漫步華爾街：柏頓．墨基爾 (Burton G. Malkiel) 選股法則

從「隨機漫步」到「理性選股」：柏頓．墨基爾的投資哲學

柏頓．墨基爾（Burton G. Malkiel）是 1970 年代以來最具影響力的經濟學家之一。他在 1973 年出版的傳世經典《漫步華爾街》中提出了著名的「隨機漫步理論」，認為市場大部分時間是有效率的，並強烈建議大眾應優先考慮低成本的指數化投資。

然而，墨基爾也深知市場並非完美無瑕，對於追求超越大盤的投資者，他提出了一套「生存指南」。 他主張投資者不應盲從技術分析，而應理性結合「磐石理論」（基本面內在價值）與「空中樓閣理論」（群眾心理預期），尋找具備成長潛力且價格合理的標的。其策略核心並非預測市場短期走勢，而是透過紀律化且可重複驗證的條件，篩選出「獲利具備成長潛力、但估值尚未被市場充分反映」的企業，藉此在長期投資中對抗市場的隨機波動。本研究將利用 TEJ 量化資料庫與 TQuant Lab 回測系統，將這套源於 20 世紀美股的大師法則，精準對接至現代台股市場。透過高品質的數據回測，我們將驗證這套「理性選股」策略在台灣是否依然能開創超額報酬，並展示數據驅動決策在風險控管與收益增強上的實戰價值。

 

大師法則的台股量化策略

為了將墨基爾「高品質、低估值」的理念落實為可執行的量化邏輯，我們設定了以下進出場條件：

柏頓．墨基爾選股策略的條件

選股條件：

• 穩定成長特質： 過去四年中，至少有兩年營收成長率（TTM）優於同產業平均，且至少有三年稅後淨利成長率優於同產業平均。
• 估值篩選： 將符合上述成長條件的公司，依據本益比（PER）由低至高排序，選取前 30 名作為投資組合。
• 規模限制： 排除所屬產業公司數小於 40 家的類股，以確保產業平均具備統計代表性。

資料來源與期間設定

本研究的所有數據均取自 TEJ 台灣經濟新報 資料庫，透過標準化處理確保跨年度數據的一致性。

• 資料來源：TEJ 投資用財務資料庫、股價資料庫
• 樣本範圍：台灣上市櫃普通股
• 回測期間：2020 年 1 月 至 2025 年 7 月
• 再平衡頻率：每120天。
• 部位配置方式：等權重配置。
• 初始資金：1000 萬。
• 交易成本：買入：0.1425% 手續費；賣出：0.1425% 手續費 + 0.3% 證券交易稅
• 滑價成本： 假設每次交易產生 1 個跳動點（tick）的滑價成本
• 槓桿限制：0.9（即投資組合總市值不超過帳戶淨值之 90%）

👉  立即前往 [GitHub] 獲取 TQuant Lab 完整程式碼，掌握策略實作細節。

柏頓．墨基爾長期策略在台股的實踐

透過 TQuant Lab 的回測系統實證，柏頓．墨基爾的「成長與估值平衡策略」展現了優異的穩定性。回測結果顯示，本策略在長達 64 個月的測試期間中，不僅在累積報酬率上大幅勝過大盤，更展現了卓越的超額報酬能力（Alpha 值達 0.22）。 雖然台股市場波動劇烈，年化波動率約 32.97%，但透過嚴格篩選具備實際盈餘成長與低本益比的標的，該策略在獲利效率上依然維持了高水準，其夏普比率（Sharpe Ratio）達到 1.10，顯示其在承擔風險的同時，能換取相當優異的報酬對價。

表：策略績效指標摘要

指標項目	墨基爾選股策略	台灣加權指數 (Benchmark)
年化報酬率 (Annual return)	36.24%	XX.XX %
累計報酬率(Cumulative returns)	421.60%	XX.XX %
年化波動率 (Annual Volatility)	32.97%	XX.XX %
夏普比率 (Sharpe Ratio)	1.10
最大回撤 (Max Drawdown)	-38.22 %
Alpha	0.22
Beta	0.92

從累積報酬率曲線可以發現，策略在 2020 年後的台股多頭行情中具備極佳的進攻性，這主要歸功於選股濾網精準捕捉了「營收成長」與「稅後淨利」雙優的企業。 即使在 2022 年大盤大幅修正期間，由於低本益比的評價保護，策略績效與大盤的差距依然持續拉開，形成顯著的超額報酬。

圖 1：策略累計報酬率圖（Cumulative Returns)

