準備工具

Google Colab是一個非常強大且方便使用的線上程式編輯器。它基於雲端平台，可以讓使用者在任何地方使用瀏覽器來運行和編寫程式碼。使用Google Colab，您可以建立並執行Python程式，並且可以輕鬆地存取和共享您的程式碼和資料。此外，Google Colab還提供了豐富的內建函式庫和工具，可以幫助您加速開發和分析過程。無論您是初學者還是專業開發人員，Google Colab都是一個非常有用的工具，可以提升您的程式編寫和資料分析效率。

首先，我們在Google Colab上安裝「finlab」的函示庫。這個函式庫是一個非常強大且多功能的工具，它包含了我們所需的各種數據和分析工具，能夠讓我們更方便地進行數據處理和分析。此外，這個 finlab 還提供了許多額外的功能，比如圖表生成、報告生成等，這些功能可以幫助我們更好地呈現和分享我們的數據分析結果，讓我們的工作更便利和效率。

!pip install finlab > log.txt

數據搜集

接下來，我們從「finlab」裡面搜集了「營業毛利率」這個重要的線索。在過去八個季度的數據中，找到毛利率達到創新高的時刻。意味著這些公司在經營方面表現出色，值得進一步觀察的原因可能包括：

1. 提高利潤：高毛利率意味著這些公司能夠以比成本更高的價格出售產品或服務，從而提高利潤水平。
2. 競爭優勢：高毛利率可能表明這些公司擁有獨特的產品或服務，能夠在市場上取得競爭優勢。
3. 成本控制：這些公司可能能夠有效地管理成本，從而實現更高的毛利率。
4. 市場需求：高毛利率可能反映了市場對這些公司產品或服務的需求強度，消費者願意為其支付更高的價格。

高毛利的公司，它們在利潤能力、競爭優勢、成本控制和市場需求等方面，有進一步提升的跡象。

from finlab import data

margin = data.get('fundamental_features:營業毛利率')
margin_new_high = (margin >= margin.rolling(8).max()).index_str_to_date().fillna(False).is_entry()

分析事件

現在，我們用這些找到的線索來做一個「事件研究」。這就像是把這些高峰時刻和過去的記錄對照，看看它們是否有相似的模式。我們想看的是，在毛利率達到新高之後的一段時間內，這些公司的股票表現如何。

from finlab.tools.event_study import create_factor_data

adj_close = data.get('etl:adj_close')
factor_data = create_factor_data(margin_new_high, adj_close, event=margin_new_high)

上面的 factor_data 是一個表格，它顯示了一系列股票在特定日期達到毛利率新高後，隨後不同天數的股票回報率。其中

• date 和 asset：這些行是多重索引（multi-index），date 表示事件發生的日期，asset 則是股票的代碼。例如，2016-11-11 和 1101 代表在 2016 年 11 月 11 日，股票代碼為 1101 的股票達到了毛利率新高。
• factor_factor：這一列顯示的是布林值（True 或 False），在這裡都是 True，表示這些數據點都是毛利率達到新高的事件。
• factor_factor_quantile：這一列顯示數據點在其分布中的分位數，這裡顯示的是 4.0，可能表示這些事件在整體數據集中屬於較高的分位。
• 5D, 10D, 20D, 60D：這些列分別代表自事件發生後的 5 天、10 天、20 天、和 60 天的累積回報率。這些數值是小數，表示百分比回報。例如，在 2016-11-11 這一天，股票代碼為 1101 的股票在 5 天後的回報率是 -0.6748%，在 20 天後的回報率是 2.2942%。
• 正數值表示股價上漲的百分比，如 0.040244 表示股價上漲了 4.0244%。
• 負數值表示股價下跌的百分比，如 0.006748 表示股價下跌了 0.6748%。
• 數字的大小表示回報的幅度，正數越大表示越多的正回報，負數越小表示更大的損失。

這個表格幫助你了解，在股票毛利率創新高後的一段時間內，這些股票的價格是怎樣變動的。通过這樣的分析，投資者可以評估特定財務事件對股價表現的可能影響。

對比基準

最後，我們把這些公司的股票表現和「發行量加權股價報酬指數」的基準做比較。這能幫助我們了解，在毛利率創新高之後，這些股票是不是真的比市場上其他股票表現得好。

from finlab.tools import event_study

benchmark = data.get('benchmark_return:發行量加權股價報酬指數')
r = event_study.event_study(factor_data, benchmark, adj_close.ffill())

