Factor Library 因子資料庫_TEJ

May 08 2025

關鍵字標籤：

Point-in-Time 回測因子因子投資量化分析

Factor Library因子資料庫 - 涵蓋動能、股息率、價值、成長等九大因子分類，高效率實踐因子投資 — Factor Library因子資料庫 – 涵蓋動能、股息率、價值、成長等九大因子分類，高效率實踐因子投資

Table of Contents

前言

過去數十年來，量化投資已從學術理論，逐步演變為現代投資管理的核心支柱。CAPM（資本資產定價模型）、APT（套利定價理論）以及 Fama-French 多因子模型等基礎架構，重塑了投資人辨識與量化系統性報酬驅動因素（即所謂「因子」）的方式。這些因子已廣泛融入機構投資流程，應用於 alpha 信號捕捉、投組建構與風險控管等各層面。

然而，因子數量迅速擴增、定義標準不一甚至統計依據薄弱的現象，促使學術界將其稱為「因子動物園（Factor Zoo）」。這一現象突顯了市場對高品質、結構化資料與嚴謹應用框架的迫切需求。

為解決這些挑戰，TEJ 推出了 Factor Library 因子資料庫。該資料庫採用完整 Point-in-Time（PIT）架構，涵蓋超過 100 項因子，兼具學術基礎與在地市場調整，劃分為九大類別。這項設計專為台灣股票市場而生，協助投資人加快研究速度、建立可重複的量化策略，並透過透明一致的資料，提升 alpha 信號的可靠性。

即便有了資料基礎，因子投資從研究到實務執行，仍是一項高度繁瑣且挑戰重重的工作。

因子投資的挑戰

在因子投資流程中，自資料蒐集至策略建構，各階段皆高度繁瑣。

首先，研究團隊必須從多個資料來源（如第三方資料庫或自行爬蟲）收集財務、交易面等資料，但這些原始資料格式不一、欄位命名不一致，且多數資料缺乏 Point-in-Time 架構，容易產生前視偏誤（look-ahead bias）。

其次，資料前處理需處理缺漏值、極端值與發布時點對齊，這些作業耗時且技術門檻高。接著，設計與撰寫因子邏輯需研讀大量文獻，釐清定義與計算邏輯，並考量是否適用於本地市場，進一步拉高研究門檻。

上述環節不僅耗費人力，且更容易出錯，導致研究進度緩慢與成果難以重現。若能透過系統性分類、標準化資料處理與嚴謹的學術驗證，建構因子資料庫，將可有效簡化流程，讓投資者更專注於策略研發並提升整體效率。

Factor Library 因子資料庫介紹

因子係用以解釋資產風險與報酬之特徵，並可以成為驅動投資組合風險與報酬的重要元素，TEJ的Factor Library因子資料庫涵蓋動能、股息率、價值、成長、品質、流動性、波動度、規模與情緒等九大因子分類。所有資料皆採 Point-in-Time 處理，避免前視偏誤，並具備完整透明的資料追溯機制。

Factor Library 資料庫建構方式如下：

學術方法
- 資料來源：國內外期刊與金融機構研究，輔以 TEJ 研究成果。
- 使用資料：TEJ 投資用資料庫，全面採用 PIT 架構。
- 建構方式：依據學術定義，調整為本地市場適用版本。
- 資料起始時間：為2013年，使用價量資料建構的因子可從2005年開始。讓使用者能以較長期的視角，深入了解因子在不同市場環境下的表現與特性。
- 資料發布頻率：每個交易日（T日）的15:00到T+1日08:30之間，更新T日的因子資料。
- 因子數量：2025年建構超過100項因子，包含學術因子與機器學習因子。
機器學習方法（2025 年初開始研發）
- 結合監督式與非監督式演算法，強化預測能力與台灣市場適用性。
另類資料方法（2025 年初開始研發）
- 將新聞媒體、ESG等非傳統資料轉化為具投資價值的因子，提供超越傳統因子的資訊，並提升策略多樣性與風險因應能力。

