地緣政治風險

有一些風險是沒辦法使用回測衡量，因為歷史從未發生過，或是很少出現，且很難預測出現的時間點。
投資最怕的就是一夕之間歸零，什麼樣的風險會造成一個國家的股市迅速崩盤？不外乎是戰爭、天災、金融風暴，從俄羅斯股市的例子來看，他可說是動盪國家的代表，戰爭、天災、金融風暴、能源危機他都有參與到，每當有地緣政治的大事件發生，股價、匯率都會在短期內出現40%以上的崩盤。

台股最大的風險就是地緣政治風險，雖然兩岸從未真的開戰過，最接近的一次是1997年台海危機，但長期以來都面臨中共的各種威脅是不變的事實，中共從未放棄用武力統一台灣。
尤其是近年美中科技貿易戰、共機共艦繞台，都讓台灣很難不被牽入大國之間的博弈。
經濟學人雜誌甚至還在2021年將台灣列為全世界最危險的地方。
若資金都重壓在一個國家，那你就要問問自己如果最糟糕的情況發生了？我可以承受嗎？
還是選擇預防勝於治療，提早將資金做分散的準備？將資金部署到安全性較高的國家來降低地緣風險，美國目前身為科技與軍事強國、且有完善的資本市場，美股可列為考慮用來當風散投資風險的國家。

股神巴菲特在2023年短進短出台積電讓投資人驚訝巴爺爺為何操作這麼短？結果股神也承認是因為地緣因素才割捨「護國神山」這樣的優良公司。

只投資台股並不一定不好，但連股神都考慮地緣風險，你能不跟進考慮嗎，了解台股和美股的特點和優缺點可以幫助您做出更明智的投資決策。以下是台股和美股的一些資本市場優缺點：

台股的優點

• 地域接近：對於台灣投資者而言，台股更為熟悉和容易接觸，包括了許多本地公司。
• 語言和文化優勢：對於以中文為母語的投資者來說，投資台股可以減少語言和文化障礙，更容易理解和獲取信息。
• 熟悉行業和市場：投資台股可以更容易了解本地市場和行業的動態，掌握相關信息。
• 潛在Alpha空間：外資的台股市場參與度約 30%，還不算競爭太過激烈的市場，一般來說，散戶參與度較高的市場，比較能利用投資人的交易行為錯誤取得超額報酬空間。
• 資金調度：台幣可用來當日常支出，降低會換匯風險。

台股的缺點

• 有限的市場規模：相對於全球範圍內的資本市場，台股的市場規模較小，投資機會可能較為有限。
• 零股市場、個股期貨流通性仍較低，對小資金參與者不友善。
• 缺乏行業多樣性：台股市場的行業結構相對集中，以科技和製造業為主導，其他行業的選擇相對較少。

美股的優點

• 市場規模和機會：美國股市是全球最大的股票市場之一，擁有廣泛的投資機會和多樣的行業選擇。像是軟體業、服務業、軍火業、煙草業…，都是台股缺乏的產業板塊。
• 科技和創新領先：美國是全球科技創新的領導者，許多知名科技公司在美股上市，投資者可以參與到科技發展和創新的機會中。想是看好iphone產品，直接投資Apple就好，不用投資一堆Apple的台企供應鏈。
• 資本流動性高：美股市場具有高度的資金流動性，交易活躍，便於買賣股票。以「股」為最小單位來當主要交易，不像台股以「千股」為主要交易，小資族較能參與市場。
• 金融商品多樣化：有較豐富且低交易成本的 ETF 可操作，著名的 VT 就是在美國發行。

美股的缺點

• 時差和語言障礙：對於台灣投資者而言，投資美股可能面臨時差和語言障礙，需要更多的跨國交流和信息獲取。
• 風險多樣化：美股市場的行業和公司眾多，需要更廣泛的研究和了解，以避免風險集中在某些特定股票或行業。
• 稅制：相較台灣，有較高的股息所得稅，遺產辦理手續繁雜。
• 美股投資不容易取得超額回報： 高市場效率，美國股市是全球最發達和最活躍的股票市場之一，市場參與者眾多，尤其是法人與量化基金成交佔比高，信息傳遞迅速，交易活躍度高。這使得市場相對高度有效，難以通過普通的選股和市場定時來獲得持續的超額回報，面對強大的量化基金交易對手，可能更難超越大盤。

