03 11月 2026 25 min read AI

AI 選股實測：我讓 AI 回測 140 個台股策略，只有 2 種活下來

AI 選股有用嗎？我用 Claude Code 兩週回測 140 個台股策略：高殖利率、低股價淨值比、法人籌碼、技術指標、機器學習都沒過，只剩股價強勢與營收驚喜兩種。附防前視回測方法與可照抄的 AI 指令。

前陣子我問了 AI 一個很多人都想過的問題：

「如果把我們研究過的一百多個訊號合起來，全部成立才買，能不能把勝率拉高？交易次數少沒關係，報酬輸給買進持有也沒關係。」

聽起來很合理對吧？條件越多、越嚴格，挑出來的應該越準。

AI 照著做了：從「股價接近一年高點」開始，一層一層疊上「營收創新高」「營收年增 30% 以上」「營收大幅超出預期」。疊到第四層，九年只剩 1,202 筆交易，勝率是……

53.5%。

一開始什麼條件都不加，隨便買一檔放一個月，勝率是 45.1%。疊了四層，只多了 8 個百分點，跟丟銅板差不了多少 😂

這只是我最近兩週讓 AI 做的 140 個選股研究的其中一個。這篇想跟大家分享，「AI 選股」真正能幫上忙的地方在哪裡，還有那 140 個假設跑完，到底剩下什麼。

先講結論：

TL;DR：AI 選股最有用的方式，不是叫 AI 報明牌，而是讓它當研究助理，幫你把每個選股說法拿去回測。我用 Claude Code 搭配 FinMind 資料，用防前視的方法回測了 140 個台股策略假設：高殖利率、低股價淨值比、低波動、法人籌碼、ROE、季節性、技術指標組合、機器學習全部沒通過。活下來的只有兩類：股價強勢延續（接近 52 週高點）跟營收驚喜／營收創新高。

這篇會聊這些：

AI 選股是什麼？為什麼我不叫 AI 報明牌
我讓 AI 做選股研究的三個鐵則
140 個假設的成績單：哪些常見說法沒用
活下來的兩種：股價強勢、營收驚喜
機器學習選股，為什麼輸給簡單的規則
AI 選股指令：我實際下給 AI 的 6 句話（可以照抄）
評估任何 AI 選股工具的 7 個問題

關於作者：我是工程師阿穆，寫程式十多年，這幾年在做 AI Agent 與自動化系統。本文是我用 Claude Code 實際跑出來的研究紀錄，資料來自 FinMind。

免責：本文數字全部是歷史回測，不代表未來表現，也不是投資建議。

AI 選股是什麼？我不叫 AI 報明牌

AI 選股，就是用 AI 幫你分析股票資料，篩選或排序出值得買的股票。 常見的用法有兩種：一種是直接問聊天機器人「該買哪支」，另一種是讓 AI 寫程式，把選股規則拿去歷史資料回測，確認有用才拿來用。我推薦第二種，原因如下。

講到「AI 選股」，大部分人想到的是第一種：打開 ChatGPT 或 Claude，問它：「現在買哪支股票好？」

這樣問不是不行，但有三個問題：

它手上沒有完整的歷史資料，講出來的東西常常是網路上的新聞拼湊，數字還可能是錯的
它沒辦法告訴你這個建議過去準不準，因為根本沒驗證過
它講得很有說服力，會讓人以為這個答案很可靠 😅

我用 AI 的方式剛好相反。我不問它「該買什麼」，而是問它：

「這個選股說法，拿過去 15 年的台股資料來測，到底有沒有用？」

換句話說，AI 是我的研究助理，不是我的投顧。 它負責寫程式、抓資料、跑回測、把結果記下來；我負責決定要測什麼、看結果、下判斷。

這套做法的第一步是資料，我之前寫過 用 Claude Code 建台股追蹤系統，就是從那裡開始的。這兩週它在我的研究專案裡留下了 38 個 commit、289 次回測紀錄，程式幾乎都是它寫的。

