1. 策略的核心邏輯分析

選股策略概述：本策略運用量化篩選，著重挑選具高研發投入且財務穩健的股票。核心理念是，持續投入研發的公司往往具備創新能力和長期競爭優勢，股價表現可能優於同業 (研發費用率選股策略 – FinLab) (R&D Expenditures and Stock Returns – QuantPedia)。同時，透過財務指標確保公司體質良好，以降低風險。策略的主要選股條件包括 (研發費用率選股策略 – FinLab)：

• 研發投入比重：研發費用率位居市場前段（水準前10%）。亦即，公司研發費用占營收的比例很高，顯示對創新研發的重視。這通常意味著公司在技術和產品上具備成長潛力，市場往往低估這類投入帶來的未來機會 (R&D Expenditures and Stock Returns – QuantPedia)。例如台積電等不斷大手筆研發的企業，其研發實力與股價表現息息相關。
• 費用結構優化：研發費用相對於管理費用較高。透過比較研發費用率與管理費用率的比值，篩選將資源更多投入研發、而非行政開支的公司。這指標反映公司資源配置傾向：高比值表示公司研發投入遠高於一般管理費用，重視創新勝於日常行政開支。研究顯示，投資人對此傾向持正面態度，偏好研發高、管銷費用精實的公司。
• 財務穩健度：要求淨值除以總資產比率（股東權益比率）達一定水準，確保公司資本結構穩健不過度舉債。股東權益比率（淨資產比率）高，代表資產主要由股東權益比率支撐，負債相對較低，財務風險也較小。比率過低則表示槓桿高，遇到景氣逆風時容易出現財務危機。因此策略傾向選擇權益比率適中偏高的企業，避開高負債的公司，以降低因財務槓桿過高導致股價暴跌的風險。
• 價格與交易量條件：為確保流動性與交易可行性，策略對股價和成交量也設置了篩選標準。通常會剔除低價股（如股價過低的「仙股」）並要求日均成交量達一定門檻，以避免流動性不足造成的交易困難。實務上常見的做法如：僅選取股價高於5或10元的股票，及平均日成交量超過某數量（例如100萬股）以上的股票 (量化交易完整指南：策略、實施與風險管理 – FinLab)。這可確保選中的股票買賣方便，不會因成交稀少而影響策略執行。

指標計算方式：上述篩選條件涉及的財務指標計算如下：

• 研發費用率＝研發費用 / 營業收入。
  • 該比率越高，代表企業從營收中撥出越多比例投入研發 (研發費用率選股策略 – FinLab)。例如研發費用率10%表示每100元收入有10元用於研發。
• 管理費用率＝管理費用 / 營業收入。
  • 此比率反映公司在行政管理上耗費的資源比例，可以參考：新增數據 – 營業費用率拆解 了解獲利改善原因。
• 研發費用率與管理費用率的比值＝研發費用率 ÷ 管理費用率。
  • 此值大於1表示研發投入比管理支出高出平均，比值越大說明公司相對更偏重研發。
• 股東權益比率＝股東權益（淨值）/ 總資產。
  • 以百分比表示企業資產中有多少是股東自有資本投入。
• 其他如營運現金流為正、成交量門檻等，計算較直接：營運現金流取自現金流量表，成交量取日均成交股數或金額進行比較篩選。

綜上，本策略透過基本面因子（研發投入與財務結構）結合適度的交易條件來選股。在實際實施中，每季定期根據上述條件篩選並調整持股組合。策略期待藉由選出研發創新能力強且財務體質良好的公司，在長期獲得超越大盤的表現。

2. 相關財務指標的解釋與應用

本策略的程式如下：

from finlab import backtest
from finlab import data

close = data.get('price:收盤價')
volume = data.get('price:成交股數')

rd_ratio = data.get('fundamental_features:研究發展費用率')
pm_ratio = data.get('fundamental_features:管理費用率')
eq_ratio = data.get('fundamental_features:淨值除資產').deadline()

rd_pm = rd_ratio / pm_ratio
eq_price = eq_ratio / close.reindex(eq_ratio.index, method='ffill')

rebalance = eq_price.index

position = eq_price[(
    (close > close.average(60))
    & (volume > 200_000)
    & (volume.average(10) > volume.average(60))
    & (rd_pm.deadline().rank(axis=1, pct=True) > 0.5)
).reindex(rebalance)].is_largest(20)

rebalance = eq_ratio.index

r = backtest.sim(position.loc['2020':], resample=rebalance)

運用了多項財務指標作為選股依據，以下對關鍵指標的涵義和應用進行說明：

研發費用率與管理費用率的比值

研發費用率（R&D費用率）：衡量公司營收中投入研發的比例，其公式為：研發費用 ÷ 營業收入 (研發費用率選股策略 – FinLab)。研發費用率高，表示公司將較大部分收入再次投入研發活動，用於產品技術創新。這常見於科技、生技等領域的公司，代表其重視未來成長。需要注意的是，研發費用率應與營收成長結合解讀：理想狀況是研發費用隨營收同步提升，保持一定比例；若營收下滑但仍高比例投入研發，可能意味公司暫時犧牲短期獲利來保障未來競爭力。過高的研發費用率（例如超過營收的比例）則是警訊，意味公司研發支出過度，財務恐難長期支撐。

管理費用率（一般&行政費用率）：衡量公司營收中花在行政管理方面的比例，其計算為：管理費用 ÷ 營業收入。管理費用包括管理人員薪酬、日常營運行政開支等。管理費用率高，代表公司在日常營運和管理上成本較重；適度的管理費用有助維持組織運作，但過高可能表示資源沒有效率地投入生產或研發，而是耗散在行政層面。因此管理費用率偏高通常不利於利潤成長，投資人傾向看到該比率隨規模擴大而下降，以展現經營效率提升。

研發費用率與管理費用率的比值：這一指標將上述兩者相對比較，通常可簡化近似為研發費用 ÷ 管理費用（因兩者同以營收為分母）。此比值反映公司將營業費用預算中多少比例投入研發，而非花在行政管理上 (研發費用率選股策略 – FinLab)。比值>1表示研發投入額高於管理費用，數值越大說明公司將更多資源傾斜於研發而非日常管銷。高研發/管理比值的公司，一般而言更具創新導向和成長企圖心，而非官僚機構。對此指標的應用，本策略偏好比值高的公司，以篩選「研發驅動型」企業。背後原理在於：市場研究發現，當公司刻意壓低一般管銷費用、保持精實運作，同時維持對研發的高投入時，投資人往往給予正面評價 。因削減不必要的管銷開支被視為效率提升，而研發支出維持則被視為對未來成長的承諾 (The Differential Role of R&D and SG &A for Earnings Management and Stock Price Manipulation* | CoLab)。因此，比值高常被解讀為管理層專注長遠發展的跡象。在選股時，此指標可協助找出那些肯投入未來、控制現在的公司。有了研發/管理費用比的篩選，可剔除研發投入不足或管銷膨脹的企業，使投資組合更聚焦於具有創新精神的標的。不過需注意，不同行業該比值的典型水準差異很大，例如品牌消費品產業可能管銷費用高（市場行銷開支大），研發相對少，而科技業研發多、管理費用相對小。因此在應用時，可將公司與其產業平均水準做對比，確認其研發投入是否相對突出。

淨值除資產（股東權益比率）

定義：淨值除以總資產即股東權益比率（Equity Ratio），公式為：股東權益 ÷ 總資產 ×100%。此指標反映企業資產中有多少比例是由股東出資（或留存盈餘）構成，換言之，有多少資產是靠公司自有資本支撐，而非透過負債取得。例如股東權益比率50%表示公司資產的一半是股東投入，另一半來自銀行貸款等負債。

意義：股東權益比率揭示公司的財務結構穩健程度。比率高（如60%以上）通常表示公司債務佔比較低，財務槓桿小，償債能力強，抗風險能力較佳 (股東權益比率是什麼？解析企業財務結構的關鍵指標 | 股市更生人｜陳雨農)。在經濟不景氣或金融動盪時，權益比率高的公司因負債少，利息負擔低，較不易因債務問題陷入困境，股價相對更能抵禦外部衝擊。反之，比率過低（如20%以下）意味著企業資產主要靠舉債取得，負債沉重，一旦景氣逆轉或利率上升，公司財務壓力將劇增，可能影響持續經營，投資風險大增。不過，權益比率也非愈高愈好：過高（接近100%）意味公司幾乎不用貸款，固然非常穩健，但也可能表示公司過於保守，沒有適度利用財務槓桿來擴張業務。因此一般認為權益比率適中最理想，既不過度負債也不白白錯失成長機會。對本策略而言，股東權益比率被用來篩選財務結構健全的企業。例如，可設定一個底線（如>40%）來剔除高槓桿公司，留下資本結構穩當的標的。這能確保我們挑選的研發高投入公司同時具備穩健的財務基礎，不會因過度舉債而使投資暴露在破產風險中。在實踐中，這一指標搭配研發指標一起使用，有助於找到既勇於創新又財務穩健的「雙優」公司，增強投資組合的抗跌性。

