PTT 爆文：工程師靠 Python 打造「AI 自動印鈔機」，績效輾壓 00878，鄉民全跪了！

揭秘工程師如何利用 Python 開源框架 Backtrader 與台股 API，打造結合「動能因子」與「高股息」的量化策略，實現比單純存股 00878 更高的夏普比率。

最近在 PTT Stock 版與 Soft_Job 版瘋傳一篇「神級」文章，一名竹科工程師分享自己利用下班時間，用 Python 自幹了一套「AI 自動交易機器人」，號稱回測績效在過去三年不僅輾壓高股息 ETF 00878，更在大盤修正時展現驚人的抗跌性。這篇文章瞬間引爆鄉民熱議，不僅是因為績效驚人，更因為他無私公開了核心的「開源技術棧」與「策略邏輯」。

今天，我們就從量化專家的角度，來拆解這台傳說中的「AI 印鈔機」到底是怎麼運作的，以及你該如何複製（並改良）它。

1. 核心引擎：不花錢的頂級軍火庫

這位工程師並沒有購買昂貴的看盤軟體，而是使用了全球最受歡迎的 Python 開源回測框架 —— Backtrader。

為什麼選 Backtrader？

靈活度極高：它是純 Python 編寫，可以輕鬆串接 Pandas 數據處理庫與 Scikit-learn 機器學習庫。
事件驅動 (Event-driven)：模擬真實市場的逐筆交易（Tick-by-tick），比簡單的向量回測（Vectorized Backtesting）更精準，能考慮到滑價與手續費。
社群強大：擁有海量文檔與範例，遇到問題隨時有 StackOverflow 支援。

台股在地化神隊友：光有引擎不夠，還需要燃料（數據）與輪子（下單）。在台灣，開源社群通常會搭配 Shioaji (永豐金 API) 或 FinLab 來抓取台股即時報價與歷史數據。這讓原本設計給美股用的 Backtrader，也能完美運行在台積電 ($TSM) 與聯發科身上。

2. 策略揭秘：「增強版 00878」 (Smart Beta + Momentum)

很多散戶的迷思是「越跌越買」，這在多頭市場沒問題，但在空頭市場就是接刀子。這位工程師的策略邏輯其實非常硬核且科學，他改良了傳統的高股息策略，加入了「動能因子 (Momentum Factor)」。

策略邏輯拆解：

選股池 (Universe)：直接鎖定 00878 或 0056 的成分股（確保流動性與基本面）。
進場濾網 (Entry Filter)：
濾網 A：殖利率 > 4%（高股息基底）。
濾網 B (關鍵)：股價必須位於「60 日均線 (季線)」之上，且 RSI 指標未過熱 (< 70)。這就是所謂的「右側交易」，只在股票強勢時持有，弱勢時空手。
出場機制 (Exit)：
跌破 20 日均線，或殖利率小於 3% 時獲利了結。
資金管理 (Position Sizing)：凱利公式 (Kelly Criterion) 或固定風險比例（例如單筆虧損不超過總資產 2%）。

為什麼能贏 00878？ 00878 是被動追蹤指數，成分股表現再爛都得持有（直到季度調整）。但這個 AI 機器人能做到「微米級」的反應，一旦成分股轉弱（例如某檔 AI 概念股炒過頭開始崩盤），機器人會在幾毫秒內賣出，避開了主跌段。這就是所謂的「避險」。

3. 技術實戰：三十行代碼的威力

雖然我們不能直接貼出完整源碼，但核心的 Backtrader 邏輯結構如下：

import backtrader as bt

class SmartDividendStrategy(bt.Strategy):
params = (('ma_period', 60), ('rsi_period', 14),)

def __init__(self):
self.ma = bt.indicators.SimpleMovingAverage(period=self.params.ma_period)
self.rsi = bt.indicators.RSI(period=self.params.rsi_period)

def next(self):
# 避免 Look-ahead bias，只看當前與過去的數據
if not self.position:
# 進場邏輯：股價在季線之上 且 RSI 健康
if self.data.close[0] > self.ma[0] and self.rsi[0] < 70:
self.buy()
else:
# 出場邏輯：跌破季線
if self.data.close[0] < self.ma[0]:
self.sell()

這段簡單的邏輯，配合 cerebro.run() 回測引擎，就能跑出過去 10 年的績效曲線。

4. 避雷指南：別被回測騙了

雖然標題很聳動，但身為量化專家，必須提醒幾個新手最常犯的致命錯誤：

未來視偏差 (Look-ahead Bias)：你的代碼是否在「今天開盤」時就用到了「今天收盤價」來決定買賣？這是回測績效好到飛天，實單卻虧成狗的主因。務必使用 next() 函數逐日推進，嚴格隔離未來數據。
過度擬合 (Overfitting)：如果你為了讓績效好看，把參數調成 ma_period=63, rsi_period=13.5 這種奇怪的數字，那你只是在「背答案」，而不是在預測未來。參數應該要有普適性（例如 20, 60, 100 這種整數）。
忽略交易成本：台股交易稅 0.3% 加上手續費，頻繁進出會吃掉大量獲利。Backtrader 允許你設定 commission，請務必設為 0.004 (0.4%) 以上來模擬真實環境。