normalized Index Performance (Base = 100)')
axes[0].legend()
axes[0].grid(True)
axes[1].plot(merged['mdate'], merged['OTC_TSE_ratio'], label='OTC / TSE')
axes[1].set_title('Risk Appetite Ratio (OTC / TSE)')
axes[1].axhline(1.0, color='gray', linestyle='--', linewidth=1)
axes[1].legend()
axes[1].grid(True)
plt.tight_layout()
plt.show()
# ====================================
# 匯入價量資料
# ====================================
from zipline.data.run_ingest import simple_ingest
pools = pool + ['IR0001', 'IR0043']
start_ingest = start_date.replace('-', '')
end_ingest = end_date.replace('-', '')
print('開始匯入回測資料')
simple_ingest(
name='tquant',
tickers=pools,
start_date=start_ingest,
end_date=end_ingest
)
print('結束匯入回測資料')
# ====================================
# Zipline 回測設定
# ====================================
from zipline.api import (
set_slippage, set_commission, set_benchmark,
symbol, record, order, order_target, order_value, order_target_percent
)
from zipline.finance import commission, slippage
from zipline import run_algorithm
def initialize(context, re=20):
"""初始化函數"""
set_slippage(slippage.VolumeShareSlippage(volume_limit=1, price_impact=0.01))
set_commission(commission.Custom_TW_Commission())
set_benchmark(symbol('IR0001'))
context.i = 0
context.state = False
context.order_tickers = []
context.last_tickers = []
context.rebalance = re # 調倉頻率
context.dic = {}
def handle_data(context, data):
"""每日執行函數"""
# 避免前視偏差，在篩選股票下一交易日下單
if context.state == True:
# 賣出不在新名單的股票
for i in context.last_tickers:
if i not in context.order_tickers:
order_target_percent(symbol(i), 0)
# 買入新名單的股票（等權重）
for i in context.order_tickers:
order_target_percent(symbol(i), 1.0 / len(context.order_tickers))
context.dic[i] = data.current(symbol(i), 'price')
record(p=context.dic)
context.dic = {}
print(f"下單日期：{data.current_dt.date()}, 擇股股票數量：{len(context.order_tickers)}, Leverage: {context.account.leverage}")
context.last_tickers = context.order_tickers.copy()
context.state = False
backtest_date = data.current_dt.date()
# 固定週期調倉
if context.i % context.rebalance == 0:
context.state = True
context.order_tickers = compute_stock(date=backtest_date, data=data_use)[0]
record(tickers=context.order_tickers)
record(Leverage=context.account.leverage)
# 槓桿監控：超過 1.2 時調降部位
if context.account.leverage > 1.2:
print(f'{data.current_dt.date()}: Over Leverage, Leverage: {context.account.leverage}')
for i in context.order_tickers:
order_target_percent(symbol(i), 1 / len(context.order_tickers))
context.i += 1
def analyze(context, perf):
"""績效分析函數"""
plt.style.use('ggplot')
fig1, axes1 = plt.subplots(nrows=3, ncols=1, figsize=(18, 15), sharex=False)
# 策略 vs 大盤
axes1[0].plot(perf.index, perf['algorithm_period_return'], label='Strategy')
axes1[0].plot(merged['mdate'], (merged['TSE_norm'] / merged['TSE_norm'].iloc[0]) - 1, label='Benchmark [TSE]')
axes1[0].plot(merged['mdate'], (merged['OTC_norm'] / merged['OTC_norm'].iloc[0]) - 1, label='Benchmark [OTC]')
axes1[0].set_title("Backtest Results")
