波動率的定義

使用還原全息股價，計算 ATR/收盤價。 使用 ATR 的好處在除了最高最低價，還會會考慮 K 棒跳空因素，會比較符合波動真實情況。 接著再取每日市場前 20% 波動率高的標地，計算市場上波動大的股票當市場指標，排掉波動過小的標地。 最後取指標的5日均線做平滑。

測試結果

結果發現幾個現象：

• 高波動(8%以上)是買點，超高波動往往出現在大盤急跌末段，許多股票殺低後V轉的時候，最近2次都和疫情的恐慌有關。之後的波動率會開始往下掉。 目前該指標約在 0.06 左右，波動率未達過去指數崩跌後的 V轉 水準，能量還在釋放中，持續有餘震，要小心。
• 低波動時期(4%以下)是買點，股票逐底沈澱的階段，最近一次是今年2月，指數相對低點的時候，市場人氣低迷，沒人買股票。這時若展開牛市，波動率會開始變高。
• 指數若上漲一大段後，要注意指數不動、波動率開始降低的時候，可能是人氣退潮的訊號。
• 現在的市場 ATR波動率 確實創今年新高，不過和歷史比，目前並沒有特別高，雖然感覺 AI 概念股很旺，但其可能在整體市場的檔數沒想像中多。

附檔

colab檔案，有興趣可自行取用，一起來研究波動率的影響力。

這次的目的是進一步研究，實測四種避開大盤空頭的濾網，並同時進行參數優化，實測哪種對大盤最有效。希望往後撰寫策略時可以當成一項通用濾網，同時提高Sharp Ratio並降低Max Drawdown!

四種指標簡介

這次實驗我分別使用了漲跌家數、Vix、融資維持率、多空頭家數，並用這四種指標畫出了一長一短的兩條均線，以長短期均線交叉作為持有和空手的分界。

ADLs

ADLs = 上漲家數 / 總家數 – 0.5

ADL假如大於零，代表當天比較多檔股票上漲，自然大部分的就是賺錢的，市場比較有信心，而當ADLs 小於零，則代表大部分的人都是虧錢的。所以 ADLs + 均線，就代表一段時間，市場平均的勝率（不是很精確的說法，但是容易瞭解）。

大家都賺了錢，自然就很開心，於是希望可以賺更多，市場一片喜氣洋洋，反之，就是大家都有點恐懼，造成市場信心潰散，就是比較危險的時刻了。

下面我以月線作為短期均線，季線作為長期均線做一個例子，畫出2020年後的圖形讓大家更容易理解。

因此若ADLs的短期均線<長期均線，這時候市場比較容易有恐慌性賣壓，也是比較危險的時候，可能是空頭即將來臨的訊號。

若想要更了解ADLs，在這篇有更詳細的介紹大家可以翻回去複習!

Vix

這邊使用的Vix，代表的是S&P500指數未來30天的隱含波動率，一旦有某些因素造成市場恐慌、或讓投資人對未來感到不確定，投資人就會傾向於買入期權，進而導致期權的價格上漲。

因此Vix同時也被稱作恐慌指數，當此數值愈高，表示投資人對於股市的前景感到不安、無法預期。

以下我畫出了加權指數和Vix在2020年以後的走勢圖。

• 綠色 : 臺灣加權指數
• 紅色 : S&P500 Vix指數

可以很明顯發現Vix和台灣加權指數呈現高度負相關。當Vix上漲時，加權指數往往呈現下跌的趨勢。

因此當恐慌指數的短期均線>長期均線時，代表投資人的情緒在短期內變得十分不安，且接下來的股市波動可能變得相對劇烈，有可能是空頭即將來臨的訊號之一。

融資維持率

融資維持率=股票現值 / 融資金額

舉例：買進100元的股票，融資成數6成，融資維持率=100/60=1.67

最初買進股票時的融資維持率為166%，因此若融資維持率高於166%，代表融資有賺錢，低於166%則代表套牢。

將融資維持率應用到大盤可使用下列公式計算：

市場個股融資張數*股價現值/整體市場融資餘額

我們可以藉此得知整體融資股票在市場的存活狀況，接著我們應用融資維持率於大盤，當短期均線<長期均線時，代表短期內套牢的人越來越多，因此我將期視為空頭即將來臨的訊號，出清持股。

融資維持率在這篇有更詳細的介紹。

多空頭家數排列

當一檔個股的短ma>中ma>長ma，我們將稱其為多頭排列，反之為空頭排列。

一檔股票若呈現多頭排列，代表買方的力量強大，目前的短線投機者和中長期投資者一致看好行情，股票供不應求。

但如果今天大盤多頭排列的股票家數越來越少，而空頭排列家數越來越多，代表許多個股的空方力量大過多方的力量，這時候大盤的狀況就不太樂觀了。

因此當空頭排列家數>多頭排列家數，我認為是空頭即將來臨的預兆，出清持股。

資料切割

在進行優化參數之前，我們需要將歷史資料分成兩個資料集。先用第一份資料集找出適合的參數，再用一模一樣的參數檢驗能否在第二個資料集也能有同樣好的表現。

以下是加權指數2007年~2021年的走勢圖。

我們希望在切分資料集的時候，能讓兩組資料集都經歷過市場的多空循環 這樣挑出來的參數較具有參考性 。

因此這邊將資料集切割如下:

• 訓練資料(train dataset) : 2007~2017
• 測試資料(test dataset) : 2018~2021

參數優化(以Vix為例)

在雙參數的選股模型中，我們可以根據回測training set各種參數組合，畫出熱力圖如下。

• x軸 : 短期均線
• y軸 : 長期均線
• 格子的顏色 : 總報酬

熱力圖上的每一塊代表著某一組參數組合的表現，舉個例子，右上角那一塊代表著當Vix的5ma<100ma，該策略就做出清持股的動作，而方塊的顏色就代表了總報酬。

我們可以很輕易地觀察到在左上角的紅色三角形區塊顏色較淺，代表著總報酬普遍較高(成功避開大跌)，這些可能就是很好的VIX策略的參數，接下來我們試試看這些參數在test set上面表現如何。

好消息! 我們可以發現左上角的三角形區塊仍然有很好的表現，代表這附近的參數組合有極強的穿透性，在不同的時間段內都有不錯的表現，在面臨未來不同的行情下也能有更好的適應力。

當然我想大家也注意到了下方綠色圓圈部分，意思是當Vix上漲時買進下跌賣出，這績效怎麼也這麼好!?