我讓 AI 做選股研究的三個鐵則

回測這件事最可怕的地方，是很容易做出一個好看但假的數字。所以在讓 AI 開跑之前，我先跟它定了三條規矩。

鐵則一：已經下市的股票也要算進去

想像你要研究「什麼樣的學生考得上台大」，結果只去問現在在台大念書的人。那你得到的答案一定很漂亮，因為沒考上的人根本不在你的樣本裡。

股票也一樣。如果只用「現在還活著」的股票做回測，那些中途下市、跌到消失的公司就被排除了，回測結果自然偏好看。這叫做倖存者偏差。

所以我們的資料是 2010 年起、2,594 檔上市櫃普通股，連日後下市的都算進去。股價分成兩份：原始價格用來判斷流動性跟漲跌停，還原權息價格用來算報酬。

鐵則二：只能用「當時」拿得到的資訊

這條叫做防前視（look-ahead bias），是我覺得最容易踩、也最難發現的坑。

舉個例子：台股的月營收在每月 10 日前公布。如果你的回測在 9 月 1 日就用了 8 月的營收，那等於偷看了答案。所以我們規定：

選股只能用換股日前一天收盤以前的資料
月營收視為次月 11 日才拿得到；財報則等法定期限過了才算拿得到（Q1 算 5/16、Q2 算 8/15、Q3 算 11/15、Q4 算隔年 4/1）
用隔天開盤價成交，不是當天收盤價
一字漲停買不到、一字跌停賣不掉
下市就用最後一天的收盤價出場
每次換股都扣來回 0.585% 的成本（手續費 0.1425% × 2 ＋證交稅 0.3%）

而且每個策略寫完，AI 都要跑一次前視檢查：把資料截斷到換股日前一天，重算一次分數，要跟原本算的一模一樣。只要不一樣，就代表程式偷看了未來的資料。

鐵則三：先登記再回測，最後一段資料只能看一次

我把資料切成三段：

期間	用途
開發期 dev：2010–2019	設計跟初步測試
驗證期 val：2020–2023	dev 過了才能跑，規則不能再改
封存期 holdout：2024 起	要我同意才能開，而且只看一次

每個假設跑之前，AI 要先把「假設是什麼、分數怎麼算、過關標準是什麼」寫進一份 HYPOTHESES.md，寫完才准跑。dev 沒過的不准偷跑 val；看完結果才想到的點子要標記「事後」，可信度要打折。

為什麼要這麼麻煩？因為你測得越多，就越容易「剛好」找到一個好看的結果。

我們實際量過這件事：把股票代號隨機打亂當作安慰劑，理論上這時候什麼特徵都不該有效，結果篩選標準還是放行了 19.4% 的假特徵。學術界也有類似的提醒：Harvey、Liu 與 Zhu 的 〈...and the Cross-Section of Expected Returns〉 就主張，在資料被挖過這麼多次之後，新因子的 t 值至少要超過 3.0 才可信，而不是一般的 2.0。

這三條規矩，我是直接寫進專案的 instruction 檔，讓 AI 每次開工都先讀。怎麼寫 instruction 檔，可以參考 Agent Instruction：怎麼寫 AI Agent 的「憲法」。

140 個假設的成績單：這些常見說法都沒用

兩週跑下來，140 個事前登記的假設（選股、大盤擇時、期貨、選擇權都有），絕大部分都沒過。挑幾個大家最常聽到的說法：

常見說法	回測結果
買高殖利率股	✗ dev 前 30 檔每年輸大盤 7.4%，9 年只有 1 年贏
買低股價淨值比（便宜股）	✗ 最便宜的 1/5 股票，年化超額只有 +0.9%，t 0.52，跟雜訊差不多
買低波動股	✗ 波動最低的 1/5，年化超額 +0.5%，t 0.18
跟著外資買	✗ 方向相反：外資買超多的股票反而表現較差
融資減少＝散戶退場是好事	✗ 也是方向相反
投信認養、法人合計買超	✗ 都沒過；法人買超比較像落後指標
高 ROE、高毛利、盈餘驚喜	✗ 都沒過
春節行情、金融股 11 月	✗ 春節 dev 過了，val 撐不住
大盤跌破 200 日線就空手	✗ 年化 −0.8%，一直抱著是 +4.7%；月頻訊號在台股一直被來回洗
網路流傳的「布林開口＋MACD 翻紅＋站上往上彎的 20 日線」三條件	✗ 扣成本後每筆平均還是虧（dev −0.20%、val −0.37%）
某堂法人選股課程教的三因子（ROIC＋動能＋EBITDA/EV）	✗ 每個月比單純看股價強勢少賺 1.17%（t −2.53）