該方法用於評估事件（在本案例中為股票達到新的毛利率高點）對公司價值的影響。圖表呈現了事件發生後股票的累積回報與基準的比較。

以下是圖表的組成部分：

• 累積回報（藍色線）： 這條線表示事件後股票在幾天內的累積回報。我們可以觀察到回報通常隨著時間增加而增加，這表明達到新的毛利率高點的股票在事件後的幾天中表現良好。
• 回報（柱狀圖）： 這些柱狀圖可能表示事件後股票的日回報。柱狀圖的高度表示每天的回報幅度，可能為正或為負。柱狀圖提供了事件後每日回報的變動性的概念。
• 0.1 std（灰色區域）： 圍繞累積回報線的這個陰影區域表示回報的標準差，縮放到一定水平（0.1倍標準差）。它提供了回報相關風險或波動性的視覺表示。帶寬越窄，波動性越低，反之亦然。

x軸顯示自事件以來的天數，y軸顯示累積回報的百分比。

從圖表中，我們可以推斷，在毛利率達到新高之後的20天內，累積回報呈現正向趨勢，暗示投資者可以考慮的潛在策略。波動性似乎保持在可接受的範圍內，如灰色區域所示，這意味著雖然回報在日常波動，但整體趨勢是向上的，且沒有極端的波動。

結論

這份Jupyter Notebook利用Python進行了一個股市分析的案例研究，重點關注企業的毛利率。通過安裝’finlab’這個Python套件來準備數據分析環境。接著，它從’finlab’提供的數據中提取了過去八個季度毛利率達到新高的股票數據。

分析的核心是一個事件研究，該研究生成了一個數據集，展示了這些股票在毛利率創新高後在不同時間範圍（5天、10天、20天和60天）內的表現。此外，該筆記本還包括了與市場基準指數的比較，以評估這些股票相對於整體市場的表現。

最終的圖表結果展示了股票在事件發生後的累積回報率，並用標準差範圍來表示回報的波動性。數據表顯示了不同股票在毛利率創新高後的具體表現，正數表示價格上漲，負數表示價格下跌。

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。

菲比斯的崛起

菲比斯是生物技術學歷出身，近 30 歲時投入券商工作，擔任期貨與證券從業人員，關鍵的交易歷程在 2013~2015年，花 3 年從 10 萬本金成長到 1000 萬的規模，十分驚人，資金到一定規模後離職，成為全職交易人。
初期由於低薪和本金不多，有靠信貸取代券商融資的高利率，操作股票期貨、週選擇權來擴大槓桿。
以上槓桿操作是否適合投資新手？有待思量～第一步的容錯率低，壓力大，如果用最低保證金壓滿小資金，稍不慎就會被清空帳戶，還會面臨欠債風險，進入賭徒輪迴。必須有一定交易實力、心理素質，對風險有所認知才適合此套方法，菲比斯也是在2013年以前花了幾年摸索，如果你是新手，無法承受槓桿的壓力，也對短期交易的勝率沒自信，可以參考「給小資族的禮物｜低價股量化策略的實戰訣竅」一文，提供比較保守的做法。

股票期貨的推薦

「菲比斯」交易市場聚焦在台股，交易商品遍及上市櫃、 興櫃股票、股票期貨、台期指、選擇權、可轉換公司債資產交換 CBAS，不太碰權證與現股當沖。交易週期偏短。
其最推薦以股票期貨當作台股主要操作工具，如果標地有股期，就買股期，如果沒股期或股期流動性太低，才買現股。
股期優點是交易稅費低，具7.5倍左右的槓桿，方便資金調度，可多可空，且交易時段比較長，有機會領先現股先佈局。
股期空單的好處在沒融券強制回補的限制，也不用付借券費，是相當好的做空工具。另外股期多單也可替代存股操作，省去股利所得稅的問題。
股期缺點在標地只有200檔上下，其中有足夠交易流動性的，可能不到100檔，所以若策略以中小型股為主，可能很難在此工具佈局。
「菲式思考」贏的第一步重要思維挑選「低成本的工具、資金」來操作，還沒入市，選對工具就先贏在起跑點，反過來說滿共同基金的人，一開始就先輸「管理費3%」。

成為全職投資人的標準

「你必須掌握風險、穩定地賺錢，持續兩年賺的錢比原先工作所賺的高兩三倍。」(菲式思考：p.107)，其實這是比較鬆的標準了，更嚴謹的要求是要走過一個景氣循環(5~10年)，驗證自己在系統風險下的存活率。再來如果是高薪職業，如醫生、工程師，靠投資要賺到比原先工作高兩三倍，除非投入本金很高，不然很難達標，放棄工作的機會成本挺高的，高薪族群比較適合靠本業搭配保守的投資。
另一面思考，本業非高薪的人是否較適合投入全職投資？我認為既然行業有天花板，那投資交易確實是沒有上限的地方，靠工作薪資存到100萬容易，但要累積到千萬以上，又不想等很久，就難了，確實要靠投資來衝。
若本金太少，也很難做好基本的持股分散、多空雙向策略佈局。
以年薪36 萬來說，2~3 倍是 72~108 萬，以全職主動投資人50% 報酬率的水準，至少要累積到150~200萬的資金再考慮全職，你說沒有操作的頭期款怎麼辦？存頭期款、工作的期間就是你最好學習投資知識、認識風險的時候，才不會書到用時方恨少，到時輸一屁股。
另外你最好要有一個覺悟，要有隨時可以回職場的能力，讓你「全職投資人」失敗時，還有能力生存下去。

