FinLab Studio量化選股策略：年化報酬率破百%的祕密與風險控管

很榮幸在7月中旬獲得 FinLab Studio 首批測試資格，經過快一個月的策略開發與驗證，想與大家分享一組表現亮眼的量化選股策略開發心得。

🔗 相關連結： FinLab Studio 平台：https://studio.finlab.tw/waitlist?refCode=I9YUZ8

策略開發歷程

核心構想與實作

1. Vibe Coding 開發模式：以 FinLab 官方範例「本益成長比策略」為起點，融合個人近十年實戰交易經驗，挑選相應的財務指標，並採納 AI 建議加入技術面篩選條件，最終達成年化報酬率超過 100% 的驚人表現。
2. AI 輔助 策略優化：系統性尋找指標與參數的最佳組合，大幅提升策略開發效率。
3. 執行策略：採用營收公佈後再平衡機制，有效降低交易摩擦成本，同時減少日常看盤時間，專注於策略研發工作。
4. 風險控管：透過position_limit可以有效降低最大回檔風險

關鍵問題：年化報酬破百是否過擬合？

面對如此亮眼的回測績效，我們必須審慎檢視是否存在過擬合（overfitting）的風險。

風險控制與穩定性驗證

1. 風險評估：高報酬必然伴隨高風險，此策略最大回撤約 29%(夏普比率2以上)，投資人需有相應的風險承受能力。
2. 分年度績效分析：
3. • 將策略按年度拆分驗證，發現連續 12 年均能超越大盤表現。
   • 特別值得注意的是，在 2015 年空頭市場中逆勢突出，僅落後2020超級量化寬鬆特殊年度的績效。
   • 2022年烏俄戰爭&暴力升息、2019年與2024Q3後至今 美國總統川普關稅貿易戰動亂年度依然有穩定表現。
   • 僅有 2014 年回測起始年度的績效相對落後。
3. 過擬合風險識別：
4. • 發現 Optuna 優化過程可能存在資訊洩漏風險。
   • 即使採用訓練/測試集分離，AI 仍可能獲取全數據集資訊。
   • 這可能導致參數過度優化，影響實戰表現。
4. 穩健性測試：透過參數搖晃測試，發現報酬率即使下降，也仍保持 50% 以上，最大回撤風險也相應降低，策略具備一定穩健性。

重要提醒

市場環境持續變動，歷史績效不代表未來表現。

此策略仍需要更多樣本外數據進行驗證，我將定期分享月營收換股結果，供同好參考討論。

⚠️ 投資警語

• 本文僅為策略研發分享，非投資建議。
• 附圖量化策略持股若月營收公布後不符篩選條件將自動剔除。
• 請勿直接作為投資依據，投資前請審慎評估自身風險承受能力。