在去年的大多頭行情內，隨著大航海時代的開啟，應該越來越多人聽過水手彼此詢問「你被關過嗎?」「你出獄了嗎?」，大家這才發現股票也是會被關的，而這些被關的股票就是所謂的處置股。

那在怎麼樣的情況下股票會被列為處置股呢? 被列為處置股的股票會跌嗎? 聽別人說股票越關越大尾，這是真的嗎? 關於處置股的說法眾說紛紜，因此這次研究我會用數據分析的方式，帶大家來探索處置股在監獄裡面的表現到底怎麼樣!

處置股由來

處置股的前身是注意股，因此在了解處置股之前，我們需要先了解什麼是注意股。

什麼是注意股?

證交所為了維持證券市場交易的公平，公正這個原則，因此他們會隨時隨地觀察市場上個股的變化，一旦股票的漲跌幅、成交量、周轉率等等出現異常變化時，就會被主管機關列入注意股。

在這個階段，注意股票並不會有任何處置行為，只是單純提醒投資人該注意注意股是否過熱。

什麼是處置股?

當一隻股票連續多日都達成注意股的條件時，就會由注意股轉變成警示股 ! 這時後就會有所謂的處置措施，在交易的時候就必須要預收股款、交易的撮合時間也會延長，同時還禁止處置股當沖，這些都會進而會影響到股票的流動性。

當一支股票進入處置時會提高買賣的難度，因此會容易遭遇交易量萎縮、散戶恐慌拋售造成股價急遽下跌 ; 也可能會遇到主力鎖碼，股價無量瘋狂上漲等等各種特殊情形，這也正是我們這次要進行研究的原因。

資料取得

首先，我們用 finlab 的資料庫抓取歷年的處置股資訊，包括處置時間、股票代號、處置原因等等，而作為索引的 date代表公告處置日期，一般在處置前一天交易日的盤後公布。

data.get('disposal_information') # 獲取所有處置股資訊

資料選取&切割

雖然我們有2001年起的處置股資料，但隨著時代變化，處置股的特性也會隨之變化。因此我們只使用近五年的資料，並用2017~2020作為訓練集，2021~現今做為測試集。

資料觀察

首先因為成為處置股的條件非常多樣，我希望先對處置股做初步的分類，這樣在接下來的數據分析中能更容易發現每個族群的處置股是否存在著某些價格表現上的規律。

接下來我們按照處置條件、處置措施、分時交易這三個條件做分類，再進行資料分析。

確認資料量

在進行資料分析前，需要先確保該種類的處置股資料量足夠。若資料量太少，一來沒辦法找到明顯的規律，二來在統計上並不具有足夠的代表性。因此以下列出各種處置股種類，並對其中資料量不多的種類進行刪除。

處置條件

• 刪除以下種類
  • 最近30個營業日內有12個營業日
  • 最近三十個營業日已有十二次
  • 監視業務督導會報決議 (該項目在2020後就不再出現，故刪除)
  • 轉(交)換公司債之標的證券經本中心或臺灣證券交易所發布處置 (可轉債資訊，非股票故刪除)
  • 其他

處置措施

• 刪除督導會報決議 (該項目在2020後就不再出現，故刪除)

分時交易

• 資料量皆足夠，全部保留 !

統計每天報酬、波動度(ATR)、成交量

接下來要進入正題了 ! 從處置股從被關進去開始到出獄的後十天，我會使用三個面向來統計每種處置股每一天的表現，這三個面向分別是報酬(return)、真實波動幅度均值(ATR)、成交量(vol)。

• 報酬 (return) : 今日收盤價 / 昨日收盤價
• 真實波動幅度均值 (ATR) : 衡量波動性的指標，相較布林指標，ATR 有將跳空因素考慮進去因此更具代表性，也很常被拿來當作設定停損的參考指標，此次實驗使用的參數為20。
• 成交量 (vol) : 每天的成交張數。

處置條件

處置措施

分時交易

統計觀察總結

觀察這些圖表，我們能得到一些大部分通用的結論，像是處置期間成交量萎縮、處置初期下跌機率極高、處置後期走勢相對強等等……也能觀察到有些特殊的現象，譬如45分盤在處置初期都報酬率反而很好。

當然也有些地方是沒有明顯趨勢的，像是出關(10天)後的股價表現，有漲有跌也有平盤，像這些地方我們就不會加入到策略的設計中。

策略設計

我將策略設計分為幾個階段，從一開始的單純持有所有處置股，逐步的加上一個個濾網，去觀察績效、回檔是否優化，最終得出一個不錯的處置股策略 !

註 : 以下回測以手續費5成計算、已包含交易稅

策略1 : 所有處置股

註 : 灰線為加權指數

初始策略 : 持有所有的處置股，進處置當天的開盤買進，出處置的當天開盤賣出。

策略在報酬率大致上和加權走勢一致，但 MDD 卻達到大盤的兩倍以上，平白承擔了額外的風險，卻沒有額外的獲利，因此單純的持有處置股並不是一個好的策略，我們需要做進一步的優化。

我們在上述的圖表中能發現，在剛進處置股的前幾天通常都是以下跌居多，因此我決定延後策略進場的時間，希望藉由避開初期的下跌，能夠降低 MDD 同時提高 return。

策略2 : 延後進場時間(五天後)

註: 灰線為策略1表現

經過第一次的調整，可以發現策略2的 return 大幅提升，報酬從原本的100%變成了2000%，差距達到了20倍之多 ! 同時MDD也有一定程度的下降，證明股票在剛進處置的前幾天確實容易下跌，因此只要簡單的延後五天進場，我們就可以獲得遠大盤的報酬。

接著延續我們的策略，該如何再進一步優化呢?

我們目前並沒有對處置股的種類做篩選，但隨著進處置的原因不同，會導致處置股的特性也不同，因此我希望能在所有的處置股種類中，找出處置前期下跌、後期上漲最明顯的種類。

在看過全部的種類之後，發現5分盤、20分盤的前期跌後期漲的趨勢最明顯，因此我決定將策略所持有的處置股種類限定在5分盤和20分盤。

策略3 : 挑選5分盤&20分盤 + 延後時間進場交易

註: 灰線為策略2表現

好消息 ! 做了這一步之後，我們又將報酬率提升了3倍，同時 MDD 大幅度下降，落在20%~30%左右，已經降到一般投資人都能接承受的風險程度，到這邊我們已經得到了一個非常優秀的策略了 !

但還沒有結束喔，我們還差一步! 因為我們是藉由觀察統計上的結果去設計策略，因此出現 overfitting的機率並不小 ，所以最後一步我們要檢查在test dataset 裡面策略的表現是否同樣優秀。

Test Dataset 結果

註: 灰色為加權指數

可喜可賀 ! 在約1年兩個月(2021~2022/02) 的 testing data 內，雖然 MDD 落在25%左右，輸給了大盤，但這支策略的報酬高達200%，將同期的大盤指數遠遠的甩在後頭 !

在風險和利益的交換上，處置股的策略表現可圈可點，對風險偏好者來說是一支極其優異的短線策略，歡迎大家也可以研究看看。

那這次的研究就到這邊結束啦! 窩4阿榤，我們下次見~

產業資料

FinLab 的細產業主題資料來源主要取自「產業價值鍊資訊平台」，少部分為自定義分類。從 FinLab資料庫 只要一行程式碼就能下載全部的細產業資訊，讓你輕鬆以此基礎做後續應用。要注意的是此份資料僅限 VIP 使用。
產業價值鍊資訊平台 會將主產業再分拆上下游的細產業，讓你更精細的去比較，否則證交所一般分類光半導體就近百檔，比較效果相對籠統。

每家公司所屬產業的資訊放在 catergory 內，category 欄位的型態是文字格式，所有產業分類會放入 List 後再包成文字型態，從該資料得知公司分別有哪些產業的標籤。
例如1101台泥的產業序列裡有主產業的水泥，也有細產業「水泥:水泥成品」、「水泥:水泥熟料」(格式為「主產業:細產業 or 主產業」)。

簡單查詢應用

如果我們想查詢哪些公司屬於水泥產業？我們可以運用pandas內的 Series.str.contains，讓我們快速分類出產業名單，如下範例，只要「category」欄位內含「水泥」兩字，就會被納入範圍。

from finlab import data
from finlab.backtest import sim

# 取出產業題材
themes = data.get('security_industry_themes')

# 選出產業包含「水泥」的公司
ind1 = themes[themes['category'].str.contains('水泥')]

contains 語法支援 or 的運用，如果我們今天想選出產業包含「水泥」或「建材營造」的公司，可以使用以下語句，使用’|’的符號做邏輯運算串連：

ind2 = themes[themes['category'].str.contains('水泥|建材營造')]

