台股量化交易入門：從資料取得、策略回測到風險控管

什麼是台股量化交易？

量化交易是把投資研究流程轉成可重複執行的資料與規則系統。它不代表一定是高頻交易，也不代表一定需要複雜模型。很多量化研究其實是中低頻策略，例如每日或每週更新一次資料，根據價格、成交量、財報、籌碼或產業資料產生 signal。

台股量化交易常見任務包括：

• 量化選股
• 動能策略
• 均值回歸
• 基本面因子
• 法人籌碼因子
• 產業輪動
• ETF 成分股研究
• 風險控管
• 投資組合再平衡

量化交易的核心不是預測一定會漲，而是建立一套可以被資料驗證、可以回測、可以監控風險的研究流程。

如果你還不熟悉台股 API 的資料類型，可以先看 台股 API 完整指南。

台股量化交易需要哪些資料？

台股量化交易需要的資料取決於策略類型。價格型策略可能只需要 OHLCV 和交易日曆；基本面策略會需要財報、月營收與公告日；籌碼策略會需要外資、投信、自營商買賣超。

如果你要先理解歷史股價、K 線與 adjusted price，可以參考 台股歷史股價 API 設計。

如果你要把月營收、EPS、ROE 與現金流整合成基本面因子，可以接著看 台股財報 API 教學。

如果你要把外資、投信與自營商買賣超納入台股特色因子，可以接著看 三大法人買賣超 API。

如果你要把 ETF holdings、指數成分股與產業分類納入 universe construction，可接著看 台股 ETF 與指數成分股 API。

如果你想把基本面、技術面、籌碼與 universe 全部串成 multi-agent 研究架構，可接著看 AI Hedge Fund 台股版。

從 universe selection 開始

量化研究的第一步通常不是選策略，而是定義股票 universe。Universe 是策略允許交易或研究的股票集合。

常見 universe 包括：

• 全部上市股票
• 全部上櫃股票
• 特定產業股票
• 大型股
• ETF 成分股
• 流動性足夠的股票
• 排除下市、停牌或成交量過低的股票

{
  "universe": "large_cap_twse",
  "as_of": "2026-04-24",
  "symbols": [
    {
      "symbol": "2330",
      "name": "台積電",
      "market": "twse",
      "industry": "半導體",
      "is_active": true
    }
  ],
  "filters": {
    "market": "twse",
    "min_average_turnover": 50000000,
    "exclude_suspended": true
  }
}

策略訊號怎麼產生？

策略 signal 是把資料轉成可執行判斷的規則。Signal 不一定是買或賣，也可以是分數、排名、風險標籤或 portfolio weight。

{
  "date": "2026-04-24",
  "symbol": "2330",
  "signal_type": "momentum",
  "score": 0.73,
  "rank": 12,
  "universe": "large_cap_twse",
  "data_used": [
    "daily_ohlcv",
    "adjusted_close"
  ]
}

回測系統需要處理什麼？

回測是用歷史資料模擬策略規則的過程。好的回測不是只計算一條資金曲線，而是要清楚記錄每一次 signal、持倉、交易、成本、現金與風險曝險。

回測系統通常需要處理：

• 資料載入
• 日期對齊
• signal 生成
• 持倉計算
• 交易執行邏輯
• 交易成本
• 滑價
• 現金管理
• 風險限制
• 績效統計
• 交易紀錄與 audit log

交易成本、滑價與流動性

很多回測結果失真的原因，是忽略交易成本與滑價。尤其在台股中小型股或低成交量股票上，理論價格和實際可成交價格可能有明顯差距。

回測至少應該考慮：

• 手續費
• 交易稅
• 買賣價差
• 滑價
• 成交量限制
• 單日可交易比例
• 是否允許零股或整股限制
• 是否能在指定價格成交

{
  "commission_rate": 0.001425,
  "transaction_tax_rate": 0.003,
  "slippage_bps": 10,
  "max_participation_rate": 0.05
}

風險控管與 position sizing

策略 signal 只回答想買什麼或分數是多少，但 portfolio 還需要回答買多少。這就是 position sizing 和風險控管的工作。

常見風控條件包括：

• 單一股票最大權重
• 單一產業最大曝險
• 單日最大換手率
• 最大回撤限制
• 波動率目標
• 流動性限制
• 停損或再平衡規則
• 現金比例
• 投資組合集中度

{
  "max_position_weight": 0.1,
  "max_sector_weight": 0.35,
  "max_daily_turnover": 0.2,
  "max_drawdown": 0.25,
  "min_average_turnover": 50000000,
  "rebalance_frequency": "monthly"
}