這是跟2020疫情崩跌和極速V轉的極端行情有關，除非你相信未來的下跌行情都會複製此種模式。否則當你使用這邊的參數組合，遇到緩跌的空頭來臨時，極有可能受重傷(看看這些參數組合在training set的表現就知道)。

這也是一個很好的反例，提醒我們切分資料集的重要性。

程式實作(以融資維持率為例)

首先我們定義了一個function，輸入短期、長期均線的參數，並在短均>長均的時候，買入全市場的股票，反之則全部出清維持空手。

在這個function中，我們首先取得市場整體的融資總餘額，再藉由每支股票各自的融資餘額乘上最新的收盤價算出目前的融資總餘額市值。最後將目前的融資總餘額市值除以市場整體的融資總餘額，就是我們需要的融資維持率。

以下為完整的程式碼(附上註解)，大家可以直接複製到Colab上面執行！

完整程式碼

! pip install finlab
from finlab.backtest import sim
from finlab import data


def margin_position(short_par, long_par):  # 給定短期均線&長期均線的參數，計算並輸出融資維持率的濾網position
    融資券總餘額 = data.get('margin_balance:融資券總餘額').fillna(method='ffill')  # 填補空缺資料
    融資今日餘額 = data.get('margin_transactions:融資今日餘額')
    close = data.get('price:收盤價')
    融資總餘額 = 融資券總餘額[['上市融資交易金額', '上櫃融資交易金額']].sum(axis=1)  # 融資總餘額=上市融資餘額+上櫃融資餘額
    # 融資總餘額市值=融資總餘額*各自的股票最新收盤價
    融資總餘額市值 = (融資今日餘額*close*1000).sum(axis=1)[融資今日餘額.index]
    mt_rate = (融資總餘額市值/融資總餘額)  # 融資維持率
    mt_rate = mt_rate.dropna()  # 刪除nan值
    short_ma = mt_rate.rolling(short_par).mean()  # 用融資維持率所算出來的短期均線
    long_ma = mt_rate.rolling(long_par).mean()  # 用融資維持率所算出來的長期均線
    entry = short_ma >= long_ma  # 融資維持率短均>長均 => 持有
    cond = ~close.isna()  # 找出所有收盤價不為0的股票(避免下市、停牌等例外狀況)
    position = cond & entry  # 當融資維持率短均>長均，挑出所有正常交易(收盤價不為0)的股票全部持有
    return position


position = margin_position(5, 20)  # 以最常使用的 5ma & 20ma 為例
report = sim(position, trade_at_price='open', tax_ratio=0.003*0,
             fee_ratio=0.001425*0, upload=True)  # 零手續費(目的是檢測大盤濾網效度，並不是真的要買賣)

執行結果

回測結果

考慮到單純作為濾網，以後使用時會搭配其他選股條件降低交易頻率，因此在進行參數優化時我並沒有考慮手續費。

幫大家節省時間，接下來我會附上自己回測四種方法，並進行參數優化後，以最好的那組參數進行回測的結果。

• 藍色 : 策略報酬率
• 紅色 : 回檔幅度(drawdown)
• 灰色 : 同期間大盤的表現

ADLs

Vix

融資維持率

ps 因為從2009年後才有融資相關的資料，因此融資維持率策略測試的時間段會從2009年後才開始。

多空頭排列家數

我們可以發現四種濾網都有著很不錯的效果，MMD只有大盤的一半，同時能獲得更優異的報酬!

結論

接下來是我整理後的結論，供大家參考!

表中的數字代表名次，就實驗結果來看多空頭排列家數策略在參數的穿透性(一致性) 、 回檔的幅度 、 績效等等表現都非常好。當然這不完全代表策略彼此間的優劣，端看大家怎麼進一步進行優化，譬如我認為若將S&P500的Vix改成台指Vix，濾網的效果可能會好上不少，這就留給大家去研究啦!

總結來說，四種結果都比單純持有大盤來的更好，但可能隨著搭配不同的進出場條件，適合的大盤濾網也隨之改變，所以建議撰寫策略時大家可以四種方法都試看看!

最後的最後，獻上含有手續費版本的多空頭排列家數濾網，即便沒有其他選股條件也是挺不錯的策略呢!

好啦，這次的研究結果圓滿成功，那我也要睡啦!

窩4阿榤，下次見，掰! (⁎⁍̴̛ᴗ⁍̴̛⁎)

ADLs 指標

這個指標類似於 ADL 上漲下跌家數騰落線，但是我個人不太喜歡騰落線的原因，是因為 ADL 是 non-stationary time series，也就是 ADL 的數值沒有上下界，可以隨時間無限變大，也可以無限變小。

所以我做了一個改良版的 ADL，我把它叫做 ADLs 也就是 ADL-stationary 的簡稱。這個公式計算的方式為：

ADLs = 上漲家數 / 總家數 – 0.5

就這麼簡單，不需要像是 ADL 一直累加，造成不不要的複雜性。ADL假如大於零，代表當天比較多檔股票上漲，自然大部分的就是賺錢的，市場比較有信心，而當ADLs 小於零，則代表大部分的人都是虧錢的，這時候市場比較容易有恐慌性賣壓，也是比較危險的時候。這個指標看起來會像是下圖：

畢竟每天的上漲下跌家數，本來就是很隨機的數值，所以上圖還看不出個所以然。我們可以用一些簡單的方式來處理，例如均線，如下圖：

上圖中使用均線將原本的 ADLs 平滑雙均線，去除雜訊後，我們才看得到週期的規律，這個規律代表什麼呢？ ADLs 取雜訊又有什麼意義呢？接下來就帶大家來感受一下數據。

ADLs + 均線的意義

ADLs 代表當天大家的勝率，這個勝率每天影響你我的心情，試想你打開股票未實現損益，一片紅色，心情就超級好，反之一片綠色，心情也好不起來。所以 ADLs + 均線，就代表一段時間，市場平均的勝率（不是很精確的說法，但是容易瞭解），上圖中的藍色就是 ADLs Fast，代表市場短期的勝率，而 ADLs Slow 就是代表長期的勝率，所以

大家都賺了錢，自然就很開心，於是希望可以賺更多，市場一片喜氣洋洋，反之，就是大家都有點恐懼，造成市場信心潰散，就是比較危險的時刻了。要怎麼證明這是有用的呢？我們可以在 ADLs Fast > Slow 的時候，持有「00733 富邦臺灣中小型股指數」，並檢驗一下，這樣的策略跟單純長期持有此 ETF 會有怎麼樣的差距。

指標與指數對照

我們可以對照一下，ADLs 跟「00733 富邦臺灣中小型股指數」的關係如下：

這邊就可以發現，當ADLs Fast 藍色 < Slow 紅色時，市場上大家都賠錢，所以比較恐慌，而指數多辦處於盤整或是下跌，反之，當 ADLs Fast > Slow ，大家都賺錢，所以市場上就很容易出現一波上漲行情。以當前 2021 7/14 號來說，目前處於多空的交界處，也就是有人賺也有人虧錢，幾乎是一樣多的。但是對於未來前景，我不會太樂觀，畢竟小型股已經漲了一波，而且端看圖表，通常 ADLs Fast 藍線大於紅線，變成一座山後，往往都是有一段時間潛水，周而復始不斷交替，各位假如持有小型股，可以稍微留意，見好就收。