簡單回測範例

「想挑出水泥產業中，本益比低於水泥產業本益比中位數之個股當投資組合」

實作很簡單，用前述contains篩選的stock_id，套入本益比資料做欄位圈選，就能限定資料範圍，再運用 median(axis=1)，計算每日產業本益比中位數，axis=1的用途在取每一期(橫列)的中位數。

from finlab import data
from finlab.backtest import sim

# 取出產業題材
themes = data.get('security_industry_themes')

# 選出產業包含「水泥」公司
ind = themes[themes['category'].str.contains('水泥')]
pe = data.get('price_earning_ratio:本益比')
ind_pe = pe[list(ind['stock_id'])]

# 計算每日產業本益比中位數,axis=1的用途在取每一期(橫列)的中位數
ind_pe_med = ind_pe.median(axis=1)

# 選出本益比小於同業本益比中位數且本益比小於25的公司
position = (ind_pe < ind_pe_med) & (ind_pe < 25)

# 回測
report = sim(position, upload=False)
report.display()

自定義產業分類

有時我們發現產業價值鏈資訊平台的分類仍不能滿足需求，像是他缺少概念股的標籤資料，學會Python 的好處在我們可以任意擴展資料，去自定義新增的分類。
使用開發好的 create_new_industry_themes 的函式去創建新的產業分類，其中 additional_themes 變數控制新增標籤，格式為[([目標群],[標籤群]),...]。

例如以下範例對’6684′, ‘6756’, ‘3014’ 新增 ‘元宇宙:祖克柏概念股’ 的標籤，對’1342′, ‘1584’新增’航太週邊:空中巴士概念股’的標籤，對’2342′, ‘3317’, ‘4923’, ‘5299’, ‘6287’ 增加兩個標籤’半導體:基礎元件’, ‘通訊產業:通訊元件’。

def add_sub_group(dataframe, stock_list: list, theme_list: list):
    try:
        dataframe.loc[stock_list]['category'] = dataframe.loc[stock_list]['category'].apply(
            lambda s: s.extend(theme_list))
    except KeyError:
        print('stock_list not in index.')
    return dataframe


def process_sub_group_list(sub_group_list):
    sub_group_list.extend(list(set({i[:i.index(':')] for i in sub_group_list if ':' in i})))
    return sorted(list(set(sub_group_list)))


def create_new_industry_themes(additional_themes):

    df = data.get('security_industry_themes')
    df = df.set_index(['stock_id', 'name'])
    df['category'] = df['category'].apply(lambda s: eval(s))

    if additional_themes:
        for stock_list, theme_list in additional_themes:
            df = add_sub_group(df, stock_list, theme_list)

    df['category'] = df['category'].apply(lambda s: process_sub_group_list(s))
    df = df.astype(str)
    df = df.reset_index()
    return df


additional_themes = [
    (['6684', '6756', '3014'], ['元宇宙:祖克柏概念股']),
    (['1342', '1584'], ['航太週邊:空中巴士概念股']),
    (['2342', '3317', '4923', '5299', '6287'], ['半導體:基礎元件', '通訊產業:通訊元件']),
]


new_themes = create_new_industry_themes(additional_themes)
# 檢查6684 是否成功新增標籤
new_themes[new_themes['stock_id']=='6684']['category'].values

執行完含式後，會發現 new_themes 已有新增資料～之後就可以用自定義後的 new_themes 做產業分析囉！

小結

colab程式範例

學會基礎的產業資料的資料處理技巧後，就可以進行許多分析與策略開發，像是「產業面選股策略｜同業本益比比較法」就是延伸的應用喔！
如果有自己的產業分類標籤可以加入，那就會進化成個人獨有的資料，可能創造出不易被模仿的策略或產業觀察指標。

帝牙盧卡有著控制時間的能力，被稱作時間之神。牠可以扭曲時間以讓時間加快或減慢甚至停止。

帕路奇亞擁有扭曲空間的能力，在神奧地區的神話裡被描述成神。它可以憑藉自己操縱空間的連接從而能夠移動到遠處的異空間～寶可夢

交易者和寶可夢訓練家的世界其實有異曲同工之妙，如果你收服「帝牙盧卡」和「帕路奇亞」，等同擁有掌握時間與空間的能力，在對戰上佔盡優勢。
在交易的世界裡，時間與空間指的是什麼呢？股海有句老話是「獲利是等出來的」，然而真的每個催化劑都適合等嗎？什麼樣的換股間隔才最適合？為什麼有些策略是用一週，有些用每月底？
在股價波動的空間裡，什麼樣的停損才適當？如何保留多數獲利、減低多數虧損？
如果你掌握投資市場分析時空序列的能力，等同在擁有犯規的神獸啊～

看過FinLab的「投信大哥跟屁蟲」教學影片了嗎？沒看過的人，請先趕緊去看。相信看過的人都能快速掌握 Python 語法，了解策略的設定，看完後再來學這篇文章進階的小工具，了解投信大哥跟屁蟲的秘密。

時間分析

為什麼投信大哥跟屁蟲換股是3天，而不是5天、10天、20天？
要分析其實很簡單，使用FinLab模組的 ReportCollection 即可取得回測報告集合，判斷策略組合數據優劣，從策略海中快速找到體質最強的策略。 也可以觀察在同條件下的策略疊加更多條件後會有什麼變化？以下程式範例將策略程式封裝成函數，變數為換股間隔，來跑跑看2~20天不同換股週期的回測效果。

from finlab.backtest import sim
from finlab import data

def run_strategy(interval:int):
    close = data.get("price:收盤價")
    vol = data.get('price:成交股數')
    投信買賣超股數 = data.get('institutional_investors_trading_summary:投信買賣超股數')

    c1 = 投信買賣超股數 >= 800000
    c2 = 投信買賣超股數/vol >= 0.05

    position = c1 & c2 
    position = position * close
    position = position[position>0]
    position = position.is_smallest(8)

    # 每3個交易日再平衡，與resample='3D'差異在後者是隔3日，而非3個交易日。
    position = position.loc[list(position.index)[::interval]]
    report = sim(position,trade_at_price='open', position_limit=1/3, fee_ratio=1.425/1000/3, upload=False, mae_mfe_window=40)
    return report 

from finlab.optimize.combinations import ReportCollection

# 回測2~20間隔
reports = {i:run_strategy(i) for i in range(2,21)}
# 回測報告視覺化
collection = ReportCollection(reports)
collection.plot_creturns()

跑完後發現當間隔為3天時，累積報酬率明顯優於其他天數表現。為了更確認分析，我們可以再執行reports[3].display_mae_mfe_analysis()來看 Edge Ratio (下圖第一排中間子圖)的表現，Edge Ratio 簡而言之是綜合交易時間與波動關係的判斷指標，可以發現投信策略在一開始進場就有優勢 (大於1) ，但優勢隨著持有時間 (x軸) 拉長急速下降，直到第20天後才又拉升到持有3天時的高峰，可見投信買賣超的因子在短期較具有影響性，考量換股效率，持有3天是不錯的選項，可以用多次小獲利不斷去滾。

空間分析

勝敗手MAE分佈圖

分析完時間，我們把換股週期3天保留下來，接下來要研究停損怎麼設定才好？好的停損是保留多數獲利，避免提早被洗掉，並能將大虧損變小虧損，降低損失，進而優化策略體質。
分析的第一步可以先看勝敗手的 MAE Distribution (若不知道 MAE ，請見此篇教學文章)，MAE簡單說是每筆交易持有歷程的最大虧損。
數據呈現一樣用 display_mae_mfe_analysis() 可以叫出。我們將圖片放大來看，可以發現贏錢的交易(藍色)的第75百分位數很小，只有0.51%，代表多數贏錢的交易在持有過程中很少碰到虧損，而輸錢的交易(紅色)的第75百分位數也不大，只有 4.2%，代表有 25% 的虧損交易的 MAE 大於 4.2%。由上述分析，我們合適的停損應落於 0.51%~4.2% 之間，只要停損設超過 0.51%，就能保留多數獲利，因為這些少數的獲利交易才會超過 0.51%，而停損設小於 4.2% ，可以將MAE 高的標地往內縮，降低潛在損失。