結論

對美國本土交易人而言，美股的缺點幾乎只剩下「美股投資不容易取得超額回報」這一項。
對台灣交易人而言，美股雖然要研發出策略超額報酬的策略比較難，但就算是報酬率較台股普通，仍對分散淺在地緣風險、產業風險有所幫助，投資組合的未來表現會比較穩定，不用擔心台灣「萬一」發生了什麼？
美股相對於台股，就像棒球的美國大聯盟與小聯盟，小聯盟玩到頂尖後，挑戰一下大聯盟，放眼世界，也是必經的道路，FinLab 美股 Beta 版已經上線，就讓 FinLab 帶你一起探險美股的世界吧～

然而今年股市也回檔了超過20%，如果在景氣熱絡時進場，像是去年底，那你今年肯定很難過，現在你看到藍燈，是不是認為為總經環境差，要趕緊脫出股票？
市場老手「麥克風」則有不一樣的看法，認為「藍燈」反而是末跌段買點，只是要分批進場會比較安全。我的看法也是如此，通常進入藍燈時，股市早就反映一大段了，當未來爛無可爛，反而容易出現轉機，市場經常領先經濟數據。

景氣燈號如何撰寫加減碼？

重點來了，許多人都知道要在藍燈分批買進，但分批加減碼究竟要如何撰寫？
通常寫策略都是一布林訊號通到底，100%持有。這就是FinLab量化平台的優勢，可以自動調控加減碼，可以自動調控加減碼，不限於固定部位，可靈活運用總經數據，把策略都自動化起來，比起外面的總經課程，更貼近實戰。

回測函數 當position 的數值除了可為布林訊號，也可以填入數值當持有部位調控，例如 0.2 為持有20%。

示範的景氣燈號加減碼策略邏輯為分5批進場。
只要近12個月內每一月景氣指標分數小於等於18時，分批買進20%部位。若景氣指標分數大於等於40時則全數賣出。舉例：若近12月內有3個月滿足條件，則持有60%，若近12月內有5個月以上滿足條件，則持有100%。
這個策略設計的背後思維在如果近12月內景氣燈號低於18分的月份越少，代表脫離藍燈谷底越遠，若近12月內景氣燈號低於18分的月份越多，則代表貼近景氣谷底，利用訊號數量去加乘持股部位。
另一個小重點在為何指標是用18與40分，而不是官方藍紅燈上下限的16分與38分？原因在策略若想要比人早一步，就要微調數值，且進入紅燈的熱絡階段，往往有所謂邪惡第五波，延遲出場有機會獲得更高報酬，而若用官方的16分當衰退指標，會發現低於16分的情況不多，所以往上微調，以增加訊號數。

from finlab import data
import pandas as pd
import numpy as np

df = data.get('tw_business_indicators:景氣對策信號(分)')
df = df[list(df['tw_business_indicators'] > 0)]

# 只要近12個月內每一月景氣指標分數小於等於18時，分批買進20%部位。舉例：若近12月內有3個月滿足條件，則持有60%，若近12月內有5個月滿足條件，則持有100%。若景氣指標分數大於等於40時則全數賣出
batches = 5
ind = df['tw_business_indicators']
sig = pd.Series([True if i <= 18 else False if i >= 40 else np.nan for i in ind], index=ind.index)
position = (((sig / batches).rolling(12,min_periods=1).sum()) * sig).ffill().clip(0,1)
position.astype(float).plot()

景氣燈號加減碼訊號曲線變化

可以發現加減碼曲線控制在 0%到100%，隨著時間不同而有不同持股部位變化。

回測程式

colab 範例檔
回測程式很簡單，我們以 0050 元大台灣50 當操作台灣總經策略的標地，將上述的景氣燈號加減碼訊號傳入 0050 的 DataFrame，就會以該加減碼訊號靈活操作 0050 ，在景氣低迷時逐步入手，在景氣熱絡時拖出。
小細節是帶入回測時把交易稅率調成 ETF 適用的 1/1000。

from finlab.backtest import sim

# 將持有部位帶進0050
close = data.get('price:收盤價')
buy = pd.DataFrame({'0050':position})
buy = buy.reindex(close.index, method='ffill')
report = sim(buy, upload=False, tax_ratio=1/1000)
report.display()

