ProPicks AI — AI 選股的邏輯、原理與應用限制
【Investing.Pro 教學系列 03】
我依照 CFA 協會的專業行為與道德準則，必須在文章開頭揭示：本文含有與 Investing.com 的合作推廣內容，透過我的專屬連結與優惠碼訂閱服務，我將獲得部分推薦回饋（referral）。
🔗 專屬連結 https://www.investing-referral.com/drchien/
優惠碼：drchien
0. 從「人」選股，到「AI」選股
如果要總結觀察這十年股市最大的變化，我可能會說：不是散戶變多、也不是AI崛起，而是——我們對資料的使用方式徹底改變了。
過去，選股依賴分析師的專業判斷：看財報、評估估值、追蹤法說。這些方法的確有效，但非常仰賴時間與經驗。但分析師的「記憶容量」實際上是有限，一次能追蹤十幾家公司就已經非常吃緊。
從機器學習到AI的崛起，不是為了要取代這些專業分析師，是透過這些方法可以放大我們觀察的維度。一個好的 AI 模型，可以在短時間內掃描上千家公司、橫跨 25 年的歷史資料、同時處理超過 50 個財務與估值變數。
它不會去幫我們「猜」明天的股價，而是嘗試從過去找出——哪些公司的結構、財務體質、現金流型態，最常與長期報酬掛鉤。也就是說，AI 選股的本質是一場大規模的統計學實驗。它用的是歷史、算的是機率、輸出的是「相對有機會勝出的樣貌」。
1. AI 選股的三層結構
我會在課堂上提醒學生：AI 或機器學習並不神祕，它只是把原本靠人腦做的工作拆成三層——資料、模型、應用，然後藉由算力快速於人腦千萬倍的速度來執行。
1.1. 資料層（Data Layer）
這是整個系統的地基。ProPicks AI 的資料庫來自多個專業供應商，涵蓋 25 年以上的公司財報、估值、產業分類與市場行情資料。想像這是一座橫跨時間的財報地圖，AI 能從中快速讀出企業的盈餘循環與市場行為。
常見的指標包括：
· 財務面：ROIC、Debt/Equity、Gross Margin、FCF/Revenue
· 成長面：EPS YoY、Revenue CAGR、Operating Margin
· 估值面：P/E、Forward P/E、PEG、EV/EBITDA
· 市場面：Volatility、Momentum、Beta
這些資料經過清理與標準化（Normalization），就會被送進統計模型中訓練。
1.2. 模型層（Model Layer）
核心是監督式學習（Supervised Learning）。AI 先將公司依過去表現標上標籤：Outperform、Neutral、Underperform。接著它觀察每家公司在報酬高低時的特徵組合，學習「什麼樣的財務結構容易出現超額報酬」。
這裡會使用多種演算法交叉運算——例如 Gradient Boosting、Random Forest、XGBoost。
每一種演算法的任務不同：有的擅長找非線性關係，有的善於判斷變數權重。最後再透過整合（Ensemble）方式得出一個綜合分數。
這個過程不是靠直覺，是依靠這些歷史數據反覆驗證。例如，模型可能發現：「當ROIC持續高於10%、Debt/Equity低於0.3、且PEG低於1.2時，該公司三年後跑贏市場的機率達七成」。
1.3. 應用層（Application Layer）
資料與模型訓練完後，最終會轉化為「策略」。
ProPicks 把這些模型分門別類：
· Top Value Stocks：低估值高現金流；
· Quality Compounders：長期穩定獲利；
· Tech Titans (IT15)：科技成長主題；
· Energy Elite：能源與循環股領頭羊。
每個策略都有獨立的再平衡週期（通常每月）、持股數（10～20 檔）與篩選邏輯。這些策略就像不同的監控鏡頭對準不同的主題：有的聚焦「便宜的品質股」，有的追蹤「高速成長型產業」。
2. 機器學習在選股中的角色
