教學

寫選股條件

本頁內容8

選股條件就是一張 True／False 的表：每一列是一天，每一欄是一檔股票，True 代表那天要持有。data.get() 回傳的表是 FinlabDataFrame，Pandas 的寫法都能用，另外多了選股專用的函式，並且會自動對齊不同頻率的資料。

不熟悉 Pandas 可以先看策略常用的 Pandas 語法。

一行比較整張表

比較運算會一次算完整張表的每一格：

from finlab import data

close = data.get('price:收盤價')

# 收盤價在 10 到 100 元之間
between_10_100 = (close > 10) & (close < 100)

close 收盤價

	2330	2317	2454
10/27	98	51	120
10/28	101	50	118
10/29	104	49	121
10/30	103	52	117

close.average(60) 60 日均線

	2330	2317	2454
10/27	100	52	115
10/28	100	51	116
10/29	101	51	117
10/30	101	51	118

position 要持有的股票

	2330	2317	2454
10/27	False	False	True
10/28	True	False	True
10/29	True	False	True
10/30	True	True	False

每一格是一檔股票在一天的值。比較運算一次算完整張表，日期與股票會自動對齊；True 就是那天要持有的股票。數字為示意。

可以用的運算：

類型	寫法
算術	`+` `-` `*` `/`
比較	`>` `>=` `==` `<` `<=`
邏輯	`&`（且）、`\|`（或）、`~`（非）

日資料和季資料直接一起算

股價每天更新、財報每季更新，FinlabDataFrame 會在運算前自動對齊，不用自己 reindex：

對齊什麼	怎麼對齊
日期（index）	取聯集，缺的日期沿用最近一筆數值（forward fill）
股票（column）	取交集，只有一邊有資料的股票會被剔除

from finlab import data

close = data.get('price:收盤價')                     # 日資料
roa = data.get('fundamental_features:ROA稅後息前')    # 季資料

cond1 = close > 37
cond2 = roa > 0
cond_1_2 = cond1 & cond2

下圖是 1101 台泥的訊號：cond1 每天變、cond2 一季才變一次，cond_1_2 兩者都滿足時才是 True。

排名挑前幾名

is_largest(n) 每天挑出數值最大的 n 檔，is_smallest(n) 挑最小的 n 檔：

roe.is_largest(3) 某一天的六檔股票

2330 18.2% True
2317 6.1% False
2454 24.5% True
2308 11.8% False
2603 3.4% False
2881 15.0% True

每一天都依當天的數值排名，最大的 3 檔是 True；隔天重新排名，互不影響。數字為示意。

from finlab import data

roa = data.get('fundamental_features:ROA稅後息前')
good_stocks = roa.is_largest(10)   # 每期 ROA 前 10 名

date	000116	000538	000616	000700	000779
2013-Q1	False	False	True	False	False
2013-Q2	False	False	False	False	True
2013-Q3	False	True	False	False	False
2013-Q4	False	False	False	True	False
2014-Q1	True	False	False	False	False

from finlab import data

pb = data.get('price_earning_ratio:股價淨值比')
cheap_stocks = pb.is_smallest(10)   # 股價淨值比最低的 10 檔

想看每天的門檻值，例如前 10% 的收盤價，用 quantile_row：

data.get('price:收盤價').quantile_row(0.9)   # 每天收盤價的 90 百分位數

設定進場與出場

entries.hold_until(exits)：進場訊號是 True 就買進，一直持有到出場訊號是 True 才賣出。

buy進場訊號

sell出場訊號

buy.hold_until(sell)持有

1234567891011121314

出現進場訊號就買進，一直持有到出場訊號出現；持有期間再出現進場訊號不會有影響。下方數字是第幾個交易日。

from finlab import data

close = data.get('price:收盤價')
buy = close > close.average(5)     # 站上 5 日均線就進場
sell = close < close.average(20)   # 跌破 20 日均線就出場

position = buy.hold_until(sell)

close.average(n) 是 n 日移動平均；視窗內可用的值不到一半時，那一格是 NaN。

畫圖檢查條件對不對

挑一檔股票，把收盤價、均線和條件畫在一起：

import matplotlib.pyplot as plt

sma = close.average(10)
cond = close > sma

close.loc['2021', '2330'].plot()
sma.loc['2021', '2330'].plot()
cond.loc['2021', '2330'].mul(20).add(500).plot()
plt.legend(['close', 'sma', 'cond'])

hold_until 常用的參數：

參數	作用	範例
`nstocks_limit`	最多同時持有幾檔，進場訊號太多時輪動	`buy.hold_until(sell, nstocks_limit=5)`
`rank`	進場訊號超過上限時，先挑誰（數值大的優先）	`buy.hold_until(sell, rank=-pb)`
`stop_loss`	停損比例	`buy.hold_until(sell, stop_loss=0.1)`
`take_profit`	停利比例	`buy.hold_until(sell, take_profit=0.2)`