目前因子涵蓋九大類型，說明如下圖與下表：

表一、Factor Library 的代表因子

類別	具體描述
動能（Momentum）反映公司股價與基本面表現的延續性。	包含價格動能（Price Momentum）與基本面動能（Fundamental Momentum）兩種子分類。
股息率（Dividend Yield）	反映公司股利政策。
價值（Value）	反映市場對公司的估值大小。包含帳值市價比（Book-to-Price）與盈餘殖利率（Earnings Yield）兩種子分類。
成長（Growth）	反映公司獲利的成長潛力。
品質（Quality）	反映公司基本面特質。包含獲利能力（Profitability）、獲利品質（Earnings Quality）、投資品質（Investment Quality）、盈餘波動（Earnings Variability）、安全性（Solvency）等。
流動性（Liquidity）	反映公司股價或報酬率的不確定性。包含Beta與殘差波動度（Residual Volatility）兩種子分類。
波動（Volatility）	反映公司股價或報酬率的不確定性。包含Beta與殘差波動度（Residual Volatility）兩種子分類。
規模（Size）	反映企業的市場價值。
情緒（Sentiment）	反映市場參與者對股票的看法和情緒。包含資金流向（Fund Flow）、持股狀態（Holdings）、新聞媒體資訊、投資者行為（Behavioral）等子分類。

👉延伸閱讀：TEJ投資用資料庫　量化資料與一般資料的差異

Factor Library 因子資料庫應用情境

因子資料庫的價值不僅在於提供完善的數據，更在於能夠支持各式各樣的投資應用情境。投資人可依據自身策略目標，運用單一或多重因子進行選股、風險評估，或建構量化模型。

因子資料如何協助投資決策與策略開發：

因子選股：
透過單一或多重因子資料篩選標的，識別具備特定特徵的股票，有助於投資人聚焦於具備理想條件的資產，提升選股效率與決策精準度。
量化投資：
利用因子資料，研究人員可開發全新投資策略或優化既有策略，進一步構建量化模型，捕捉特定風險溢酬與獲利機會，提升投組報酬潛力。
風險分析：
藉由因子資料評估各投資標的的潛在風險，有助於投資人強化投資組合風控機制並優化資產配置。

應用範例：多因子選股策略建構

股票池篩選： 依流動性、市值等條件，定義可投資股票範圍。
因子檢測與選擇： 分析因子有效性，篩選適用因子。
模型構建： 將選定因子標準化（Z-Score）後加權合成，產生綜合分數。
策略建構與執行： 設定再平衡、投組權重條件，並依據模型產出的選股標的進行交易。

因子策略的累計報酬率圖，利用因子資料幫助使用者進行績效回測，找到優於大盤的因子策略

Factor Library 因子資料庫的關鍵價值與效益

面對因子數量暴增與資訊落差的市場現實，研究人員常陷入資料準備、驗證與維護的繁瑣流程，難以集中資源於策略優化與回測應用。TEJ Factor Library 正是為了解決這樣的痛點而設計，其資料服務不僅講求學理依據與市場實務兼顧，更重視更新頻率、資料結構與使用彈性的完整性。

Feature（特色）：
提供每日更新的因子資料，採用完整的 Point-in-Time 架構，涵蓋多元因子分類。所有計算方式均具學術基礎，並附有完整說明，處理流程透明且可追溯。
Advantage（優勢）：
有效縮短研究時間，降低資料錯誤風險，並提升策略的穩健性與回測結果的可信度。
Benefit（效益）：
加速研究週期、提升開發效率，有效支援量化策略的研發與落地應用。

表二、因子說明範例

因子代碼	mom52wh
因子名稱	動能因子（52周高點）
因子英文名稱	52-Week High Momentum (MOM52WH)
因子分類	動能
因子子分類	價格動能
預期方向	正向
參考文獻	George, T.J., & Hwang, C. (2004). The 52-Week High and Momentum Investing. Journal of Finance, 59(5), 2145-2176.
計算方式	當日調整後收盤價除以近252日的調整後最高價。

開始使用因子資料庫，為投資團隊開啟精準高效的研究之門！

因子資料庫的建構，為投資團隊開啟精準高效的研究之門。透過標準化、系統化與透明的資料服務，TEJ Factor Library 因子資料庫協助使用者從資料取得、因子設計到策略落地，全流程無縫接軌，讓因子投資真正落實於日常操作之中。

因子資料庫不僅是研究工具，更可作為量化投資策略的基石，不僅提高選股效率，更可作為回測、優化與風險評估的核心依據。透過日常更新的 Point-in-Time 架構、涵蓋九大因子類別與超過百項指標，TEJ Factor Library 因子架構已結合學術理論與台灣市場實務，提供穩健的資料基礎，協助策略回測、投資組合建構與風險管理等各環節。面對市場不確定性與因子擴張的挑戰，唯有掌握具備可驗證性與高度彈性的資料庫，方能在因子投資浪潮中搶得先機，打造永續且具前瞻性的量化研究生態系。

優化你的量化策略，現在就聯繫TEJ