（上表的超額都是跟「同一批股票等權持有」比，扣完成本；除了特別註明的，都是 dev 期間的數字。）

看到高殖利率那一行我其實有點驚訝 😱 台股存股文化這麼盛行，結果「每個月挑殖利率最高的股票」是表現最差的策略之一。不過要提醒一下，這測的是每月換股的短期報酬，不是長期領股息的存股，兩件事不能直接畫等號。

還有一個很有趣的發現：台股是「延續」的市場，不是「反轉」的市場。 「上個月跌最多的，下個月會反彈」「同產業裡落後的會補漲」這些賭反轉的說法，測出來都是方向相反：近一個月強的股票，下個月通常還是比較強。

疊越多條件，勝率會越高嗎？

回到開頭那個實驗。開跑之前，AI 先在 HYPOTHESES.md 把規則登記好，這是當時寫下的內容（節錄，代號換成白話）：

## H125 條件疊加梯度（2026-10-28，跑 dev 前寫下）
動機：使用者問「挑多個訊號、全部成立才買，能不能提高勝率」
紀律：不從既有假設裡搜組合；只用 4 個單獨有效、機制不同的訊號，
      門檻用慣用值，疊加順序事前固定
⚠ 原料與門檻之前都看過 → 標「事後」

L0 = 有流動性的股票（含日後下市的）＝基準勝率
L1 = L0 且 股價離 52 週高點 5% 以內
L2 = L1 且 近 3 個月營收創 12 個月新高
L3 = L2 且 營收年增 ≥ 30%
L4 = L3 且 營收大幅超出預期
勝 = 該筆扣成本後的報酬 > 0
過關（dev）：勝率比基準多 10 個百分點以上、同月隨機抽樣 p ≤ 0.01

跑出來的結果是這樣（dev 期間，持有約一個月，勝率＝扣成本後賺錢的比例）：

層	條件	筆數	勝率
0	有流動性的股票，隨便買	103,700	45.1%
1	＋股價離 52 週高點 5% 以內	17,223	48.0%
2	＋近 3 個月營收創 12 個月新高	4,775	50.2%
3	＋營收年增 30% 以上	2,488	51.4%
4	＋營收大幅超出預期	1,202	53.5%

每多加一個條件，勝率只多 1～3 個百分點，筆數卻直接砍半。

順帶一提，照事先登記的標準（勝率要比基準多 10 個百分點），這個假設只多了 8.4，其實算沒過關，所以依規矩連驗證期都沒資格跑。這就是先登記的好處：不會因為結果「看起來還不錯」，就偷偷把標準放寬。

那疊條件有沒有用？有，但用處不在勝率：第 4 層每筆平均比大盤多賺 2.55%（t 4.07）。也就是說，條件疊上去提高的是「賺的時候賺多少」，不是「賺的機率」。 勝率還是一半一半，只是贏的那幾筆贏比較多。

這件事改變了我看選股的方式：與其追求「每檔都要賺」，不如接受「一半會虧」，然後確定贏的時候贏得夠多。

財經 YouTuber 的口訣，測起來如何？

我也把某位財經 YouTuber 系列影片裡的選股口訣，請 AI 整理成可以量化的說法，一個一個去測：

「乖離太大一定會拉回」：在強勢股裡，近 5 日乖離 13～20% 的那些，下個月反而再多漲 6.6%（相對大盤）。強的繼續強
「最大量那根月 K 的高點，一年內九成會被突破」：實測 59.8%，同樣距離的隨機對照組是 59.9%，成交量沒有多提供任何資訊
「月 KD 在 50 以上黃金交叉」：每筆平均有 +0.70% 的超額，但 t 只有 1.09，不顯著；再加上「股價淨值比 < 1」後轉成負的