接下來，我們就來試試看，假如在只有 ADLs Fast > Slow 的時候持有，不然則空手，看看會發生什麼事情。

回測結果

上圖中藍色的為使用 ADLs 策略的績效，而紅色的則是單純持有，你可能會覺得「什麼？阿不是績效都差不多嗎？」「還要每天看買賣家數，也沒比較好？」。假如你有這種想法，就代表你可能剛開始在交易的路上，所以還沒見過太多大風大浪，對我來說，藍色的績效明顯的比紅色好非常多。雖然這兩種方法最後的績效差不多，但是中間的過程差很多，一個是幾乎沒有賠錢，另外一個載浮載沈，就像是人生的終點都是一樣的，但過程可以差很多！

我們利用一些量化數據來檢演兩者的績效：

Stat                 00773 with ADLs    00773
-------------------  -----------------  ----------
Start                2018-05-23         2018-05-23
End                  2021-07-14         2021-07-14
Risk-free rate       0.00%              0.00%

Total Return         130.96%            126.59%
Daily Sharpe         1.93               1.23
Daily Sortino        3.21               1.89
CAGR                 30.52%             29.73%
Max Drawdown         -12.08%            -34.28%
Calmar Ratio         2.53               0.87

MTD                  -7.53%             -2.94%
3m                   4.68%              23.31%
6m                   43.12%             67.50%
YTD                  40.47%             68.91%
1Y                   45.03%             90.04%
3Y (ann.)            33.25%             31.49%
5Y (ann.)            -                  -
10Y (ann.)           -                  -
Since Incep. (ann.)  30.52%             29.73%

Daily Sharpe         1.93               1.23
Daily Sortino        3.21               1.89
Daily Mean (ann.)    28.58%             29.80%
Daily Vol (ann.)     14.83%             24.18%
Daily Skew           0.23               -0.78
Daily Kurt           9.16               6.43
Best Day             6.53%              7.35%
Worst Day            -6.01%             -9.19%

可以發現，使用 ADLs 的績效，其夏普值高達 1.93，以一個這麼簡易的系統來說，這算是很好的數字。

夏普值如何看？

夏普值小於零，代表賠錢的意思，以一個簡易的選股策略來說，一般人波段實單操作，可能是0.7，以一個ETF來說，可能 0.9 就已經很不錯了，而以網路上付費選股策略 1.3 可能會是比較理想的數值，當然也有真的很厲害的選股策略，Sharpe可以到 2 或 3。

總結

這篇文章分享自制指標 ADLs ，發現 ADLs 用於小型股的指數有很好的預測效果，使用 ADLs 當作是買賣的濾網，可以 Sharpe 高達 1.9 的回測結果，然而 ADLs 指標對於未來有比較悲觀的預測，大家可以多多留意，心態上不用太積極做多，有賺就好，少賠即可。等 ADLs 方向確認，我也會再提醒大家，可以多多留意FinLab。

問題是鄉民喊半天，對交易有什麼實質幫助？大盤融資餘額到底要怎麼看才能抓買賣點？本篇文章簡述融資維持率指標的應用，希望理出一條思路，另外探討能否用於0050的擇時操作，績效會比長期持有0050好嗎？

融資維持率

計算公式：融資維持率=股票現值 / 融資金額

舉例：買進100元的股票，融資成數6成，融資維持率=100/60=1.67

1.67可視為融資維持率初始值，104年後，台股漲跌幅從7%調整到10%，信用交易整戶擔保維持率自104年5月4日起從120%調整為130%。整戶擔保維持率意思是若股票現值小於“帳戶融資金額*1.3倍”，投資人若不補融資保證金，將面臨斷頭危機。舉例：買進100元的股票，融資成數6成，股價跌破60*11.3=78元(下跌22%約連兩根跌停)，將面臨營業員margin call(融資追繳令)。主管機關限縮融資維持率，目的是在於提醒投資人在漲跌幅放大後，要更注意風險。

大盤融資維持率(mt_rate)

將融資維持率應用到大盤可使用下列公式計算：

市場個股融資張數*股價現值/整體市場融資餘額

由此可得知整體融資股票在市場的存活狀況，mt_rate高於167%，代表融資有賺錢，低於則代表遇到套牢情況。統計2009-2021年現今，mt_rate約處於1.3-1.9間分布，73%的天數低於167%水位，多數時候融資是套牢的。

mt_rate變化與加權報酬指數變化無明顯正相關。不能直接當指標使用。

mt_rate變化劇烈，化為均線形態與大盤比較能見趨勢，發現指數長期多頭，而融資維持率高高低低波動劇烈，2009-2010、2014-2015、2020-2021維持率處於高檔，融資賺到笑呵呵，當mt_rate_ma10跌破mt_rate_ma60代表融資套牢壓力變重，容易在短期多殺多。

2009-2011年市場走出金融海嘯，融資餘額大進場，在2011年時，融資餘額從2000億增到3000億，但mt_rate背離，呈現整體市場的融資在凹單攤平加碼，後續引發2011大殺盤，不過這樣明顯背離的情況在之後比較少見。

2011、2015、2018、2020的mt_rate_ma10曾經暴跌到1.4上下低位，之後清出融資籌碼，再拉出長多反彈行情。

2016-2020年初，融資餘額呈現低迷量能，長年壓在2000億低檔，直到新冠肺炎後撒幣行情再度引發融資資金逐鹿市場的熱潮。

策略開發

初步觀察mt_rate_ma10低檔約在1.67*0.85上下，此時進場中長期勝率高。

mt_rate_ma10高檔約1.67*1.1上下，此時若mt_rate_ma10低於mt_rate_ma60，可能引發高檔多殺多。

簡單畫進出場圖，初步觀察能躲掉幾波主要殺盤。

條件設定

1.mt_rate_ma10低於1.67*0.85或mt_rate_ma10向上穿越 mt_rate_ma60進場。

2.mt_rate_ma10高於1.67*1.1或mt_rate_ma60向下穿越 mt_rate_ma10出場。

3.以0050為操作標的。

若不使用均線條件，容易太早因為點到高檔位階就被洗掉。

回測

以上述條件操作0050元大50ETF，對標加權報酬指數，2009年化表現如下，年化約10%，雖然有賺錢，但表現劣於大盤指數，避掉大跌的同時，也避掉不少大漲，尤其是2009-2017，慘輸。

drawdown優於大盤，堅持指標低檔進場，波動相對穩健，MDD小於20，一般策略通常會在30%以上。

2009-2021

2018-2021

效果優於2009-2017，報酬率優於大盤，MDD降到16%，有躲掉2018下半年、202003新冠肺炎、202105台灣疫情的主要下殺，由於這段時間融資處在大多頭順勢盤，ma_10與ma_60訊號較明確，沒像前些年高檔震檔，有抱到長波段，2009-2017被洗掉太多次。

結論

大盤融資維持率的低檔很適合當進場點依據，但高檔不容易判斷當出場訊號，準確度比較低，這可能和市場漲跌幅規則和融資操作慣性隨時間改變有關，早期與近年的趨勢不太一樣。

要用此指標長期打敗指數蠻難的，可能要搭配其他指標抓出場點。雖然回測來看劣於大盤這幾年多頭表現，但對左側交易投資人來說，是一個不錯的抄底指標，大盤融資維持率低於1.5時融資常急殺出甜蜜點，可以考慮慢慢向下買進，中長期勝率大。