說明：圖中綠線為 Backtest 策略，灰線為 Benchmark 大盤

圖 2：最大回撤圖（Drawdown）

最大回撤（MDD）反映了投資過程中可能面臨的最極端帳面損失。 本策略的最大回撤（MDD）為 -38.219%，顯示即使具備穩定選股邏輯，在系統性風險發生時仍可能承受顯著波動。這也提醒量化投資者，在追求高報酬的同時，必須同步思考部位集中度與風險曝險管理。透過數據分析，投資者可理解如何利用 TEJ 資料庫中的風險因子，進一步優化進出場時機，以緩解回撤帶來的心理壓力。

大師策略之實效性總結與模型優化建議

經由 TEJ API 與 TQuant Lab 的數據實證，柏頓．墨基爾（Burton G. Malkiel）的選股法則在台股市場展現了顯著的有效性。本研究核心邏輯在於結合「企業盈利增長動能」與「相對估值位階」進行篩選，實證結果顯示該組合在 64 個月的測試區間內，累積報酬率達 421.60%，且 Alpha 值為 0.22，反映出該量化模型具備產生穩定超額報酬之能力。

在台股高度波動的環境中，透過「本益比排序」與「營收成長率優於產業平均」的雙重過濾，能篩選出具備長期競爭優勢的標的。此量化實證結果顯示，即便在具備「隨機漫步」特徵的市場中，藉由嚴謹的因子定義與高品質的數據庫支持，投資者仍能建構出具有統計顯著性的投資組合，並有效規避非理性市場情緒所帶來的估值偏離風險。

策略優化建議：

縱使回測數據表現優異，但從 TQuant Lab 產出的風險指標分析，本策略仍有以下可優化之面向：

• 回撤風險控管（Drawdown Management）： 回測顯示最大回撤（MDD）達 -38.219%，反映出策略在系統性風險發生時之敏感度較高。後續研究可考慮加入「市場趨勢濾網」（Market Regime Filter），例如監控大盤移動平均線走勢，於市場空頭排列期間動態調整曝險比率（Exposure），以.以提升策略之風險調整後報酬。
• 流動性限制因子（Liquidity Constraints）： 雖策略已排除公司數過少之產業，但為確保實務交易之可執行性，建議於選股模型中增設「日均成交值」或「換手率」門檻，以降低大額交易產生的滑價衝擊。

動態再平衡機制（Dynamic Rebalancing）： 目前採固定 120 天之調整頻率。未來可嘗試導入「事件觸發型再平衡」，針對個別標的之波動率（Volatility）或基本面劇烈變動進行即時調整，以提升資本配置之效率。

從高品質資訊開啟量化之路：TEJ TQuant Lab回測系統

墨基爾的經典法則強調「以合理的數據，驗證長期的價值」。然而，要在台股數千檔標的中，即時計算「優於產業平均」的成長率並排序「本益比分位點」，需仰賴高效的量化工具。

TEJ 量化資料庫：克服前瞻偏差的關鍵數據

量化回測最忌諱使用「未來資料」。TEJ 量化資料庫 的核心優勢在於完善的 Point-in-Time (PIT) 當時點數據架構。這代表資料庫紀錄的是數據「當時」發布的正確數值與時間點，而非事後修正後的數字。透過 PIT 數據，您能確保回測時使用的是當時市場真正能取得的資訊，徹底排除「前瞻偏差（Look-ahead Bias）」，讓回測績效具備極高的實戰參考價值。

TQuant Lab：一站式量化策略開發平台

TQuant Lab 是專為量化交易者設計的專業開發環境，整合了從數據調取、策略研發至績效評估的全流程優勢： 

• 精準數據與高效整併：內建 Point-in-Time (PIT) 量化資料集，配合 TejToolAPI 自動完成跨頻率數據整併（如將季、月頻率財務指標轉換至日頻率），讓使用者在排除前瞻偏差的前提下，快速建構如「營收成長率」等複雜選股因子。 
• 高模擬度事件驅動回測：採用 事件驅動 (Event-driven) 架構，全方位模擬台股真實交易環境。回測過程中嚴謹計入證交稅、手續費與滑價成本，並具備注意股、處置股等流動性過濾機制與資金控管功能，確保回測績效具備高度的可執行性。 
• 多構面績效量測指標：系統化產出專業評估報表，包含涵三大構面： 
  • 報酬指標：累計報酬率、年化報酬率、Alpha 值。 
  • 風險指標：最大回撤 (MDD)、夏普比率 (Sharpe Ratio)。 
  • 持股分析：前十大持有標的占比、換手率統計。 

數據的品質與工具的效率，決定了量化模型的生命力。不論您是想複製大師經典策略，或是開發獨門的因子模型，TEJ 與 TQuant Lab 都是您在資本市場中最堅實的數據後盾。

 本文內容僅供研究與學術探討之用，不構成任何投資建議。