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！

今天就是要來介紹一個簡單的策略，
此策略的 sharpe ratio 高達 1.2 非常高，但其實原理並不難，也不需要太多的技巧
用一句話就講完了：

將資產分兩半：SPY 跟 20年公債

• 一半投資「標準普爾500指數ETF」
• 一半投資「iShares 20年期以上美國公債ETF〈TLT〉」

這種策略的大致上的原理就是「找兩個相關係數為負，且會隨時間增值的商品」
這樣的策略效果究竟如何呢？一半一半？這樣的比例真的好嗎？
我們可以用上一篇文章 ffn python package，來做回測看看效果如何

大家可以點這裡到程式碼，並且線上打扣！

安裝 ffn：

!pip install ffn

獲取資料

import ffn
prices = ffn.get("spy,tlt", )
prices.plot()

仔細看這兩個指數確實有呈現一點負相關，特別是 SPY 下跌的時候，TLT會些微的上漲

將資產分一半，投資回測

這邊我們只拿「SPY」跟「TLT」，其實有很多的策略組合也會有「石油」、「新興市場」、「黃金」等等
大家到時候也可以去自行變化，找出比較好的投資組合

prices.rebase().mean(axis=1).plot()

雖然比直接投資sp500還要差，但是整體來說看起來更穩定的感覺
究竟我們有沒有辦法橫兩，這樣的組合是否是最好的呢？

不然我們就暴力計算一下，將幾種組合都寫出來：

那我們把這幾種配置都回測一次試試看：

import numpy as np
import pandas as pd

strategies = {}

for i in np.arange(0, 1.1, 0.1):
    title = "spy: %.1f | tlt: %.1f" % (i, 1-i)
    strategies[title] = (prices.rebase() * [i, 1-i]).mean(axis=1).rebase()

strategies = pd.DataFrame(strategies)

strategies.plot()

可以發現TLT比重比較重，則報酬率比較低，
SPY比重比較重，則報酬率比較高
除了報酬率以外，我們還有哪些指標可以來量化這些策略的績效呢？

我們可以用 ffn 提供的 calc_stats 來計算：

stats = strategies.calc_stats()
stats = pd.DataFrame(
    {
        name:pd.Series({key:getattr(pf, key) for key in dir(pf) if isinstance(getattr(pf, key), float)}, name=name) 
        for name,pf in stats.items()
    }).transpose()

stats.head()

這樣我們就有一張策略的績效總表了，這張 dataframe 非常大一張，要怎麼看有哪些分析數據呢？
我們可以利用 stats.columns 查看可以比較的策略績效指標：

stats.columns

我們可以利用 .plot 將不同的績效比較給畫出來，例如：

stats['daily_sharpe'].plot(rot=10, color='blue')
stats['monthly_vol'].plot(rot=10, color='red', secondary_y=True)

上圖中有兩線，

• 藍色的是 sharpe ratio，代表 「報酬」/ 「風險」 的比例
• 紅色的是「每月報酬」的波動程度，

可以發現，風險報酬比（藍色）最佳位置，剛好就是在 「一半一半」的資產配置上
對應到「每月報酬」最穩定的，也剛好就是在「一半一半」的資產配置上

這說明了投資好像不用搞太多花俏的東西，直要簡單粗暴就是最好的！
上面的 sharpe ratio 是用簡單的「每天」的 sharpe ratio，

不過假如你是投資長線的話，其實不用太計較每天的 sharpe，應該要看的是每個月，甚至是每年的：

stats['yearly_sharpe'].plot()
stats['monthly_sharpe'].plot()
stats['daily_sharpe'].plot()

假如我們不要「每天」跟報酬率計較，而改成是「每個月」或「每年」的時候，
由上圖中可以知道，SPY 比例從 0.5~0.7 都是不錯的配置方式
不過這 1.3 以上的 sharpe ratio 其實算是滿驚人的（不過沒算上金融海嘯，所以…稍微不準）
我平常可能大費周章，搞了半天也弄不出這麼好的資產配置XD

