台股量化回測系統 — TWSE Backtest

🛍️ ETF 儀表板 — 完整版

此 repo 為開源核心。完整版 ETF 儀表板 ($199) on Gumroad — 自動財報分析、評分系統、歷史回測與每日更新。

大飆股 DNA 策略的量化實作與歷史回測，涵蓋 2004–2026 年，支援全市場逐日掃描與 GitHub Pages 儀表板。

🌐 儀表板：slashmantools.us/twse-backtests

---

資料夾結構

twse-backtests/
│
├── core/                      # 策略核心（指標、策略、回測、掃描）
│   ├── indicators.py          # 技術指標計算庫
│   ├── strategy.py            # 買賣訊號邏輯（9步操作法）
│   ├── data_loader.py         # 資料載入與還原權值
│   ├── backtest.py            # 單股/全市場歷史回測報表
│   ├── main.py                # 每日全市場掃描器 + HTML/CSV 報表
│   └── bulk_charts.py         # 批量輸出訊號股 K線圖 JSON
│
├── crawler/                   # 資料爬蟲與調整器
│   ├── twse_crawler.py        # TWSE 每日 OHLCV 爬蟲（防封 IP）
│   ├── adjuster.py            # 還原權值調整器（backward adjustment）
│   ├── run_backtest.py        # 全市場年度資金模擬回測
│   ├── build_dividend_file.py # 從除權息日資料估算股利
│   ├── twse_validator.py      # 用 yfinance 驗證還原價格 MAPE < 0.5%
│   ├── run_yearly.py          # 按年份批量執行爬蟲
│   ├── check_year_progress.py # 檢查各年爬蟲完成進度
│   └── partition_by_year.py   # 將全量 parquet 依年份切割
│
├── tests/                     # 單元測試
│   ├── test_indicators.py     # 指標計算正確性驗證
│   ├── test_data_loader.py    # OHLCV 資料約束測試
│   └── test_strategy.py       # 買賣訊號邏輯測試
│
├── docs/                      # GitHub Pages 網站
│   ├── index.html             # 回測儀表板（無需框架，純 HTML/JS）
│   └── data/
│       ├── summary.json       # 各年度彙總（報酬率、勝率、交易次數）
│       └── YYYY_trades.json   # 每年逐筆交易明細 + 資產曲線
│
└── .gitignore

---

技術指標（core/indicators.py）

標準指標

指標	函數	說明
MACD	macd(close, fast, slow, signal)	標準 MACD；支援長週期（如 200/209/210）
MACD 四箭頭	macd_4arrows(close, fast, slow, signal)	箭頭1=DIF>0，箭頭2=DIF上升，箭頭3=訊號線上升，箭頭4=柱狀圖上升；arrows_count 為 0–4
DMI / ADX	dmi(high, low, close, period)	方向動量指標；支援 ADX300（超長週期確認主趨勢）；輸出 +DI、−DI、ADX、ADXR
威廉指標 WMS%R	wr(high, low, close, period)	值域 −100 ~ 0；< −80 超賣，> −20 超買
RSI	rsi(close, period)	標準相對強弱指標；策略使用 RSI60（日）、RSI4（月）等多週期
VR 成交量變異率	vr(close, volume, period)	(上漲日成交量 + 0.5×平盤) / (下跌日成交量 + 0.5×平盤) × 100；中值≈100，>150 量能偏多

獨創指標

N2 大盤轉折值

N2 = (前2個月最高點 + 前2個月最低點) / 2
備戰區 = N2 − 100

• N2 是大盤多空分水嶺；站上為多頭，跌破備戰區開始觀望
• 每月底以新的 2 個月高低點更新，避免訊號過早切換

6K/9K 上漲/下跌型理論

基於日 K 線計算累積攻擊/回調波段，是策略買賣時機的核心輔助指標：

• 上漲型 6K：連續收紅 K（不破前高），每根計 1 點，累積滿 6 點 = 短期過熱
• 上漲型 9K：累積 9 點 = 強力買進確認
• 下跌型 6K/9K：對應空頭波段計數
• 特殊處理：
  • 內含 K（High/Low 完全包含）：視為無效，不計入
  • 十字 K（Open ≈ Close）：暫存合併為下一根計算
  • 破前低/前高：計數重置

---

策略邏輯（core/strategy.py）

實作「九步操作策略法」，分為 8 個獨立訊號模組：

1. MarketSignalV2 — 大盤多空判定

輸入：大盤日 K + MACD（200/209/210） 輸出：BULL / BEAR / ALERT / CRASH

條件	加分
MACD 四箭頭全上	+30
DIF > 0	+20
收盤 > N2	+25
月 DMI +DI1 > 50	+15
連續大跌 3 根	強制 CRASH

2. BigStockBuySignalV2 — 大飆股買進（8條件）

條件	說明
B1 MACD 四箭頭 ≥ 3	日線 MACD(200/209/210) 至少 3 箭頭向上
B2 ADX > 20	日 DMI300 趨勢強度 > 20（主趨勢確認）
B3 威廉 < −20	日 WMS%R(50) < −20（未超買）
B4 RSI60 > 57	日 RSI60 > 57（中長期動能偏強）
B5 週 VR ≈ 150	週 VR 在 100–200（量能健康）
B6 月 VR ≈ 150	月 VR 在 100–200（月線量能確認）
B7 月 +DI1 > 50	月 DMI +DI1 > 50（月線方向向上）
B8 月 RSI4 > 77	月 RSI4 > 77（月線動能強勁）

