開始使用

10 分鐘寫出第一個策略

本頁內容1

這一頁用一個完整的策略，帶你走過 FinLab 策略開發的精華功能：取得資料 → 寫進出場條件 → 回測與分析 → 上傳。照順序執行，後面的程式會用到前面算好的變數。還沒安裝 FinLab 的話，先看快速上手。

1 取得資料
data.get('price:收盤價')
日期 × 股票的一張表
2 寫條件
close > close.average(60)
True＝那天要持有
3 回測
sim(position, resample='M')
報酬、回撤、每筆交易
4 上線
PortfolioSyncManager
- 買進2330
- 買進2317
- 賣出2454
每天更新、自動下單

	2330	2317	2454
10/27	2,400	247.5	3,960
10/28	2,425	251.5	4,235
10/29	2,415	248.0	4,045

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

這一頁要寫的策略是：價格 > 20 日均線進場，價格 < 60 日均線出場，最多持有 10 檔；超過 10 個進場訊號時，以股價淨值比小的股票優先選入。

匯入套件

from finlab import data
from finlab.backtest import sim

取得資料

data.get() 可以取得各種時間序列資料，回傳的 DataFrame 以日期為索引、股票代號為欄位：

from finlab import data

pb = data.get('price_earning_ratio:股價淨值比')
close = data.get('price:收盤價')
close.iloc[:5, :5]

部分資料（如公司基本資訊）不是時間序列，而是每間公司一列的靜態資料表：

company_basic_info = data.get('company_basic_info')
company_basic_info.head(3)

寫進出場條件

entries 是進場訊號，exits 是出場訊號。entries.hold_until(exits) 的意思是：進場訊號為 True 時買入並持有該檔股票，直到出場訊號為 True 才賣出。這大概是所有策略撰寫中最重要的語法糖。

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')

sma20 = close.average(20)
sma60 = close.average(60)

entries = close > sma20
exits = close < sma60

position = entries.hold_until(exits, nstocks_limit=10, rank=-pb, take_profit=0.4)

close > sma20 這種比較會逐格比較兩張表，得到同樣形狀的 True／False 表。下圖以收盤價和 60 日均線為例：

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。

hold_until 可以讓你最多選 N 檔股票做輪動；超過 N 檔進場訊號時，按照自訂的排序選擇優先選入的股票；還能另外設定停損停利，增加出場的時機點。上面的程式設了最多 10 檔、用 -pb 排序（rank 數字越大越優先，加負號就是股價淨值比越小越優先），並在上漲 40% 時停利。

參數	型別	說明
`exit`	`pd.DataFrame`	出場訊號
`nstocks_limit`	`int`	持有檔數上限
`stop_loss`	`float`	停損基準。範例：`0.1`，代表成本價下跌 10% 時出場
`take_profit`	`float`	停利基準。範例：`0.1`，代表成本價上漲 10% 時出場
`trade_at`	`str`	停損停利參考價。可選 `close` 或 `open`
`rank`	`pd.DataFrame`	當天進場訊號超過 `nstocks_limit` 時，以 rank 數字越大的股票優先進場

完整參數請看 FinlabDataFrame API。

回測並顯示報告

from finlab.backtest import sim

backtest_report = sim(position, upload=False)

# 台股 Market 已提供加權報酬指數作為預設比較基準
backtest_report.display()

看報酬、持股與交易紀錄

報酬率序列：

backtest_report.creturn

近期持有部位與預期換股資訊：

backtest_report.position_info()

get_trades() 回傳每一筆交易的進出場資訊：

trade_record = backtest_report.get_trades()
trade_record.head(5)

欄位	說明
`entry_sig_date`	進場訊號產生日
`exit_sig_date`	出場訊號產生日
`entry_date`	進場日
`exit_date`	出場日
`period`	持有天數
`position`	持有佔比
`return`	報酬率
`mdd`	持有期間最大回撤
`mae`	持有期間最大不利幅度
`gmfe`	持有期間最大有利幅度
`bmfe`	mae 發生前的最大有利幅度

用交易紀錄畫出報酬率分佈，可以看出策略的獲利與虧損分佈狀況：

import plotly.express as px

trade_record['profit_loss'] = trade_record['return'].apply(
    lambda s: 'profit' if s > 0 else 'loss'
)
win_ratio = round(
    sum(trade_record['profit_loss'] == 'profit')
    / len(trade_record['profit_loss'])
    * 100,
    2,
)
return_mean = round(trade_record['return'].mean(), 2)
fig = px.histogram(
    trade_record,
    x="return",
    color="profit_loss",
    title=f'profit_loss_hist - win_ratio: {win_ratio} %',
)
fig.add_vline(
    x=return_mean,
    line_width=3,
    line_dash="dash",
    line_color="green",
    annotation_position="top left",
    annotation_text=f'avg_return:{return_mean}',
    row=1,
    col=1,
)

檢查流動性風險

LiquidityAnalysis 檢查交易紀錄中，進出場成交張數大於指定門檻的比例，以及成交金額大於指定門檻的比例，用來檢測資金部位的胃納量：

from finlab.analysis.liquidityAnalysis import LiquidityAnalysis

backtest_report.run_analysis(
    LiquidityAnalysis(required_volume=100000, required_turnover=1000000)
)

看統計指標

get_stats() 取得夏普率、索提諾比率、最大回檔、近期報酬率統計等數據：

backtest_report.get_stats()

指標	怎麼看
夏普值（Sharpe）	小於零代表賠錢。以簡易的選股策略來說，一般人波段實單操作可能是 0.7；以 ETF 來說，0.9 就已經很不錯；網路上的付費選股策略，1.3 可能是比較理想的數值。也有真的很厲害的選股策略，Sharpe 可以到 2 或 3。
獲利峰態（kurt）	跟一般的高斯分佈比較，比高斯分佈更尖則 kurt 越高，通常代表策略績效越穩定。一般股票的大盤 kurt 大約在 1~2，大於 2 算是勉強堪用，5 以上就算還不錯。
偏態	也是跟高斯分佈比較，越偏向右邊越小，通常 -0.5 以下算是勉強堪用，-1 左右算是還不錯。

上傳策略，每天自動更新

sim 的參數 upload 預設是 None：只有在雲端排程、或在 Studio 網頁手動執行筆記本時才會上傳；其他地方（自己的電腦、Colab）要在平台上顯示選股清單，請明確設定 upload=True。

複製下列程式碼，貼到 FinLab 量化平台，即可設定每日自動更新策略清單：

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')

sma20 = close.average(20)
sma60 = close.average(60)

entries = close > sma20
exits = close < sma60

position = entries.hold_until(exits, nstocks_limit=10, rank=-pb, take_profit=0.4)
sim(position, name='策略教學範例:pb_ma')

下一步

策略常用的 Pandas 語法篩選、運算、移動窗格與畫圖，寫條件前先熟悉。
寫選股條件 hold_until、is_largest 等選股函式的完整用法。
歷史回測換股頻率、停損停利、交易紀錄與波動分析。
每天自動更新策略讓策略每天重跑，換股日收到通知。

這一頁有幫到你嗎？