很多學生會問：「AI 是怎麼學會選股的？」這問題其實比想像中簡單。它不是模仿人，而是學習歷史的數學樣貌。AI 模型的任務是找出 X（財務變數）與 Y（長期報酬）之間的關係。但這個關係不是單一線性的，而是交互作用的網絡。
例如，單看 ROIC 不足以解釋報酬，但「高 ROIC＋穩定 FCF＋低負債」的組合，卻有可會是極具指標性的。
多變量模型怎麼學
· 資料標註（Labeling）：先給股票貼上「贏家／輸家」標籤。
· 特徵學習（Feature Learning）：讓模型測試哪些指標與「贏家」關聯度最高。
· 特徵選取（Feature Selection）：刪除重複與干擾變數，留下最有解釋力的。
· 訓練與驗證（Training & Validation）：用歷史資料分訓練集與測試集反覆驗證準確率。
最後，AI 給出每家公司的「Outperformance Probability」——這是買進信號對該公司未來表現的信心水準。
3. AI 模型不是黑箱
外界常說 AI 是黑箱，但事實上它更像是自動化的「多因子選股」。像我們過去非常熟悉的 Fama-French 三因子（Value、Size、Market），或 Carhart 的四因子模型（再加 Momentum），其實這些都是人定義的規則。但AI 模型不同的是：它讓演算法自己發現哪一組變數在歷史中最具解釋力。換句話說，人類給資料，AI從中去找出規則。
舉例來說，AI 可能發現「ROIC × FCF × PEG」的組合比傳統估值指標更能預測長期績效。這不代表 AI 更聰明，而是它能在龐大的資料中試出「人沒時間測的組合」。
4. 策略輸出與實際應用
在Investing.Pro 中AI 模型的成果最終會轉化為一系列策略頁面，這正是 ProPicks 的核心介面。
每個策略包括：
· 策略摘要：主題、再平衡頻率、持股數量。
· 績效統計：年化報酬、Sharpe Ratio、Beta、Max Drawdown。
· 回測曲線：與 S&P500 對照的歷史模擬。
· 入選理由：清楚顯示每家公司為何被選中。
我認為這些AI選出的標的不是用來盲信的，而是用來「學習」的。我會讓學生去對照，看看 AI 所選的股票與自己直覺想的差異在哪。很多時候，AI 挑的公司「不性感」，但數據穩健。這正是理性與感性之間最值得學習的落差。
4.1.1 策略案例：IT15 – Tech Titans
在所有策略中，Tech Titans（IT15）最具代表性。它聚焦於中型科技股，鎖定那些「不太貴但仍有高速成長潛力」的企業。
核心條件
· 市值介於 10 至 500 億美元；
· 每月更新；
· 持股 15 檔；
· 強調中長期報酬；
· 採等權配置。
入選公司通常具有以下特徵：
· ROIC 高於 10%；
· Debt/Equity 低於 0.35；
· EPS Growth 高於 15%；
· PEG 低於 1.2；
· 現金流轉強，營運穩定。
這套選股邏輯其實就是 Peter Lynch 的 GARP（成長＋合理價格）哲學的現代版。不同的是，這次由 AI 代勞從大量數據中檢視並執行。
在最近一期名單中，我們可以看到 AMD、Autodesk、Cadence、Oracle、Texas Instruments、Microchip 等。
4.1.2 台灣晶片冠軍 TWCH15 策略
除了美股的 IT15 策略外，ProPicks 也針對亞洲市場推出「台灣晶片冠軍 （TWCH15）」，聚焦於半導體與電子供應鏈的關鍵企業。這一策略結合本地財報資料與 AI 篩選模型，鎖定兼具 研發強度、現金流穩健與估值合理性 的台灣晶片領導公司。
策略特性
持股數： 15 檔（每月再平衡）
標的範圍： 台灣上市櫃半導體與電子零組件公司
策略期間： 2015 – 2025
年化報酬率： +26.3%
總報酬率（10 年）： +1,163.4%
風險指標： Beta 1.23、風險評級 「低」
入選公司代表
TPK-KY、南茂、精測、聯電、志超 等。
AI 判斷邏輯