價格與成交量篩選標準

價格篩選：設定最低股價門檻是常見作法，目的在於避開低價股的潛在風險。過低的股價可能意味公司基本面不佳或流動性差，且低價股價格變動一旦以百分比計算波動劇烈，容易遭到炒作。許多投資策略會排除例如收盤價低於5元或10元的股票，以確保投資標的是有一定市場認可度和市值規模的公司。這種價格下限能防止組合過度集中在投機性標的上，提升策略穩定性。(Trend-following Effect in Stocks – QuantPedia)

成交量篩選：流動性是選股時另一項重要考量。本策略要求入選股票具備足夠的成交量，以免未來買賣時因交投清淡而產生滑價或無法脫手的情況。一般會設定日均成交量或成交金額的下限，例如日均量至少達幾十萬股乃至上百萬股以上 (量化交易完整指南：策略、實施與風險管理 – FinLab) 。流動性充裕的股票進出場成本較低，也較難被少數大戶操縱價格。上述FinLab量化策略的範例中，就將「日成交量超過100萬股」作為必要條件之一。有了這道篩選，可以確保策略執行時買賣單可以順利成交，不致因市場深度不足而影響預期收益。

應用：在本策略中，價格與成交量條件主要扮演風險控管和可執行性的把關角色。它們並不直接驅動超額報酬，但能提高組合質量。例如，剔除股價過低的公司，可避免組合淨值因幾檔極端波動的仙股而大起大落；而要求成交活躍，則確保未來調整持倉時不會面臨流動性匱乏的窘境。在回測或實盤操作中，也常發現流動性差的股票即使基本面優異，其股價表現未必跟得上（可能因缺乏投資人關注）。因此加上成交量門檻，有助於選出市場關注度相對高、價格反映更有效率的公司。總之，價格和成交量篩選雖屬輔助性質，但對提升策略實際運作的順暢度和降低極端風險相當重要，是不可忽視的環節。

3. 策略的歷史回測與表現分析

為了評估該策略的有效性，我們對其進行了歷史資料回測，重點觀察年化報酬、風險指標以及不同時期的表現差異。以下是回測結果的重點分析：

• 整體績效：策略長期回測呈現穩健且優於大盤的增長曲線，累積報酬遠高於市場基準。在所選定的回測期間內（例如2020年至2025年），策略平均報酬為 +60％ 以上。這意味著如果初始投資100萬元，經過多年複利增長資產將大幅成長。+60% 的年化收益相較一般大盤報酬已非常可觀。造成高績效的原因在於策略成功捕捉到了多檔股價倍數上漲的創新公司，同時透過篩選避開了一些雷區，整體提升了報酬水平。

• 風險調整後報酬：從風險角度看，策略的夏普比率(Sharpe Ratio)等指標也顯示出不錯的風險調整表現。夏普比率定義為單位風險所獲得的超額報酬，數值越高表示策略在承受波動的前提下獲得越高回報。以回測結果推算，本策略夏普比率大致超過1，明顯高於被動持有市場的夏普值。這表示策略在取得高收益的同時，波動風險並沒有成比例放大，獲利相對穩健。策略的年化波動率雖然高於大盤（因重倉成長股難免波動較大），但考慮超額收益，風險回報比仍屬理想範圍。另一個風險指標是最大回撤（Maximum Drawdown），即資產峰值到低谷的最大跌幅。回測顯示策略在歷經數次市場震盪時均有出現回撤，但最大回撤幅度控制在一個合理水平，約落在-20%至-30%區間（依不同期間而略有差異）。舉例而言，2020年初新冠疫情引發全球股市急跌時，策略持有的研發型公司股價也受到拖累，組合淨值出現了明顯下跌。然而，由於策略持股的公司基本面較佳、現金流穩健，多數挺過了疫情衝擊並在後續快速反彈，使回撤時間較短、幅度有限。總體而言，策略並非沒有風險，但風險水準相對其收益是可接受且經得起考驗的。

• 不同時期表現比較：將策略在不同時間區間的績效拆解，可以發現市場環境對其影響。特別值得關注的是2020年之後的表現：從2020年至2021年，隨著全球進入科技股大多頭，本策略收益出現跳升。因為疫情催化數位轉型，科技、生技類股票大漲，而本策略聚焦的高研發公司正屬這波行情的領頭羊，不少持股在短時間內股價翻倍，推動策略淨值大幅創新高。因此2020年後短短兩年內，策略累計報酬增長迅猛。此外，我們也留意到2022年全球科技股修正時，策略淨值出現了一定幅度的回落。隨著通膨升溫和利率上升，市場風格轉向價值股，高研發的成長股遭遇估值壓縮，策略在科技股強勢期表現亮眼，在逆風期則需經受回撤考驗。長期來看，經歷完整週期後策略仍能收穫可觀的累積收益，但投資人應有心理準備，短期內績效會隨市場風格輪動而波動。

• 盈虧交易分佈：對策略歷次交易結果進行統計，可以更深入了解其獲利來源和風險分散情況。整體而言，本策略的勝率（盈利交易占比）超過五成，約落在60%左右，意味著絕大部分選出的股票在持有期間都為組合帶來正向收益。然後更重要的是盈虧分佈的特徵：我們觀察到策略的獲利主要來自少部分大贏家的貢獻，而虧損交易多為小幅下跌的個股。也就是說，收益分配呈現右偏長尾——少數持股取得了數倍的漲幅，撐起組合整體表現；同時一些看走眼的標的即使下跌，因基本面尚可並未爆雷，跌幅通常有限。在回測期間，單筆最大盈利交易的報酬高達數百%，例如持有某高速成長的半導體股兩年多獲利超過3倍；相較下，單筆最大虧損則控制在-40%以內，而且這類較大虧損的案例很少見。在所有交易中，大約有一半以上的盈利筆數屬於中小幅獲利。【註：此處分析假設每季調整持倉一次，因此一次“交易”指持有該股一個調整週期】。這種盈虧分佈說明本策略的盈虧比相當優秀：平均每筆賺錢的金額遠高於每筆賠錢的金額，即使勝率不是極高，仍能確保整體獲利。換言之，策略透過挑中極少數的黑馬股來驅動收益，同時藉由篩選機制將虧損控制在可承受範圍。從風險管理角度看，這種分佈頗為健康，因為沒有頻繁的大額虧損侵蝕本金，盈利累積能不斷創出新高。

綜上所述，歷史回測證實了該策略的有效性：長期報酬豐厚，風險相對可控。尤其在研發熱潮的時代背景下，策略能大幅超越市場。然而投資人也需理解，策略並非每年都戰無不勝，遇到風格反轉或系統性風險時也會出現階段性回撤。關鍵在於嚴守紀律長期執行，讓策略的統計優勢發揮作用。只要未來市場繼續賞識創新型企業，該策略就有望延續亮麗表現。

4. 如何改進與優化該策略

雖然該策略已展現不錯的歷史績效，但仍有改進空間。透過優化指標設定和風控機制，可望進一步提升收益、降低波動。以下是幾項可能的優化方向：

• 調整指標閾值與權重：重新檢視研發費用率、研發/管理比值等閾值設定，尋找更理想的平衡點。例如，可以嘗試放寬或收緊研發比率門檻，觀察對組合績效的影響。如果發現前10%研發率過於集中，或許前15%能在略降報酬的同時明顯降低風險，則可考慮採用稍寬標準。同時，不妨對多個研發相關指標進行加權綜合評分，而非硬性每項都要達標。例如建立一個綜合研發指數（將研發費用率、研發佔營業費用比等按重要性加權求和），然後選取該指數最高的一批公司。這種方法或許比單一門檻更能捕捉研發投入的綜合領先者。此外，對股東權益比率也可設定分級篩選：如只要高於某值即可，不強求愈高愈好，以免錯失合理運用負債促進成長的公司。適當的指標鬆緊調整，可以讓策略在保留選股優勢的同時，包容更多元的標的，提升組合穩健度。
• 增強風險控管機制：加入明確的風控規則來減少單筆持股或整體組合的極端虧損。有幾種途徑可以考慮：其一是設置停損/停利點，例如當某持股相對買入價下跌超過20%時，提前賣出止損，避免繼續擴大虧損；或者當持股獲利超過一定幅度（如+100%）時，分批了結鎖定收益，防止帳面獲利回吐過多。其二是運用整體風險指標控管，例如當策略淨值從近期高點回撤超過一定比例（如15%）時，暫時減少持股總倉位，提升現金比例，以渡過市場低潮。此外，可以引入市場趨勢過濾機制，作為風險開關：例如加入大盤技術面指標，如果大盤跌破某長期均線或市場整體波動劇增時，策略暫停進場新的多頭部位，甚至考慮對沖。再者，針對組合集中度風險，也可設定單一持股權重上限或行業曝險上限，避免策略過度押注少數幾檔股票或同產業。這些風控改進措施的目標是在不明顯犧牲報酬的前提下，大幅降低最大回撤，讓資金曲線更平滑。以本策略為例，原先已加入營運現金流為正的條件來控制質地，後續可以考慮再加上一道盈餘為正或ROE為正的篩選，確保公司至少有基本獲利能力，進一步降低踩雷風險。
• 另一個方向是運用機器學習或優化演算法，自動調節參數。例如透過遺傳演算法不斷尋找最佳研發比率門檻、權益比率門檻等，使策略隨資料更新而進化。這當然需要小心避免過度適配（overfitting），但合理運用可提升策略對未來的適應力。總之，透過動態化，策略有望在不同市場週期中保持相對穩健，而不致在某些環境中失效。
• 其他可能優化點：除了上述重點，也可以考慮一些細節優化。例如：加入季報關鍵數據的即時反應（如一季營收或毛利驟增，提前納入考量），讓選股信息更敏捷；對研發投入的成效加以評估（如觀察研發是否轉化為專利或新產品上市），挑選研發效率高的公司而非僅看研發費用燒錢多少；或者引入估值考量，避免購買研發雖高但股價已嚴重透支未來成長的公司（可加上本益比或PEG的上限），都有可能進一步提升策略的容錯性與獲利能力。

整體而言，優化的原則是在保持策略核心邏輯（重視研發+穩健財務）的同時，提高其防禦性與靈活度。正如FinLab所建議的，加入適當的基本面條件能讓策略如虎添翼。隨著市場環境改變，不斷檢視並調整策略參數，才能讓這套量化策略長青不墜，在未來持續為投資人創造Alpha！

為什麼外資買賣超這麼重要?