回測結果發現該策略可以取得比長期持有0050還好的績效，熊市時期的2007與2022回檔幅度較小，波動曲線更為漂亮。

FED 打通膨不擇手段地升息，開始影響到實體經濟，除了一連串財爆，10-11月許多著名科技業如 Twitter、Meta都開始為了蹲節而裁員滾滾，從 裁員統整網站 資料可以見到一串觸目驚心的數字，10月的美國失業率是3.7%，還不是特別高，這個月失業率會不會噴出要等12月初才知道。究竟美國失業率要如何應用到策略上？FinLab量化平台能否支援 S&P 500指數 的回測？本篇文章帶給你相關洞見與程式撰寫方法。

資料取得

透過FinLab資料庫即可一行取得失業率資料
data.get('us_unemployment_rate_seasonally_adjusted:value)'
如果你對抓取美國就業相關總經數據有興趣，可以參考此篇爬蟲教學。

圖表觀測

美國數據比台灣數據好的地方在資料很早就有統計，可以做長時間回測，圖中可以發現失業率指標大致在3~10%擺盪，歷史失業率接近10%時，往往是股市低點，有人說目前的通盤環境類似1983年，但目前的失業率還在低檔，離10%高檔還很遠，是不是還沒末跌段？
失業率循環的週期普遍在5年以上，是蠻長線的指標，2000年以後，失業率與股市表現有明顯負相關，2000年以前股市和失業率關聯不大，S&P 500幾乎一路往上衝。。

為了方便長短期失業率趨勢，我們可將失業率化成均線，看MA6與MA2的差額，讓我們更能方便觀測短期失業率是否變嚴重，負值越高代表短期失業率越嚴重，可以發現指標由正轉負時，會領先預告股價崩跌，但由於訊號週期長，由負轉正也往往會錯過V轉反彈，2022由於就業市場太好，死叉訊號落後股市崩跌很多。

總經指標回測

程式範例

若我們想要用失業率回測 S&P 500 指數，第一個面臨到的問題是 FinLab 量化平台可否回測台股以外的交易資料？
答案是可以的，只要繼承MarketInfo類別，客製化回測市場的資料，修改一下市場類別回傳的方法，最後將新類別傳入sim的market參數即可。範例將台股的資料換成世界指數的資料。
訊號條件只有一個失業率 MA2 小於 MA6 時持有 S&P 500 指數

from finlab import data
from finlab.market_info import MarketInfo
from finlab.backtest import sim
import pandas as pd

class WorldIndexMarketInfo(MarketInfo):

    @staticmethod
    def get_benchmark():
        world_index = data.get('world_index:close')
        sp500 = world_index['^GSPC'].ffill()
        return sp500

    @staticmethod
    def get_asset_id_to_name():
        return {}

    @staticmethod
    def get_price(trade_at_price, adj=True):
        if isinstance(trade_at_price, pd.Series):
            return trade_at_price.to_frame()

        if isinstance(trade_at_price, pd.DataFrame):
            return trade_at_price

        if isinstance(trade_at_price, str):
            if trade_at_price == 'volume':
                return data.get('world_index:vol')

            if adj:
                table_name = 'world_index:adj_'
                price_name = trade_at_price
            else:
                table_name = 'world_index:'
                price_name = trade_at_price

            price = data.get(f'{table_name}{price_name}')
            return price

        raise Exception(f'**ERROR: trade_at_price is not allowed (accepted types: pd.DataFrame, pd.Series, str).')