停損回測集

依據上述分析，可以知道波動空間與合適的停損範圍大概在 0.51%~4.2%(可在後推一點)上下 ，我們一樣用前面示範過的方法，改將停損設定設為變數，再看停損哪一個數字最棒。FinLab 模組的 ReportCollection 有熱力圖與統計數據可以幫握們分析，使用方式如下：

from finlab.backtest import sim
from finlab import data

def run_strategy_with_stop_loss(stop_loss:float):
    close = data.get("price:收盤價")
    vol = data.get('price:成交股數')
    投信買賣超股數 = data.get('institutional_investors_trading_summary:投信買賣超股數')

    c1 = 投信買賣超股數 >= 800000
    c2 = 投信買賣超股數/vol >= 0.05

    position = c1 & c2 
    position = position * close
    position = position[position>0]
    position = position.is_smallest(8)

    # 每3個交易日再平衡，與resample='3D'差異在後者是隔3日，而非3個交易日。
    position = position.loc[list(position.index)[::3]]
    report = sim(position,trade_at_price='open', position_limit=1/3, fee_ratio=1.425/1000/3, upload=False, mae_mfe_window=40, stop_loss=stop_loss)
    return report 

from finlab.optimize.combinations import ReportCollection

stop_loss_reports = {i/1000:run_strategy_with_stop_loss(i/1000) for i in range(0,50,5)}
stop_loss_collection = ReportCollection(stop_loss_reports)
stop_loss_collection.plot_creturns().show()
stop_loss_collection.plot_stats(mode='heatmap', heatmap_sort_by='daily_mean').show()

最終結果發現停損在 4.5% 的報酬率與夏普率效果最好，但很明顯可發現這個策略無論停損參數射哪一組，max_drawdown (最大回撤)都很大，超過 -40%，雖然年化報酬有 29%，但實戰上可能會扛不住大波動。

大盤時空

拉出報酬率序列來看，可以發現投信跟屁蟲策略在多頭時很猛，但在 2022 空頭時可能會碰上瘋狂停損的局面，台股中期回檔的 2015、2018 年份，該策略也有不小回檔，可能要加上大盤濾網來判斷市況是否適合順勢追擊。

於是我們可以考慮加上大盤濾網，由於投信策略屬於短線的策略，會偏好使用較靈敏的大盤指標：整體市場多空排列家數來判斷，想了解其他指標，可見「4種均線指標 | 讓你在大盤崩崩前高歌離席!」。可以發現雖然犧牲了報酬率，但回撤曲線大幅優化，年化報酬你要追求報酬率極大化，還是追求穩定度？

結論

colab 範例檔

是不是領略到「投信大哥跟屁蟲」背後的秘密了呢？趕緊把學到的招式用在你的策略，找找最適合的換股週期和停損設定，學會時空序列分析的技巧，真的會有寶可夢等級大幅提升的感覺啊！

選定待優化的策略

進化後的本益比｜本益成長比選股策略 一文中用簡單的單因子回歸產生一個簡潔卻有效的選股策略。為了製造比較多的回測樣本，我們將之前的策略調成每月選取20檔標的。
留意本篇的測試資料結果可能隨著資料集增長而產生差異，回測僅供參考。
回測年化報酬率23%是不錯的水準，夏普率勉強優於大盤的0.9，但最大回撤率蠻高的，報酬率曲線震盪有點劇烈，好幾次回檔30%，實戰的持有過程肯定會備受考驗，可以加上哪些條件解決波動的問題呢？

from finlab import data
from finlab.backtest import sim

pe = data.get('price_earning_ratio:本益比')
rev = data.get('monthly_revenue:當月營收')
rev_ma3 = rev.average(3)
rev_ma12 = rev.average(12)
營業利益成長率 = data.get('fundamental_features:營業利益成長率').deadline()
peg = (pe/營業利益成長率)
cond1 = rev_ma3/rev_ma12 > 1.1
cond2 = rev/rev.shift(1) > 0.9

cond_all = cond1 & cond2
result = peg*(cond_all)
position = result[result>0].is_smallest(20).reindex(rev.index_str_to_date().index, method='ffill')


report = sim(position=position,name="本益成長比", fee_ratio=1.425/1000/3,upload=True,mae_mfe_window=30,position_limit=0.05)
report.display()

製作波動性 Labels

給對的學習目標很重要！選擇比努力更重要！
一般機器學習選股策略使用報酬率做 label ，但演算法只會判斷報酬率的賺賠高低，並沒有辦法學習波動特性，若給定的 label 一開始就有所限制，再怎麼學也是無法跳脫只追求高報酬的風險。

MAE & MFE

揭開策略的波動面紗｜MAE&MFE分析圖組使用指南 一文中解釋了 MAE 與 MFE 的可幫助我們分析策略波動和基本應用，我們可以輕鬆由FinLab模組中的 report.get_trades() 取得策略標的持有歷程的 MAE 與 MFE 與其他交易資料。 report.display_mae_mfe_analysis() 則可顯示波動率分析圖組，幫助我們觀察波動分佈。

從上圖中的 GMFE / MAE 子圖可以發現波動分佈分為三塊：

• 最多聚集的一塊是在左下角小賺小賠的標的。
• 策略獲利的標的有些是「高 GMFE 低 MAE (往上高波動、往下低波動)」，給我們帶來極高獲利，這在趨勢策略較常出現，是我們想保留的。
• 虧損的標的大多是 「低 GMFE 高 MAE (往下高波動、往上低波動)」的族群，有些標的持有紀錄還有 -50% 以上不利跌幅，這些會影響到策略的波動穩定度，是我們想淘汰的拖油瓶。

若能用MAE & MFE 取代報酬率作為 label，就可以讓模型學習判斷波動度與報酬率，若三個分群有特徵共通性，那之後做機器學習可能可找到有效分類 「高 GMFE 低 MAE 」 與 「低 GMFE 高 MAE」的特徵。

Kmeans 分群

如何界定「高 GMFE 低 MAE 」與 「低 GMFE 高 MAE 」 ？
這時非監督學習演算法Kmeans就可以粉墨登場，幫我們去做分群的動作，讓模型自動幫我們藉由 GMFE 低 MAE 兩項特徵分出三個群集。
注意分群給的數字具有隨機性！比如「高 GMFE 低 MAE 」可能分類標註為1，下次執行跳為2。
在模型訓練前，因用有少數大幅獲利與多數群集分太開，先使用 from sklearn.preprocessing import StandardScaler 將資料做正規化，將資料傳入 Kmeans 分群，並將結果繪圖呈現分佈。
我們把預設值 y_pred 放入原本的 trade dataframe，設為 group，就完成 label 標記了，輸出結果可以發現 Kmeans 成功幫我們分出三個顏色區塊。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans

from sklearn.preprocessing import StandardScaler

def scale_data(data):
    scaler = StandardScaler().fit(data)
    X_scaled = scaler.transform(data)
    return X_scaled

scale_mae = scale_data(trades['mae'].values.reshape(-1, 1))
scale_gmfe = scale_data(trades['gmfe'].values.reshape(-1, 1))


plt.figure(figsize = (8, 8))
random_state = 100
X = np.hstack((scale_mae,scale_gmfe))
y_pred = KMeans(n_clusters=3,random_state=random_state).fit_predict(X)

scatter = plt.scatter(X[:, 0], X[:, 1], c=y_pred)
plt.legend(*scatter.legend_elements())
plt.title("mae_gmfe kmeans")
plt.xlabel("mae")
plt.ylabel("gmfe")

為了讓模型更專注於「高 GMFE 低 MAE 」與 「低 GMFE 高 MAE 」 的學習，只保留 group 為1、2 (藍綠點) 的部分，我們把白點的區塊視為不影響大局的雜訊，藍色和綠色的點才是影響策略波動的關鍵

cluster_trades = trades.copy()
cluster_trades['group'] = y_pred
cluster_trades['stock_id'] = cluster_trades['stock_id'].apply(lambda s:s[:s.index(' ')])
ana_targets = cluster_trades[cluster_trades['group'].isin([1,2])]
ana_targets = ana_targets.reset_index().set_index(['stock_id', 'entry_sig_date'])

決策樹-探索低波動因子

標注完了 label 後，就可以進行下一步，尋找有沒有選股條件能辨識label ，這就要換監督式學習登場。這部分的程式主要參考 Python 理財：打造自己的 AI 股票理專課程 單元 3-7-隨機森林選股策略實作，因資料量級較小，把隨機森林換成決策樹。