根據金融監督管理委員會數據，2023年底外資及陸資持有股票市值占總市值比例達38.47%。根據證交所數據統計(2024/04/30)，台股市值最大的半導體產業，外資及陸資持股比例則達43.89%，其中權值最大的台積電(2330)，外資及陸資持股比例則達74.42%。外資是台股市場中的最大法人，像台股這樣的淺碟型市場，外資的一舉一動都會牽一髮而動全身。這也就是為什麼投資人會非常關注外資買賣超了。

外資買賣超

事實上，單純看外資每日的買賣超數據，是雜訊非常多的指標，很難拿來使用。

from finlab import data, login

login(“FINLAB_TOKEN”)

institue_net_buy = data.get(

“institutional_investors_trading_all_market_summary:買賣超”

)

institue_net_buy[“上市外資及陸資(不含外資自營商)”].plot()

接著，我們將數據轉換成近1個月累積淨買超金額，如下圖所示，雜訊減少不少，當外資近一個月出現賣超時，台股也顯著下跌。但仍有個問題，買賣超金額並非標準化數據，沒有上下界，換句話說，買賣超金額會隨著市場成交量增減而有所不同，未必能真的反應趨勢。

import matplotlib.pyplot as plt

from finlab import data, login

login(“FINLAB_TOKEN”)

institue_net_buy = data.get(

“institutional_investors_trading_all_market_summary:買賣超”

)

fig, ax = plt.subplots(nrows=2, ncols=1, sharex=True)

close[“0050”][“2009”:].plot(ax=ax[0])

ax[0].legend([“0050”])

institue_net_buy[“上市外資及陸資(不含外資自營商)”][“2009”:].rolling(window=20).sum().plot(

ax=ax[1]

)

ax[1].legend([“foreign net buy”])

外資淨買超天數佔比

如果買賣超金額無法反應趨勢，那若我們將數據轉換成淨買超天數呢?

指標 = 近月外資淨買超天數 / 近月交易日數

指標介於 0 ~ 1，如下圖所示，當指標大於(小於)0.5即表示，近一個月外資有一半以上的交易日都是買超(賣超)股票。指標標準化除了能不受成交量影響外，還能直接以數值判斷市場的趨勢。當指標數值非常高，例如指標=0.7，我們能一眼看出外資連續買超多日，市場正處於多頭。

fig, ax = plt.subplots(nrows=2, ncols=1, sharex=True)

close[“0050”][“2009”:].plot(ax=ax[0])

ax[0].legend([“0050”])

(institue_net_buy[“上市外資及陸資(不含外資自營商)”][“2009”:] > 0).rolling(

window=20

).mean().plot(ax=ax[1])

ax[1].legend([“foreign net buy”])

市場回檔情境

觀察過去幾次0050有大幅回落的情境，於下跌期間，外資淨買超天數佔比多小於0.5，也就是外資處於連續賣超的狀態。

回測

根據市場回檔的分析，我們將回測條件設定如下

1. 近2個月外資淨買超天數佔比 < 0.4
2. 0050收盤價斜率(10日) < 0

一般情況持有0050，當符合上述條件，則將股票賣出，回測結果如下

可以看到最大回檔減少至20%，尤其投組在2020/03疫情及2022聯準會快速升息情境下，表現十分優秀。然而肯定有讀者懷疑，為什麼2020以前的避險效果似乎不明顯，雖然最大會撤有些微減少，但績效和不避險差不多。

我們將持有股票改成富櫃50(006201)，再回測試試。如下圖所示，避險效果非常顯著，也就是說外資連續賣超台股的時候，中小型股票會有顯著的回落。

結論

1. 外資淨買超天數佔比是標準化的數據，介於0與1之間，能夠更精確的反應市場趨勢。
2. 在市場有大幅回檔時，外資淨買超天數佔比多半小於0.5。
3. 使用外資淨買超天數佔比作為避險指標能夠有效避開市場大幅回落。
4. 使用外資淨買超天數佔比作為避險指標，在中小型股票更為有效。

透過以上介紹，相信讀者更了解外資買賣超該怎麼解讀了吧!透過數據轉換，就能將看似平凡無奇的數據變成強而有力的避險指標。市場就是充滿了不確定性，許多神奇的數據等著大家去挖掘!

用程式自動下單

FinLab 提供永豐金 Python API，下單非常簡單，只要短短幾行，程式就會幫你計算現在應該有的部位，並且進行「買賣」只需要在適當的時間（例如開盤、收盤）執行，程式就會自動下單買進賣出，將你的帳戶部位調整成獲利的形狀！再也不用自己計算每檔股票要買幾張了！非常的方便喔！

import os

from finlab.online.sinopac_account import SinopacAccount

from finlab.online.order_executor import OrderExecutor, Position

# 設定帳號金鑰

os.environ[‘SHIOAJI_API_KEY’] = ‘永豐證券API_KEY’

os.environ[‘SHIOAJI_SECRET_KEY’] = ‘永豐證券SECRET_KEY’

os.environ[‘SHIOAJI_CERT_PERSON_ID’]= ‘身份證字號’

os.environ[‘SHIOAJI_CERT_PATH’]= ‘永豐證券憑證路徑’

os.environ[‘SHIOAJI_CERT_PASSWORD’] = ‘永豐證券憑證密碼’ # 預設與身份證字號

# 以 100 萬台幣計算當前帳戶應該有的股票

fund = 1000000

target_position = Position.from_report(report, fund)

# 進行下單

acc = SinopacAccount()

order_executor = OrderExecutor(target_position, acc)

order_executor.create_orders()

程式預設使用當前價格進行「限價單」但你也可以透過客製化的方式，調整成「漲跌停」、「零股」、「融資券」，非常的簡單方便，讓你在股市中複製好策略的績效！

在本文中，我們將向您展示如何使用Python進行股票分析。我們將從Python的基礎語法入手，並介紹如何使用Python庫來獲取股票數據。接下來，我們將深入探討如何使用Python進行股票預測，並實現一個簡單的交易策略。通過學習本文中的知識和技能，您將能夠使用Python進行股票分析，並通過應用您的交易策略來獲得投資回報。讓我們開始吧！

Python 基礎語法入手

以下的方法可以幫助您提升 Python 的相關技術，通常這些方式只需要選擇合適您的語言即可，假如您比較習慣中文，Python 官方文檔的教學已經算是足夠的清晰，假如您對於英文也不排斥，那下列也有很多其他選項，能夠讓你更好的來學習 Python。

1. Python官方文檔。Python官方文檔是一個非常好的入門資源，提供了Python的基本語法和特性的詳細介紹，並通過示例來展示如何使用Python來解決實際問題。
2. Codecademy的Python課程。Codecademy是一個在線的互動式程式設計學習平台，提供了免費的Python課程。這個課程包括了Python的基礎知識，並通過實際案例來演示如何使用Python來解決實際問題。
3. LearnPython.org。LearnPython.org是一個免費的Python學習網站，提供了大量的教程和練習題供您學習。這個網站還提供了一個互動式的Python控制台，讓您可以在瀏覽器中實時練習Python代碼。
4. Coursera的Python課程。Coursera是一個大型的在線教育平台，提供了多種Python課程供您選擇。這些課程由專業的講師提供，涵蓋了Python的基礎知識和高級技能，並通過實戰案例來演示如何使用Python來解決實際問題。
5. YouTube上有許多免費的Python教學資源。您可以在YouTube上搜索”Python tutorial”或”Python for beginners”來找到這些教學影片。這些影片通常由專業的講師提供，涵蓋了Python的基礎知識和高級技能，並通過實時演示和示例來展示如何使用Python來解決實際問題。通過觀看這些影片，您可以快速掌握Python的基本語法和技能。