from finlab import data

unemployment_rate = data.get('us_unemployment_rate_seasonally_adjusted:value')
close = data.get('world_index:close')
cond1 = (close.ffill() > 0)[['^GSPC']]
cond2 = (unemployment_rate.average(2) < unemployment_rate.average(6))['美國失業率(季調)'].reindex(cond1.index,method='ffill')

position = cond1 & cond2

report = sim(position,resample='D', market=WorldIndexMarketInfo, name='us_unemplyment_rate', tax_ratio=0, fee_ratio=0, upload=False)
report.benchmark = close['^GSPC'].ffill()
report.display()

回測結果

全歷史

使用失業率指標來擇時，沒有比一直持有好，但橘線的回檔曲線明顯優於一直持有，閃崩要閃V轉，報酬率與穩定度你選哪一個？

2000年至今

2000年以後的回測，失業率指標就明顯有效果，報酬率和回檔曲線都比一直持有好。

結論

colab 範例檔
world_index 資歷集內還有其他指數資料，趕快來探索更廣的應用！如果你對總經指標回測有興趣，可以參考參考之前類似的文章「用Python回測總經指標(1)｜M1B & M2 年增率」，如果有想要的總經指標，卻在 FinLab資料庫找不到，也歡迎到 Discord 與我們討論與許願喔。
失業率指標何時噴上來？會是末跌段一個重要指標，讓我們繼續看下去。

API 註冊

美國勞動部統計局有開放 Python API 給開發者使用，建議去用信箱註冊一個 API 帳號，不然未註冊月戶每天只有25次取資料的權限，實在是很少，申請過後每日就能有 500 次Request。
註冊只要填信箱，送出後就會寄出 API key 的生效確認信，點擊確認後即可生效。

API 規範

建議使用 API Version 2.0，權限開比較多。更多常見問題可見 Q&A。
How is API Version 2.0 different from Version 1.0?API Version 2.0 requires registration, and it offers greater query limits. It also allows users to request net and percent changes and series description information. See below for more details.

如何使用 API ?

詳見開發者文件範例，以下舉爬取「失業率」當例子：
首先要傳入payload內的參數設定，seriesid 為 指標代號，常用指標代號可在官網相關頁面查詢或透過 API 取得常用代號列表。
startyear 為資料開始年度。
endyear 為資料結束年度。
registrationkey 為 api_key，有註冊的話要記得填喔

就這麼簡單將 json 檔下載下來，就可以取得時間序列資料。

失業率發布日

原始資料有一個問題是無法直接取得資料公告時間，只能知道數值是哪一個月份，以失業率來說，美國官方會預告發佈時間，原則上失業率是每個月第一個星期五，但偶爾會因為假日或其他因素遞延。

為避免使用到未來資料，我們使用每月10日當安全數值。以下為Python爬蟲完整程式，主要加上處理發布日期的部分，發便未來回測使用。

import requests
import json
import pandas as pd

def crawl_data(start_year, end_year, api_key='xxxx'):

    headers = {'Content-type': 'application/json'}
    # seriesid：傳入目標資料
    data = json.dumps({"seriesid": ['LNS14000000'],"startyear":start_year, "endyear":end_year, "registrationkey":api_key})
    p = requests.post('https://api.bls.gov/publicAPI/v2/timeseries/data/', data=data, headers=headers)
    json_data = json.loads(p.text)

    # 將資料轉成dataframe
    df = pd.DataFrame(json_data['Results']['series'][0]['data'])

    # 將資料日期轉成公告日，當月失業率在下一個月才公告
    latest_year = int(df['year'].iloc[0])
    latest_month = int(df['period'].iloc[0].replace('M',''))
    start_year = int(df['year'].iloc[-1])
    start_month = int(df['period'].iloc[-1].replace('M',''))

    def process_date(year,month):
        if month == 12:
            month = 1
            year += 1
        else:
            month += 1
        return year,month

    latest_year, latest_month = process_date(latest_year, latest_month)
    start_year, start_month = process_date(start_year, start_month)
    issue_date = pd.date_range(f'{start_year}-{start_month}-1', f'{latest_year}-{latest_month}-1',
                               freq='MS') + pd.tseries.offsets.DateOffset(days=9)
    df_new = pd.DataFrame({'value': df['value'].values[::-1]}, index=issue_date)
    df_new['value'] = df_new['value'].astype(float)
    df_new.index.name = 'date'
    return df_new

df = crawl_data('2015', '2023')
df

小結

colab範例檔
美國勞動部統計局有許多非常重要的資料，除了就業相關數據如失業率、非農、就業津貼，還有物價指數CPI、PPI，都能幫助我們後續做分析，趕緊學會該 API 的使用法則，打造總經分析武器庫。
想知道美國失業率如何應用在美國指數的擇時回測嗎？可以繼續看「用Python回測總經指標(2)｜美國失業率 vs S&P 500指數」踏入更豐富的數據世界。