常見回測偏誤

台股量化交易最常見的錯誤，不一定是模型錯，而是資料和回測設計有偏誤。

歷史股價資料與 adjusted price 的細節可以參考 台股歷史股價 API 設計。

Python 台股量化 workflow 範例

以下是一個簡化版 Python workflow，示範如何從 API 取得歷史資料、計算 signal，並建立簡單回測欄位。

import os
import requests
import pandas as pd

API_KEY = os.getenv("TW_MARKET_DATA_API_KEY")
BASE_URL = "https://api.example.com"

headers = {
    "Authorization": f"Bearer {API_KEY}"
}

params = {
    "from": "2025-01-01",
    "to": "2025-12-31",
    "interval": "1d",
    "adjusted": "true"
}

response = requests.get(
    f"{BASE_URL}/v1/tw/stocks/2330/ohlcv",
    headers=headers,
    params=params,
    timeout=20
)

response.raise_for_status()

payload = response.json()
df = pd.DataFrame(payload["data"])

df["date"] = pd.to_datetime(df["date"])
df = df.sort_values("date").reset_index(drop=True)

df["return"] = df["close"].pct_change()
df["ma20"] = df["close"].rolling(20).mean()
df["ma60"] = df["close"].rolling(60).mean()

df["signal"] = (df["ma20"] > df["ma60"]).astype(int)
df["strategy_return"] = df["signal"].shift(1) * df["return"]

df["equity_curve"] = (1 + df["strategy_return"].fillna(0)).cumprod()

print(df[["date", "close", "signal", "strategy_return", "equity_curve"]].tail())

上方 endpoint 是示意。實際路徑請以 TW Market Data docs 為準。這只是資料處理範例，不構成投資建議，也不是完整交易策略。

如果你要看更基礎的 Python API 串接方式，可以參考 Python 抓台股資料教學。

如果你要把交易成本、滑價、停損與績效指標納入同一套流程，可以接著看 Python 台股回測系統實作。

如果你要把 OHLCV 轉成可重現的技術指標資料層，可以接著看 台股技術分析 API。

AI agent 在量化研究裡的角色

AI agent 可以協助整理資料、產生研究摘要、比較策略結果或檢查風險，但不應該取代資料驗證、回測和風控。

在台股量化 workflow 中，AI agent 比較適合做：

• 讀取 API schema
• 查詢特定股票資料
• 摘要回測結果
• 檢查策略是否使用未來資料
• 產生風險檢查清單
• 比較不同因子的表現
• 產生 dashboard 說明文字

不適合直接做：

• 未經驗證直接下單
• 用語言模型內部記憶猜股價
• 產生無資料來源的買賣建議
• 忽略交易成本與風險限制

{
  "strategy_name": "ma_cross_example",
  "data_used": [
    "historical_ohlcv",
    "trading_calendar"
  ],
  "price_adjusted": true,
  "backtest_summary": {
    "annual_return": 0.08,
    "max_drawdown": 0.18,
    "turnover": 0.32
  },
  "risk_flags": [
    "single_asset_example",
    "transaction_cost_not_fully_modeled",
    "requires_out_of_sample_test"
  ],
  "not_investment_advice": true
}

從 notebook 到 production pipeline

很多量化研究會從 Jupyter notebook 開始，但 production workflow 需要更明確的資料管線。

一個較完整的台股量化資料 pipeline 可以長這樣：

1. 1. 每日收盤後更新 OHLCV
2. 2. 更新交易日曆與 corporate actions
3. 3. 更新財報、月營收或籌碼資料
4. 4. 執行資料品質檢查
5. 5. 產生策略 signal
6. 6. 建立投資組合與風險檢查
7. 7. 輸出 dashboard、報表或 agent summary
8. 8. 保留 audit log

建議的 API endpoint 設計

以下是支援台股量化 workflow 的 endpoint 設計示意。

GET /v1/tw/stocks/search
GET /v1/tw/stocks/{symbol}/profile
GET /v1/tw/stocks/{symbol}/ohlcv
GET /v1/tw/stocks/{symbol}/financials
GET /v1/tw/stocks/{symbol}/monthly-revenue
GET /v1/tw/stocks/{symbol}/institutional-flows
GET /v1/tw/stocks/{symbol}/corporate-actions
GET /v1/tw/calendar/trading-days
GET /v1/tw/etfs/{symbol}/constituents

實際 endpoint 命名不一定要完全相同。重點是資料模型要穩定，查詢參數要清楚，並且能支援研究、回測、dashboard 與 AI agent workflow。

上方 endpoint 是示意。實際路徑請以 TW Market Data docs 為準。