TWCH15 模型偏好具 高 ROIC、低 Debt/Equity 與 穩定 FCF 的企業，同時考量 EPS 成長性與 估值指標 （如 EV/EBITDA 與 PEG）。這使得策略能在景氣循環中辨識出 「高品質」 的晶片供應鏈公司。
4.1.3 其他針對台灣投資人的策略
除了「台灣晶片冠軍（TWCH15）」外，ProPicks 也針對台股市場推出多項 AI 驅動策略，協助投資人以系統化方法探索不同投資主題：
擊敗 TAIEX：以超越大盤報酬為目標，偏好具穩定獲利與低波動特性的藍籌企業。
台灣中型股領漲：聚焦成長潛力高、估值仍合理的中型公司，強調營收成長與ROIC持續性。
台灣價值股：篩選低估值、高自由現金流與穩定配息的企業，屬於典型的防禦型策略。
這些策略的設計反映了 AI 模型在地化應用的能力：同樣的演算法，會根據市場特性與資料品質自我調整，為不同區域的投資人提供多元化的投資視角。
4.2. 績效與風險
ProPicks 官方的回測結果顯示，2013–2025 年間，IT15 策略年化報酬率約 29.8%，Sharpe Ratio 為 1.00，Sortino Ratio 為 1.45，最大回撤 –36.8%。數字雖然很亮眼，但這正是教學中我最強調的：AI 提供效率，但不保證穩定的成長。
模型雖能最佳化風險報酬比，但仍受市場週期與流動性影響。尤其中小型科技股的 Beta 較高，報酬集中於少數標的，一旦回檔會特別劇烈。這是理解 AI 策略時必須保有的現實感。
4.3. AI 模型的限制與偏誤
· AI 並非萬能。它仍受制於資料與假設的侷限：
· 歷史偏誤（Historical Bias）：模型只懂過去的市場，對未出現過的事件無能為力。
· 資料品質（Data Quality）：財報重編、會計準則變更或延遲，都可能讓模型誤判。
· 過度擬合（Overfitting）：若模型過於貼近歷史樣本，反而無法應對新情境。
· 缺乏語境（Context Blindness）：AI 不理解政治、文化、或管理層決策變化。
因此，AI 的輸出應被視為「假設清單」，而非「買進名單」。
人與 AI 的分工：誰該負責「理解」
AI 最擅長歸納，人類最擅長詮釋。AI 也許可以指出「哪類公司常成功」，但無法告訴你「這家公司現在值不值得買」。在課堂上，我會要求學生挑三檔 AI 推薦股，
分別寫出 100 字短評，包括亮點、潛在風險與背景假設。這練習的目的是訓練「解釋能力」，而不是判斷力。我們學的不是讓 AI 幫你做決定，是要學會如何利用使用它、並學會如何驗證它的結論是否合理。
5. 課堂應用
建議教學流程如下：
登入 ProPicks，選擇 Tech Titans 策略。
匯出名單，觀察入選公司與主要驅動因子。
撰寫每檔亮點 × 風險 × 假設短評。
比較不同月份名單變化，思考 AI 的換股邏輯。
6. 專屬優惠：
🔗 專屬連結 https://www.investing-referral.com/drchien/
優惠碼：drchien
6.1 優惠時間
Early Bird：11/5–11/26，最高 55% off
Black Friday：11/26–11/30，最高 60% off
Cyber Monday：11/30–12/3，最高 60% off
Cyber Monday Extended：12/3–12/22，最高 55% off
6.2 ProPicks 年繳方案 ——使用折扣碼後的優惠 :
Pro 年繳方案
原價 NT$2,520／年 → 早鳥優惠價 NT$2,142／年
平均約 NT$179／月，等於一杯咖啡的價格。
Pro+ 年繳方案
原價 NT$5,880／年 → 早鳥優惠價 NT$4,998／年
平均約 NT$417／月，適合想深入研究財報與策略的投資人。
AI 寫作輔助揭示
Level 1 — 輕微協助—本文資料與內容均由作者自行收集與撰寫，AI 僅協助文法修正與標點優化。
風險與聲明：本文內容僅用於教學示範與資料整理，非投資建議、非證券買賣之要約或招攬。市場具有風險，投資前請自行評估目標、風險承受度與資金狀況，並參考公司原始財報與官方揭露資訊。