axes1[0].legend()
# 超額報酬
axes1[1].bar(perf.index, perf['algorithm_period_return'] - perf['benchmark_period_return'],
label='Excess return', color='#988ED5', alpha=1.0)
axes1[1].set_title('Excess Return with TSE Index')
axes1[1].legend()
# 風險偏好比率
axes1[2].plot(merged['mdate'], merged['OTC_TSE_ratio'], label='OTC / TSE')
axes1[2].set_title('Risk Appetite Ratio (OTC / TSE)')
axes1[2].axhline(1.0, color='gray', linestyle='--', linewidth=1)
axes1[2].legend()
axes1[2].grid(True)
plt.tight_layout()
plt.show()
# ====================================
# 執行回測
# ====================================
results = run_algorithm(
start=pd.Timestamp(back_start, tz='utc'),
end=pd.Timestamp(end_date, tz='utc'),
initialize=initialize,
handle_data=handle_data,
analyze=analyze,
bundle='tquant',
capital_base=1e5
)
# ====================================
# Pyfolio 績效分析
# ====================================
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
pf.tears.create_full_tear_sheet(
returns=returns,
positions=positions,
transactions=transactions,
benchmark_rets=benchmark_rets
)
print("回測完成！")
📊 策略特性分析¶
優勢 ✅¶
-
專注小型成長股
- 市場效率較低，容易發現錯誤定價
- 成長潛力大，可能出現倍數成長
-
排名法降低雜訊
- 不是通過條件就全買，而是挑最便宜的 20%
- PEG 排序確保估值合理
-
風險監控完善
- OTC/TSE 比率：判斷市場對小型股的偏好
- 槓桿控制：避免過度集中
風險 ⚠️¶
-
波動較大
- 小型股流動性差，價格波動劇烈
- 需要較高的風險承受度
-
選股數量不穩定
- 某些時期可能只選出 2-3 檔
- 需要設定最低持股數量
-
交易成本
- 20 天調倉頻率較高
- 對手續費敏感
🔍 關鍵學習點¶
1. 排名法 vs 交集法¶
# 交集法：全部買
tickers = list(set_1 & set_2 & set_3 & set_4 & set_5)
# 排名法：挑前 20%
passed = set_1 & set_2 & set_3 & set_4 & set_5
filtered_df = df[df['coid'].isin(passed)]
top_df = filtered_df.sort_values(by='PEG').head(int(len(passed) * 0.2))
tickers = list(top_df['coid'])
何時用排名法？ - 通過條件的股票太多（>30 檔） - 希望集中在最優質的標的 - 因子有明確排序意義（PEG 越低越好）
2. 固定週期 vs 固定日期¶
# 固定日期（需事先計算）
if backtest_date in modified_day:
context.state = True
# 固定週期（用計數器）
if context.i % context.rebalance == 0:
context.state = True
固定週期的優勢： - 不需事先計算日期 - 適合高頻策略 - 參數容易調整
3. 槓桿監控¶
# 監控槓桿比率
if context.account.leverage > 1.2:
# 調降部位
for ticker in context.order_tickers:
order_target(symbol(ticker), 1 / len(context.order_tickers))
為什麼需要？ - 小型股波動大，容易觸發追繳 - 保護帳戶安全 - 避免強制平倉
4. 風險偏好指標（OTC/TSE 比率）¶
解讀： - 比率 > 1：市場偏好小型股（風險偏好上升） - 比率 < 1：市場偏好大型股（避險情緒） - 可作為策略開關：比率 < 0.95 時暫停交易
🎯 延伸優化方向¶
優化 1: 動態持股數量¶
# 根據 OTC/TSE 比率調整持股數
if merged['OTC_TSE_ratio'].iloc[-1] > 1.05: # 市場偏好小型股
top_n = int(len(passed) * 0.3) # 多買一些
else:
top_n = int(len(passed) * 0.15) # 保守一點
優化 2: 加入流動性過濾¶
# 排除流動性太差的股票
set_liquidity = set(df[df['月成交量'] > threshold]['coid'])
passed = set_1 & set_2 & set_3 & set_4 & set_5 & set_liquidity
優化 3: 產業分散¶
# 每個產業最多選 2 檔
top_df_grouped = filtered_df.groupby('Industry').apply(
lambda x: x.nsmallest(2, 'PEG')
)
📚 相關資源¶
- 模板頁面：template.md - 排名法模板
- 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
- Dreman 逆向投資 - 計分法範例
💡 總結¶
小型成長股策略展示了 排名法 的精髓：
- ✅ 降低雜訊：不是全買，挑最好的
- ✅ 風險監控：槓桿控制 + 市場情緒指標
- ✅ 靈活調整：固定週期，易於優化
適合誰使用？
- 風險偏好較高的投資者
- 偏好中短期交易（20 天週期）
- 熟悉小型股特性的人
⚠️ 注意事項：
- 需要較高的資金量（避免流動性問題）
- 密切監控槓桿比率
- 市場恐慌時應暫停策略
👉 Next Step:
前往 case-dreman.md 學習計分法的進階應用！