製作 Features

將想測試的資料或可能的低波動因子並成 dataframe 準備進入模型訓練，特徵可以使用 Finlab 資料庫 取得，並將資料以 2019 年為分界點，切成訓練及測試資料集。

模型測試結果

將資料集套入 sklearn 決策樹，驗證目標為label=1的集群(低 GMFE 高 MAE )，若找到機率越高，能有效躲避波動。
測試結果放入 confusion-matrix 驗證結果，抓出「低 GMFE 高 MAE 」的準確度達75%，預測45(34+11) 次內有34次正確。
指標意義詳見～Precision, Recall, F1-score簡單介紹。

import pandas as pd
from sklearn import metrics
from sklearn.tree import DecisionTreeClassifier

label = ana_targets[ana_targets['mae']> ana_targets['gmfe']]['group'].values[0]
features_name = list(features.keys())
cf = DecisionTreeClassifier(max_depth=3)
cf.fit(dataset_train[features_name], dataset_train['group'] ==label)


prediction = cf.predict(dataset_test[features_name])
confusion_matrix = metrics.confusion_matrix(dataset_test['group'] == label, prediction)
tn, fp, fn, tp = confusion_matrix.ravel()
confusion_matrix = np.array([[tp, fp],[fn, tn]])


print('f1 score:',metrics.f1_score(dataset_test['group'] == label, prediction))
print('precision score(p):',metrics.precision_score(dataset_test['group'] == label, prediction))
print('recall score(p):',metrics.recall_score(dataset_test['group'] == label, prediction))


plt.figure(figsize=(10, 6))
sns.set(font_scale=2)

ax = sns.heatmap(confusion_matrix, annot=True, cmap='Blues')
ax.set_title('Confusion Matrix with labels\n\n');
ax.set_xlabel('Actual Values')
ax.set_ylabel('Predicted Values');

## Ticket labels - List must be in alphabetical order
ax.xaxis.set_ticklabels(['True','False'])
ax.yaxis.set_ticklabels(['True','False'])

## Display the visualization of the Confusion Matrix.
plt.show()

因子重要性

from sklearn.tree import plot_tree 可繪製出決策樹的機器學習選股決策流程，最上頭的X[8]為’融資使用率’，使用33.6當數值分界點，X序列等同features_name排序。
cf.feature_importances_ 可得知重要因子的影響性分數。

優化測試

參考 features_name 、 plot_tree 設定條件數值，加入條件到原本的策略，檢測能否優化。
檔數、部位上限、週期設定不變，只加上選股條件。數據會因資料集擴增而有差異，僅供參考。

低融資使用率

加入 (融資使用率 <= 34) 條件。

低進場波動率

加入 ( entry_volatility <= 0.032) 條件。

低融資使用率 ＆ 低進場波動率

回測分析

單因子中「低融資使用率」效果最強，明顯提升「夏普率」，「最大回撤率」則變動不大。可能代表原本的策略蠻多虧損或大幅低檔震盪的源在選到高融資使用率的股票，這類股票通常是市場的大波動熱門股，持有者偏向短線操作，很不穩定。

「低進場波動度」雖然讓「年化報酬率」減少，但是「夏普率」和「最大回撤率」提升效果比「低融資使用率」更優。低進場波動度代表買入時波動穩定，比較不會碰上已漲一大段的飛天股之後的乖離過大修正，若之後要加上停損條件，也比較不會在持有初期頻繁停損被洗出場。

「低融資使用率」若與「低進場波動度」因子結合，「夏普率」 從原先策略的 0.9 拉升到1.5，「最大回撤率」降到 -17% 的水準，明顯優化回撤波動。幾乎每一年回測都是正報酬穩定度明顯提升。

結論

這樣的優化策略思路是不是很有趣呢？藉由多元 label 的設定，讓機器學習能考慮多方面去強化策略，只用 scikit learn 最基本的機器學習演算法，非監督式學習與監督式的雙流分工，就能讓優化策略的流程省時省力，趕緊來試試用機器學習選股讓策略更上一層樓吧～
colab 範例檔
低波動本益成長比策略部署

財報發布日定義

FinLab 資料庫系統會每天更新、檢查財報資料，財報發布日以財報電子檔內的資料上傳日當基準資料。你可能疑惑怎麼在新聞或公司重訊已看到 EPS 多少了，但抓下的財報或財報電子檔卻沒有當季資料？那是因為有些公司的財報電子檔上傳日會比董事會重訊發布晚個幾天，通常是因為公司內部或會計作業問題，某些會計項目可能還會再校對或微調等等，實際數字以公司財報完整電子檔上傳才是比較穩當的做法。 大部分的公司會在財報截止日前一週內才上傳完畢。

財報截止日定義

所有公司都必須在每季財報截止日前上傳財報電子書，若沒有即時上傳，通常代表財務狀況出問題、會計師審核上出狀況…若沒在規定期限內補正，後續面臨暫停交易或下市風險。
台股上市櫃公司一年要上傳4次財報，興櫃只要上傳第二季和第四季財報，監理強度不同。各產業截止日細節如下列供參：

上市櫃一般公司

季別/財報截止日對應為下列對應，遇假日則遞延到次一個交易日。

• Q1：當年5/15
• Q2：當年8/14。若為2021年後的KY股，因監管法規改變，改成8/31。
• Q3：當年11/14
• Q4：次年3/31

保險業

季別/財報截止日對應為下列對應，遇假日則遞延到次一個交易日。

• Q1：當年4/30
• Q2：當年8/31
• Q3：當年10/30
• Q4：次年3/31

金融業

這邊指的是非保險的金融業，如銀行、證券、票券、金控業者。季別/財報截止日對應為下列對應，遇假日則遞延到次一個交易日。

• Q1：當年5/15
• Q2：當年8/31
• Q3：當年11/14
• Q4：次年3/31

量化平台財報資料操作

取得資料

至財報資料庫複製財報項目的使用方法，即可取得財報資料。
欄位是每家公司的股號，包含所有公開發行公司，索引則是每季的季別，ex : 2013Q1。
新手會疑惑為什麼看到一堆NaN ?不要緊張，不是資料出問題，而是這些公司當時未上市櫃或按規定不用發布財報。

另外提一個小技巧，如果你想要拿掉未上市櫃公司來方便觀察資料，可以使用pandas的dropna進行操作。下面的例子會排除掉每一欄位沒有20格有數值的欄位，篩出上市櫃有較久歷史的公司，就可以顯示中間部分的資料，像是1101台泥等等。

時序轉換

上面原始財報數據的日期索引是如「2022-Q1」這類的文字格式，雖然回測將不同尺度的資料取交集時會自動將時序轉成財報發布日的datetime格式，但若有其他用途，想將時序索引從文字轉換成財報發布日的datetime格式，該如何做呢？

季別文字轉財報發佈日

轉非常的簡單，只要加上 index_str_to_date() ，就能將資料轉換，這是FinlabDataFrame類別內建的方法。
從下圖所示，可以看到加完 index_str_to_date()後，索引改變了。
要注意的是，如果公司還沒有正式上傳「財報電子書」，雖然XBRL資訊平台已經有數值可下載，但由於財報電子書上傳日資料未定，資料仍會被歸到截止日的欄位。
現在正臨2022-Q3財報季，沒有財報電子書上傳日的數值都會放到最後兩欄的財報截止日，2022-10-31是保險業Q3截止日、2022-11-14則是一般上市櫃公司的Q3截止日，不用擔心回測會用到未來資料，回測會再去與收盤價的交易日索引做對應，遇假日會遞延到下一個交易日。
你可能會好奇，公司每季只會發布一次財報，為何日期會那麼多天？那是因為只要A日有任一家公司有上傳紀錄，為方便回測，索引都會加入發布日，如果其他公司在A日沒發布財報，其他公司則會套用近一期數值做填充。

季別文字轉財報截止日

若想使用財報截止日做回測與選股，可以使用 deadline() ，就能將資料轉換，這是FinlabDataFrame 類別內建的方法。注意財報資料與其他時間尺度的資料做交集時，預設是使用財報發布日，所以若要使用截止日當條件，一定要加上 deadline()，使用範例如下。