菲式交易邏輯的啟發

• 挑選成長性展望好、評價不太高的股票做多單。基本面與產業面為主，技術面與籌碼面為輔。
• 挑選未來展望不佳的股票做空，平衡部位趨向，有機會再大盤回檔時，降低整體資產回檔。
• 依營收、財報、法說會、產業新聞來追蹤標的展望，認為合理的獲利點達到，逐步出場，若展望不如預期，則不計結果出場。
• 多單與空單的比例隨整體大盤市況調整。
• 利用營收、財報公佈時程、股票期貨換月轉倉來調整持股組合。
• 分散投資，不要重注單押。

以上內容參考書中 p.121 的部分。
在 FinLab 策略監控台上有基本面策略如「營收股價雙渦輪」、「財報指標20大」，也有產業面的策略「多產業價投 」，與菲式思考的基本面策略類似。

FinLab 比較缺少「事件型」與「做空避險」的策略，原因在「事件型」很難搜集到完整的各媒體的歷史新聞資料，法說會影音與簡報分析比數值資料複雜、混亂，但若不要求回測功能，而是將功能定位設定在讓 AI 學習菲比斯的解讀思維，下提示字 (Prompt) 讓 AI 變專業分析師，撥絲抽繭出新聞事件的關聯標地，增加質化分析的效率也是很有價值的，目前 ChatGPT 甚至能做到語音分析的功能，書中提到判斷公司內部人在法說會的語氣和表情，應都可用 AI 快速、大量處理，也許未來 FinLab 會有相關服務上線。
如果要做回測，目前公開資訊觀測站的重訊公告是比較完整的資料，可應用於策略開發。
另外菲比斯多看的是國內財經媒體的新聞，但若要看總經或國際金融，其實是要看過外媒體才有「夠快的時效性」，等國內翻譯外電太慢了，如Bloomberg、WSJ、CNBC，部分網站也提供 RSS 訂閱功能，很方便能下載資料供 AI 找出精華。

做空的回測由於過去10年是大多頭，很難找到績效漂亮的空方策略，但菲比斯提供幾個方向，例如增資股出籠、可轉債大量轉換、內部人申報轉讓就是一個可研究的方向，當市場籌碼供需出現嚴重的不平衡時，就有大行情出現。

未來 FinLab 會增加策略的豐富性，尤其是「事件型」、「做空避險」、「逆勢交易」的策略，增加策略佈局的平衡度。

產業面選股的解析

每個產業都有關鍵指標。

• 電力供應產業要追蹤「政府標案」。
• 營建業要追「合約負債」、「建案完工入帳時間點」。
• 設備業要追「合約負債」、「裝機驗收時間點」。
• 新藥要追「解盲時程」、「競品研發上市進度」。
• 電腦板要追「加密貨幣走勢」、「國外指標大廠財測與新品」。
• 航運要追「新船下水」、「重大景氣循環事件」。
• 金融業要看資產負債表，損益表是給外行看的。

撰寫交易日誌

我認為書中第 235~239 頁交易日誌撰寫的部分除了抒發交易情緒外，更重要的是要寫下如何改進這些缺失？才能避免重蹈覆徹，這是書中缺漏的部分，稍可惜。
策略要定期驗證，追蹤績效是否與過去偏離，或有關鍵政策、規則改變市場。
如果選股進出都是靠量化程式，那交易的缺失就會在執行面，要學會策略驗證 (Validation) 與制定潛在威脅等級表，參考「藍月記事」撰寫的 交易人的基本功：驗證 (Validation) 與潛在威脅等級表：

假設交易策略都沒什麼問題，而差異與缺失若主要來自實際交易的話
通常可能來自於四個方面：

1. 重複發生的不穩定來源：交易成本的變化
2. 偶爾發生的不穩定來源：價格的跳多、跳空
3. 鮮少發生的不穩定來源：市場突然關閉、券商突然出問題、伺服器出狀況
4. 不該發生的不穩定來源：交易程式的問題、整體風控的問題

並試著解決處理問題，設定碰到問題時的 SOP。

結論

以上是「菲式思考」第一部分的心得，「菲比斯」台股交易經驗涉獵很廣，提供許多面向的分析方法、交易工具的特性，啟發 Ben 未來開發的規劃。
其實很多人的起步都比「菲比斯」要好，他 30 歲才起飛，但很多人 20 歲就展開交易的旅程，不一定要和他一樣追求在10年內暴富，投入全職在嚴苛的交易工作、時刻盯盤與分析盤面。
從書中擷取適合自己的路線，照自己的節奏走，將啟發的觀點內化成自己的招式，一樣能走向自己理想的財富目標。