可以延伸的研究方向是個股融資使用率和大盤融資維持率的相關性～這以後再來探討。

近期事件

新冠肺炎強襲台灣，讓最近波動很大的台股再度面臨破底考驗，市場恐慌的逃命情緒和搶買全聯物資的人潮不相上下，台股在2021年5月上旬急速回檔近10%，下跌過程除了創了盤中最大跌點，也讓年初許多“少年股神”哀鴻遍野。

只要你是倉位較滿的投資人，很難躲過這波沙盤，系統性風險一樣會讓績優成長股崩盤，差別可能在大盤下跌30%，你的投資組合下跌25％。

空頭趨勢總是來的兇猛，想抄底又怕天天都便宜，買到沒錢陷入崩潰，不是每個人都像巴爺爺一樣能本多忠勝，承受左側交易的心理壓力，有沒有指標可以顯現底部將近？讓你抄底抄的有策略，相對能安心有個底？

金管會救市三步

1.鼓勵企業實施庫藏股

2.限空令 or 找法人喝咖啡

3.國安感冒糖漿(國家金融安定基金)

今天主要來探討第一步“鼓勵企業實施庫藏股”，這招對政府最省事，因為不用自己出一毛錢就可能有效果。企業內部人往往對自家公司價值最了解，有些又有質押股票面臨市值下修的壓力。一般來說，庫藏股這類回燒公司資金的事，經營者多會考量價格是否合理(進入低檔)？少部分高檔買庫藏股的企業，要多想想是何居心？

程式驗證

爬蟲

這招有沒有效，寫程式來驗證最快。首先我們要先到公開觀測資訊站取得資料，使用request.post提交查詢表單內容來抓上市櫃庫藏股資料，程式如下：

import pandas as pd
import numpy as np
from datetime import datetime,timedelta
import requests


def combine_index(df, n1, n2):
    """將dataframe df中的股票代號與股票名稱合併

    Keyword arguments:

    Args:
        df (pandas.DataFrame): 此dataframe含有column n1, n2
        n1 (str): 股票代號
        n2 (str): 股票名稱

    Returns:
        df (pandas.DataFrame): 此dataframe的index為「股票代號+股票名稱」
    """

    return df.set_index(df[n1].str.replace(' ', '') + \
                        ' ' + df[n2].str.replace(' ', '')).drop([n1, n2], axis=1)


def crawl_treasury_stock(days=200):
    now =datetime.now().strftime('%Y%m%d')
    end = (datetime.now() - timedelta(days)).strftime('%Y%m%d')
    date_now = str(int(now[:4]) - 1911) + now[4:]
    date_end = str(int(end[:4]) - 1911) + end[4:]

    data = []
    for market_name in ["sii", "otc"]:
        url = 'https://mops.twse.com.tw/mops/web/t35sc09'
        form_data = {
            "encodeURIComponent": "1",
            "step": "1",
            "firstin": "1",
            "off": "1",
            "TYPEK": market_name,
            "d1": date_end,
            "d2": date_now,
            "RD": "1",
        }

        res = requests.post(url, form_data)
        page_count = len(pd.read_html(res.text))
        page_start = 11
        page_end = page_count - 2
        df = pd.concat([pd.read_html(res.text)[n] for n in range(page_start, page_end)])
        data.append(df)

    df_all = pd.concat(data)
    df_all = df_all.astype(str)
    df_all.columns = ['序號', 'stock_id', '公司名稱', 'date', '買回目的', '買回股份總金額上限',
                      '預定買回股數', '買回價格區間-最低', '買回價格區間-最高', '預定買回期間-起', '預定買回期間-迄', '是否執行完畢',
                      '買回達一定標準資料', '本次已買回股數', '本次執行完畢已註銷或轉讓股數',
                      '本次已買回股數佔預定買回股數比例(%)', '本次已買回總金額',
                      '本次平均每股買回價格', '本次買回股數佔公司已發行股份總數比例(%)', '本次未執行完畢之原因']

    df_all = df_all.drop(columns=['序號', '買回達一定標準資料'])

    def date_process(columns_name):
        df_all[columns_name] = df_all[columns_name].apply(lambda s: s.replace('/', '-')).apply(
            lambda s: datetime.strptime(str(int(s[:s.index('-')]) + 1911) + s[s.index('-'):], '%Y-%m-%d'))

    for i in ['date', '預定買回期間-起', '預定買回期間-迄']:
        date_process(i)
    float_list = ['買回股份總金額上限', '預定買回股數', '買回價格區間-最低', '買回價格區間-最高',
                  '本次已買回股數', '本次執行完畢已註銷或轉讓股數', '本次已買回股數佔預定買回股數比例(%)',
                  '本次已買回總金額', '本次平均每股買回價格', '本次買回股數佔公司已發行股份總數比例(%)']
    df_all[float_list] = df_all[float_list].apply(lambda s: pd.to_numeric(s, errors='coerce')).fillna(0)
    df_all['買回目的'] = ['轉讓股份予員工' if i == "1" else '股權轉換' if i == "2" else '維護公司信用及股東權益' for i in df_all['買回目的']]
    df_all = combine_index(df_all, "stock_id", "公司名稱")
    df_all.index.name = 'stock_id'
    df_all = df_all.reset_index()
    df_all = df_all.set_index(['stock_id', 'date'])
    sort_multi=df_all.index.sortlevel(1,sort_remaining=True)
    treasury_stock=df_all.loc[sort_multi[0]]
    return treasury_stock

清理資料及繪圖

plan_vol=data.get('treasury_stock:預定買回股數')
plan_vol=plan_vol.unstack().dropna()
plan_vol=plan_vol.reset_index()
plan_vol.columns=['stock_id','date','plan_vol']

# 次月1日得知上月統計家數，取標準差抓庫藏股家數特多的極值月份為訊號
plan_vol['date']=plan_vol['date']+ pd.DateOffset(months=1)
plan_vol['year_month']=plan_vol['date'].apply(lambda s:datetime(s.year,s.month,1))
count_num=plan_vol.groupby(['year_month']).count().iloc[:,0].to_frame()
count_num['signal'] = ['crimson' if x > int(count_num.mean()+1.5*np.std(count_num).values) else 'darkcyan' for x in count_num.iloc[:,0]]
count_num=count_num.reset_index()
count_num=count_num.rename(columns={'stock_id':'count'})

將上市櫃的庫藏股實施情況統計一下，發現前月庫藏股實施家數超過1.5個標準差時，會浮現長線(月週期)買點，但之後會不會馬上走長多就不一定了，2008年金融海嘯時，跌到半山腰，就很多企業實施庫藏股，卻仍檔不住強大賣壓，連續數月多家公司實施庫藏股後才止跌回升，長期來看仍是相對低點。

而在其他幾波，像是去年歐美疫情最慘烈的3月，該訊號再度浮現，只出現一次就止跌，拉出另一波強勢多頭。

那最近該指標有無閃出訊號？看來是沒有。

最近政府接連出招，目前這波只有國安基金說會密切注意市場的消息，還在口水護盤的情況。未來若進一步出現大跌，該指標會不會出現紅棒訊號呢？讓我們繼續觀察，可以使用置底的程式來看相關圖標訊號。

