Table of Contents
本研究所探討之「券商共識資料」，主要彙整市場上各家證券商對上市櫃公司之目標價預測與投資建議（評等）資訊，藉由凝聚市場多數分析師的群眾智慧，以排除單一券商的極端預估偏誤，並提供具客觀性的市場預期指引。
上篇檢定顯示，單因子如評等強度（rating_rank）與廣度指標（noa2）易受同分擁擠與偏態干擾；目標價分歧度（disp1）具短線動能催化效果；變動因子（Revision）則因訊號稀疏難以有效選股。為克服單一指標受樂觀偏誤與極端雜訊影響之缺陷，本研究進一步透過因子工程進行多因子交叉組合。
多因子（複合因子）的檢定結果顯示，同時結合「評等強度」與「市場樂觀一致性」兩項資訊的複合因子 comp_D（投資建議分數 × 淨樂觀券商占比）表現最為突出，不僅有效排除了少數極端報告的雜訊，其報酬結構更呈現極為穩健的單調遞增特性，並以 0.2179 的 ICIR 表現位居所有因子之首，證實其兼顧勝率與穩定性的優勢。
本篇（下篇）將進一步邁向實戰，把此一表現最穩定的 comp_D 因子導入真實的交易回測架構中。我們將在納入完整的台股標準交易成本（含證券交易稅與手續費）與滑價限制等實務考量下，檢驗該策略在 2020～2025 年多空循環下的真實獲利與風險承受能力。更重要的是，本篇將深入剖析該策略在不同市場流動性分層（前 100 至前 600 大標的）下的績效表現，探討這套基於群眾智慧的選股邏輯，其超額報酬（Alpha）究竟在何種流動性結構下才能發揮最大實戰價值。
💡 還沒看過上篇的因子檢定嗎？建議先閱讀【上篇：目標價及投資建議因子檢定】！
為驗證前述因子於實際交易環境中的可行性與獲利能力，本研究採用量化交易領域廣泛使用之 Zipline 事件回測框架，建構一套貼近實務操作流程之月頻量化選股策略。整體回測架構如表五所示。
本策略採用月頻多頭等權重選股（Monthly Long-only Equal-weight）之設計，每月進行再平衡，並以複合因子 comp_D（投資建議分數 × 樂觀度）作為核心選股指標。在選股流程上，首先依市場流動性進行分層篩選，以過去 60 日「日成交金額（收盤價 × 成交量）」之平均值作為流動性衡量基準，並依此選取前 N 大標的（N 分別設定為 100、200、400 與 600）。在完成流動性過濾後，再依 comp_D 排序，選取排名前 20 檔股票進行等權重配置，並保留 10% 現金部位作為流動性緩衝。
圖六、選股流程圖
其他回測設定如下表說明:
表五、實戰交易回測架構說明
| 項目 | 設定 |
| 策略類型 | 月頻多頭等權重選股 (Monthly Long-only Equal-weight) |
| 因子合成 | 直接採用 comp_D（投資建議分數 × 樂觀度）作為選股指標 |
| 選股數量 | 首先篩選流動性必須在前 N 大（N=100, 200, 400, 600），之後再取 comp_D 最高的前 20 檔。 流動性：以過去 60 天「每日收盤價 × 成交量」的簡單平均計算，依金額大小排序後取前 N 名，評估流動性母體對策略績效的實質影響。 |
| 持股權重 | 等權重配置，總資金投入比例 90%（保留 10% 現金緩衝） |
| 再平衡頻率 | 每月最後一個交易日 |
| 初始資金 | NT$ 10,000,000 |
| 交易成本 | TEJ 台股標準手續費（含 0.1425% 手續費 × 6折 + 0.3% 證交稅） |
| 滑價模型 | 依據成交量限制滑價 VolumeShareSlippage(volume_limit=1, price_impact=0) |
| Benchmark | IR0001（台灣加權報酬指數） |
| 回測期間 | 2020-01-01 ~ 2025-12-31 |
在將複合因子導入實務回測後，可以觀察到一項關鍵現象：券商共識型因子的有效性高度依賴標的之市場流動性。在流動性排名前 100 或前 200 大之高流動性標的中，由於法人研究覆蓋密集、報告更新頻繁且資訊反映速度較快，使得「群眾智慧」得以充分發揮定價效率，因此策略表現顯著優於整體市場。相對而言，當選股範圍擴大至前 400 或前 600 大時，雖然標的數量增加，但資訊覆蓋稀疏與更新延遲的問題亦同步放大，導致高品質共識訊號被稀釋，進而削弱整體策略報酬表現。
實證結果可歸納為兩項主要觀察：