截止日日期索引包括一般公司、保險業、金融業的規定日期，若當日沒數值，則會拿近一筆數值來補，以方便回測。

結論

經過上述說明，是不是對 FinLab 量化平台的財報資料操作與原理更為熟悉了呢？
如果想進一步學習用財報來選股，可參考這篇財務指標計分法的教學～
如果還有其他相關問題，歡迎隨時與我們討論喔！

台股板塊圖可以說是數據萬花筒，囊括了基本面、技術面、籌碼面的指標，有200多種變化可觀測，有別於市面上類似功能只有報酬率可看，滿足不了專業用戶需求。
透過呈現多維度資料、自由點擊互動、監控全市場的數據，應該在目前市場上找不到功能這麼完整的台股板塊圖。

雖然 FinLab 目前主打在策略開發和回測，比較少著墨在比較親民的資料查詢或視覺化，但未來會慢慢補上，這塊市面上做的人很多，要做就要做出特色才有價值！

台股板塊圖操作說明

什麼是板塊圖

板塊圖就像剝洋蔥，藉由顏色與面積顯示不同數據維度，分類一層層往內縮，像FinLab預設的圖表階層由外到內是台股全市場、上市或上櫃、產業類股、公司，父階層的數值會參考子數值的面積權重與顏色數值來顯示，FinLab 計算父階層是採用中位數的計算模式，像上市鋼鐵類股若有五檔漲幅分別是 1、2、3、3、10%，鋼鐵類股的顏色會以 3% 來計算，如此能排除少數公司的極端數據，對產業數據有更公允的衡量。

簡易互動

點擊 量化平台 左側導覽列進入產業分析頁面，Tab 點擊板塊圖模式即可啟用圖表。

點擊不同的階層會自動縮放該階層內的資料，例如我想將上市半導體的區塊放大，可以點擊半導體業的小標題。另外游標拂過區塊會顯示對應數值資料。

點擊後就可以得到放大的結果，如果想變回原來的樣子，再點擊一次半導體業的小標題，即可回到上一層。另外圖片的右上角照相機的圖案為下載圖片的功能，歡迎自由下載 FinLab 生成的圖片做多種應用喔！

盤後資料模式

產業模式

• 主板類別
  此類別使用的是證交所、櫃檯買賣中心的類股分類，大家券商 APP 上的類股劃分多依照此。這也是預設的產業模式。
• 產業鍊
  此類別參考 產業價值鏈資訊平台 所編製，是證交算旗下的機構，將類股再拆分更細的產業，像是半導體類股再拆分IC設計、晶圓代工、記憶體等等。
  產業鍊的資訊比較能劃分出公司業務，在追蹤族群性的數據分析時，能做更細緻的觀察。
  彌補主板類別同一類股可能彼此差異很大的缺點是，像有些公司是借殼上市、業務轉型，早已不是最初的分類。
  由於同一家公司如鴻海、台達電因業務包山包海，會出現在許多細產業，不像主板類別的每家公司只會出現一次，因此這類電子龍頭公司在產業鍊的權重較大，會對產業數值有較高影響力。
  * 留意此模式會過濾成交量過小的企業與板塊，只會顯示代表性的產業與公司。
  

板塊大小指標

此數值會代表板塊面積的依據，你可以看目前市場資金流向、多空投機部隊集結在哪裡？
之前股癌提到融資集中的族群若沒大跌，融資不容易會斷頭，這用「融資餘額市值當面積」搭配不同天數的報酬率當顏色深淺，即可觀察。若想讓每家股票板塊權重一致，可選「家數」，這樣小型股就不會顯示太小。

• 資金流：
  近一日成交金額
• 成交張數：
• 市值：
  近一日收盤價*股本
• 融資餘額市值：
  近一日收盤價*近一日融資餘額。常搭配融資使用率使用。
• 融券餘額市值：
  近一日收盤價*近一日融券餘額。常搭配券資比維持率使用。
• 家數：
  將個股權重一視同人都視為1，方便觀察全部類股，避免像用資金流，有些公司成交金額太小導致，面積佔比縮很小。

顏色深淺指標

總共有20種指標可選擇！
每個指標都有不同的顏色分界點，分界點數值為白色，高於分界點會越來越紅，低於則是越來越綠。若指標無特別說明，分界點為0，像報酬率是上漲偏紅、下跌偏綠、平盤附近為白色，某些指標為了明顯劃分顏色區隔，有設定特定的分界點，下述會說明。
若標地無資料，則區塊顯示黑色，像有些標的無法使用融資，則融資使用率就會呈現黑色。
若在月營收和財報季開獎階段，在數據持續開出的過程中，有些標地公告較慢，就會先是黑色。

技術面

觀察股價強弱勢與波動風險。

• 近1日報酬率
• 近5日報酬率
• 近20日報酬率
• 近1日震幅
  近日股價最高與最低差額/前日收盤價。分界點為4%。
• 近10日真實波動率
  近十日ATR/近日收盤價，也是震幅的一種方式，利用 ATR 技術指標 的特性，除了當天高點點落差，考量隔日跳空因素去算入波動率。分界點為4%。

基本面

• 近1月營收年增率
  觀察營收短期趨勢，通常在每月1-10號月營收發佈期間作開獎觀察，若你觀察的公司還未開獎，但同一類股已開出的數字都不錯，那可能可考慮提前押寶喔。
• 近3月營收年增率
  觀察營收短中期趨勢。像圖中的範例我們可明顯觀察出光電業和金融業的業績表現處於弱勢，網通、生技、航運處於強勢，基本面主觀選股可以留意族群性循環。
  

• 近12月營收年增率
  觀察營收長期趨勢。
• 本益比
  分界點為15，高於此數值的是評價較高的，像生物科技產業就有高本益比特性。區塊反黑代表獲利為負數。
• 殖利率
  分界點為 4%。存股族想看哪一個族群有高股息特性，選這就對了。
• 存貨季增率
  我很常看 @Richard只談基本面-Richard’s Research Blog-信昕產研，版主對產業面觀察有洞見，他最近在盯「存貨季增率」，我也做上去了，每個產業的存貨堆積程度一目瞭然，可以再去對比近3月月營收是否衰退，有了板塊圖，就不用一個個單獨去查公開資訊觀測站。如果庫存大增、營收衰退，要注意基本面風險。像2022Q2 半導體前幾家開獎的情況，看來不妙啊！接下來相關產業的公司要留意利空。
  
  

籌碼面

• 外資買賣超/成交張數
  觀察外資近一日買進力道，占比越高，代表短期外資影響力大。
  板塊圖父階層採用平均數計算，較能凸顯產業買賣超力道。
• 投信買賣超/成交張數
  觀察投信近一日買進力道，占比越高，代表短期投信影響力大。相較於外資，投信操作更具族群性，短期買超趨勢通常會持續幾天，是短線操作的重要觀察指標。
  板塊圖父階層採用平均數計算，較能凸顯產業買賣超力道。
  範例圖中可發現投信集火在右上角的電腦週邊產業，短線可以留意該族群。
  
  
• 融資增減張數/成交張數
  內資短期多單指標，數值越高代表內資做多力道強。
• 融券增減張數/成交張數
  內資短期空單指標，數值越高代表內資做多力道強。數值若為負值，越低代表空單回補力道大，觀察是否處於除權息或股東會的融券強制回補期間。
• 借券賣出增減張數/成交張數
  法人空單指標，數值越高代表法人做空力道強，搭配法人買賣超觀察。
• 融資使用率
  數值越高代表融資越多，代表投機資金入駐，通常該類股票波動都偏高。
  分界點為15%。區塊反黑代表該標的無法融資券。
• 券資比
  多空角力指標，若券資比飆高，股價也往上，可能有尬空行情。
  分界點為15%。區塊反黑代表該標的無法融資券。
• 現股當沖率
  當沖交易數/成交量，通常當沖參與度高的股票的投機性越強、波動大，喜歡操作當沖的話，可留意目前熱門標地有哪些。區塊反黑代表該標的無法當沖。
  分界點為25%。
• 集保50張以下散戶持股占比
  數值越高代表散戶持股越多，籌碼越不穩定，上漲趨勢通常延續性差。
  分界點為25%。

盤中資料模式(2022/10新增)

此板塊圖目前已放上量化平台網頁，限定「VIP」使用，如果你對 FinLab量化平台進階功能有興趣，請參考訂閱方案。
串接券商盤中即時報價，以監控盤中族群強弱，提供短線交易者當看盤小工具。每日0900~1330更新。更新頻率：3分鐘，重整網頁可得最新數據。「板塊大小指標」雷同盤後板塊圖，差異在「顏色深淺指標」以下做指標用途介紹：