接下來看平均年報酬率：

stats['yearly_mean']

還可以！你想想看完全不看盤得到5%以上的獲利，已經非常爽了！
老實說這樣的組合還有很多可以玩的地方，例如加入定期權益平衡，
也就是每個月去重新調整持股比例，漲多的賣，跌多的買，重新將權重調整回原點。
我們下次會來介紹進化版策略的回測，讓這個簡單的策略再進化
可以定期追蹤 FinLab 一起來研究投資這件事情吧！

這個 blog 會永久推出免費的教學，讓大家可以免費的學習 python 又賺錢，學習程式語言是很多人憧憬的目標，但是常常會有學了不知道拿來做什麼？要是寫程式不只能在工作上增加效率，還能幫你挑股票賺錢，那還有什麼理由不學習呢？

我喜歡寫程式，也希望可以做出很好的工具，幫助到大家，帶著這個初衷，我創立了finlab 並且持續到了現在（不過中間因為博士班論文所以暫停了一段時間）。與其販賣選股軟體，我們分享代碼，讓大家自己零成本 DIY，假如想要支持我們，可以考慮我們的影音課程，獲得完整的 python 選股知識跟大量實用代碼。

好了廢話不多說，開始今天的 python 程式碼吧！

製作時間序列

首先我們必須先做出時間序列，時間序列其實就是一條條股價隨時間的變化圖，有點像是K線圖，我們習慣將這些資料整理成以下的樣貌：

要如何獲得此資料結構呢？

1. 假如您沒有購買課程的話，可以參考這篇文章來免費獲得時間序列資料，調整當中的參數，獲得至少200天的收盤價喔！
2. 假如您已經有課程中的代碼，就變得很簡單，只需要：

from finlab.data import Data
data = Data()

close = data.get('收盤價', 200)

就可以獲得兩百天內的所有上市股價資料。

在這個階段完成後，我們會有一個 close 的 variable，裡面的資料結構就如上圖一樣，是一個 dataframe 而其中就是一條條時間序列，每一檔股票的收盤價。

撰寫加速度指標

加速度指標的原理，可以參考

• 加速度指標解說
• 加速度指標回測

簡單來說，加速度指標，其實就是看均線的曲率是正負，來決定是否買賣，但是由於股價的雜訊太大了，與其用微分的，我們提供一個比較簡單的方式，來判斷曲率的正負：

(n天前 + 當天)/2 > n/2天前 的k天均線

我們把以上這個判斷式寫成代碼：

close60 = close.rolling(60, min_periods=10).mean()

def rising_curve(n):
    return (close60.iloc[-n] + close60.iloc[-1]) / 2 > close60.iloc[-int((n+1)/2)]

以上的代碼中，第一行，我們創建了close60這個variable，裡面的資料就是每檔股票60天的均線的數值。

接下來，在第三行中，我們定義了一個function叫做rising_curve，來判斷條件是否符合，
第四行，就是最重要的判斷式：

其中我們只用到了iloc(k)這個method，這個method是將close60中第k條row給拿出來的意思。而k可以是正的，代表從dataframe的第0條row開始數，也可以是負的，代表從 dataframe的最後一條row倒著數。

試用看看

接下來我們就可以呼叫這個rising_curve，來看哪些股票符合這個條件：

rising_curve(10)

以上這行就是判斷10日內的取率是多少，會得出以下的結果：

代表哪些檔股票符合條件，而哪些不符合條件。

組裝策略

接下來就到了多個策略組合的時候了，前一篇文章有說過，必須要用多次的rising_curve來判斷不同週期下，是否都是符合條件！

rising = (
    rising_curve(5) &
    rising_curve(10) & 
    rising_curve(20) &
    rising_curve(60) &
    rising_curve(30) &
    rising_curve(40) &
    rising_curve(50) &
    (close.iloc[-1] > close60.iloc[-1])
)

print(rising[rising])