結論：

長期投資攤平的策略可觀察庫藏股實施家數的月統計狀況做第一波買進切入，在實施家數大增時，標的若有公司派護盤，籌碼面會相對抗跌，可以另外拉出當月宣佈開始執行庫藏股的公司。

國安基金的進場時機常接在該訊號之後，因此若對選股不太有把握，指數型基金與權值股會是抓大盤反彈行情的最佳選擇

Colab程式碼連結

台股加權指數近年變成護國神山的形狀，若你常做多中小型股，是否常遇到大盤上漲你獨跌的囧境？ADL指標(騰落指標)是走出困局的明燈嗎？

以近期指數數值與權重來看，等於漲跌1元就會影響指數約8.5點，600元的台積電每漲跌1%，就影響約50點，超過2%的波動就能造成指數百點的震盪，以個股操作為主軸的投資人，過往常習慣看指數上漲就跟買個股，結果現在常成為拉G盤的冤魂，整體市場上漲家數小於下跌家數，只漲台積電，賺指數，賠個股，在選股勝率低的時候被騙進場。

ADL指標運用簡單的淨漲跌家數加上均線概念，可輔助判斷出真正百花齊放的大多頭時代，讓你的中小型股投資組合迎風而上。

ADL指標同時也可當作資產配置與擇時進出的輔助指標，台股過去淨上漲累積家數長期與大盤走勢背離！多數時候，你只能看台積電等等權值股上漲， ADL指標短期走弱時，適度配置指數型ETF或縮手會是明智的選擇，ADL指標短期走強時，中小型股較大的機率取得高報酬。

ADL(Advance/Decline line)定義

中文又稱“騰落指標”，是一種針對整體市場行情，依據市場每日漲跌家數不同的變化而演算出的一種技術指標。

它是籍由累算每日市場漲跌家數的差值，來反出應整體市場行情漲升力道的強弱變化，並且以此來研判出未來行情大勢可能的發展方向。

ADL指標公式如下：

ADL_t=ADL_t-1 + AI_t – DI_t

ADL有幾點特性：

1.不看市值權重，平等的對待每一支股票，只管它是漲是跌，而不論它的漲幅或股本大小等其它因素。

2.其次，ADL對當日平盤的股票不列入計算考量的範圍。

ADL與大盤指數趨勢相關性

同時，由於ADL累計式的特性，因此不同的起始點將推算出不同的ADL值來，所以在研究ADL線圖時，主要的重點應在於研究ADL線圖前後的走勢方向，而非ADL值本身的大小。我們可用台股上市櫃還原股價來繪製ADL，來簡單看一下指標走勢:

從上圖可以發現，ADL竟是一路的負值趨勢，對比下圖的台股加權報酬指數一路上揚，簡直是兩個世界！

從兩張圖的關聯，我們可以解釋台股加權報酬指數的上漲是靠少數大權值股貢獻，指數的長期上漲沒有時常伴隨個股百花齊放。個股射飛鏢長期的勝率很低，大部分的時候，多是下跌家數大於上漲家數，造成ADL一路下降，可見見大盤漲就覺得追個股勝率也高的策略並不可靠。

ADL策略

由於ADL數值變化劇烈，使用均線平滑數據才能較清楚看到趨勢輪廓，例如ADL的MA5與MA60有不錯的應用效果，用來當趨勢長短期判斷。

策略假設

1.若ADL MA5>MA60時為long，且指數趨勢亦上揚，此時最適合做多，個股或指數皆佳。2018下旬下殺後的反彈與2020疫情後大反彈的百花齊放行情都有掌握到。這類機會比較少。

2.若ADL MA5<MA60時為short，代表短期市場下跌家數較多的趨勢持續，個股勝率低，適合指數操作。若大盤指數上揚，與ADL趨勢背離，在缺乏整體市場拉抬力度下，當權值股如台積電被拉抬完後，指數容易回檔，2018與2019年下旬就曾發生此例，在ADL MA5未黃金交叉ADL_MA60時，硬做多可能遇上後來的中期回檔都做白工。

驗證回測

從圖中可以發現long的區間下，做多個股的勝率與short區間差不多，但是勝率有差距，可以裝到右上紫色點的百花齊放噴發的行情，避掉左下各股齊跌的情況。

cross為long區間的period比short少一半。主動投資個股在多數時候不是好選擇。

主動和被動投資擇時應用

long訊號期間市場平均報酬能否贏過權值股加權平均報酬(0050)?

1.adl_0050_strategy：ADL MA多方期間(ma5突破ma60)做多個股，空方期間(ma5跌破ma60)不做多個股，改持有“0050 ETF”取得加權平均市場報酬，績效在近年比一直持有“0050 ETF”好。

2.adl_clearance_strategy：為指標空方時保持空手，不一定比空方時持有etf有優勢，因為死叉期間可能是權值股大漲，大部分的時間adl都是往下的，過去幾年台股指數長期往上，會躲過大跌，但同時也容易錯過指數大漲的時候。不過金融海嘯當年，該指標有躲過崩盤。