• 報酬率
  (市價 – 當日平盤價) / 前日收盤價，看族群漲跌強弱。
• 震幅
  (當日最高價 – 當日最低價) / 前日收盤價，看波動率，越高代表投機資金聚集。
• 週轉率
  當前成交總量 / 普通股發行數，週轉率越高代表交易越熱烈，大於20%要注意投機過熱情形，若板塊圖很少紅色區塊，代表市場交投冷清。
• 量增率
  當前成交總量 / 前日成交總量 ，若比率大於1，代表出現量增情況。若盤中成交量就大於前日總成交量，代表攻擊力道變強，方向需搭配報酬率指標一同觀察。
• 均價支撐強度
  市價 / 當日成交均價，若比率大於1，代表今日買方成交單多是獲利，盤中方向偏多方，壓力較小，反之則短線賣壓較大。
• 收盤 / 開盤_強度指標
  (市價 – 當日開盤價) / 當日開盤價，觀察整體市場是否出現「開高走低」或「開低走高」，前者代表盤中力道偏空方，後者代表盤中力道偏多方。

盤中觀察實例演練

拿觀察2022/10/26盤勢當應用範例

• 週轉率
  高週轉率的紅色家數很少，市況冷清，沒人玩。
• 收盤 / 開盤_強度指標
  成交量多的標的多開高走低，弱勢盤。
• 均價支撐強度:
  紅色偏多，搭配「收盤 / 開盤_強度指標」一同觀察，股價開高走低，買盤則是低接較多，比較少追高，所以成交均價低於市價。

小結

一張圖貫穿所有關鍵指標，是不是很實用呢 ? 趕緊來探索這好用的功能。
覺得有幫助的話，可以將台股板塊圖網頁加入我的最愛，時常來關注喔！
預計每天晚上19:00、21:30 都會更新，21:30後才有融資融券相關數據喔。
有同學許願想學如何客製化自己的板塊圖，添入其他數據到到自己專屬圖表，或許不久的將來就能實現！大家一起享受資料視覺化的方便與美好吧！

• 選到很多開收盤就漲停的股票，回測都假設你有排到成交單，但實際上線卻是委託單大排長龍，常難以成交半張？
• 選到成交量或成交金額過低的標的，你的資金根本進不去，或進去後又難出來？
• 遇到處置股或全額交割股的情況，在 T+2 交割制度下，你手上不一定有現金可以馬上匯款，分盤交易的價差大，波動風險高，弄自動化下單也麻煩。

如果你策略上線很常碰到此類問題，會導致你買賣點位的延遲，實戰績效與回測的偏差就有可能很大。要讓實戰與回測貼合，流動性風險是必須要解決的，市面上的回測系統卻常忽略台股的流動性風險特性，導致開發者對策略回測的流動性風險是一頭霧水。FinLab 對此開發了檢測模組，更細緻化呈現台股策略體質。

流動性風險檢測API教學

檢測方法

FinLab API 已有現成的流動性檢測的文件範例。
利用DataFrame Style呈現數值，將多數人會用到的指標呈現出來。

如何打造自己的流動性檢測？

如果我們想多新增一些指標，像原本FinLab模組的買遇漲跌停機率是依照回測的 trade_at 參數來選擇用開盤價和收盤價計算，但若想要同時呈現開盤價、收盤價，好一次比較用開盤價還是收盤價哪個比較好？以及想將圖表轉為Plotly的圖表形式該怎麼做呢？

其實很多策略檢測的數據都來自於`finlab.backtest.sim().get.trades()`，利用策略回測的逐筆交易表我們可以得知每次買賣點位與波動資訊，這張表可以做的應用非常多。
流動性檢測就是依照這張表的資料取出進出場日期，再去映射漲跌幅、成交量、當日為處置股等等資訊。

程式範例

colab 檔案連結

def get_liquidity_risk_data(return_bias=0.01, required_volume=200000, required_turnover=1000000,
                            simplified_metrics=False):
    adj_close = data.get('etl:adj_close')
    adj_open = data.get('etl:adj_open')
    close_return = ((adj_close / adj_close.shift()) - 1).fillna(0)
    open_return = ((adj_open / adj_close.shift()) - 1).fillna(0)

    def cal_return_gap(returns_df, up=True):
        if up:
            early_rule = returns_df[returns_df.index < '2015-06-01'] > (0.07 - return_bias)
            last_rule = returns_df[returns_df.index >= '2015-06-01'] > (0.1 - return_bias)
        else:
            early_rule = returns_df[returns_df.index < '2015-06-01'] < -(0.07 - return_bias)
            last_rule = returns_df[returns_df.index >= '2015-06-01'] < -(0.1 - return_bias)
        cond = pd.concat([early_rule, last_rule])
        return cond

    liq_risk_data = {
        "c/c-limit_up": cal_return_gap(close_return),
        "c/c-limit_down": cal_return_gap(close_return, up=False),
        "o/c-limit_up": cal_return_gap(open_return),
        "o/c-limit_down": cal_return_gap(open_return, up=False),
    }

    if simplified_metrics is False:
        vol = data.get('price:成交股數')
        turnover = data.get('price:成交金額')
        disposal_stock_filter = data.get('etl:disposal_stock_filter')
        noticed_stock_filter = data.get('etl:noticed_stock_filter')
        full_cash_delivery_stock_filter = data.get('etl:full_cash_delivery_stock_filter')
        oo_return = ((adj_open / adj_open.shift()) - 1).fillna(0)
        liq_risk_data.update({
            "o/o_limit_up": cal_return_gap(oo_return),
            "o/o_limit_down": cal_return_gap(oo_return, up=False),
            "volume": vol < abs(required_volume),
            "turnover": turnover < abs(required_turnover),
            "disposal": disposal_stock_filter.shift() < 1,
            "noticed": noticed_stock_filter.shift() < 1,
            "full_cash_delivery": full_cash_delivery_stock_filter.shift() < 1
        })
    return liq_risk_data


def calculate_liquidity_risk(backtest_report,return_bias=0.01, required_volume=200000, required_turnover=1000000, simplified_metrics=False):
    liq_risk_data = get_liquidity_risk_data(return_bias, required_volume, required_turnover, simplified_metrics)
    trades = backtest_report.get_trades().copy()
    if (len(liq_risk_data) < 1) or (len(trades) < 1):
        return None
    trades['stock_id'] = trades['stock_id'].apply(lambda s: s[:s.index(' ')])
    entry_trades = trades.set_index(['stock_id', 'entry_date'])
    exit_trades = trades.set_index(['stock_id', 'exit_date'])

    def unstack_data(df):
        df = df.unstack()
        df.index.names = ['stock_id', 'date']
        return df

    stats_data = {'entry': {}, 'exit': {}}

    for k, v in liq_risk_data.items():
        risk_item = unstack_data(v)
        entry_trades[k] = risk_item
        exit_trades[k] = risk_item
        stats_data['entry'][k] = entry_trades[k].mean()
        stats_data['exit'][k] = exit_trades[k].mean()

    lr_data = round(pd.DataFrame(stats_data)*100,2).T
    if simplified_metrics:
        lr_data = {'close_liq_risk':lr_data.loc['entry','c/c-limit_up']+lr_data.loc['exit','c/c-limit_down'],
                   'open_liq_risk':lr_data.loc['entry','o/c-limit_up']+lr_data.loc['exit','o/c-limit_down']}
    return lr_data


def display_liquidity_risk(backtest_report,stats_data=None,return_bias=0.01, required_volume=200000, required_turnover=1000000,
                           color_continuous_scale='RdBu_r', cmax=25):
    import plotly.express as px
    if stats_data is None:
        stats_data = calculate_liquidity_risk(backtest_report,return_bias, required_volume, required_turnover, simplified_metrics=False)
    fig = px.imshow(stats_data, labels=dict(x="Risk", y="Point", color="Proportion(%)"), text_auto=True,
                    color_continuous_scale=color_continuous_scale)
    fig.update_layout(
        title={
            'text': "Liquidity Risk Statistics",
            'y': 0.9,
            'x': 0.5,
            'xanchor': 'center',
            'yanchor': 'top'},
        coloraxis={
            'cmin': 0,
            'cmax': cmax,
        },
        coloraxis_colorbar={
            'x': 0.5,
            'y': -0.15,
            'orientation': 'h',
        },
    )
    return fig

