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。

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！

災情分享

我自己的持股在禮拜一開盤就清空了，因為當時美股已經倒地
我可以承受少賺一個禮拜，但不想賠光好幾個月的獲利。
雖然統計說開盤跟美股高連動，盤中相關性反而低，最好在盤中或盤末賣，比較不受影響，
但我在法國，沒辦法看盤，所以還是開盤賣…損失了3%左右。

持之以恒

投資最重要的就是持之以恒，並不是說一直持有股票，是一直持續學習！
我從來都沒有推薦哪支股票，看多或看空，只推薦你不斷的學習！

程式

首先先複製今日股價爬蟲，找出今天崩壞的可憐股票們：
每日爬蟲

import requests
from io import StringIO
import pandas as pd
import numpy as np
datestr = '20180205'
r = requests.post('http://www.twse.com.tw/exchangeReport/MI_INDEX?response=csv&date=' + datestr + '&type=ALL')
df = pd.read_csv(StringIO("\n".join([i.translate({ord(c): None for c in ' '}) 
                                     for i in r.text.split('\n') 
                                     if len(i.split('",')) == 17 and i[0] != '='])), header=0)

接下來做一些處裡：

1. 設定股票名稱為index，讓每個股票可以對應到一樣的數值
2. 將df中的字串轉換成float（有小數點的數字）

資料整理

df.index = df['證券名稱']
for i,v in df.items():
    df[i] = pd.to_numeric(df[i], errors='coerce')

再來，就可以用條件篩選出今天逆勢上漲的股票們！或是下影線長值得期待的股票們：

找出今天很猛的股票

strongIndex = (df['收盤價'] - df['最低價']) / (df['最高價'] - df['最低價'])
strongIndex[(strongIndex > 0.8) & ((df['最高價'] / df['最低價'] > 1.02))].sort_values(ascending=False)

結語

雖然分析出了強勢股，可以持續追蹤，但別衝動。
現在最重要的就是找買點了，最近有時間的話，我想分析台股大跌的歷史紀錄，找出辨別好買點指標！

大家在投資的路上繼續努力！共勉之～

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。

跟之前股價爬蟲的比較

之前我們教的股價爬蟲，是採取一天天下載的方式，今天教的方法是幾支股票，一次下載全部歷史股價！這個方法的優點是超簡單，而且下載速度又快，缺點是有些下市的股票的股價沒有辦法取得，會有生存者偏差，而且資料比較不齊全，但偶爾玩玩，練習一下 pandas 是很不錯的！

線上用colab練習此文章中的程式碼

首先先用 pandas_datareader 取得資料

取得資料又更簡單了！先匯入要用的包

import

from pandas_datareader import data # pip install pandas_datareader
import matplotlib.pyplot as plt    # pip install matplotlib
import pandas as pd                # pip install pandas
%matplotlib inline

然後：get data

data = data.DataReader("^TWII", "yahoo", "2000-01-01","2018-01-01")
c = data['Close']
c.plot()

就這樣，真的超簡單吧！假如你之前不會…現在跟你講了，別打我XDD

這個方法爬到的資料真的比較不齊全啦！

用 pandas 計算 60日收盤價格

如何用 pandas 快速算出平均線呢？
get data

# 近60日收盤
c60 = c.rolling(60, min_periods=1).mean()

# 畫圖
c['2015':].plot()
c60['2015':].plot()

第二行的 c 就是收盤價 close 的簡稱，是一個 series ，代表每一天收盤價的時間序列，可以上 pandas 官網上查詢 相關的用法，其中有一個好用的 function 叫做 rolling 其實它的含意就是隨時間移動窗格，將窗格中的收盤價取：

• 60天最大值（c.rolling(60).max()）
• 60天平均（c.rolling(60).mean()）
• 60天最小值（c.rolling(60).min()）

那為何我們還需要一個min_periods=1這個參數呢？因為照原本的設定，60天內只要有一個值是NaN，則平均值就是NaN，只要一筆資料有問題，你就有60天算不出平均值，所以 min_periods=1 就是在說，只要60天裡面有一天不是 NaN 就強制算的意思。