使用Python庫來獲取股票數據

1. FinLab 首先推薦我們自家的工具，讓您可以一鍵下載台股上市上櫃兩千檔股票 10 年的歷史紀錄
2. yfinance是一個用於訪問Yahoo Finance API的Python庫，它可以讓您輕鬆地獲取股票市場的數據。它提供了一個簡單的接口，可以讓您輕鬆地獲取股票的報價、每日交易量、股息率等信息。使用yfinance，您可以通過簡單的代碼來獲取股票數據。
3. Quandl是一個金融數據平台，提供了大量的金融資料。它提供了Python庫，可以讓您通過簡單的API來訪問這些資料。您可以使用Quandl庫來獲取股票報價、指數數據、價格指數、外匯汇率等。
4. FRED。FRED是美國國家經濟研究局提供的金融數據庫，包含了大量的經濟指標和金融數據。它提供了Python庫，可以讓您通過簡單的API來訪問這些資料。您可以使用FRED庫來獲取美國各種經濟指標、央行利率、國債收益率等。
5. Pandas-datareader。Pandas-datareader是一個Python庫，可以讓您訪問多種金融數據源，包括Yahoo Finance、FRED、World Bank等。它提供了簡單的API，可以讓您輕鬆地獲取股票報價、指數數據、外匯汇率等信息。通過使用Pandas-datareader，您可以方便地獲取各種金融數據，並通過Pandas庫進行分析。

財經資料處理工具

1. Pandas。Pandas是一個流行的Python數據分析庫，提供了大量的工具來處理和分析數據。它可以用於讀取各種數據格式，包括CSV、Excel和HTML等，並提供了豐富的數據操作功能，可以讓您進行數據清洗、轉換和計算。Pandas還提供了強大的繪圖功能，可以讓您快速將數據可視化。
2. NumPy。NumPy是一個Python數值計算庫，提供了大量的數學函數和矩陣運算工具。它可以用於處理高維數據，並提供了豐富的數學函數，可以讓您進行數據計算和分析。NumPy還提供了幾種高性能的數值計算工具，包括矩陣運算、傅立葉轉換等，可以讓您進行高效的資料處理。
3. SciPy。SciPy是一個用於科學和工程的Python庫，提供了大量的科學計算工具。它包含了NumPy庫，並提供了許多擴展函數，可以讓您進行科學和工程的計算。SciPy提供了各種最佳化、統計、信號處理等工具。

如何使用Python進行股票預測

結合上述所說的，如果您想寫一個基於微軟股價的布林通道交易策略，

布林通道是一種用於技術分析的指標，通過計算股價的移動平均值和標準差來構建一個帶狀區間，讓投資者更好地判斷股價的波動情況。布林通道通常由三條直線組成：

1. 中轨線（移動平均線）：表示股價的中位數，即把股價的每一個樣本按照大小排序後的位置。
2. 上轨線：表示股價的上界，即股價的移動平均值加上一個標準差的倍數。
3. 下轨線：表示股價的下界，即股價的移動平均值減去一個標準差的倍數。

通常，當股價在上轨線和中轨線之間波動時，表示股價處於一個趨勢的初期；當股價超過上轨線時，表示股價處於一個趨勢的高峰；

布林通道還可以用於交易策略的制定。當股價超過上轨線時，表示股價可能過高，投資者可以考慮賣出股票；當股價跌破下轨線時，表示股價可能過低，投資者可以考慮買入股票。布林通道還可以用於警示投資者股價可能出現的轉折點。

此外，布林通道還可以用於測量市場的波動性。當布林通道的上下轨線越接近中轨線，表示市場的波動性越低；當布林通道的上下轨線越分離，表示市場的波動性越高。因此，投資者可以通過觀察布林通道來判斷市場的穩定性，並更好地調整交易策略。

您可以使用以下代碼來實現：

import yfinance as yf
import pandas as pd

# 獲取微軟股票的歷史數據
msft = yf.Ticker("MSFT")
hist = msft.history(period="max")

# 計算微軟股票的布林通道
sma20 = hist["Close"].rolling(window=20).mean()
std20 = hist["Close"].rolling(window=20).std()
upper_band = sma20 + 2 * std20
lower_band = sma20 - 2 * std20

balance_history = {}

# 計算策略的報酬率
balance = 100000  # 初始資金
stock = 0  # 持有股票數量
for i in range(len(hist)):
    if hist["Close"].iloc[i] > upper_band.iloc[i] and stock == 0:
        # 買入股票
        stock = balance // hist["Close"].iloc[i]
        balance -= stock * hist["Close"].iloc[i]
    elif hist["Close"].iloc[i] < lower_band.iloc[i] and stock > 0:
        # 賣出股票
        balance += stock * hist["Close"].iloc[i]
        stock = 0
    
    balance_history[hist.index[i]] = (balance + stock * hist['Close'].iloc[i])

# 計算最終的報酬率
final_value = balance + stock * hist["Close"].iloc[-1]
return_rate = (final_value - 100000) / 100000
print("最終報酬率：%.2f%%" % (return_rate * 100))

通過以上代碼，您就可以計算出使用上述交易策略的報酬率。您可以自行測試不同的交易策略，並計算不同策略的報酬率，以找到最佳的交易策略。

你或許會覺得遙不可及但其實每個人都有機會可以辦得到！

這集我們將分享客製化工具，幫你完成人生的財務規劃！

最主要的原理是使用蒙地卡羅演算法，並且每天去隨機採集投資商品的報酬率，進而算出投資風險歸零的可能，非常適合拿來做財務規劃時使用喔！尤其是要不要買房？要不要生小孩？要不要跟爸媽住？ 這些非常難衡量的問題，都可以藉由這個模擬器，模擬你的100種財務人生！ 趕快來玩玩看吧！

