揭開 OpenFE 在量化交易中的神秘面紗：高效自動化特徵生成的原理與實踐
量化交易的核心在於數據分析和模型建構，而特徵工程是連接原始數據與模型性能的關鍵環節。隨著數據規模和複雜度的增加，手動特徵工程變得越來越困難且耗時。OpenFE（Open Feature Engineering）作為一個高效的自動化特徵生成工具，為量化交易中的特徵工程提供了全新的解決方案。本文將詳細介紹 OpenFE 的原理，並探討其在量化交易中的應用。
大跌後的底氣 – 獨家主力波動指標
券商分點理論上是非常有效果的數據，應用得當，可以用來預測股價的走勢，然而，市場上主要將券商分點資料來計算「主力買賣超」、「買賣家數差」，該指標在選股的有效程度上，並非顯著。 本文將提出一種新的方式，來提取券商分點資料，製作更有效的選股指標，其效果非常顯著，搭配回測策略能夠有效獲得卓越的效果。
5種低波動因子，高效策略快速實踐
低波動因子是一種量化指標，用來衡量股票或資產在給定期間內的價格波動程度。這些因子通常用於選擇那些價格波動相對較小的股票，並構建低風險的投資組合。常見的低波動因子包括標準差、平均真實波幅（ATR）、最大回撤等。
槓桿動態調控策略的量化分析
在投資市場中，槓桿是一種常見的放大收益工具。然而，槓桿同時也會放大風險，如何在獲取高收益的同時有效控制風險是投資者面臨的主要挑戰之一。本研究旨在探討一種動態調控槓桿策略，該策略基於最大下跌 (Maximum Drawdown, MDD) 的控制來動態調整投資部位，從而在控制風險的同時獲取可觀的收益。
能夠升級所有策略的指標：F-Score
對於早期的股市投資者而言，技術分析與業界消息一度是決策的主要依據。然而對散戶來說，這些方法的效果往往不盡人意。
或許大家都有接觸過一些基於線圖的股票交易方法，然而實際操作時卻難以確定繪製的趨勢線應該放在何處。以一名理工人的角度來看，這些方法會顯得不夠精確且令自己困惑。
大約在 2015 年左右，我第一次接觸到 F-Score。那時我閱讀了一本名為「麥克風的股市求生手冊」的投資書籍，這本書由一位在 PTT 社群中的名人麥克風所撰寫。當時他的投資策略偏向價值投資。他主張投資低估的價值股，但同時要分散風險，持有多檔股票，儘管每一檔股票可能有盈虧，整體而言能夠跑贏市場。F-Score 在書中作為一種評估股票的方式，終於有一個可以量化比較的評估方法對我來說是一則重要的好消息。
使用 Python 和 finlab 庫優化台灣股市投資策略
對於專注於台灣股市的投資者來說，元大高股息ETF（代號：0056）提供了投資於台灣高股息股票的機會。這種ETF旨在追蹤高股息指數，並尋求穩定的股息回報與資本增值機會。本文將介紹如何使用Python的finlab庫進行策略分析和回測，以揭示此ETF的優勢和潛在弱點，並制定更精確的投資策略。
飆股可以賺更多？| 台股賣出的技術
如果想要抓飆股即時的轉折，必須要靠「技術面指標」當主要賣出訊號，基本面訊號頻率太低，像月營收一個月才發佈一次，如果以基本面當訊號，很容易太慢。
因此即便該公司的基本面很好，當技術面賣出訊號出現時，還是得賣。「飆股的長相」作者提出3個運用賣出指標的重點，讓你今後賣股能當機立斷，不必求人或瞎猜。
毛利率的選股潛力：一種數據驅動的方法
這篇文章提供了一個基於財務指標毛利率的股票篩選方法。透過這種數據驅動的分析，投資者可以更有根據地判斷在毛利率創新高的股票是否可能會帶來正面的投資回報。這種數據所帶來的魔法，正是現代投資世界中的重要利器，讓我們能夠站在更高的位置，抓住更多的投資機會。