指標意義

M1B＝M1A（通貨淨額 ＋ 支票存款 ＋ 活期存款）＋活期儲蓄存款，為人民手邊可隨時動用的資金。

M2＝M1B＋準備貨幣（如定期存款、郵政儲金及外匯存款），流動性較 M1B 低，代表整體市場的資金。
當 M1B 年增率 – M2 年增率 ＞ 0，表示流動資金成長較定存快，台股資金越活絡。 當 M1B 年增率 – M2 年增率 < 0，表示流動資金成長較定存慢，台股資金越趨緩。 在過去幾次循環中，M1B 減 M2（年增率）常領先台股三至六個月前出現上漲，在 M1B 減 M2 出現向下走勢時，台股亦出現下跌（資料來源：財經M平方）。

總經平台「財經M平方」有豐富的總經資訊，如果對總經指標不熟悉，可以在該平台習得知識，了解概念後，就可以使用「 FinLab 回測模組」來驗證。「 M1B 年增率 – M2 年增率 ＞ 0」這個指標有用嗎？

圖表觀察

寫回測之前，可以先將數據視覺化簡單觀測一下「資金指標與加權報酬指數關係圖」。
灰色區塊是每次「 M1B 年增率 – M2 年增率 剛小於 0」到「 M1B 年增率 – M2 年增率 剛大於 0」的區間。
圖中可發現 2000 以前由於銀行利率很高，在那個定存5%的年代，M2 年增率好長一陣子都大於M1B年增率。
2000 以後，利率開始降，資金開始流入股市，展開台股大多頭。
2006-2007 指標出現好幾次震盪，但看起來是提早被洗掉。
2008 該指標領先崩盤訊號，成功躲掉崩盤，但股市反轉一大段後，該指標才翻多，看起來也躲掉大漲。金融海嘯後全球開始印鈔，降息降到極限，維持好長一段「 M1B 年增率 – M2 年增率 ＞ 0」，2012-2013 的訊號失靈，2015 的訊號有領先，2017-2018 出現極短循環。
而 2022 這次崩盤，雖然美國狂升息，但 M2年增率 由於「台灣央行」升息很慢，所以增幅並不明顯，由於之前M1B增幅很快，收斂要時間，所以直到崩了好一大段後，現在才又轉負，沒能提早示警。

M1與Ｍ2交叉訊號回測

圖表訊號看起來實用性是55波。寫程式回測一下，操作標的為「0050 元大台灣50 (藍線)」。
結果和一直持有(灰線)的結果是差不多的…雖然可能會躲崩，但也會落後進場。然後慘烈的 2022 整段回檔吃下來，是不是不用那麼忙？

M1均線指標

為何「 M1B 年增率 – M2 年增率 ＞ 0」會沒傳說中的有用？
我想關鍵在於跟「M2 年增率」的波動不大有關，「M1B 年增率」波動才是關鍵，像 2022 由於 2021 資金行情讓兩者差距太大，在 M2 上升不夠下，M1B 要收斂向下穿過 M2 要花的時間太長。
實際要使用的話，我會試試單用「M1B 均線訊號來回測」，例如當月「M1B 年增率」穿越「M1B 年增率近6月平均年增率」當訊號，產生更靈敏的指標，訊號也變多。將條件修改回測結果如下，確實能解決「M2 年增率」太遲緩的問題，以此操作 0050 或是長期投資台股指數，會有擇時進出場的優勢。