以上，第2～9行，我們將所有的條件做交集（&），代表必須要全部的條件都符合，才能被選入清單，我們以非常嚴苛的方式，來判斷股價的曲率。
最後一行，我們使用rising[rising]，這個意思是，從rising這條序列中，選取rising為 True的股票，忽略False的股票。

最後得出了一串清單，代表符合所有條件的股票代號：

選股個股概覽

我們將選出來的股票畫出來，來瞭解這些股票的特性，下圖中，黃色的為股價，而藍色的為均線，我們可以發現這些股票的特性，就是均線會呈現圓弧型：

可以看到大部分都是抓出止跌回漲的股票居多，加速度指標可以抓出兩種股票：

1. 止跌
2. 起漲
   至於要更細部的設定，就留給各位看官來實做了。

假如將以上代碼的不等式反過來用，也可以抓出股票的賣點，進而抓出止漲的股票，我發現加速度指標拿來抓賣點，搭配一些技術指標效果非常好，可以試試看！

今天的重點整理

1. 加速度指標實做
2. 利用「iloc」選取特定的row
3. 利用「&」來做條件交集，篩選股票

加速度指標回顧

加速度指標，其實就是看均線的曲率是正的還是負的，但是由於股價的雜訊太大了，與其用微分的，我們提供一個比較間單的方式，來判斷曲率的正負：

(n天前 + 當天)/2 > n/2天前 的k天均線

我們就說它正在加速，是很不錯的持有標的，至於背後的原理可以參考之前的文章！但是加速度指標還是有其弱點，必須要搭配其他指標，才能發揮作用

加速度指標的癥結1：初始速度

加速度最大的癥結就在於，你不知道其速度！例如現在有兩個人賽跑，其中一個人加速度是正的，另一個人是負的，究竟誰會先抵達終點？

答案是不知道

因為你不知道起始速度是多少，假如有一個人根本逆著終點跑，就算他加速多快都沒有用！
就像有一支股票，只要止跌，其曲率就會看起來是正的，但是止跌的股票還會有一段震蕩，甚至有續跌的可能，所以買剛止跌的時候就買是沒有意義的，我們應該是要買剛起漲的股票才對～

下圖就是曲率正負和股價之間的分類，曲率為正時，股價有兩種可能：止跌、起漲。曲率為負時，股價也有兩種可能：止漲、起跌。

當我們使用曲率為正的條件時，就會發現我們選到「止跌」或「起漲」股，然而我們真正是想選取「起漲」股，假如我們選了起漲股，那賣出時，曲率為負，自然就是止漲，而不會選到起跌股。

解決方法

所以我們加上一個股價的向上指標即可，這邊你可以使用KD值的K>D（參數：240、120、120），來找出股價向上的股票，這樣加速度指標才有意義喔！

當然有很多種趨勢型指標都可以拿來用用看～我相信一定會有更好的選項，這邊只是舉例。

加速度指標的癥結2：採樣點太少

基本上加速度指標就是三個點比大小，採樣的點非常少，就像電影只看開頭和結尾，想要把中間劇情都猜出來，是不太容易的。

下圖左方的例子中，我們只用了三個點來衡量曲率是正的還是負的（或是你可以想像是凹的還是凸的），可以發現就算曲率是正的，也有可能並不是我們想要的股價曲線。其中，紅色的股價是我們比較希望的，而不是綠色的。

解決方法：多增加條件

所以我們可以測試多個點，右圖我們用「兩組」三個點來觀察曲率（藍色跟黃色）可以發現，右上方得圖，不論用藍色的三個點或是黃色的三個點，曲率都是正的，而右下角的圖中，雖然用藍色的點看，曲率是正的，但是用黃色的點看的話，曲率是負的，於是就可以將這類型的股價給排除。

