ETF（指數股票型基金）因為交易成本低、標的穩定、商品種類多樣，成為許多投資人與程式交易者的入門選擇。不論是要用技術面、資產配置，還是因子策略，只要掌握基本的程式交易架構，就能開始設計出一套專屬的 ETF 自動化投資系統。這篇文章將帶你從策略思維、ETF 特性、工具選擇，到實作流程與注意事項，一次搞懂如何用程式交易操作 ETF。
為什麼 ETF 是程式交易的好標的？
| 特性 | 對程式交易的優勢說明 |
|---|
| 標的穩定 | 多數 ETF 追蹤大盤或產業指數，價格波動規律性高，適合策略測試 |
| 交易成本低 | 手續費、稅費較低，能減少高頻或短期策略的交易成本負擔 |
| 商品選擇多 | 有大盤（如 SPY）、科技（如 QQQ）、產業、債券、槓桿等類型，策略多元 |
| 資料容易取得 | ETF 通常流動性好，歷史資料完整、易於回測 |
適合 ETF 的程式交易策略有哪些？
1. 技術分析型策略
- 均線交叉（如 MA20 上穿 MA60 時進場）
- RSI 反轉策略（RSI < 30 買進、RSI > 70 賣出）
- 布林通道突破（價格突破上軌進場）
2. 資產配置策略
- 固定比例配置（如 SPY + AGG + QQQ）
- 動態調整配置（依照波動率或 Sharpe Ratio）
- 運用
bt 套件建構投資組合與績效分析
3. 因子策略（進階）
- 按照價值、動能、波動等指標定期調整 ETF 組合
- 可搭配
alphalens、quantstats 進行因子篩選與評估
4. 買進持有型（長線自動投資）
- 每月自動定期定額投入特定 ETF
- 停利停損機制自動執行，簡化人工操作
- 可加上再平衡邏輯或資金分批投入機制
可以交易哪些 ETF？
| ETF 代號 | 名稱 | 類型 | 適合策略 |
|---|
| SPY | S&P 500 ETF | 大盤指數 | 長線持有、動能策略 |
| QQQ | 納斯達克 100 | 科技股 | 趨勢策略、均線交叉 |
| TLT | 長天期美國公債 | 債券 | 組合配置、逆勢操作 |
| GLD | 黃金 ETF | 商品型 | RSI 反轉、避險配置 |
| ARKK | 創新主題 ETF | 高成長／高波動 | 突破策略、資金動能配置 |
實作工具與開發流程（Python）
常見套件：
| 套件名稱 | 功能 |
|---|
yfinance | 抓取 ETF 歷史資料與股價 |
pandas | 數據整理與策略運算 |
backtrader | 策略回測與視覺化 |
bt | 多資產配置策略與報酬分析 |
matplotlib | 畫資金曲線與指標圖表 |
策略設計與回測流程簡化如下：
import yfinance as yf
import pandas as pd
# 下載 ETF 資料
data = yf.download("QQQ", start="2020-01-01", end="2023-01-01")
data['MA20'] = data['Close'].rolling(20).mean()
data['MA60'] = data['Close'].rolling(60).mean()
# 建立交易訊號
data['signal'] = 0
data.loc[data['MA20'] > data['MA60'], 'signal'] = 1
data.loc[data['MA20'] < data['MA60'], 'signal'] = -1
# 簡單策略績效計算
data['return'] = data['Close'].pct_change()
data['strategy_return'] = data['return'] * data['signal'].shift(1)
cumulative = (1 + data['strategy_return']).cumprod()
可以在哪裡實盤交易 ETF 程式策略？
| 平台 | 說明 |
|---|
| Interactive Brokers (IB) | 可用 ib_insync 串接 ETF 下單、自動交易 |
| Alpaca | 美股免佣券商，有開放 API，適合新手使用 |
| Futu 富途 | 支援 Python API，能交易美股 ETF |
| TradeStation Global | 功能完整，但開發門檻略高，適合進階用戶 |
台灣券商（如永豐、元大）目前尚未全面支援 ETF 程式交易 API，建議以美股 ETF 為主。
注意事項與常見錯誤
| 問題類型 | 說明 |
|---|
| 無法處理除息、配息 | 程式若未處理 dividend，可能影響策略真實報酬 |
| 忽略成交量與流動性 | 某些 ETF 雖熱門，但實際交易量偏低，容易產生滑價問題 |
| 模擬回測表現太好 | 過度參數調整或用未來資料導致 overfitting，實盤不準確 |
| 忘記風控與停損邏輯 | 單純靠技術指標進出場但未設停損，易在盤整行情中反覆虧損 |
總結：ETF 是進行程式交易的最佳入門商品之一
ETF 的特性穩定、資料完整、可交易性強，非常適合作為中低頻程式交易策略的練習對象。不論你是想透過 Python 自動化交易、定期定額配置，或是實現機器人操作，ETF 都能讓你用實際數據演練完整的交易流程。只要選對工具、搭配風控，你也可以透過程式打造一套屬於自己的 ETF 智能投資系統。
相關文章：海期程式交易怎麼做？從策略架構、平台選擇到下單實務完整解析
參考資料