第五行跟第六行是畫圖，因為我們不想畫整整18年的圖，畫最近三年就好了，所以利用 [start:end] 來選擇時間，我們希望從 2015年到此資料的最後一筆，所以end放空白（跟python array一樣的選取方式，只是改用日期）。

用pandas算出買入訊號

假如當日收盤 > 近60日收盤，則當日收盤瞬間買，不然則空手

這樣子的回測要怎麼寫呢？三行解決，有沒有比multichart還簡單！？

backtest

# 進60日收盤
c60 = c.rolling(60, min_periods=1).mean()

# 買入訊號
signal = (c > c60)

# 回測並跟大盤比較
(c.shift(-1) / c)[signal].cumprod().plot(color='red')
(c.shift(-1) / c).cumprod().plot(color='blue')

• 買入訊號（line 5）是如何建立的呢？原本的 c 和 c60 都是 float series，然而這邊的 signal 是一個 boolean series，代表當天的c 比 c60還要大，每一天都會有一個布林值，True 代表要在收盤價買入，而 False 代表在收盤價空手
• 為何我們用一行（line 8）就可以回測呢？首先，我們將數值變成成長率 c.shift(-1)/c，其中c.shift(-1)代表明天的收盤價，而c代表今天的收盤價。這個成長率是一個近似於 1 的數值，大於1代表明天漲，小於1代表明天跌。我們將所有的成長率照著時間乘起來，就會還原成原本的大盤 c，然而我們只有在 signal = True 的時候持有大盤，資產才會隨著增長率變動。xx[signal]的意思就是選取一個 sub-series，將signal = False的天給去除。所以我們只選 signal = True 的每一天相對應的成長率乘起來（cumprod()），就會是回測結果了！
• 最後一行（line 9）是做什麼的？用來畫出大盤的，假設我們沒有用xx[signal]篩選，等於每天都買入的狀況，利用 cumprod 把每一天的成長率都乘起來。其實這行也可以寫成 (c/c[0]).plot(color='blue') 都是互通的，各位可以試試看。

這邊比較複雜，建議把 c、(c.shift(-1)/c)、signal，這些數值都print出來比較一番吧！
get data

pd.DataFrame({'c':c, 'c60':c60, '增長率':c.shift(-1)/c, 'signal':signal}).head()

小總結

• 我沒有考慮手續費喔！考慮了以後，這個方法應該不會太好，這篇主要是帶大家練習pandas！
• 利用 Pandas 來攝取資料 1 行
• 利用 Pandas 簡易回測 3 行
• 學習 series 的操作

第一次看，應該會覺得pandas怎麼這麼厲害，但又很無奈自己無法玩轉操弄它。不用擔心，只要常常看這個系列，就會慢慢對pandas有感覺囉！

在看圖之前不免俗的先講講本益比（PE）

本益比中位數介紹

本益比的簡單公式是：本益比 = 每股市價／每股盈利。

本益比越高，代表你用較多錢買一間盈利低的公司股票
本益比越低，代表你用較少錢買一間盈利高的公司股票

利用本益比中位數來判斷大盤大趨勢

下圖紅線是是每天大盤上市上櫃股票的本益比中位數（取過對數的）隨時間變化圖，藍線是2個標準差，灰色是大盤：

大家可以觀察一下，以下是我發現有趣的點：

• 假如我們現在有個策略在紅線為2.5左右買進大盤，而3左右出清，感覺獲利會滿可觀的！（然而金融海嘯還是得凹一下單就是了XD）
• 用本益比中位數台股2000年上萬點為3.5，而今年上萬點只有2.6，代表兩次上萬點意義不太一樣，2000年那次比較像是泡沫，破了後來很慘烈；而今年是大盤破新高，而紅線沒破新高，代表企業的盈利目前來講還算是跟的上股價的漲幅，沒有太誇張，所以這幾天雖然都慘慘的，我個人還是保持平常心。

大家可以搭配之前用淨值比判斷大盤漲跌的文章看，雖然股價淨值比的中位數有點偏高，但目前都沒有大暴跌的明顯徵兆，但我真的不是叫你相信這些指標，因為每個指標的結論很有可能不一樣，例如下面就是一個例子：