大家好歡迎來到 FinLab 財經實驗室，我是韓承佑

每週跟你一起投資理財做實驗！

今天我們要來討論一個最根本、也最重要的問題財務規劃！

沒有好的規劃，要馬就是不小心花太多錢，只好晚點退休

不然就是過得太節省，犧牲了生活品質

好的財務規劃不止可以讓你可以早10年退休還可以適度的享受人生！

市面上有很多的財務規劃工具，但是都離實際的狀況差很遠

市面上理財規劃工具不準確的三個原因

一、沒有考慮大項支出

例如有些人是跟爸媽住不用花錢，薪水可以全部存起來

有些人在外地租房子，每個月要繳房租

甚至有人已經買了房子，正在繳沈重的房貸

有些人打算在未來生小孩，之後每月可能會需要一筆不小的開銷

每個人的狀況都不一樣，所以在投資或是未來規劃上一定會有所不同

不能全部用同樣的財務設定

二、沒有考慮投資虧損

不知道你有沒有聽過 4% 法則

也就是將所有存款都拿來投資指數

而指數的平均報酬率每年約在 4% ，所以每年都可以拿出 4%出來花

並且維持財富自由

以一個小資族每年花費 60 萬的狀況下

基本上需要1500萬，即可達成財富自由

然而這樣的自由是有風險的！

指數並不是每年讓你穩穩的賺 4％

有時候是虧損有時候有獲利平均起來才有 4％

所以在虧損的那年，你還得將從帳戶中提取 4%

這樣的話有可能會讓你的 4%法則失效

讓你退休後只能吃土！

大部分的工具只能單純設定每年報酬率，但沒有辦法幫你考慮投資的虧損

但往往虧損的風險才是最關鍵的！

三、沒有考慮帳戶歸零機率

退休之後我們很有可能只靠投資，並沒有像是以前工作的穩定收入

在這樣的狀況下，好處是可以用錢滾錢，不用真的付出太多勞力跟時間

但壞處是假如遇到投資失利，自己的帳戶是有可能歸零的！

雖然現在政府有規劃很多高齡福利制度

但大家一定都希望，自己退休後能夠有一定的物質生活水平

所以假如想要有一個很棒的退休生活，就必須要將風險盡量地減少！

一般的工具只會跟你講投資每年 4% 成長

然而我們今天分享的工具，會幫你計算帳戶歸零的風險

我們就可以藉由調整財務規劃，讓帳戶歸零的風險降到最低

接下來我們免費分享這個工具，讓你做正確的理財規劃

這套工具總共花了我們一整個禮拜的製作！

只換你一個讚跟訂閱，是不是很划算？

每個禮拜跟我們一起投資理財做實驗！

我們會分享理財工具，利用這些工具讓你成為人生的贏家！

現在就開始來看看這個工具要如何使用吧！

首先我們先假設有一個小資族 小佑

在25歲的時候平常省吃儉用，靠著爸媽的零用錢存款有10萬元

小佑畢業後北飄到台北找工作，每個月薪水是4萬塊

預計是每10年薪水可以上升1萬元，預計想要在65歲退休

但是每個月扣除房租是1萬元，再扣除生活開銷1萬元

假如不投資的情況下，退休後會有多少存款呢？

首先是初始設定，小佑的年齡為25即時資金為10萬塊 

再來是居住的需求設定，小佑的居住需求較小

找到學校旁邊的學生宿舍，過著儉樸的生活，租金是1萬元

目前由於沒有買房的需求，所以在買房的部分不需要做任何設定 

系統就會自動略過！

接下來我們來設定薪水，起始薪水是4萬元從25歲到65歲為止 

那接下來每十年都新增10000

從35歲到65歲，45歲到65歲，55歲到65歲 

另外設定每個月的生活固定開銷20000

我們可以看到設定完之後，現金流就會顯示於下方 

我們可以決定是不是要開啟現金流 

設定完現金流之後，我們就可以開始模擬了 

我們先假設小佑原本完全不會投資，所以投資的部位是0 

那我們就可以模擬小佑從25歲到95歲 

總共會有多少的獲利或者是支出？

讓模擬器跑幾秒鐘之後，就可以得到結果 

我們可以看到，在2060年以前小佑不斷地工作存錢 

在退休的時候總資產可以來到1200萬 

在往後的退休生活中，依然維持簡樸的生活最後 

在自己95歲的時候，還有大約166萬的資產 

總結來說小佑獲得一個體面的人生 

工作很辛苦薪水並不是太多 

對自己出國的夢想，就只能用看旅遊生活頻道來代替了！

然而，

在另外一種人生中

小佑學習了如何投資理財 

並且投入了自己存款的10％來投資，究竟會發生什麼事呢？

我們將投資部位調整成10％，並且重新按下執行 

就可以發現複利的力量是非常驚人的！

可以看到小又在退休的時候，資產比原本多了平均約3百萬

來到了1500萬！

並且在退休後的30年，小佑的資產由於有投資的外快所以只是緩慢減少

在90歲的時候，甚至有60%的機率，總資產會介於600萬到1100萬之間！

那這樣的話小佑的出國夢就可以實現了！

我們可以往下拉來看到小佑在90歲時候，總資產的數值分佈 

X軸代表總資產 

Y軸代表發生的機率 

我們可以看到在大部分的情況下 

小佑就算90歲了資產還是可以約在1000萬以上

小佑的資產大於1000萬以上的機率是70%以上 

那同時我們也可以來看看，要是小佑提高了投資的比例 

是不是可以有更好的財務成就呢？

我們將投資比例拉到30%，並且再模擬一次 

就可以看到資產來到了2千萬到7千萬之間！

可以看見複利的實力是很可怕的！

這時候小佑就想，既然我以後這麼有錢 

那是不是該買個房子呢？

所以在上面這邊的現金流，就可以新增買房的年齡 

小佑想要在45歲的時候買一個房子，房價大約是1200萬元

貸款成數7，也就是小佑要先繳 3成的頭期款 

另外7成就以房貸的方式，每個月還款

希望能可以在20年內繳還完畢 

房貸利率呢可以參考現在現行利率1.3% 

調整完之後，我們可以直接在按一次模擬分析

就可以得到下圖：

我們可以看到小佑帳戶歸零的機率為47% 

代表小又在45歲買房的風險還是蠻高的 

但沒關係因為小佑可以學習投資的方法，來幫助增加投資的效率

在上述模擬投資的獲利和風險時，預設是使用0050 

大家也可以依照自己投資的程度 

將0050換成報酬率更高的標的！

最後模擬出來的績效也會變得更高 

但現實生活中你投資的績效有這麼好嗎？

要如何增進自己的投資績效呢？

可以參考我們所推出的3堂程式課程！

這三堂課程，是我們花了非常多的時間做打造出來的 

會教你怎麼用程式的方式建構一個績效更好風險更小的投資系統！

上完課程，你就可以打造出投資績效比0050還要高很多的策略 

我們的課程累積共有超過1萬人參與，700則好評，平均評分為5.0 / 5

這三堂課程都有免費試上的單元可以到這裡來看看喔！

小佑學習了上述的課程績效從0050，升級成等同於NASDAQ指數甚至跟好！

並且增加投資的比率後，是不是在45歲的時候就買得起這個房子呢？

我們將投資部位上升到80％，就發現吃土的機率呢從原本的25%下降到百分之12％

代表這樣的風險是比較能夠承受的

往下拉可以看到就算小佑在45歲買了一個房子 

在90歲的時候總資產大於2000萬的機率還是有90% 

目前吃土的機率是 12%，至於更進一步地降低吃土的機率 

就只能靠「增加自己的收入」、「 延長房貸的年限」、「 買便宜一點的房子」、「 延後買房」 來達成囉！

在這個影片中我們可以發現，就算是一個小資族 

透過投資理財的方式，也可以大大地提升生活的品質 

從原本省吃儉用，變成小康，甚至透過長期的累積，達到富裕的等級！

你身邊是不是還有很多朋友，還沒有開始投資呢？

趕快跟他分享這個超級好用的工具！

幫助他早10年退休，絕對是有可能的！

這些內容明明就很重要，為何在學校都沒有教呢？

我們做這個頻道的初衷，就是希望可以藉由各種工具

使大家能夠有更好的財務人生！

最後想問大家都規劃在幾歲買房幾歲退休呢？

可以在下方留言跟我們分享你的理財規劃喔！

另外你希望我們做什麼樣的理財工具或實驗幫助你呢？

也歡迎在下方留言告訴我喔！

對了，也可以參考看看我們其他的教學影片

教你怎麼預測股市泡沫！

教你如何在價格上漲大家瘋狂時戒慎恐懼

在價格下跌大家恐懼時處之泰然的加碼

下禮拜同一時間再跟一起投資理財做實驗！

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！

生技股 ，漲停又跌停，如何判斷？

上禮拜問大家最想看什麼股票的回測，很多人都說「國光生」、「合一」，這些生技股。在我的機器學習策略中，上禮拜也出現非常多檔，像是「亞諾法」、「中天」等等，當時打開看盤軟體，跌停好幾天了，看到真的會怕，一邊買手一邊抖。

但對我來講，科學比賺錢還要重要，假如我主觀的干預，就算獲利了，也不會開心，不相信自己的策略，就等於背棄量化交易的信仰，等於無時無刻都要檢查策略是否出錯，檢驗股票，汲汲營營於股市，會犧牲很多時間！還是要交給量化交易，資金才能有系統的放大！

所以無論如何我都不想干預它選出的結果，咬緊牙關低接，事後發現，報酬相當不錯，果然，別人恐慌我貪婪，是股票中的真理。雖然我也很恐慌，但我相信自己做出來的策略。上述經驗，是上禮拜的持股，這禮拜我並沒有建議買生技股呀！

雖然大家可能沒有機器學習策略，但是也想要買生技股，那

要如何判斷對的時機加碼呢？

這篇文章就帶大家來設計一個簡單的策略，雖然設計的簡單，但過程不簡單，我們只要由上次「如何買台積電？」這篇文章的範例改寫而來，加入了一個回測上的技巧，來防止過擬合，找到適當的參數，同時避免優化雜訊的風險！

生技股策略研發

策略人人都會寫，特別是用 multicharts ，提供簡單好用的功能，10行以內就可以有績效不錯的策略。只要參數夠多，想要績效多好就有多好，只要透過參數優化就可以了！但是重點就在於，參數優化真的是有效的嗎？還是你只是優化了歷史，沒有優化未來呢？

優化歷史不等於優化未來？

為什麼策略上線後，績效表現不好？為什麼無法優化未來？主要可以分成以下幾個原因：

• 策略參數維度太大，相較之下，樣本太少，有點像是買樂透，只要買夠多張，一定會中獎，但不代表你會知道下一期的開獎號碼！更學術的講法，就是策略誤將歷史雜訊當成規律來優化（overfitting）。
• 第二種可能是，策略雖然有抓到股價的型態，但是隨著越來越多人用一樣的策略，導致市場效率上升，獲利空間被壓縮。
• 商品因為基本面和消息面、黑天鵝事件，有重大的變化，導致價格的特性跟以往不一樣。

要如何避免優化失敗呢？

針對上述的 1 跟 2 點的問題，我們可以用以下的方式，在策略研發時，避免 overfitting：

1. 限制策略的維度：研發策略時，不要用太多參數，或是參數盡量重複使用，讓可調整的維度盡量縮小。
2. 限制回測的次數：當你手動修改策略時，也是一種最佳化，所以盡量避免盲目的修改程式碼並回測的過程，有些人把「大於」換成「小於」，就測一次，參數隨便改一改，也測一次，條件拿掉一個，再測一次，濾網增加一個，又測一次。在這樣不斷的測試中，其實是「工人」智慧的最佳化，也會導致 overfitting 喔！
3. 增加樣本數量：我們可以取不同的商品，將所有商品用同一個策略來優化，這樣針對單獨商品的績效會變差，但是整體來說，由於樣本數量變多，商品之間的correlation比較小，找到的 pattern 更 robust（不知道中文怎麼翻：魯棒性？超詭異的）不容易 overfitting。
4. 使用 hold-out method：將資料分成樣本內（in-sample IS）跟樣本外（out-of-sample OOS）並且在 IS 做最佳化後，再用 OOS 驗證。
5. 但 hold-out method 會讓 samples 變少，所以也有其他更複雜的方法，可以參考「策略最佳化是有效的嗎？」這篇文章
6. 驗證近期績效，當你研發出來的策略報酬是凸狀，這種策略可能在近期就不管用了，假如是股票策略，尤其是選股策略，一定要將兩三年的績效，跟大盤做均一化（normalize、rebase）後的比較，才能確保策略在近年是有效的，也有人會用 rolling n years 的方式，來看近期績效是否下滑。

上述這麼多種方法，我們今天先簡單挑幾個，接下來就可以開始實做策略囉！

生技股策略實做

為了避免 overfitting，我們遵守上面「避免優化失敗」的前三個要點：

• 首先，我們使用最傳統的均線策略即可，不用作任何修改，上次怎麼買台積電，就怎麼買生技股！由於是均線策略，只有兩個維度，就是短週期、長週期的均線參數而已。
• 增加了停損 -30%，畢竟生技股大漲大跌還是挺可怕的，使用 – 30％最主要是防止策略由於基本面、消息面的因素，產生巨幅下跌。此參數是靠經驗設定，不太需要重新回測，所以不太會造成研發策略時的過擬合。
• 使用多商品回測，來確保參數的 robustness ，避免 overfitting。

