價值投資績效比較
傳統量化 × 機器學習
傳統量化 × 機器學習
研究生：梁皓鈞
指導教授：邱嘉豪 博士
東吳大學 資料科學系 碩士在職專班
指導教授：邱嘉豪 博士
東吳大學 資料科學系 碩士在職專班
專案介紹
本研究探討傳統量化技術與機器學習方法在台灣股市價值投資中的應用差異，以 Piotroski F-score 九項基本面指標為基礎，建立季頻率傳統量化選股策略，並進一步導入隨機森林（Random Forest）機器學習模型，將財務指標轉為連續型特徵，結合滾動財報數據與上季報酬率，預測個股下季報酬表現排名。
回測期間涵蓋 2014～2024 年，覆蓋台灣所有上市櫃公司（排除金融股），策略每季調整一次。透過比較 Random Forest、XGBoost、LSTM 三種模型後，最終選定隨機森林並以貝葉斯優化調整超參數，在驗證集上取得 29% 報酬率，全面優於傳統量化策略（27%）與 0050 ETF（9.53%），並且 ML 前 50 名組合 Sharpe Ratio 高達 3.19，最大回撤僅 -0.91%。
核心績效（ML 前 50 名策略）
30.82%
年化報酬率
（ML 前50名）
（ML 前50名）
vs 0050 ETF 9.53%
3.19
夏普比率
Sharpe Ratio
Sharpe Ratio
vs F-score策略 0.99
-0.91%
最大回撤
Max Drawdown
Max Drawdown
vs 0050 -15.59%
83.33%
策略勝率
（按季統計）
（按季統計）
vs 0050 ETF 58.33%
主要功能
📋 F-score 傳統量化選股
以 Piotroski F-score 九項基本面指標為基礎，從獲利性（ROA、CFO）、安全性（槓桿、流動比率）、成長性（毛利率、資產週轉率）三大面向評估台股體質，建立規則明確、可解釋性高的季頻率傳統量化選股流程。
🤖 隨機森林投資模型
將 F-score 九項指標轉為連續型數值，加入滾動 1/2/3/5 年財報特徵及上季個股報酬率作為動能因子，以隨機森林預測下季報酬排名。透過貝葉斯優化調整超參數（n_estimators: 547, max_depth: 10），在驗證集取得 29% 報酬率。
📊 多模型比較驗證
系統性比較 Random Forest、XGBoost、LSTM 三種模型在 16 種輸入/輸出變數組合下的表現，從模型準確率、驗證集報酬、泛化能力等面向綜合評估，最終選定隨機森林（驗證集報酬 29% vs XGBoost 19% vs LSTM 12%）。
🎯 彈性投資組合設計
ML 模型可依投資人風險承受度靈活選擇持有前 10/20/30/50 名標的。標的越集中報酬越高（前10名年化 38.39%）但波動越大（Sharpe 1.88），前50名則在報酬（30.82%）與風險控制（Sharpe 3.19、MDD -0.91%）間取得最佳平衡。
研究成效
夏普比率比較（2021–2024）
風險調整後報酬，ML 前50名表現最為突出
夏普比率越高，代表每承擔一單位風險所獲得的超額報酬越多
最大回撤比較（2021–2024）
ML 策略風險控制能力顯著優於傳統方式
ML 前50名策略最大回撤僅 -0.91%，遠優於 0050 ETF 的 -15.59%
| 策略 | 年化報酬率 | 累積報酬 | 年化波動率 | 最大回撤 | Sharpe Ratio | 勝率 |
|---|---|---|---|---|---|---|
| 元大 0050 ETF（基準） | 9.53% | 131.39% | 15.25% | -15.59% | 0.62 | 58.33% |
| F-score 策略（低 P/B） | 27.27% | 206.17% | 12.51% | -5.24% | 2.18 | 75.00% |
| ML 前 50 名 | 30.82% | 223.88% | 9.67% | -0.91% | 3.19 | 83.33% |
| ML 前 30 名 | 35.45% | 248.51% | 12.64% | -2.37% | 2.80 | 83.33% |
| ML 前 10 名 | 38.39% | 265.02% | 20.39% | -8.29% | 1.88 | 75.00% |
※ ML 回測期間：2021Q1–2024Q1 共 3 年；F-score 傳統策略回測期間：2014Q1–2024Q1 共 10 年；資料來源：公開資訊觀測站、台灣證交所、yfinance
技術架構圖
價值投資績效比較研究流程
本研究以相同資料基礎同時建立傳統 F-score 量化策略與隨機森林機器學習模型，透過一致的季頻率回測架構比較兩類方法在台灣股市價值投資情境下的表現差異，藉此分析不同投資方法的優勢、限制與實務應用可能。
研究結論
01
F-score 傳統量化可長期超越大盤
調整為季頻率的 F-score 選股策略在 10 年回測（2014–2024）中，年化報酬率達 18.91%，Sharpe Ratio 達 0.99，累積報酬 565.37%，全面優於元大 0050 ETF 的年化 13.71%、Sharpe 0.84、累積 361.46%，驗證基本面量化選股在台灣市場的長期有效性。
F-score 年化 18.91% Sharpe 0.99 10 年累積 565%
F-score 年化 18.91% Sharpe 0.99 10 年累積 565%
02
機器學習策略在績效與風險控制上全面領先
在 2021–2024 年相同期間比較下，隨機森林 ML 前 50 名策略年化報酬達 30.82%、Sharpe Ratio 高達 3.19、最大回撤僅 -0.91%，勝率 83.33%，在報酬率、夏普比率與回撤控制三個核心維度均全面優於傳統量化策略（年化 27.27%、Sharpe 2.18、MDD -5.24%）與 0050 ETF。
ML 年化 30.82% Sharpe 3.19 MDD 僅 -0.91% 勝率 83.33%
ML 年化 30.82% Sharpe 3.19 MDD 僅 -0.91% 勝率 83.33%
03
選股集中度可依風險偏好靈活調整
ML 模型提供彈性的投資組合設計：前 10 名標的年化報酬最高達 38.39%，前 50 名標的則在 Sharpe Ratio 3.19 與最大回撤 -0.91% 間取得最佳風險調整後績效平衡。投資人可依據自身風險承受度，在追求高報酬（集中）或低波動（分散）之間靈活選擇，是量化投資教育與策略研究的重要參考。
ML 前10名 38.39% ML 前50名 Sharpe 3.19 彈性風險管理
ML 前10名 38.39% ML 前50名 Sharpe 3.19 彈性風險管理
成果報告