整體看下來有個規律：講「順勢」的口訣大致有資料支持，講「抄底」的（KD 低檔背離、回測季線買、下跌缺口一定會補）方向都是反的。

活下來的兩種：股價強勢、營收驚喜

140 個假設跑完，真正站得住的只有兩類。

第一種：股價強勢延續（接近 52 週高點）

做法很簡單：股價離過去一年最高點越近，分數越高。 每個月挑分數最高的那批股票，等權買進，下個月再換。

這其實是學術界的老朋友，George 與 Hwang 在 2004 年的論文 〈The 52-Week High and Momentum Investing〉 就發現，「離 52 週高點多近」預測未來報酬的能力比過去漲多少還好。

很多人看到股價創新高會覺得「太貴了不敢買」，但資料告訴我們的剛好相反：大家不敢追的時候，強勢股往往還會繼續走。

我們在台股三段資料上的結果（每月換股、前 30 檔等權、扣成本）：

期間	策略年化	同一批股票等權持有	年化超額	t 值	每年都贏？	日線最大回撤
dev 2011–2019	+17.7%	+4.3%	+13.2%	3.71	9/9 年	−27.3%
val 2020–2023	+52.0%	+20.2%	+25.0%	2.84	4/4 年	−30.0%
holdout 2024/01–2026/10	+54.7%	+19.7%	+27.2%	2.27	3/3 年	−28.0%

（dev 從 2011 年開始，因為 2010 年還不滿 250 根 K 棒可以算 52 週高點。）

三段都過，而且挑 20、30、50 檔，結論都差不多，代表它不是靠某個剛好的參數撐起來的。

但我必須把醜話講在前面：

回撤很大：三段的日線最大回撤都在 −27%～−30%，這不是一個穩穩賺的策略
2024 之後剛好是 AI 大多頭，強勢股特別吃香，這段的數字很可能偏樂觀
回測沒算開盤滑價，實際買進的價格會比較差

第二種：營收驚喜、營收創新高

這是台股特有的武器。美股一季才公布一次財報，台股上市櫃公司每個月都要公布營收，等於每個月都有新的基本面資訊。

我們測過好幾種營收訊號，表現最好的是「營收驚喜」：不是看營收成長多少，而是看這個月的成長，比這家公司自己過去的成長，好了多少。就像一個平常考 60 分的同學突然考 85，比一個平常就考 90 的同學考 92 更值得注意。

營收驚喜是所有特徵裡分位最單調的一個：把全市場依營收驚喜分成五組，從最差到最好，報酬一組比一組高，最好那組 t 值有 5.41。

但有個很反直覺的地方：它單獨拿來挑幾十檔股票的時候，反而過不了關。 營收訊號很擅長「排序」，但集中成小投組就容易被雜訊干擾。

直到把「股價強勢」跟「營收驚喜」合成一個分數，才真正變強。合成版三段的年化超額分別是 +28.0%、+49.2%、+52.4%（holdout t 3.66），每一段都比單看股價強勢好。

不過這個合成版有個要誠實交代的地方：它是我們從 3,330 個隨機特徵組合裡，挑出 dev 表現第一名的那一組，dev 跟 val 的數字都有選擇偏差。真正乾淨的證據，只有 holdout 那 33 個月。 33 個月不算長，所以我把它當成「目前最好的假設」，而不是「已經被證明的真理」。

機器學習選股，為什麼輸給簡單的規則？

先講結論：在我的測試裡，機器學習選股的年化報酬只有簡單規則的一半，超額報酬更只有三分之一多一點（+14.6% 對 +39.1%）。問題不在模型不夠強，而是給它的目標設錯了。