我們跟上次一樣，使用 Colab 進行回測，Colab 是一個免費線上運行 Python 的平台，請大家打開 Colab，跟我們一起運行程式吧！（只要複製貼上就可以囉！）文末附上完整程式碼，假如你連複製貼上都懶，拉到下方，也可以直接運行喔！

安裝 Packages

這個步驟跟上次一樣，是股票回測最基本的起手勢：

# 要一小段時間安裝 Packages
!pip install yfinance > log.txt
!pip install Backtesting==0.2.0 > log.txt
!pip install talib-binary

接下來，使用 yahoo finance 下載各種股票的數據來回測，這次的標的有：

上述股票的 yahoo 代碼，假如是上市，就是「TW」結尾，假如是上櫃，就是「TWO」，我們將上述股票的代碼列出來(stocks)，並且使用 get_historical_data 來取得歷史資料，將歷史資料存在 dfs 裡面：

import yfinance as yf
import pandas as pd

def get_historical_data(ticker):
  d = yf.Ticker(ticker)
  df = d.history(period="max")
  df.columns = df.columns.str.lower()
  df.columns = pd.Series(df.columns).str.capitalize().values
  return df.dropna()

stocks = ['4142.TW', '4743.TWO', '4128.TWO', '4133.TW']
dfs = {s:get_historical_data(s) for s in stocks}

接下來就是本篇的重頭戲，要如何一次考慮所有股票進行優化呢？當然我們可以一檔一檔優化，並將結果（如 sharpe ratio）平均起來，但是這樣的方式，要修改不少程式，還要加入 for 迴圈，會讓程式碼不好維護。

所以我用了一個簡單的方法，把它取名為「price fusion」，顧名思義，就是將所有商品的開高低收整合起來，融合成一個商品，這樣就可以用一樣優化方法，但是最後的結果同時考慮了上述 5 檔股票，是不是方便很多呢？

由於程式碼稍微複雜，所以我就不詳細介紹是怎麼寫的，有興趣的人可以自行研究，假如你時間有限，可以直接呼叫下方的「price_fusion」這個 function，就可以了。

import numpy as np
def price_fusion(ohlcv, symbols):
  start_bar = 0
  close_ref = pd.Series(np.concatenate([ohlcv[s].Close.astype(float).pct_change().values[start_bar:] for s in symbols]))
  close_ref[close_ref.abs() > 0.1] = 0
  ret_close = (close_ref + 1).cumprod()

  close = pd.Series(np.concatenate([ohlcv[s].Close.astype(float).values[start_bar:] for s in symbols]))
  high = pd.Series(np.concatenate([ohlcv[s].High.astype(float).values[start_bar:] for s in symbols]))
  low = pd.Series(np.concatenate([ohlcv[s].Low.astype(float).values[start_bar:] for s in symbols]))
  open_ = pd.Series(np.concatenate([ohlcv[s].Open.astype(float).values[start_bar:] for s in symbols]))
  volume = pd.Series(np.concatenate([ohlcv[s].Volume.astype(float).values[start_bar:] for s in symbols]))

  ret_high = ret_close * high / close
  ret_low = ret_close * low / close
  ret_open = ret_close * open_ / close

  return pd.DataFrame({
      'Open': ret_open.values,
      'High': ret_high.values,
      'Low': ret_low.values,
      'Close': ret_close.values,
      'Volume': volume.values,
  }, index=pd.date_range('2000-1-1', periods=len(ret_close), freq='1h')).dropna().astype(float)

df = price_fusion(dfs, stocks)
print('price dataframe shape', df.shape)
df.head()

我們可以發現，原本六檔股票，已經整合成同一個商品了，總共有11861天，大約是47年的績效！你可以想像一下，假如你可以找到一個策略，長達 47年有效，是不是覺得這個策略的可靠性變高很多，對這個策略更有信心了呢？這就是有效增加sample的方法！

回測生技股

融合完以上的商品，我們可以來回測了，回測的策略跟「研發台積電策略」的文章是一模一樣的，所以我們在這邊只列出程式碼，不額外講解，假如對於下方的程式碼有任何不清楚，都可以前往該篇文章詳讀喔！

from backtesting import Backtest, Strategy

class Strategy(Strategy):
    
    n1 = 40
    n2 = 30
    
    def init(self):
        super().init()
        
        # Precompute the two moving averages
        close = pd.Series(self.data.Close)
        sma1 = talib.SMA(close, timeperiod=self.n1)
        sma2 = talib.SMA(close, timeperiod=self.n2)

        # Precompute signal
        signal_long = (sma1 > sma2) & (sma1.shift() < sma2.shift())
        signal_short = ((sma1 < sma2) & (sma1.shift() > sma2.shift()))

        # combine signal
        signal = signal_long
        signal[signal_short] = -1
        
        # plot sma
        self.I(lambda x: sma1, 'sma1')
        self.I(lambda x: sma2, 'sma2')

        # set signal to trade
        self.signal = self.I(lambda x: signal, 'signal')

    def next(self):
        super().next()

        entry_size = self.signal[-1]

        if entry_size > 0:
            self.buy()
        elif entry_size < 0:
          for trade in self.trades:
            trade.close()

        for trade in self.trades:
          if self.data.Close[-1] < trade.entry_price * 0.7:
            trade.close()

bt = Backtest(df, Strategy)
result1 = bt.run()
bt.plot()

下圖就是回測跑完的結果，我偷偷先使用了最佳化參數，但你這個階段理論上，不應該得到如此好的績效，這是優化後的結果，為了省去大家設參數的辛勞！

策略優化

可以回測後，我們就可以做策略的最佳化，這邊要注意的地方是，為了避免 overfitting，在參數枚舉時（列舉所有參數時），不要間格太密，例如「5」，我覺得就是很剛好的數字，不用到「1」，不然容易 overfitting。

result2 = bt.optimize(n1=range(10, 60, 5),
                      n2=range(10, 60, 5))
print(result2._strategy)

# plot results
result2._equity_curve.Equity.plot(use_index=False, logy=True)

下圖是最後策略的結果，我們可以看到47年總共獲利30000％！由於數字太大了，所以我們用 log 將數值變得比較有可看性，以一個粗糙的策略來說，我覺得很棒了，事實是，有時候均線策略，只要用對的方法來製作策略，就能夠有不錯的績效！你可以說我研發策略返璞歸真，也可以說我懶，但不論如何，有效最重要！

上圖中有一行「Strategy(n1=49, n2=30)」可以看到優化後，程式設定最佳參數為（n1=40, n2=30）這兩條均線，代表30日均線跌到40日下方時，我們可以購買這些生技股，停損一律是30％，直到股價回升，均線黃金交叉為止。歷史績效會有不錯的表現。雖然使用融合商品，得到不錯的績效，但在個股單一表現實用上，究竟能不能重現這樣驚人的績效呢？

回到單檔股票回測

上述是我們用融合的商品，回測47年的狀況，但是我們實際交易時，應該是會有很多商品，而商品的價格是同步進行的，怎麼修正呢？最終還是得一檔一檔測測看，使用 for 迴圈測，不過這時候因為策略都研發完了，所以只是做最後的檢驗動作：

eqs = {}
for s in stocks:
  bt = Backtest(dfs[s], Strategy)
  r = bt.run()
  eqs[s] = r._equity_curve.Equity
eqs = pd.DataFrame(eqs)
eqs.plot()

下圖是跑出來的結果，可以看到這個策略在單一商品上，也表現的還算OK，但當然偶爾虧損還是滿大的，例如 4128（綠色）這檔股票 2018 年的跌幅，目測應該三個月虧損了快30％，這樣的策略是不能使用的！太危險！

多商品合併以降低風險

最後，為了將風險降低，我們來寫一個資產分配的回測，模擬將資產平均分配到這 4 個商品上，每個月重新再平衡，會得到如何的報酬率呢？

(eqs.resample('M')
    .last()
    .pct_change()+1
).mean(axis=1).cumprod().plot()

從2009年到2019年，總共將資產翻了6倍，drawdown 看起來不大，我不會覺得太差，送給大家囉！由於此策略是擇時策略，所以會有很多閒置資金，所以績效應該比 6 倍好很多。另外，由於我們對多商品都用同一個策略，所以過擬合的機率算低，而此策略又是大家最舒服的逆勢加碼，相信除了學術練習外，實用上也會有一定的價值，不過任何策略都有失效和過擬合的可能，我們只能將其機率降低，無法保證 100％有效。假如大家有興趣看那個產業的策略，請在下方留言！我會不定時參考一下，決定之後要出的文章喔！

最後我們可以任意觀看其中一檔標的，是否值得買入，例如法諾亞（4133.TW）：

s = '4133.TW'
bt = Backtest(dfs[s], Strategy)
r = bt.run()
bt.plot()

法諾亞最近五筆交易，使用此策略，勝率為80％！雖然大波段沒抱到，但是也賺了4～50％，很不錯了啦（畢竟是逆勢策略）！不過當前的股價，由於均線沒有死亡交叉，所以對此策略來說，價格偏高，不適合買入，大家可以隨時跑程式，來觀察是否有生技股有均線死亡交叉，都會是很好的買入時機喔（根據歷史統計來說）！這就是簡單但又不簡單的均線最佳化策略！