• STRONG_BUY：B1+B2+B3 全中，加分條件 ≥ 3
• BUY：B1+B2+B3 全中，加分條件 ≥ 1

3. BigStockSellSignalV2 — 大飆股賣出

條件	說明
S1 月威廉 < −5	月 WMS%R < −5（月線超買）
S2a 月 RSI4 初次跌破 77	賣出 50%
S2b 月 RSI4 站回後再跌破 77	賣出剩餘 50%
S3 月 6K/9K	月下跌型 9K 達標
S4 類股輪動	同類股出現更強訊號

4. EntrySignal — 切入時機

• RSI60 分鐘線（60 分 K）反彈確認
• 收盤進入備戰區（N2 − 100 附近）
• 月線出現黑色 6K（短期回調進場）

5. CrashExitSignal — 危機出場

• 日線出現「頂天」型態
• 月線同時出現 6K/9K 下跌型
• 大盤跌破 N2 且 MACD 多箭頭消失

6. CapitalAllocator — 資金配置

• 權值股（0050 成份）：可動用 30%
• 中小型飆股：可動用 20%
• 金融股：視月 RSI4 動態調整

---

資料流程（core/data_loader.py）

D:/TWSE-Data/Raw/YYYY/_YYYY_daily.parquet
    ↓ 還原權值（Backward Adjustment）
D:/TWSE-Data/Adjusted/_temp/YYYY.parquet
    ↓ TWSEStockLoader.load_daily(ticker)
pandas.DataFrame [Date, Adj_Open, Adj_High, Adj_Low, Adj_Close, Adj_Volume, CumFactor]

還原公式（Backward Adjustment）：

從最新交易日往前，每遇到除權息日：

CumFactor[t] *= (Close_ExDate / Close_PrevDay)
Adj_Price[t] = Raw_Price[t] × CumFactor[t]
Adj_Volume[t] = Raw_Volume[t] / CumFactor[t]   ← 配股後股數增加，歷史量需放大

---

爬蟲（crawler/twse_crawler.py）

• 資料來源：TWSE MI_INDEX API（全市場每日 OHLCV）
• 防封 IP：每次請求間隔 120–300 秒（2–5 分鐘）
• 支援中斷續爬：進度寫入 _progress_YYYY.json，任意時間點重啟可接續
• Retry + Backoff：失敗最多重試 3 次，每次等待 ×2
• 跳過非交易日：自動判斷週末 + 台灣國定假日

---

回測方法（crawler/run_backtest.py）

模擬架構

• 資本單位：每筆固定投入 10 萬元（FIXED_ALLOCATION = 100,000）
• 各年獨立：每年各股各自從 10 萬元啟動，年底結算（不複利跨年）
• 報酬率計算：avg_return_pct = ΣP&L / (股票數 × 10萬) × 100%
• 採樣頻率：每 30 個交易日評估一次訊號（非每日，避免過度交易）

進場條件（同 BigStockBuySignalV2）

MACD 四箭頭 ≥ 3  AND  ADX > 20  AND  WMS%R < −20  AND  加分條件 ≥ 1

加分條件（4項，達1項可進場）：

• RSI60 > 57
• 週 VR 在 100–200
• 月 VR 在 100–200
• 月 +DI1 > 50 且月 RSI4 > 77

出場條件

月 RSI4 < 77 → 賣出

無 Look-ahead Bias 設計

月 RSI4、週/月 VR、月 +DI1 在每個採樣點都只使用截至當日的歷史資料：

# 每個採樣點 i：
current_date = dates[i]
m_rsi4 = m_rsi4_series[m_rsi4_series.index <= current_date].iloc[-1]

---

資料依賴

資料	路徑	說明
原始日線	D:/TWSE-Data/Raw/YYYY/	TWSE 爬蟲下載
還原後年度	D:/TWSE-Data/Adjusted/_temp/YYYY.parquet	adjuster.py 產生
全量還原	D:/TWSE-Data/Adjusted/adjusted_all.parquet	完整歷史合併檔

若更換機器，透過環境變數覆蓋路徑：

set ADJ_TEMP_DIR=E:/data/Adjusted/_temp
set BACKTEST_OUT_DIR=docs/data
python crawler/run_backtest.py

---

執行回測

# 執行全市場回測（2004–2026，需先有 Adjusted/_temp/YYYY.parquet）
set ADJ_TEMP_DIR=D:/TWSE-Data/Adjusted/_temp
set BACKTEST_OUT_DIR=docs/data
python crawler/run_backtest.py

# 執行全市場掃描（今日訊號）
python core/main.py --all

# 單股回測報表
python core/backtest.py --ticker 2330 --start 2020 --end 2026

# 執行測試
python -m pytest tests/ -v

---

Bug 修復紀錄（vs 原始版本）

#	問題	修復
1	Look-ahead bias — 月RSI4/週VR 用年末值判斷全年	改為逐點計算，每點只用截至當日資料
2	P&L 雙重計算 — 年中賣出與年末結算重複加計	統一由 ticker_cash 計算，只做一次差額
3	報酬率分母錯誤 — 除以固定 100 萬而非實際部署資本	改為 ΣP&L / (n_tickers × 100k)
4	Volume 還原方向反向 — × CumFactor（配股後量減少）	改為 ÷ CumFactor（配股後歷史量應放大）
5	爬蟲 sleep 過短 — 2–5 秒會觸發 TWSE IP 封鎖	改為 120–300 秒
6	S2 二次跌破條件錯誤 — 邏輯判斷月份偏移	修正為「前月站回 77 → 本月再跌破」
7	正/負報酬年計算錯誤 — 門檻為 −99.99%	改為 > 0 / ≤ 0
8	硬碼機器路徑	改為環境變數 + 相對路徑
9	HTML XSS — ticker/signal 未 escape	加 html.escape()
10	空測試 — test_doji_two_as_one 無 assertion	補充實際驗證邏輯

---

授權

本專案僅供個人學習與研究用途，不構成任何投資建議。