3.adl_short_strategy：ADL MA空方期間硬做多個股，長期績效近乎白工。

4.0050走勢與個股平均報酬貼合，但考量換股交易成本，績效與效率不如持有0050。

結論

指標走空時空手或改持有0050等指數好標地、不做多個股。

指標翻多時，可考慮加碼中小型股為主的策略。

如何製作ADL圖表？

請參考plotly與colab程式連結。

我們現在處於一個大泡泡中，

全球指數漲翻天，

更不缺像是比特幣、特斯拉這種倍數增長的個股，

你要怎麼在這樣的炒作行情下獲利，甚至是高效獲利，

將小泡泡吹成大泡泡，

就讓我們用數學的方法算給你看！

當前全球股市指數都頻頻創高，

有些人引以為戒，調節部位，

有些人享受當下，乘風破浪，多賺一把，

你是哪一種人呢？

LPPLS 如何幫助我們選股呢？

我們今天要介紹的選股方式，

就是利用泡沫，將你的資產越吹越大！

具體而言要如何辦到呢？

這個影片中你會學到如何用 LPPL 來選股，

找出潛在的泡沫股票，

讓市場的瘋狂將這些標的推升，

在泡沫吹大後，

趁著還沒有爆掉之前，趕快出脫，

再轉手下一檔股票，不斷的轉換！

上禮拜我們介紹了 LPPLS 泡沫檢視器，

可以幫你預測泡沫何時來臨，以及泡沫發生的機率，

並且免費贈送一套工具，讓你診斷，

還沒看的，可以先去看上一集，

看完那篇，就會更瞭解其中的數學原理喔！

LPPLS 要如何檢測是否有泡沫呢？

簡單來講，LPPLS 假如想要預測當下的泡沫

就會使用很多不同大小的時間窗格，

針對每個時間窗格，都去檢測時間序列是否有泡沫，

由於 LPPL 演算法並不穩定，所以每個時間窗格，都會給出不同的答案

有些時間窗格會顯示有泡沫，而有些則不會。

所以 LPPLS 就是將所有的結果匯總起來，

例如範例中，有18個時間窗格，那其中有5個窗格顯示有泡沫，

則發生泡沫的機率就是 5 / 18

那我們就來做實驗吧！

我們實驗涉及了台股2000檔股票、

乘以共3000多天的歷史資料！

乘以每天 18 個時間窗格的分析

總共進行了4 百萬次的 LPPL 分析

只換你一個讚和訂閱就好了，是不是很划算？

用 LPPLS 分析 0050

接下來就讓我們來看一下分析好的結果吧！

我們針對每檔股票 每20天跑一次LPPL，

以台灣50ETF為例子，我們可以看到

紅色的是價格，

而藍色為每20天的 LPPL 的顯示結果，

數值高代表可能有泡沫，

數值低代表是反泡沫，也就是可能會有觸底反彈的事件發生

由於我們是每20天執行一次LPPL

所以訊號會比較稀疏

但大致上還是可以預測低點或是高點

LPPLS 台股總體分析

在下面的圖中，我們針對每一檔股票，

都去執行上述 LPPL 的計算

就可以得到在某個時刻，

台股整體究竟有幾檔股票有泡沫，或是反向泡沫

首先，我們可以以2020年底，繪製出有多少股票可能會有泡沫，並且泡沫的程度是多少。

橫軸是LPPL得分，就跟我們剛剛說的一樣，

數值是正的代表股票越容易有泡沫，

0代表不會有泡沫

數值是負的代表股票可能有反向泡沫，

而縱軸則是得到該分數的股票的數量，

由於2020年底瘋狂上漲，

我們可以看到很多股票都有泡沫的現象

例如滑鼠指的這裡，大約有140檔股票，得分為 1 ，代表140檔股票有潛在泡沫發生，

另外，我們以2020年疫情崩盤為例子，

可以看到 4 月 8 號時的全體台股，LPPL 分佈圖，

這個分佈圖，大部分的股票得分是負的，代表有反向的泡沫，是反向操作的好時機

我們可以將每20天的股票，

所有得分加總起來會得到下圖，

紅色是加權指數報酬率，

藍色是所有股票得分總和，

設計一個簡單的策略，

當得分來到-500以下，

並且分數逐底時，自信進場

這些時刻就是自信進場接刀，賭身家的時間了！（開玩笑的）

平時如何應用泡沫選股指標獲利呢？

但我們可以發現，這種時機點幾年才有一次，

所以平常的時候，要怎麼用LPPL指標獲利呢？

我們這邊可以簡單地來分析一下，

將所有股票依照LPPL的分數，來進行分組，

縱軸是LPPL分數，橫軸持有天數，

而色溫圖則是報酬率

例如，我們看到當LPPL分數為 7 的股票群，未來發生泡沫的機率高，

所以在評分完後的13~19天，可能會崩跌，

另外，當LPPL評分為 -7 ，代表可能有反向泡沫，

雖然會序跌造成虧損，但也會跌深反彈，

我們可以看到滑鼠附近顏色比較跳躍，

代表跌深反彈的時間上非常難抓，

代表接刀困難，很難寫成策略。

不過我們可以看到此圖中最亮的部分，

報酬率平均到達2％之多，很適合高效的選股，

代表這部分的股票，由於上漲的關係

雖然被認為是有泡沫發生的可能，但是發生的機率比較低，

適合做趨勢型的追蹤測略，

接下來我們就可以來設計一個策略

每20天換股一次，平均的買入所有 LPPLS 評分為 N 的股票清單

累積報酬率顯示如下：

累積報酬率最好的是LPPLS分數為 2 的股票

其實LPPLS分數為 1～3 的標的，表現的還不錯

但是LPPLS分數為 4、5 的標的，由於泡沫發生的機率增加，

所以導致報酬率小於綠色的大盤

實單做實驗

做實驗就要用真槍實彈，不要紙上談兵，

接下來，我們就真的來買入LPPLS分數為2的這些股票，

我們將這些股票平均分散買入，並且測試看看20天後的報酬率！

下圖是使用這個策略的月報酬率分佈結果，可以看到策略的報酬率分佈偏向右邊，

代表使用這個策略的期望值是正的，是大於 1的。

但是還是有很多個月是小於 1 ，是虧錢的，

這次使用這個策略，每個月的勝率是65％，

對於量化交易來說，我們盡可能製作出一個期望值為正的骰子

但是要獲利的話，短期來說還是得靠運氣

但由於我們做的骰子期望值大於 1

你必需要不斷的骰，持之以恒

才能夠體會它的功效！

結語

在留言區輸入股票代號，我們就會告訴你目前他的泡沫指數是不是2

假如是2，就代表是有小泡沫的股票，適合買入，

假如大於 4，就代表泡沫有潛在破裂的可能，要稍微減碼囉！

趕快來檢驗看看吧！

讓 FinLab 告訴你什麼時候泡沫會破裂
讓你在大家瘋狂的時候，獲利了結
等到恐懼的時候，再逆勢買進

金融波動大，要如何高買低賣？

2020算是金融波動非常大的一年，
三月因為疫情關係，台股暴跌到8000多點，
大家都覺得完蛋了，於是出清股票，停損觀望，
想不到這時候政府國安基金，全球印鈔 QE 救經濟，
去年年底，台股又飆升到了 14000 點，
簡直就像是坐雲霄飛車一樣！

要如何買在低點買在高點呢？
就要像巴菲特說的一樣，眾人恐懼我貪婪！
但這句話其實我們已經聽到爛掉了，具體而言要怎麼實行呢？
其實非常困難，例如在三月的時候，股市崩盤，
親朋好友都叫你趕快賣掉股票了，你還不賣嗎？
那時候疫情剛爆發，感染者成倍數增長，
你哪有勇氣說自己是對的？你的勇氣會從哪裡來呢？

答案是從數學來的

全市場通用的泡沫模型

今天我們要介紹的泡沫模型
是多次預測泡沫包含

• 1990年納斯達克泡沫
• 2000年科技泡沫
• 2008年石油危機
• 中國市場泡沫
• 2009年美國房市泡沫
• 還有比特幣2017年泡沫

這個模型的簡稱是 LPPL 模型
全名是 Log-Periodic Power Law Model
原理其實就是假設這個世界有兩種人
A 和 B
首先 A 這類的人，他們是聽從別人建議的人，
也就是別人買我就買，看到別人賣我就賣，
而 B 是有自我主張的人，
也就說他不管別人的建議會按照，自己的行為來做決定，
而這個自由市場中，
A 跟 B 的訊息會不斷地交換，
交互影響對方的選擇。

以你來說好了，
有時候你會有自我的主張，
也就是對股票進行買賣，
但有時候你可能也會聽從別的意見，當作參考
每個人都有可能有時候是 A 或者是 B，
當今天泡沫高漲的時候，
這個價格系統臨界點發生時，
會有這麼一瞬間，
大家都變成 A，一致做出賣出的決定！
導致價格的崩跌。