完整策略：站上 20 日均線進場、跌破 60 日均線出場，最多持有 10 檔，股價淨值比低的優先。

strategy.py

from finlab import data
from finlab.backtest import sim

close = data.get('price:收盤價')
pb = data.get('price_earning_ratio:股價淨值比')

entries = close > close.average(20)
exits = close < close.average(60)

position = entries.hold_until(exits, nstocks_limit=10, rank=-pb)
sim(position)

出場訊號的日期比較稀疏時（exit_mode）

進場訊號一律是事件，只在自己有的日期生效。出場訊號來自月營收、財報、週／月頻條件這類日期比較稀疏的資料時，exit 沒有的日期怎麼處理由 exit_mode 決定：

'state'（預設）：出場是持續的狀態，沒有的日期沿用前一個日期的值。所以月營收條件在下次公布前一直有效，期間即使進場訊號是 True 也不會買進。exit 的日期必須由舊到新排序，否則會出現 ValueError，請先 exit.sort_index()。
'event'：出場是事件，只在 exit 自己有的日期生效，其他日期視為不出場。

兩種模式下 NaN 都視為不出場。exit 在每個進場日都有資料時，兩種模式的結果相同。

想知道哪天進場、哪天出場，用 is_entry() 和 is_exit()：

position = data.get('price:收盤價').is_largest(10)
entry_signals = position.is_entry()   # 新進場的那一天是 True
exit_signals = position.is_exit()     # 出場的那一天是 True

看趨勢：上升、下降、連續幾天

寫法	意思
`close.rise(10)`	比 10 期前高
`close.fall(10)`	比 10 期前低
`cond.sustain(window, count)`	最近 `window` 期中至少有 `count` 期為 `True`（省略 `count` 就是每期都要）

from finlab import data

close = data.get('price:收盤價')

close.rise(10)               # 是否高於 10 日前
close.rise().sustain(2)      # 連續 2 日上漲
close.rise().sustain(3, 2)   # 3 日中有 2 日上漲

移除市值或產業的影響

多因子選股時，因子之間常常有關聯。例如小型股的本益比通常比較低，「低本益比」可能只是在挑小型股。中性化用橫截面迴歸移除指定因子的影響，留下因子本身的訊號。

neutralize(factors) 對指定因子做迴歸，回傳殘差：

from finlab import data

factor = data.get('price_earning_ratio:本益比')
size = data.get('etl:market_value')

neutralized = factor.neutralize(size)   # 去除市值影響

可以一次放多個因子，用 list 或命名的 dict（方便除錯）：

close = data.get('price:收盤價')
volatility = (close / close.shift(1) - 1).rolling(60).std()   # 60 日波動率

neutralized = factor.neutralize([size, volatility])
neutralized = factor.neutralize({
    'size': size,
    'size2': size**2,
    'volatility': volatility,
})

neutralize_industry() 以產業別做迴歸，回傳殘差，預設使用 security_categories 的產業分類：

from finlab import data

factor = data.get('price_earning_ratio:本益比')
neutralized = factor.neutralize_industry()

也可以自訂分類（stock_id 與 category 兩欄）：

import pandas as pd

custom_cats = pd.DataFrame(
    {'stock_id': ['2330', '2317', '1101'], 'category': ['半導體', '電子', '水泥']}
)
neutralized = factor.neutralize_industry(categories=custom_cats)

中性化後的因子可以直接接 rank()、is_largest()，選出的股票更能反映因子本身，而不是被市值或產業主導。

其他好用的函式

依產業分組：groupby_category()

類似 pd.DataFrame.groupby()，依產業分組計算：

from finlab import data

pb = data.get('price_earning_ratio:股價淨值比')
pb.groupby_category().mean()['半導體業'].plot()   # 半導體業的平均股價淨值比

月、季資料的索引換成日期：index_str_to_date()

把月營收、財報的字串索引換成公告截止日：

轉換前	轉換後
2022-M1（月營收）	2022-01-10
2022-Q1（財務季報）	2022-05-15

from finlab import data

data.get('monthly_revenue:當月營收').index_str_to_date()
data.get('financial_statement:現金及約當現金').index_str_to_date()

把一般的 Pandas 表轉成 FinlabDataFrame

data.get() 回傳的已經是 FinlabDataFrame。自己做的 DataFrame 可以這樣轉：

import pandas as pd
from finlab.dataframe import FinlabDataFrame

df = pd.DataFrame()
df_finlab = FinlabDataFrame(df)

所有函式與參數請看 FinlabDataFrame API。

下一步

歷史回測把條件交給 sim()：換股頻率、停損停利與交易紀錄。
技術指標用 data.indicator() 算 RSI、KD、MACD。
下載資料找到條件要用的財報、月營收與籌碼。
策略範例看完整策略怎麼組合這些條件。

這一頁有幫到你嗎？