客製化display_liquidity_risk 參數設定

• return_bias (float) : 與漲跌停板的價格偏差，預設是0.01，也就是漲幅在0.09以上就算漲停板，會這樣設計是因為台股不同的價位會有不同的 tick 單位，像10元以下的股票是0.01為變動單位、10-50元的股票是0.05為變動單位，實際漲停板有可能小於10%。另外2015/6/1前台股的漲跌幅是 7% (證交所公告) ，扣掉 return_bias 就會是以漲幅在0.06以上就算漲停，程式已針對不同歷史區段做檢測。保守的投資人可以將return_bias調大到 0.02-0.03 ，給漲跌停更寬的定義，等於不希望追高。
• required_volume (int) : 成交量最低要求股數 ，預設200000股 (200張)。
• required_turnover (int) : 成交金額最低要求數 ，預設100萬元。
• color_continuous_scale (str) : 熱力圖色階，預設為RdBu_r。
• cmax (float) : 熱力圖色階上限，預設是25，設定越高代表可以接受的風險程度越高，色階中間點 (cmid) 為cmax/2，若以預設值為範例，低於12.5%的檢測項目會偏藍，高於12.5%的檢測項目會偏紅，cmid 會跟著cmax同步變化。

檢測項目

Y軸為進出場，X軸為風險項目，依據每筆回測交易的進出場的價格來檢測，顏色越紅的代表是越需要注意的項目，後續對檢測項目及參數的細節說明。

• c/c_limit_up : 收盤價遇到近漲停版的比例。進場時越少碰到越好。
• c/c_limit_down : 收盤價遇到近跌停版的比例。出場時越少碰到越好。
• o/c_limit_up : 開盤價遇到近漲停版的比例。進場時越少碰到越好。
• o/c_limit_down : 開盤價遇到近跌停版的比例。出場時越少碰到越好。
• o/o_limit_up : 開盤價和前日開盤價的漲跌幅超過漲停版的比例。越高代表月多標的是大波動。
• o/o_limit_down : 開盤價和前日開盤價的漲跌幅超過跌停版的比例。越高代表月多標的是大波動。
• volume : 成交量低於最低要求股數 (預設200000股) 的比例。越高代表選到冷門中小型股機率越高。
• turnover : 成交金額低於最低要求金額 (預設100萬元) 的比例。此項檢測是要避免選到成交股數足夠，但是碰到低價股的狀況，這時可能會產生部位金額無法滿足的情況 ; 成交金額足夠，成交股數過低也不好，因為實務上不太可能每一股都買到。volume 與 turnover 最好都要同步符合要求 。
• disposal : 處置股的比例。分盤交易會降低流動性，並拉大價差，造成買賣點位不好掌握。
• noticed : 注意股的比例。注意股為處置股的前兆，連續進入注意股多次後會進處置。
• full_cash_delivery : 全額交割股的比例。通常全額交割股都有財務風險的疑慮 (每股淨值低於５元)，部分處置股可能也會有全額交割的處置狀況。

檢測實際演練

範例1.營收動能瘋狗

年化報酬率高達47%，夏普率1.6，乍看下非常不錯，真的可上線就太好了！
拿來照妖一下流動性風險 (我比較保守，cmax調成15，指標過7.5%就會偏紅)。
果然熱力圖有幾個紅區出現，應檢視風險並考慮作出對應調整：

• 策略追動能，大波動特性讓它用收盤價買進碰到漲停機率偏高，達13.26% ! 用收盤價出場的機率達4.6%，但若用開盤價進出，漲跌停流動性風險可以明顯縮減到5.25%、1.82%。顯示用開盤價比收盤價更能避免碰漲跌停的情況，比較能在回測的當日買到。若還是覺得碰漲跌停比例太高，那要考慮加上低波動濾網，去降低波動。
• 策略出場遇到成交股數低於200張的情況也稍高，顯示小型股佔一定比例，實戰時的資金要配置得宜。
• 策略遇到處置股、注意股的機率比一般策略高，又是一個高波動特質，不喜歡遭遇分盤買賣，失去交易彈性的人也要斟酌。

若我們根據以上分析將策略改以開盤價進出場並加上處置股濾網以避免買進處置股的情況，策略報酬率會變如何呢？結果發現報酬率、夏普率、最大回撤都變差了一些，為何報酬率會變差，可能可從o/o_limit_up比例達14.73%的情況來解釋，開盤價間隔的波動風險更大於收盤價波動13.26%，用開盤價買賣可能碰上大震盪 (ex: 昨日開盤跌停 – 昨日收盤漲停 – 今日開盤小漲)的情況，如此波動可能在20-30％間，雖然今日開盤買進流動性風險較低，但追高風險不見得低喔。

這才是策略實戰比較真實的情況！雖然降低報酬率的相關指標，但也減少了流動性風險。

範例2.本益成長比

假設是比較小資的投資人，我可能對成交金額下限的要求沒那麼高，但希望成交股數上限高於預設值的200張，調高到500張，成交金額下限調低成20萬，設定函數參數成
display_liquidity_risk(required_volume=500000, required_turnover=200000)
這樣比較好隨時買。來看看回測結果:

流動性風險熱力圖顯示大部分的指標都偏低，比起上一個大波動策略的範例好上許多，一樣是開盤價比用收盤價進場遇漲跌停的風險低，但差異比較小，在差異不是很大的情況下，也不一定要堅持用開盤，自行斟酌。
這個策略主要的問題是大部分的交易都低於要求的成交股數，顯示有選到許多冷門中小型股，極端一點的可能一天才幾張量，通常此項數值會這麼高是因為沒有設定成交量的濾網。
如果我們將此策略加上近10日平均成交量大於500張、用開盤價進出場的條件回測，會變如何呢？

結果發現報酬率相關數據差一大截！雖然還是優於大盤…但拿掉小型股後，報酬率明顯變差，顯示這隻策略多數績效由小型股貢獻，這時要思考該策略是不是不能實戰，又或是接受比較高的流動性風險。

結論

一個好的策略在沒有經過嚴刑拷打之前，你敢用嗎？小心能駛萬年船！好策略不是寫完幾行代碼就直接上了。
趕緊來檢測你的策略是不是有流動性風險過高的毛病，除了流動性風險，波動風險也是要留意的，FinLab 也有波動分析模組可以使用，都是使用一行程式碼就能執行檢測的好工具！

現在投資方面的KOL媒體很多，遍佈在Blog、Podcast、YT、付費訂閱平臺等媒體。很多高手透露多元視角的論點，但也很多怪力亂神的老輸講得天花亂墜，他們究竟是不是有憑有據？還是自憑經驗或印象推導？學會程式量化投資後，你就有能力用數據去驗證專家說法，不會人言亦云，看他們禁不禁得起考驗，甚至從他們的觀點延伸出更多應用靈感，光憑這個能力，你就能打敗不用腦思考的眾多韭菜。

股癌節目的啟示

股癌是國內投資主題的前幾名podcast，會有那麼多人追是有原因的，我喜歡他的接地氣的實戰內容、流暢口條、只有幹話沒有雞湯的直白性格。在比特幣Pizza日附近，市場還在波濤洶湧，看盤還不如躺在沙發，來片Pizza配啤酒和股癌的節目。

股癌 Gooaye EP246提到”小台期貨多空比和”大盤融資維持率”過往的散戶反指標特性失準的問題。內資大戶開始在小台佔比變高，散戶賠錢逐漸遠離市場，導致小台過往做錯方向的凹單特性不見。大盤融資維持率掉到150上下的偏低水位後真的洗盡籌碼讓融資斷頭了嗎？為什麼大盤融資維持率好沒跟著大盤繼續往下掉？股癌解釋因為這次海運貨櫃三雄融資餘額佔整體大盤偏高，這族群若沒崩，融資維持率不容易再往下，進而連動其他板塊的融資籌碼為補維持率而下殺。

驗證大神觀點

身為量化數據派的小編，是懷疑論者，一切都要盡可能有數據佐證，才覺得有說服力。
加上行動派性格，Pizza吃到一半，覺得股癌像法不錯，馬上從慵懶的沙發爬起來，打開電腦，使用FinLab模組調數據來映證一下大神說法。

Treemap應用

treemap是我很喜歡的財經資料視覺化版型，可用面積、顏色深淺比較不同維度的資料，最適合表達整體市場的複雜數據。將FinLab的treemap相關function微調，套入融資融券資料，就能快速生成啦！Treemap程式教學看這篇～