LPPL 數學原理

有了這樣的概念，我們就可以來設計一個價格模型，
什麼是價格模型？簡單來講就是一個預測真實世界的公式。
LPPL 公式推導非常地複雜，借鏡了統一場論，
利用模擬群體的交互作用的總體效應，來大幅化簡模擬的複雜度。

下圖中，我們用圖讓大家更了解這個公式的數學原理：

首先 LPPL 模型，最重要的會有三個元素

• 一個是橘色的這個點
• 那另外是這條藍色的曲線
• 最後還有這條紅色的曲線

那這邊橘色的這個點，
它其實就代表著崩盤的時候的最高價格 A，
那什麼時候會崩盤時間點就是 tc，
那我們可以看到這邊除了這個橘色的點以外，
還有這條藍色的時間序列，它就是在敘述，
泡沫整體上漲的幅度。

最後，價格其實是會有波動，
所以除了用藍色這一條線來描述價格以外
我們還會需要小週期的震盪，
也就是紅色的這一條曲線，來描述波動。

有了這三個元素就可以，
更正確地來描述泡沫破裂的時間序列公式，
那我們的就可以將這三個部分，
合併成同一個公式，
來描述說當今天泡沫發生的時候，價格隨時間的變化。

那你可能就會說
「我們究竟要怎麼樣將這個公式
使用在我們現在任何一個商品中？！」

那接下來我們就可以來看一個例子，

例如這邊我們有一個商品，
它的歷史價格時間序列是上圖右半邊，
那我們就懷疑，最近價格漲了好高，
是不是有泡沫會發生呢？

那這時候，可以用剛剛的公式，也就是 P(T)，
代入不同的參數進去，會算出不同的時間序列（以顏色表示），
那這時候，就可以找到一組參數，
它會讓我們的時間序列最接近真實的歷史價格，
例如我們可以看到，這 4 個（顏色的）時間序列中，
紅色的時間序列，長得最接近原本的歷史價格，
所以我們就會說，這組時間序列的參數是比較合理的，
這組合理的參數裡面，就包含了 tc，也就是泡沫破裂的時間點！

你可能會問，這個公式真的能幫助我們賺到錢嗎？
我們要怎麼應證它是有用的呢？

跟我們一起來做實驗吧！

我們已經幫你做好了工具，可以直接來使用，
這個工具的費用，就是幫訂閱我們的部落格、YT
用正確方法和數學公式，安全穩定地投資理財，
這一套工具將會完全免費送給你！

這個股票泡沫檢測器不只可以幫你判斷，
究竟現在這個商品是否有泡沫，
我們可以針對任何一檔股票，
甚至是 Bitcoin 來做檢測，
只要是有收錄在 Yahoo Finance 的標的，全部都可以拿來做預測分析喔！

該買哪些書

書一本的價格，比上課程還要划算很多，
增廣見聞沒什麼不好，付一點小錢，但獲得整本知識，採到雷不心疼（相較於課程）！

但是呀～我得說網路上就已經有很多很棒的免費資源了，看書之前，
去翻一翻網站，研究一下，說不定也有很不錯的收穫
例如「TEJ」這個策略庫，裡面就將近百種策略任均挑選，根本來不及買書呀！

買書也好，上網看也很不錯，但重點在於自己要有辨別策略的能力！

該相信哪些老師

對於量化策略這個學門來說，我們不相信老師，只相信策略！
經過長久驗證的策略，用歷史回測，這種最客觀的方式，
來檢驗一堂課程、一個老師是否值得你相信，

為何我們不相信老師？因為就算您真的很幸運，遇到很有實力的老師，
他能夠辨別產業狀況，個股之間的優勢，但有辦法完全複製這個老師的能力嗎？
我個人是持保留得態度，
假如不能複製他的能力，那就只能聽他的意見買賣股票，就變成單純老師說什麼買什麼，
得一輩子付費上課才行，沒辦法獨立。

所以該怎麼辦才好？

不要相信老師，相信你的代碼和策略吧！

量化策略的好處是，你可以完全的複製和累積經驗！
做研究也非常爽，每一次回測就可以抵過別人實戰多年的經驗
這個月研究「技術指標」成為技術指標高手
下個月研究「三大法人」成為籌碼高手
再花半年研究一下「基本面」成為偽價值型投資人XD

每一次回測都獲得很多經驗，知道哪些指標該怎麼用，能夠長期獲利！
最重要的好處是不用實彈演練，將 $ 投入茫茫大海，就已經學習到買股票的經驗了～

我最近開了堂課程，也變成大家口中的「老師」了…XD
但在此堂課程中，你可以完全不用相信我，相信歷史績效和程式碼就可以了！
課程中，我們教您所有的代碼、也教你怎麼從無到有建構一個策略，
程式碼是無情的，絕對公正，就像是照妖鏡一樣！
好的策略一一現形，壞的策略一網打盡～

歷史回測績效，比對帳單好

量化投資中，我們會模擬策略在過去幾年的歷史績效，
歷史績效是更有效的對帳單！為什麼這麼說？
首先，你怎麼知道所謂的「老師」總共有幾個投資帳戶？
說不定對帳單都拿會賺的，賠的都沒秀出來，尤其是多空都包含的策略，超容易做對帳單
首先，只要一個帳戶看多，一個帳戶看空，最後看哪個賺得多，就秀哪個就可以了…

有歷史績效，每一筆交易都是清清楚楚，沒有含糊的餘地，
每一個策略買賣時機也非常明確，不會有事後諸葛的嫌疑～
我們的課程中，甚至回測程式碼都給你了，
當中大部分的code上課都有教，直接毫無作假寫給你看！
假如有問題早就被抓出來，歷史績效是經的起考驗的！

所以我也請大家不用相信我，相信你自己跟code吧～

投資課程究竟該便宜該貴

投資課程也算是一種商品，例如手機好了，有人喜歡買「iphone」，但買「小米」手機的人也不少，課程定價本來就可以很浮動，重點是要「超值」！

例如我開的「python投資：小資族選股策略」，就是走「小米」發燒友路線
強調「動手做實驗」的精神，並且買一次終身受用。
當然「發燒友」的意思就是，必須要有「研究精神」的人來學習會比較好，
課程中比較沒有華麗的GUI介面，有的是很紮實的選股程式碼，
還附上了一個策略並且實際驗證給大家看，策略的有效程度！

我個人覺得滿超值的！尤其是對有研究精神的人～

一般非量化課程問題在於，你只能相信老師說得話，但無法驗證他說的是否正確，
也見過很多策略，理論可行，論述有理，但回測起來績效不好，

更可怕的是
之前看過一個直播，講師的策略簡單，歷史績效超好，曲線超美！
但詭異的地方是我無論怎麼做，就是完全無法還原他的績效…
可能我資質愚鈍吧XD

以上的例子就是在說：你以為「超值」的課程，最後有可能沒那麼「超值」
在這種情況下，比起一開始買5萬塊的課程，我覺得先從3000左右價位的課程開始嘗試，也不失是個好主意呀！以成本來說