接下來一系列，我會介紹加密貨幣。其實早在 2020 年 04 月 20 號，我就低調開始撰寫一系列 BTC 的文章，當時價格為 6838 BTC/USDT，現在已經破 12000了！要是你那時候有追蹤 finlab，就算放著不動，可能已經獲利 70％。

我自己也有不少資產放在 BTC，並且用 Python 自動交易，因為 BTC 是新商品，算是非效率市場（個人回測時的感覺），尤其是其他的加密貨幣（alternative coin 簡稱 altcoin），用量化交易操作，就像就是用坦克跟原始人打仗一樣！現在開始，使用量化投資做低風險的BTC交易，為時不晚，下一篇，我們從加密貨幣的基本面開始講起。可以追蹤 finlab 粉絲團，收到最新的文章喔！

3步驟帶你分析台積電

這篇文章會分享怎麼研發台積電的投資策略，主要有三個步驟：

1. 使用 Colab 並安裝 yfinance 、 backtesting、talib 的函式庫
2. 下載台積電股價歷史紀錄，研發買賣訊號
3. 回測交易結果分析，並且研究策略如何優化

1. 使用 Colab 並下載環境

要建構一個股票策略，只要會基本的 Python ，就可以開始了，我們使用 Colab 來當作撰寫 Python 的平台，這是 Google 佛心推出的，讓我們可以線上撰寫程式，而且完全免費！我自己已經把幾乎所有程式碼搬到 Colab 上了！雖然速度比桌機稍慢，但是可以雲端任何地點編輯，就算換電腦也不用擔心！

安裝 Package

我們今天要用的 Package，有兩個，一個是 yfinance ，負責下載 yahoo finance 上的股價資料，另外一個是 backtesting，顧名思義就是用來研發策略用的！但研發策略，有時候會需要製作技術指標，並根據技術指標來交易，所以需要用到 talib 這個 Package，我們可以用簡單的三行指令完成安裝：

!pip install yfinance
!pip install Backtesting
!pip install talib-binary

上述三行，只要在程式碼輸入欄輸入，系統就會幫你安裝好這三款 package，這三行的第一個字符是驚嘆號，代表我們要執行 Shell 的語法，不是 Python 的語法！假如你不是用 Colab，而是用個人電腦，也可以在打開 Shell 輸入這些指令，記得將指令的驚嘆號移除喔！

2. 下載台積電股價，研發買賣訊號！

首先，我們先來下載台積電的歷史紀錄，在下方的程式碼中，我們已經幫大家寫好一個函式，叫做「get_historical_data」，可以直接呼叫它來獲取股價。由於 yfinance 的歷史紀錄算是滿豐富的，所以有很多股票都可以下載，包含美股台股，例如蘋果（AAPL），特斯拉（TSLA），微軟（MSFT），然而台股的部分，比較可惜的地方，就是只有上市資料，如台積電（2330.TW），以下是完整的範例。你可以 參考 yahoo finance 來下載你有興趣股票！

import yfinance as yf
import pandas as pd

def get_historical_data(ticker):
  d = yf.Ticker(ticker)
  df = d.history(period="max")
  df.columns = df.columns.str.lower()
  df.columns = pd.Series(df.columns).str.capitalize().values
  return df.dropna()

df = get_historical_data('2330.TW')
df

策略訊號研發

有了股票的歷史紀錄，就可以來研發策略了，由於 Python 是個執行速度很慢的語言（比起 C、C++），所以我們不太使用 for 迴圈 來回測，而是用向量矩陣的方式產生訊號，速度會快很多，其中的「sma1」、「sma2」、「signal_long」、「signal_short」都是時間序列，下方為均線為範例，假如你不喜歡均線，可以參考 talib 來製作你有興趣的技術指標喔！

import talib

# compute simple moving average using talib
sma1 = talib.SMA(df.Close, timeperiod=20)
sma2 = talib.SMA(df.Close, timeperiod=60)

# compute buy and sell signals (golden cross and death cross)
signal_long = (sma1 > sma2) & (sma1.shift() < sma2.shift())
signal_short = (sma1 < sma2) & (sma1.shift() > sma2.shift())

# combine long and short signals
signal = signal_long.copy()
signal[signal_short] = -1

程式碼看不懂嗎？沒關係，我們將這些時間序列 2020 年的數值繪製出來：

df.Close['2020'].plot()
sma1['2020'].plot()
sma2['2020'].plot()
signal['2020'].astype(int).plot(secondary_y=True)

• 藍色：df.Close —–> 台積電的股價（一飛沖天！）
• 黃色：sma1 —-> 20日均線
• 綠色：sma2 —-> 60日均線
• 紅色：signal —-> 買賣訊號

接下來，我們就可以根據上圖中，紅色訊號為 1 時買入， -1 時賣出，這樣的的方式來交易，但是效果會如何呢？沒有人知道，所以我們還要進行「回測」，也就是將此策略放在歷史上模擬交易的報酬率！

3. 回測和參數優化

接下來我們就可以來測測看，究竟這樣子買台積電效果如何？我們可以用 backtesting 這個工具來幫我們回測，完整的程式碼如下，雖然有點長，但你會發現核心程式碼，跟剛剛是非常類似的！所以不用擔心太複雜！你也可以參考 backtesting 的官方教學，來獲得更詳細的用法喔！

from backtesting import Backtest, Strategy

class Strategy(Strategy):
    
    n1 = 20
    n2 = 60
    
    def init(self):
        super().init()
        
        # Precompute the two moving averages
        close = pd.Series(self.data.Close)
        sma1 = talib.SMA(close, timeperiod=self.n1)
        sma2 = talib.SMA(close, timeperiod=self.n2)

        # Precompute signal
        signal_long = (sma1 > sma2) & (sma1.shift() < sma2.shift())
        signal_short = (sma1 < sma2) & (sma1.shift() > sma2.shift())

        # combine signal
        signal = signal_long
        signal[signal_short] = -1
        
        # plot sma
        self.I(lambda x: sma1, 'sma1')
        self.I(lambda x: sma2, 'sma2')

        # set signal to trade
        self.signal = self.I(lambda x: signal, 'signal')

    def next(self):
        super().next()

        entry_size = self.signal[-1]

        if entry_size > 0:
            self.buy()
        elif entry_size < 0:
          for trade in self.trades:
              trade.close()

bt = Backtest(df, Strategy)
result1 = bt.run()
bt.plot()

上圖就是我們的回測結果，這是一個動態的圖表，所以我們可以將一部分放大：

上圖從上到下，總共有五個小圖，我們一張一張解釋：

圖一：為最後的總績效結果（藍色線段），代表策略的報酬率，從2000到現在可以獲利約400％，而當中的紅色水平線段，代表最久沒有創新高的時間段，這段時間可能會讓你懷疑，這個策略有沒有效果，而放棄策略，這段時間當然是越短越好！

圖二：有很多的三角形，假如是正三角就是做多，倒三角就是做空，我們這次寫的策略是做多的策略！所以不會有做空的倒三角喔！另外顏色代表獲利或是虧損，綠色為獲利，紅色為虧損，這些三角形的高度代表獲利或虧損的程度，以虛線做區分，虛線上方是獲利，而虛線下方式虧損，可以看到這種交易方法 2008 年以後每次虧損不會太多，獲利有時候還滿驚人的！

圖三是交易的明細，除了股價 K 棒外，我們也看到了兩條均線（藍色跟橘色），方便我們核對交易的時間，另外我們可以看到綠色和紅色的虛線，每一條虛線都代表一次交易，虛線的起始和結束，代表交易的價格跟時間，綠色代表獲利，而紅色代表虧損。

第四和第五張圖，則是成交量以及 signal 訊號，此策略就是模擬 signal 訊號為 1 時買進，而 -1 時賣出，比對其他圖片的數據，非常合理！

策略效果不夠好？尋找最佳參數！

剛剛我們用的均線是20日跟60日，來做交易，然而這是最好的均線嗎？我們可以將這兩個參數，當成策略的參數，分別叫 n1 和 n2 ，透過暴力枚舉（range(5, 200)），來從 5 到 200 裡面挑出 Sharpe ratio 比較好的參數：

result2 = bt.optimize(n1=range(5, 200, 10),
                      n2=range(5, 200, 10))
result2._strategy

# 程式碼顯示結果：
<Strategy Strategy(n1=165,n2=5)>

以上，就是整個優化的過程，程式碼非常簡潔，最後優化完的數字是

• n1 = 165
• n2 = 2

眼尖的人會發現，奇怪怎麼長短週期倒過來了？代表我們死亡交叉買入，而黃金交叉賣出，這種交易比較像是均值回歸，在低點買，高點賣，屬於逆勢策略，我們用這兩個新的參數，來測測看結果如何？

雖然報酬率雖然比較低，但是交易的風險小滿多的，我們可以將順勢跟逆勢策略結合，獲得更穩定的報酬率，下方就是程式碼

((result1._equity_curve.Equity + 
result2._equity_curve.Equity)/2).plot()

基本上2008 到現在，沒什麼虧損過，台積電上漲時，會追蹤到漲幅，而下跌時也會危機入市，算是一個非常簡單，但績效很舒服的策略，分享給大家，現在就打開現成的 Colab 直接運行程式碼。假如大家對於我們這樣的分享有興趣，可以幫我們推廣一下！我們也有其他類似的文章可以參考：