融資板塊圖

融資意思是借錢來投資，可視為內資資金集火的來源，通常融資市值大 (融資投入金額可能相對高)、融資使用率高的標的震盪都很大，融資投資人透過槓桿在這些標的內廝殺，若操作的好，就能享受到融資好處，短期內的到大幅獲利

從融資板塊圖(板塊面積大小=融資餘額張數*市值，顏色深淺=融資使用率)，發現長榮、陽明融資市值確實佔比高，股癌說的沒錯。更細部分析，上市融資集中在半導體、航運、電子零件、面板。櫃買的部分集中在半導體、電子零件、生技、網通、其他電子，融資使用率明顯是上櫃比上市高，櫃買市場更容易被融資所影響。

融券板塊圖

融券是空方勢力的指標，跟融資的熱門標的一樣，常是短期大震盪的標的。融資和融券常在熱門標的同步升溫，此時就看哪方做對方向，高券資比、股價持續暴漲就容易形成空軍死亡螺旋的尬空行情，高融資使用率、股價持續大跌就容易形成多軍死亡螺旋的斷頭潮。

從融券板塊圖(板塊面積大小=融券餘額張數*市值，顏色深淺=融券使用率)，發現航運貨櫃三雄融券市值佔比也偏高，IC設計熱門股也是空軍著墨所在。上市融券集中在半導體、航運、電子零件、化工。其中化工的融券使用率很高。櫃買的融券資金集中在半導體、光電、電子零件、網通、其他電子，其中很大一塊集火在近期的電子指標股:元太。融券使用率上則在半導體、農業科技、網通、電腦週邊、觀光上有明顯偏高比例。

結論

融資券主力集中在櫃買市場，持有以上族群的比例若偏高，小心被籌碼混戰的颱風尾掃到。
透過專家論點結合量化分析的技巧，馬上又得到一個不錯的應用，若能每天累積一個這樣的成果，一年下來，肯定在投資、思考、程式能力有所進步。

你也很常看投資KOL的內容嗎？趕緊用程式來實作、驗證他們的想法，若有不錯的想法想實證，但開發不出來，也歡迎分享給我們知道，幫你、教你來實作～

現金流量表快速上手

現金流量表是指一固定期間內，企業現金的實際變動情形。其中又區分為營業、投資及籌資活動現金流三大部分，可以幫助投資人了解企業使用現金的狀況，進一步能夠判斷是否有足夠現金支應開銷。

• 營業現金流：意義是「公司透過本業營運實際流入的現金」。若為正值，則顯示公司營運有持續流入現金，營業現金流若為負值則顯示公司營運的現金是持續流出的狀態，要非常小心盈餘品質的風險。
• 投資現金流：若為正數，代表變賣資產較多。若為負數，代表對外投資較多，常見於企業用於擴大資本支出，若將來擴大營運帶來的投資現金流能大於營業現金流，是比較好的循環，若是小於的情況，則可能擴展失敗，潛在入不敷出的風險。
• 籌資現金流：若為正數，代表向外部借款較多，常見為向銀行借款、向股東增資、發行可轉債。若為負數，則還款或發放股利較多。

回測

介紹現金流量表質化分析的文章很多，但究竟現金流兩表的項目與股價表現有無相關？

我們以這三大項現金流是否為正數，進行條件排列組合，共8種(例如：”+-+”代表營運現金流>0、投資現金流<0、籌資現金流>0)，每月回測換股 (每月都可能有企業發財報)，哪一種組合是最佳、最差？

表現最好的組合是營運現金流、投資現金流為正數、融資現金流為負數的組合，年化約12%報酬率。這組合顯示公司的營運獲利能帶回實質現金，企業不需要額外投入資本支出，不需要向外部融資，就能隨本業擴展持續賺回現金，是比較正向且安全的循環。

最差的組合是營業現金流、投資現金流為負數、融資現金流為正數的組合，公司的營運無法帶來現金，可能為虧損或收帳週轉能力出問題，本業不行的同時，仍持續向外投資，繼續燒錢，且資金來自於外部借款，財務負擔相對較大。這類企業一旦奮力一搏仍然救不起本業，很可能陷入財務上的危機。

其他回測結果

策略範例

colab程式範例檔

使用Finlab api就可以很簡單的撰寫出現金流量的策略，還可以加上哪一些因子讓策略更強大呢？留給各位去探索～

from finlab import data
from finlab.backtest import sim

營業現金流 = data.get('financial_statement:營業活動之淨現金流入_流出')
投資現金流 = data.get('financial_statement:投資活動之淨現金流入_流出')
融資現金流 = data.get('financial_statement:籌資活動之淨現金流入_流出')
position = (營業現金流 > 0) & (投資現金流 > 0) & (融資現金流 < 0)

參考資源

• 市場先生～一分鐘看懂現金流量表
• 財報狗現金流量表

為什麼要做 FinLab Python Package？

Python 最大的優點就是開源，有很多 ML 和資料分析的 Packages 可以使用，但 Python 永遠都不可能像 XQ、Multicharts 一樣方便。寫爬蟲、清洗資料、回測策略，最精簡也需要上千行程式碼才能完成。但使用 FinLab Package 只要三行：

而 Python 的量化平台在台灣，大部分是高手搭建自己用，很少會拿出來跟大家分享，原因很簡單，自己賺錢都賺不完了，何必做成 2C 的平台呢？開源出來對高手有任何好處嗎？沒有。而事實上，就算有人自告奮勇，製作這樣的平台，很多也都是以冷清或失敗收場（美國 Quantopian）。導致於一般想接觸量化投資的大眾，就只能使用 Python 以外的服務，例如 XQ、Multicharts、等。

目標是做出改變台灣投資環境生態的 Python Package

雖然這不會是我最賺錢的專案，但卻是最想要成功的專案，要如何讓此專案永續經營，並且跟使用者、開發者達到互利互惠，才是最終的目的。要是今天我不做了，FinLab 還是可以繼續下去，讓越來越多人用 Python 來選股。

從 2015 年，就想要做一個量化選股平台，但那時有太多的阻礙了，雲端技術都沒有到位，現在終於水到渠成了！有安裝的 Python 環境：Colab，有 cloud function、storage 在台灣可以節省成本，有 5G 加速下載歷史資料的時間，有 Kubernetes 平衡大家使用回測負載。只能說沒有這些功能，我們也沒辦法做出一個像樣的產品（感謝 Google XD）。

這只是一個起點，時代的腳步是不等人的，未來還有更多的領域想要整合，更多的技術，像是 AI、虛擬貨幣、期權等等。也需要大家的共襄盛舉，請督促我們更近一步將 Python 選股、投資交易發揚光大！

三步驟：台股創造 20% 年化報酬策略

現在就開始使用 FinLab Package 吧！其實安裝 FinLab Package 的方式非常簡單，只要打開 Google Colab，並且輸入

!pip install finlab

就可以開始使用了，接下來就來示範，三行獲得 20% 報酬率的選股策略！

1. 獲取資料

假如我們想要獲得台灣上市上櫃所有的股價，可以輸入：

from finlab import data
data.get('price:收盤價')

是不是真的超快超方便！別急，更精彩的還在後頭！

選股策略

假如我們想要選出創 300 天新高的股票，要怎麼選擇呢？只要一行即可完成：

position = close >= close.rolling(300).max()
position

當中的 position 是一個 True 或 False 的表，代表某檔股票當天是否創新高，創新高就為 True，反之則為 False。由於創三百天新高是滿高門檻的，所以可以看到上述股票都是呈現 False，也就是沒有創新高。

歷史回測

最後，假如我們真的想要回測，也就是驗證創新高 300 天的股票，持有一個月，會有怎麼樣的績效，我們可以用以下的方法模擬：

from finlab import backtest

backtest.sim(position, resample='M')

瞬間完成了回測。怎麼樣？沒有騙你吧，真的是三行（不算 import ）完成了 20% 年化報酬的回測了。假如你一言不合想要直接用，介面也會顯示目前持股，只要照著持股操作，就可以獲得與模擬相似的報酬率。

這個在我 2015 年夢寐以求的簡便系統，如今已經完成，想知道模組如何使用可以參考這篇 入門文章 喔！我們有詳細的 API 文檔 與豐富的 資料庫 等你來探索。也可以追蹤我們 FinLab 獲得更多新知，來增加自己的量化交易報酬率吧！