• 五萬塊的課程：相當於50萬要獲利10％才能回本
• 三千塊的課程：相當於30萬只要獲利1％就能回本

以上的例子就可以發現，考量到自己的投資總額，也是非常重要的喔！
最近3千這個價位的課程也越來越多了，這是個好現象！讓大家以比較低的成本，學到有用的知識！

為何這堂課程這麼便宜

這堂課程目前真的是破盤價，其中包含一個永久可以使用的回測框架
還有其代碼，這些程式碼一般在外販售絕對是更貴的價格！
為什麼我們可以賣這麼便宜？

我們開這堂課的初衷就是：「希望將量化投資帶入平常百姓家」
在課堂中，幾乎毫無保留，把所有的程式碼都教了，盡力做到完整！
因為我們希望「大家上完這堂課，能夠獨立做財經研究，往財富自由的路上邁進」
投資不應被高價課程或軟體壟斷，我們想讓大家用最少的成本，換取最大的福利，

而且我們不擔心全部教完，大家學會就跑走了～
反而就是希望你再也不用依靠任何人、任何軟體，也不用再來上我的課，
可以自行研究投資這門學問，對自己的獲利負責～
我們希望越來越多人利用量化投資獲得穩定合理的報酬！
對於改善台灣的投資環境盡一份心力。

FinLab的課程之所以可以橫空出世，闖出一片天，
其實反映出台灣股票軟體高昂、財經資訊較封閉的缺點，
投資界的「iphone」已經夠多了，我們就來當超高CP值的「小米」吧！

何時該用大盤過濾？

使用時機，最白話的說法就是：你不希望賺錢之後連本帶利虧回去，但是如何定義虧很多呢？例如，今天某人虧損30萬，很多嗎？對於一個小資族如我，這樣算是非常多的，得上班好幾個月才能補回來。但對於手上持有一億元的基金公司，其實也才千分之三，是常有的事情。

所以我們通常會去看一個數值，叫做dropdown（DD），也叫虧損，或是回撤。

今天的投資資本 – 投資資本歷史最高點

用比較數學正式的角度講，我們先假設總投資資產為 c(t)，那dropdown為 d(t)，就可以寫成：

某人原本有100元，賺了50元，獲利繼續投資，但後來虧了30元，來到了120元，請問dropdown是多少？

假如100塊直接虧損30塊，那dropdown會是 -30％，但好在某人已經先獲利了50%並且持續投入股市，所以從150虧損到120元，這個策略的 dropdown 其實是 -20%。

所以不管是資金規模大小，我們有了一個統一的指標去衡量策略的下跌幅度了！
通常我們會進一步去看整個回測，例如十年當中，虧損最慘最慘的位置，也就是最大下跌幅度，maximum dropdown（MDD）：

而 tt 通常發生在 2008～2009 金融海嘯附近。所以我習慣真的要用的策略，會測到2007年，才能看出虧損最嚴重的情行在哪裡。

我所有的策略不加大盤濾網平均dropdown在 -30% ~ -40% 左右，有些稍好在 -20%（沒有槓桿），很多有到-60%，所以投資股票當大盤大跌時，你用了沒有融券的單一策略，那就要有承受損失 -20％ ~ -30% 的心理準備。

當今天發現某個策略效果不錯，但是金融海嘯時特別差（40%～60％），那就可以使用大盤過濾了！

大盤過濾的優劣得失

當你加入了大盤過濾的策略後，很可能會發生以下情形：

• 策略變差

大家都說大盤過濾可以幫助我們將獲利保護好，以便賺更多。但不好意思要潑個冷水。我的回測經驗是，大部分的大盤過濾都會讓策略獲利變差，尤其是那些原本就獲利很好的策略。常常會發現原本可以獲利的策略，瞬間變得黯淡無光，這種事情經常發生！我的心得是，沒有一種大盤過濾法是萬用的，應該說有幾種可能有用，可以試試看，但不用抱持太大的期待。

• Dropdown 變小

dropdown會有很明顯的變小，但是要比 -30% 好甚至到 -20%，以日為頻率做買賣個人覺得是有難度的，所以除非金融海嘯你的策略虧損來到了40%以上，再考慮使用大盤的過濾就好了。

範例

這篇的重點應該是用大盤過濾來降低dropdown，所以這邊給了一個簡單的策略。

• PB < 1.5
• ROE > 1 (當季)
• EPS > 0 (當季)
• 上次寫過自己愛用的指標

每80天換一次股，看一下結果：

這個策略算是可以穩定慢慢的獲利，而且買股數量也不會很多，這邊我的起始資金設定成50萬，紅色的權益曲線是計算了手續費後的結果，藍色的則沒有計算手續費，這應該也算是一個小資族存點錢後可以使用的策略。然而在金融海嘯時，dropdown非常大，竟然來到了 -60%，這樣的策略就算長年下來可以獲利，我也是不敢用，誰知道下一次金融海嘯什麼時候來呢…。

所以我們用了一個大盤的濾網，在設計濾網時，可以直接買賣大盤，初步看一下是否真的有用，我最後設計的條件：

• 大盤在21日均線上 或 21日均線上升（比昨日高）

為什麼要用21呢？其實只是一種斐波那契数列的迷信而已，也可以用20啦，沒差多少。
以下是直接回測大盤，但不考慮手續費，反正只是想看一下這個濾網有沒有用：

藍色就是真正的大盤，我們從2000年開始測試
橘色的是買賣大盤的結果，這邊的曲線是只有買大盤，沒有空的部分，總結這17年，此方法是有一定的獲利能力的，甚至可以拿來用在台指期策略上，我們今天只用在改善選股策略，避開一些不必要的虧損。大家可以去Cmoney或是玩股網，人工的方式去比對這個簡單的大盤條件。

說到這個，我跟玩股網、CMoney、財報狗都沒有什麼關係，只是網路上好用的工具就那幾個網站，而且順便提升一下這個blog的外部優質連結，如此而已啦！我還太小咖不會有人找我業配XDD

這邊只是簡單的過濾，另外還可以用KD、RSI，都試試看，甚至上網搜尋台指期的期貨策略，直接套成濾網（當然前提是時間尺度要match，這邊的最小單位是”天”）。

接下來我們修正原本的策略，加上了以上的大盤過濾條件，這邊要注意的是，我們在換股當下檢查大盤就好了，不需要每天都檢查，就是一翻兩瞪眼，也就是要買就買80天，不然就空手80天：

可以看到，它的dropdown從 原本的 -60% 縮小到 -30% 左右，且總獲利甚至提升了一些，這樣的結果還算滿意，覺得這應該算是過濾大盤的一個成功案例，要秀失敗策略的很簡單，因為太多了XDD，但我還是盡可能的把優質的內容呈獻給各位，今天的總結：

• dropdown的定義
• 過濾大盤的利弊
• 一個真實的大盤過濾方法，有可能可以套用再其它策略
• 大盤過濾研發的思路，及過濾的前後比較

假如喜歡這個blog，可以定期追蹤喔！我每個禮拜都會不定時發文。