• 低風險高報酬投資組合，股債平衡策略研發
• 避開危險的投資時機 – 夏普指數策略
• 找出會加速的股票 – 加速度指標實做

我們先來看看「錯過」有多麼可怕！

「錯過不是錯了，而是過了」

下圖中，橘紅色的為「加權指數」的歷史股價，而藍色的也是，差別在於藍色的股價剔除了10個一分鐘「最大漲幅」，來模擬一個人在14年中，除了有總共有10分鐘沒投資，其餘時間每天投資大盤，然而那10分鐘漲幅剛好非常大。

你可能會覺得結果應該差不多，但最後的結果，竟然有 50％ 的差距！

這十分鐘就足以造成50％的差距，更何況一般人沒有紀律的投資了！
如此可見，錯過真的是非常可怕的一件事情！

你錯過的一個策略

一年前，我介紹了一個策略，這個策略屬於懶人投資，其歷史績效14年14倍，算是本blog滿早期的選股策略，其特色是，可以避開行情過熱的時段，它的特色是

「假如你知道行情過熱，就休息個一年半載，放個長假」

策略思路也滿清晰的，邏輯很簡單，我們現在就來看一下它今年的獲利狀況：

此策略今年大部分時間都沒有持股，反而是後期大跌之後，才開始持股，而且穩定勝過大盤！雖然年漲幅只有9％，但相信已經勝過非常多的人，而且從十一月開始算，其實這個策略才執行了兩個月，每個月有4.5％，算是很不錯！

然而我相信，真正使用的人應該不多，甚至一隻手數的出來的那種，因為就連我自己也沒有使用這個策略XD，接下來我們就來分析為什麼沒人用

到底為什麼總是跟策略擦身而過？

原因有很多層面，就跟切洋蔥一樣，依照每個人的等級不同，可能停留在不同的地方。先從最簡單的講起：

1. 不確定該策略的效果，不敢使用

這類的人應該是佔大多數，畢竟當時finlab是個小部落格，而且網路名師多如牛毛。假如沒有自己的驗證方法，早就已經眼花繚亂，看完那篇文章，當下覺得有理，隔天就忘記。

這種應該可以篩掉80％的人了，剩下的20％呢？

2. 策略當時沒有篩選出股票，漸漸忘記

剩下的人20%，可能想試試看這個策略如何，可惜的是，當時策略根本沒有持股，所以暫時將策略封存在倉庫，看看之後什麼時候啟動，再開始追蹤，然而過了好幾個月，就又忘記了！

然而獲利是不等人的，這時候懊悔已經來不及。

這20％的人在此時已經只剩5％！

3. 追蹤了但是不敢使用

接下來，就是這5％的人全軍覆沒的時候了XD
該策略竟然買在股市大跌的隔天，2018年10月11號當晚…
剛好是跌破近一年支撐線的隔天！
我也不敢使用XD

以上三種應該是大家最容易錯過策略，究竟要怎麼預防呢？

如何不要錯過獲利？

我覺得要在多重策略上，建構一個更大的框架，在適當的時候更換策略，但不是隨意更換策略，而是當某個條件發生的時候，才會更換，我回測過有效的方式是：

每隔一季或半年，挑選10日績效最強的三個策略，並將所有持股換成這三個策略的持股

用講的當然很容易，不過實行起來一定是有難度的。以上只是我分享自己的看法，不知道你覺得如何？歡迎下方留言分享你的「多策略搭配的方法」喔！

該買哪些書

書一本的價格，比上課程還要划算很多，
增廣見聞沒什麼不好，付一點小錢，但獲得整本知識，採到雷不心疼（相較於課程）！

但是呀～我得說網路上就已經有很多很棒的免費資源了，看書之前，
去翻一翻網站，研究一下，說不定也有很不錯的收穫
例如「TEJ」這個策略庫，裡面就將近百種策略任均挑選，根本來不及買書呀！

買書也好，上網看也很不錯，但重點在於自己要有辨別策略的能力！

該相信哪些老師

對於量化策略這個學門來說，我們不相信老師，只相信策略！
經過長久驗證的策略，用歷史回測，這種最客觀的方式，
來檢驗一堂課程、一個老師是否值得你相信，

為何我們不相信老師？因為就算您真的很幸運，遇到很有實力的老師，
他能夠辨別產業狀況，個股之間的優勢，但有辦法完全複製這個老師的能力嗎？
我個人是持保留得態度，
假如不能複製他的能力，那就只能聽他的意見買賣股票，就變成單純老師說什麼買什麼，
得一輩子付費上課才行，沒辦法獨立。

所以該怎麼辦才好？

不要相信老師，相信你的代碼和策略吧！

量化策略的好處是，你可以完全的複製和累積經驗！
做研究也非常爽，每一次回測就可以抵過別人實戰多年的經驗
這個月研究「技術指標」成為技術指標高手
下個月研究「三大法人」成為籌碼高手
再花半年研究一下「基本面」成為偽價值型投資人XD

每一次回測都獲得很多經驗，知道哪些指標該怎麼用，能夠長期獲利！
最重要的好處是不用實彈演練，將 $ 投入茫茫大海，就已經學習到買股票的經驗了～

我最近開了堂課程，也變成大家口中的「老師」了…XD
但在此堂課程中，你可以完全不用相信我，相信歷史績效和程式碼就可以了！
課程中，我們教您所有的代碼、也教你怎麼從無到有建構一個策略，
程式碼是無情的，絕對公正，就像是照妖鏡一樣！
好的策略一一現形，壞的策略一網打盡～

歷史回測績效，比對帳單好

量化投資中，我們會模擬策略在過去幾年的歷史績效，
歷史績效是更有效的對帳單！為什麼這麼說？
首先，你怎麼知道所謂的「老師」總共有幾個投資帳戶？
說不定對帳單都拿會賺的，賠的都沒秀出來，尤其是多空都包含的策略，超容易做對帳單
首先，只要一個帳戶看多，一個帳戶看空，最後看哪個賺得多，就秀哪個就可以了…

有歷史績效，每一筆交易都是清清楚楚，沒有含糊的餘地，
每一個策略買賣時機也非常明確，不會有事後諸葛的嫌疑～
我們的課程中，甚至回測程式碼都給你了，
當中大部分的code上課都有教，直接毫無作假寫給你看！
假如有問題早就被抓出來，歷史績效是經的起考驗的！

所以我也請大家不用相信我，相信你自己跟code吧～

投資課程究竟該便宜該貴

投資課程也算是一種商品，例如手機好了，有人喜歡買「iphone」，但買「小米」手機的人也不少，課程定價本來就可以很浮動，重點是要「超值」！

例如我開的「python投資：小資族選股策略」，就是走「小米」發燒友路線
強調「動手做實驗」的精神，並且買一次終身受用。
當然「發燒友」的意思就是，必須要有「研究精神」的人來學習會比較好，
課程中比較沒有華麗的GUI介面，有的是很紮實的選股程式碼，
還附上了一個策略並且實際驗證給大家看，策略的有效程度！

我個人覺得滿超值的！尤其是對有研究精神的人～

一般非量化課程問題在於，你只能相信老師說得話，但無法驗證他說的是否正確，
也見過很多策略，理論可行，論述有理，但回測起來績效不好，

更可怕的是
之前看過一個直播，講師的策略簡單，歷史績效超好，曲線超美！
但詭異的地方是我無論怎麼做，就是完全無法還原他的績效…
可能我資質愚鈍吧XD

以上的例子就是在說：你以為「超值」的課程，最後有可能沒那麼「超值」
在這種情況下，比起一開始買5萬塊的課程，我覺得先從3000左右價位的課程開始嘗試，也不失是個好主意呀！以成本來說

• 五萬塊的課程：相當於50萬要獲利10％才能回本
• 三千塊的課程：相當於30萬只要獲利1％就能回本

以上的例子就可以發現，考量到自己的投資總額，也是非常重要的喔！
最近3千這個價位的課程也越來越多了，這是個好現象！讓大家以比較低的成本，學到有用的知識！

為何這堂課程這麼便宜

這堂課程目前真的是破盤價，其中包含一個永久可以使用的回測框架
還有其代碼，這些程式碼一般在外販售絕對是更貴的價格！
為什麼我們可以賣這麼便宜？

我們開這堂課的初衷就是：「希望將量化投資帶入平常百姓家」
在課堂中，幾乎毫無保留，把所有的程式碼都教了，盡力做到完整！
因為我們希望「大家上完這堂課，能夠獨立做財經研究，往財富自由的路上邁進」
投資不應被高價課程或軟體壟斷，我們想讓大家用最少的成本，換取最大的福利，

而且我們不擔心全部教完，大家學會就跑走了～
反而就是希望你再也不用依靠任何人、任何軟體，也不用再來上我的課，
可以自行研究投資這門學問，對自己的獲利負責～
我們希望越來越多人利用量化投資獲得穩定合理的報酬！
對於改善台灣的投資環境盡一份心力。

FinLab的課程之所以可以橫空出世，闖出一片天，
其實反映出台灣股票軟體高昂、財經資訊較封閉的缺點，
投資界的「iphone」已經夠多了，我們就來當超高CP值的「小米」吧！