反面例子：GOOGLE TREND

這個指標已經被Mr.Market在這篇文中介紹過了，簡而言之：
google trend 指標就是 “台股” 這個關鍵字的熱門程度，是反指標。

事隔多年看一下，發現最近有點散戶真的是灌入台股這樣：

最近”股票”的搜尋人氣已經達到歷史新高更勝2008金融海嘯前…

為什麼”股票”關鍵字人氣越高，股票越容易跌？因為用google搜”股票”這兩個字的，大部分都是新手散戶，有人把股市當做是一種心理學的競技場，新手往往沒有交易的心理素質，容易買高賣低。引用巴菲特的名言：

We simply attempt to be fearful when others are greedy and to be greedy only when others are fearful.

總結：雖然淨值比來看，企業的盈利目前來講還算是跟的上股價的漲幅，但投資時還是得參考更多的指標再做決定，並自行負責！

我喜歡跑一些歷史數據找一些規律性，但絕對不做預測，希望可以用最中性、較科學的方式來跟大家一起研究投資這門學問。

股價淨值比(PB)，可以拿來判斷股民對這某家公司的看法，假如大家覺得這家公司未來會壯大，則淨值比會大於1，如果這家公司會衰退，則淨值比會小於1。那剛好我們就可以做出一張分佈圖，來看一下全體投資人對每一家公司看好看衰的分佈圖，跟大盤之間的變化（這張圖稍大可能要等久一點…）。結果發現，當大盤大跌之前，會有類似的前兆，想知道前兆是什麼？請接著看這張圖：

這張圖的上半部，是用來看多少個企業被看好，多少企業被看衰。分佈圖的x軸分成左右兩邊，大於零代表樂觀，小於零代表悲觀。其實x軸就是股價淨值比取log(PB)的分佈，為什麼要用log呢？是為了讓分佈圖更接近高斯，也讓多空變成在零的對稱位置。此圖的每一根bar代表有多少支股票，其股價淨值比為log(PB)。此圖有五條垂直線，代表著中位數加減兩個標準差。這張圖的下半部則是對照大盤的某個時間點，我們從2010年統計到2015年，每20天計算一次股價淨值比分佈圖。

大部分的時候，投資人基本上看好台灣的市場，所以分佈普遍偏向0的右邊，而且事實發現，近來台股加權指數破萬，並不是大泡泡，而是台灣的企業真的慢慢隨著時間在壯大，因為當大盤破萬點時，分佈圖並沒有超級偏右邊，代表台灣的企業是真的有跟上投資人的期待。然而最近還是有點太過樂觀的氣氛瀰漫，還是得懂得居高思危才行XD。

可以發現一些有趣的現象：

1. 中位數平常都待在log(PB) = 0 ~ 1 之間，當大盤跌到最低點時，會回到0～0.05附近，可以當作大盤買點，成功在2004、2005、2012、2015歸零附近時買入成功買在超低點，唯獨金融海嘯時，中位數最小來到了-0.4左右才反轉，所以還是要看一下中位數是否在<=0附近反轉，比較保險。
2. 大盤在高點時，PB標準差會比其它時候略小，而中位數最大約在 log(PB) = 0.4～0.5 左右（可以當作大盤賣點，但較難判斷）
3. 當大盤要大跌前的前兆是分佈的標準差會明顯變大，且伴隨中位數些許變低

接下來我們用更簡明的圖讓大家更一目了然：

圖中的五條線（紅、黃、藍）分別對應到上面動畫圖分佈的中位數及兩個標準差（紅、黃、白）唯獨中位數的顏色從白色改成藍色，比較清楚。另外灰色的是大盤，發現近五年藍色線接近0且反轉時，都是大盤很好的買點，另外當大盤到高點時，通常這五條線會跟大盤產生背離！也就是大盤越來越高，但分佈線高點卻越來越低。現階段，雖然大盤到 10500 點了，但還未產生背離現象，可以推斷最近的大跌應該不是真正的超大跌（吧？），但這也只是我的猜測啦，股市中沒有什麼是絕對的。

以上就是簡單判斷大盤多空的簡單方法！