Top Down 選股策略實測

Top Down 選股法簡單說是先分析最上層的總經，大環境若逆風，則不再後續選股動作。要確認大環境好，才進行選股，不是硬要靠選股能力待在市場，而是選最順風的時候。
動能策略在資金行情時，往往衝第一，然而當資金消退時，也是跌勢驚人！究竟「M1B 均線指標」能不能進一步提升「動能策略」的績效？

動能策略範例

範例選定為「突破策略豆知識 | 如何避免假突破?」文章中的「創新高延續動能策略」。
回測績效如下，很兇猛。

動能策略＊資金行情指標回測

下圖中是套上「M1B 均線指標」當大盤濾網，可以發現雖然 2022 成功躲過，但前幾年也錯過不少飆股機會，累積報酬率少了7倍，且最後與一直持有指數是一樣的，白忙一場。長期待在市場衝鋒陷陣才是王道？

結論

• 「 M1B 年增率 – M2 年增率 ＞ 0」不夠靈敏。
• 「M1B 年增率」穿越「M1B 年增率近6月平均年增率」較能解決「M2 年增率」不靈敏的問題，有助於台股指數擇時操作，但個股策略則無明顯效果。

colab 範例程式檔 提供大家自己驗證，之後會繼續研究其他總經指標。

財經數據資料源

貨幣總計數的資料最源頭來自台灣中央銀行的新聞稿，每月23-30號間發布「上月金融狀況」，頁內有M1B和M2的年增率的表格資料。然而新聞稿區的早期資料不是那麼完全，網頁格式也變動多次，如果要在此爬蟲所有歷史資料，並非最佳解。

所幸 行政院主計處 也有M1B和M2的數據，而且看來是可以一次抓下JS圖表內的所有數據，會比央行省事省力的許多。然而不幸的是此資料並非完美，現在都已經2022/11/3了，主計處資料還停在8月數據，但中央銀行早在10/24就發布了，怎麼更新同步基調差那麼多？如果是10/31前公佈都還好，拖到11月就真的太慢了。
所以我們需要兩個Python爬蟲，一個爬主計處的財經數據歷史資料。一個爬中央銀行當月的貨幣總計數，作為之後更新最新資料使用。

主計處Python爬蟲

爬蟲開發的第一步是觀察網頁結構，如果資料是以html的table來呈現，那是用pandas的read_html，就非常好解析，據經驗，80％情況都是如此。然而如果不是table，就比較麻煩，若財經數據有直接渲染在網頁，可以用 Beatifulsoup 解析整份 html 檔，再定位標籤抓資料。
可以看到 行政院主計處 的最新M1B數據是7.55，我們可以在Chrome瀏覽器按右鍵選擇檢查，搜尋「7.55」放在哪邊？之後可以發現7.55出現在4個地方，然而table內只有一筆資料，由於我們要抓到歷史資料是放在圖表，圖表資料一般都放在<scripttype type=”text/javascript”>標籤裡的變數，經過搜尋發現我們要把chartValue變數內的資料解析出來。

Python爬蟲程式範例

流程和細節看程式註解，重點在BeautifulSoup網頁解析，和pandas如何產生目標時間序列。下列幾個要熟悉的工具說明。

• BeautifulSoup
• pandas.date_range
• pandas.tseries.offsets.MonthEnd

from bs4 import BeautifulSoup
import pandas as pd
import requests
from datetime import datetime


def crawl_history_from_dgbas():
    # 抓下網頁回傳資料
    response = requests.get('https://www.dgbas.gov.tw/point.asp?index=10')
    # 解析網頁
    parsed_file = BeautifulSoup(response.text)
    # 找出javascript區塊
    js_text = parsed_file.find_all('script', type="text/javascript")
    # 抓財經數據定位，資料為餘第3個javascript
    data = js_text[3].string

    # 文字資料定位，擷取數據部分，將js的日期型態Date.UTC取代成空白
    m1b = data[data.index('chartValue[6]') + len('chartValue[6]='):data.index(';\r\nchartValue[7]')].replace(
        'Date.UTC', '')
    # 將文字轉陣列
    eval_m1b = eval(m1b)
    # 取出數值，迴圈內d變數已被轉成空白，無意義
    m1b_values = [v for d, v in eval_m1b]