講到 AI 選股，一定有人會問：「那為什麼不直接用機器學習？把一堆特徵丟進模型，讓它自己學權重不是更強？」

我也這麼想，所以真的試了。用 20 個特徵，訓練兩種模型：一種是線性的 Fama-MacBeth 迴歸，一種是梯度提升樹（HistGradientBoosting，跟 LightGBM 是同一類）。每年用過去的資料重新訓練，嚴格不偷看未來。

2015～2023 年的樣本外結果（三種方法挑同樣數量的股票、扣成本）：

方法	年化報酬	年化超額	最大回撤	預測準確度（月 IC）
股價強勢＋營收驚喜（簡單規則）	+60.2%	+39.1%	−21.5%	—
梯度提升樹	+30.1%	+14.6%	−12.8%	0.121
線性迴歸	+22.2%	+7.9%	−12.4%	0.112

機器學習模型的「預測準確度」（IC）其實很高，比任何單一特徵都好，回撤也只有簡單規則的一半多一點。但報酬只剩一半。

為什麼？因為我們給模型的目標是「預測每一檔股票在全市場的排名」。模型為了把平均排名做好，學到的最佳策略是避開爛股：低波動、不是彩券型的股票，權重最大。

這就像請一個非常謹慎的人幫你挑球員，他很會避開會受傷、會失誤的人，整體平均很漂亮；可是你要的是能得分的球星，他反而不敢選。只挑最前面一小籃股票的投組，賺的就是那幾個大贏家，而模型的目標根本沒有對準它。

公平起見要補一句：2015～2019 剛好是簡單規則被挑出來的期間，這段比較對機器學習是不利的。但差距大到這個程度（t −3.27），我覺得結論還是成立：換了更複雜的模型，不等於會更好；目標設錯，模型再強都沒用。

AI 選股指令：我實際下給 AI 的 6 句話（可以照抄）

這套研究沒有什麼神奇的 prompt，大多是很白話的指令，重點是規矩要先講清楚。整理幾個我真的用過的：

1. 建資料

「用 FinMind 幫我建一份台股研究資料：2010 年起、上市櫃普通股，連已經下市的都要。股價存兩份，原始價跟還原權息價。」

2. 先定研究規範（寫進 instruction 檔）

## 研究規範

- 期間固定：dev 2010–2019／val 2020–2023／holdout 2024 起（要我同意才能開，只看一次）
- 先登記再回測：假設、分數、過關標準先寫進 HYPOTHESES.md，dev 沒過不准跑 val
- 防前視：只用換股日前一天收盤以前的資料；月營收視為次月 11 日才拿得到
- 成交：隔天開盤價；一字漲跌停無法成交；下市以最後收盤價出場
- 成本：來回 0.585%
- 參數用市場慣用值，不做參數搜尋；看過結果才提出的假設要標「事後」

3. 登記一個假設

「我想測『高殖利率股票會贏大盤』。先把假設、分數怎麼算、過關標準寫進 HYPOTHESES.md，我確認後再跑 dev。」

4. 結果太好的時候，叫它自己找漏洞

「這個結果好得不太正常。幫我檢查有沒有前視、倖存者偏差、成本沒算，再跑一次截斷資料的前視檢查。」

5. 估計自己被騙的機率

「把股票代號隨機打亂 20 次當安慰劑，看這個篩選標準會放行多少假訊號。」

6. 驗證網路上的說法

「這幾支影片在講選股口訣，幫我整理出可以量化的說法，一個一個登記成假設去測。」

最後那個是我最喜歡的用法。以前看到財經影片講得頭頭是道，只能選擇信或不信；現在可以直接丟給 AI，隔天就知道過去 15 年到底有沒有用 😎

資料方面要提醒一下：一次抓全市場、還原權息價這些需要 FinMind 的付費方案（我用的是 Sponsor，每小時 6,000 次）。免費版每小時 600 次，研究幾十檔股票夠用，要做全市場就會很吃力。各方案差在哪，我整理在 FinMind 是什麼？台股 API 免費額度、方案價格與 Python 教學。