首先，高流動性濾網是超額報酬能否成立的關鍵條件。當選股池嚴格限制於成交值前 100 大標的時，策略累積報酬達 240.52%，年化報酬為 23.57%，明顯優於同期大盤的 20.51%。然而，隨著流動性門檻放寬至前 400 與前 600 大，年化報酬分別下降至 11.60% 與 14.39%，甚至落後大盤表現。此結果顯示，券商共識資料的定價效果主要集中於市場主流交易標的，對於中小型或低流動性股票之解釋能力明顯下降。
其次，策略表現呈現明顯的風險與報酬權衡關係。雖然前 100 大組別具備最高的絕對報酬與夏普比率（0.95），但其最大回撤亦達 -40.04%，顯示策略在追求報酬之同時承擔較高波動風險。相較之下，前 200 大組別在維持相同夏普比率（0.95）的前提下，年化報酬為 22.98%，且最大回撤略為收斂至 -38.49%，提供較為平衡的風險報酬結構，屬於較具實務可行性的配置區間。
整體而言，回測結果顯示券商共識因子並非單純「全市場有效」，而是具有明顯的市場結構依賴性，其 Alpha 主要集中於高流動性與高資訊密度標的之中。
表六、不同流動群組之回測績效比較
| 流動性群組 (Top N) | 累計總報酬 | 年化報酬 (CAGR) | 夏普比率 (Sharpe) | 最大回撤 (MaxDD) |
| 前100大 (極高流動性) | 240.52% | 23.57% | 0.95 | -40.04% |
| 前200大 (高流動性) | 231.28% | 22.98% | 0.95 | -38.49% |
| 大盤基準 (IR0001) | 194.58% | 20.51% | 1.05 | -28.55% |
| 前400大 (中高流動性) | 88.77% | 11.60% | 0.61 | -37.76% |
| 前600大 (全市場標準) | 117.74% | 14.39% | 0.74 | -34.26% |
圖七、複合因子comp_D （投資建議分數 × 樂觀度）高流動性組前20大選股之績效走勢
本研究透過系統性的因子工程方法，結合 Alphalens-tej 橫斷面檢定與 Zipline-tej 回測框架，完整評估券商共識資料在 2020–2025 年多空循環下之 Alpha 表現與實務應用潛力。整體實證結果可歸納為以下三項核心發現[林怡1] ：
在單因子層面，傳統的絕對評等（rating_rank）與廣度指標（noa2）雖然具備一定預測能力，但容易受到分布偏態與同分擁擠（ties）問題影響，導致分組區辨度受限。然而，透過交叉組合後可觀察到，高分歧度在台股市場中具有顯著的動能催化效果，例如 comp_A 與 comp_C，在標的同時具備高評等或高樂觀比重，且市場意見分歧加劇時，反而能形成短期超額報酬來源，顯示分歧資訊在特定情境下具有動能放大效果。
在複合因子中，以 comp_D（投資建議分數 × 淨樂觀比重）表現最為穩定且一致，其 ICIR 達 0.2179，位居所有因子之首。該因子透過「評等水準」與「市場一致性」兩項資訊的結合，有效排除依賴少數極端目標價所形成的噪音訊號，使報酬結構呈現較為穩定的單調遞增特性。相較於高分歧因子所帶來的短期報酬爆發性，comp_D 更適合作為長線穩健型策略之核心選股依據。
回測結果顯示，券商共識因子的有效性高度依賴市場流動性結構。在流動性前 100 與前 200 大標的中，由於資訊覆蓋密集且法人參與程度較高，群眾智慧能充分反映於價格形成過程，因此策略表現顯著優於市場基準；然而當選股範圍擴大至中低流動性標的時，因資訊稀疏與更新落差所造成的訊號衰減，使 Alpha 效果明顯下降，甚至出現相對失效現象。
整體而言，本研究所建構之券商共識類因子，在橫斷面預測能力上僅呈現中度效果，IC 均值最高約 0.02、ICIR 約 0.22，顯示分析師一致性預期雖具方向性資訊，但其單因子預測強度與穩定性仍屬有限，難以單獨構成高度穩健之 Alpha 來源。然而，在策略層面上，年化報酬仍可達 22.95%，優於同期大盤之 20.51%，顯示該類資訊仍具備實務投資參考價值；惟其 Sharpe ratio 為 0.95，略低於市場之 1.05，代表風險調整後績效仍有改善空間。
「【免責聲明】本研究僅供學術探討與量化因子策略檢驗交流之用，內容不涉及任何投資諮詢、買賣推薦。」
本研究證實單一市場預期訊號受限於偏態與雜訊，須結合多維因子與嚴謹流動性濾網，方能建構穩健的超額報酬策略。然而，實務上處理多維特徵與前視偏誤往往耗費龐大工程成本。研究團隊可借力 TEJ Factor Library 因子資料庫，其全面採用嚴格的 Point-in-Time（PIT）架構並涵蓋 11 大類超過百項在地化因子，提供即裝即用的標準化數據集。研究人員能藉此大幅加速多因子組合與 Alpha 挖掘進程，無縫銜接實務策略落地