    # 重複上述動作，觀察chartValue內陣列定位，抓出M2數據
    m2 = data[data.index('chartValue[7]') + len('chartValue[7]='):data.index(';\r\nchartValue[8]')].replace(
        'Date.UTC', '')
    eval_m2 = eval(m2)
    m2_values = [v for d, v in eval_m2]
    
    # 日期處理，由於無法抓到即時公告日期，且央行公告日前每月不定，都在每月25號左右公告上月數據，為作業方便，目標將日期設為每月最後一天
    # 取出陣列內起始日期、結束日期
    start_date = eval_m1b[0][0]
    end_date = eval_m1b[-1][0]
    # 將日期格式轉為 pandas date_range 的參數格式，產生每月日期序列
    start = f'{start_date[0]}-{start_date[1]}-{start_date[2]}'
    end = f'{end_date[0]}-{end_date[1] + 1}-{end_date[2]}'
    # 日期序列為每月1日，為產生本月底公告去年數據的效果，使用tseries.offsets將日期後推
    dates = pd.date_range(start, end, freq='M') + pd.tseries.offsets.MonthEnd(2)
    
    # 產生m1b與m2數據，將數據併表
    m1b_df = pd.DataFrame({'stock_id': '貨幣總計數M1B', 'date': dates, '年增率(%)': m1b_values})
    m2_df = pd.DataFrame({'stock_id': '貨幣總計數M2', 'date': dates, '年增率(%)': m2_values})
    concat_df = pd.concat([m1b_df, m2_df])
    concat_df = concat_df.set_index(['stock_id', 'date'])
    return concat_df

Python爬蟲輸出結果

中央銀行Python爬蟲

這個爬蟲要分兩步驟，首先由於每月金融情況新聞稿的連結沒有規律，所以要先解析最新消息的>新聞稿的首頁，取出近月新聞稿的超連結，再將連結傳到 python requests 取得表格數據，之後再將資料稍微整理成前面主計處爬蟲的資料格式。
另外要注意若每月25號前就執行此爬蟲，可能會有當月資料還沒公告的問題，所以要加上例外狀況處理，回傳一個空的dataframe。

Python爬蟲程式範例

def central_bank_crawl():
    
    # 資料目標日期，轉成民國型態的上月日期
    now = datetime.now()
    year = now.year - 1911
    month = (now.month + 10) % 12 + 1
    if month == 12:
        year -= 1
    
    # 解析出最新消息內近月金融情況新聞稿的超連結
    menu_response = requests.get('https://www.cbc.gov.tw/tw/lp-302-1.html')
    parsed_file = BeautifulSoup(menu_response.text)
    text = parsed_file.find('a', title=f"{year}年{month}月金融情況")

    # 沒資料則回傳空表
    if text is None:
        return pd.DataFrame()

    # 取出超連結
    href = text['href']
    
    # read_html 解析表格數據
    report_response = requests.get(f'https://www.cbc.gov.tw/{href}')
    report_df = pd.read_html(report_response.text)[0]
    report_df.columns = report_df.columns.get_level_values(1)
    report_df = report_df.iloc[:, :3]
    report_df = report_df.rename(columns={'項 目': 'stock_id', '年增率': '年增率(%)'})
    report_df = report_df[['stock_id', '年增率(%)']]
    report_df['date'] = datetime(now.year, now.month, 1) + pd.tseries.offsets.MonthEnd(1)
    report_df = report_df.set_index(['stock_id', 'date'])
    return report_df

結論

colab程式範例
這個爬蟲和證交所那類好爬的表格與穩定資料相比，有一些要注意的坑，處理上也比較多層，所以特別記錄一下。行政院主計處和央行還有許多總經數據，如果你有需求，可以自己用上述範例練習抓抓看，或直接使用 FinLab資料庫 來抓喔。

如果你對爬蟲想知道更多，可參考我們其他教學文章

超簡單台股每日爬蟲教學
超簡單用python抓取每月營收
三大法人爬蟲：Python實作教學
python上櫃資料爬蟲輕鬆做
財報爬蟲超簡單 – 用Python一次抓綜合損益、資產負債、營利分析