另外，AI 寫回測程式也會出錯，而且常常錯得很隱密。我之前整理過 AI 寫程式的 7 個坑，裡面有好幾個就是回測相關的，建議一起看。

評估任何 AI 選股工具的 7 個問題

市面上越來越多「AI 選股 App」「AI 股票分析工具」，標榜勝率幾成、年化多少。經過這兩週，我覺得不管是別人的工具還是自己做的，都可以用這 7 個問題檢查一遍：

回測有沒有包含已經下市的股票？（沒有的話，數字一定偏好看）
用的是「當時」拿得到的資料嗎？ 營收、財報是照公布日算，還是用事後的完整資料？
成交價是隔天開盤，還是當天收盤？（看到訊號的那一刻，收盤價已經回不去了）
有沒有扣手續費跟證交稅？ 台股來回 0.585%，短線策略很容易被成本吃光
有沒有樣本外？ 規則是事先定好的，還是看完結果才調出來的？
跟誰比？ 是跟「同一批股票等權持有」比，還是只秀絕對報酬？
最大回撤是多少？ 只講年化、不講回撤的，要特別小心

只要有一題答不出來，那個漂亮的數字就先打個問號吧。

常見問題

AI 選股準嗎？

看你怎麼用。叫 AI 直接推薦股票，沒有任何驗證，談不上準不準。讓 AI 當研究助理，把選股規則拿去嚴格回測，它能幫你很快排除掉大部分沒用的說法。以我的經驗，140 個假設裡能用的只有兩類，AI 最大的價值是幫你省下踩那 138 個坑的時間跟錢。

可以直接問 ChatGPT 或 Claude 該買哪支股票嗎？

可以問，但不要照做。聊天機器人沒有完整的歷史資料，也沒有辦法告訴你它的建議過去準不準。比較好的問法是：「這個選股規則，要怎麼驗證有沒有用？」

不會寫程式也能做 AI 選股研究嗎？

這兩週的回測程式幾乎都是 Claude Code 寫的，我主要負責定規矩、決定要測什麼、看結果。不過你至少要看得懂「前視」「倖存者偏差」「樣本外」這些概念，才知道 AI 有沒有做錯。這篇前面的三個鐵則，就是最低限度要懂的部分。

AI 選股有哪些常見盲點？

最常見的有五個，而且 AI 自己寫程式時一樣會踩：

前視偏差：用了當時還沒公布的資料，例如在月營收公布前就拿它來選股
倖存者偏差：只用現在還在交易的股票回測，漏掉下市的那些
過度擬合：測了幾百種組合，挑一個最好看的，結果只是剛好
成本跟成交太樂觀：用當天收盤價成交、沒扣手續費和證交稅、忽略漲跌停買不到
模型目標設錯：機器學習預測得很準，但準的是「平均排名」，不是你要的「挑出大贏家」

前面的三個鐵則跟 7 個問題，就是用來擋這些盲點的。

回測過了，實盤就會賺嗎？

不會保證。回測只能告訴你「過去這個規則有沒有用」，而且最後一段資料只有 33 個月。市場會變、成本會變、滑價會吃掉一部分，這些都要用小資金慢慢驗證。

結語

兩週、140 個假設跑下來，我最大的感想是：大部分聽起來很有道理的選股說法，其實都經不起資料的檢驗。 能活下來的，反而是最樸素的兩件事：強的股票會繼續強，營收超出預期的公司值得注意。

AI 沒有讓我找到什麼神奇的公式，但它讓「驗證一個想法」這件事，從要花好幾個週末，變成一句話就能開始。對我來說，這才是 AI 選股真正的價值。

希望這些研究對你有一丁點兒的幫助～這些坑我都幫你先踩過了，至少下次看到「勝率九成」的選股法，你知道要先問哪幾個問題 😄

如果你想學怎麼用 AI 從「研究、回測」一路做到「自動下單、安全上線」，我正在把整套做法整理成一門課，想搶先知道開課消息的話，加我的 LINE 跟我說一聲「交易課」就好～