加速度指標要決定一個變數：n，是一個時間長度。我們可以列出多個n值不同加速度指標，這些加速度指標都符合時，我們再進行買入的動作。

我們讓n設定為50、20、15、10，一次增加四個加速度指標，來監控60天均線的曲率
賣出條件是n=30這個指標不符合條件時，於隔天剃除

加速度指標的癥結3：沒有考慮公司營運狀況

加速度指標為技術指標，並沒有考慮財報面，只要稍微判斷一下財報的狀況，就可以選出很不錯的股票～

解決辦法

由於財報並不是這個策略的主角，我只用 ROE > 3 這樣的條件就很足夠了

總結

我們敘述了加速度指標的不足，並且有根據的介紹怎麼樣新增條件，來完善我們的策略，以下就是這個策略的績效：

藍色的為不添加手續費，而紅色的則是添加了手續費～效果滿不錯的！

這些參數我都沒有做任何優化，當然這些參數的選擇上還是得靠經驗，然而假如對於這些數字指標比較熟悉，大概就可以抓出有效的區間，進而選出好的標的。經過簡單的優化，甚至是增刪條件，都可以讓績效再提升。

下圖可以看到，最大下跌幅度在金融海嘯的時候莫名的高，必須要注意一下～～

對了，補充一下，我們的新平台悄悄上線，目前正在測試中，此策略的選股清單可以免費觀看：加速度策略

這邊只是給大家一個雛形，可以將加速度指標用在股價，甚至是其他的財務數據上（月營收？），感覺都會滿有趣的！

假如你想用Python來實做，可以參考下一篇：實做加速度指標！

今天先來看一下KD值好了，畢竟都還沒有看到太多指標相關的文章，其實KD值是非常簡單的，但在這邊我不想要介紹公式，因為太無聊了，而且每次看每次忘，我只想介紹如何看KD，以及參數如何設定：

KD 的意義

KD就是像坊間說的，兩條線，K跟D，一條反應較快，一條慢，都介於0～100之間。其意義在於股票在n天之內的相對位置，相對位置就是指n天內的最高最低，將當前的股價做normalize。

給一個簡單的例子，例如今天全班考試，有人拿30分，請問他考的好不好？

答案是：不知道，因為沒有辦法比較，說不定考卷很難，30分就是全班最高分了！要是考卷出太難，大家的成績介於10～30之間，那老師就可以做 normalize 讓成績分佈好看一點：

新成績 = ( 成績 – 10 ) / (30 – 10)

這樣子，考最好的人就是100分，而考最爛的人就是0分，這個就是KD指標的意義，而每個學生的成績，就是每日的收盤價。

最後我們將 新成績 對時間平滑一次，變成K值，再對K值平滑一次，變成D值。

KD 的參數

介紹完之後，K D 指標的參數就很好理解了：

1. 9天：只考慮9天內的最高最低
2. 3天：K的平滑
3. 3天：D的平滑

平滑數字越大，數字變動越慢，雜訊越少
平滑數字越小，數字變動越快，雜訊越多

我們用台積電為例子：

以上就是用正統的參數：9、3、3的KD指標（橘色、綠色），紫色是股價，可以看到KD值低檔交叉，算是好買點，最近就等著台積點低於20 XDD，（隨便說的，不是投資建議），我們試著換一個參數（9、6、6）看看：

可以看到曲線比較平滑一點，且K跟D差距比較明顯，相較於第一張圖，8月初比較不會有雜訊，但是反應變慢很多。

KD 坊間策略

大家都說
K超越D時，代表黃金交叉，可以買進
K落於D時，代表死亡交叉，可以賣出

真的是這樣嗎？讓我們來看看：

黃金交叉買，死亡交叉賣：

參數（9,3,3）勝率：0.386
參數（45,15,15）勝率：0.407
參數（180,60,60）勝率：0.364

以下是這三個參數的獲利曲線：

結果好像不太好，看來真的不太能直接用，尤其短週期的KD，進出太平凡，導致手續費飆高，根本就是一直賠錢（紅色），用長週期的KD才稍微好轉。而藍線（不考慮手續費），則是中間的（類似週KD）表現比較好，但總之效果都不太好XD。

KD 鈍化

另外一個網路上的偏方：KD鈍化，但大家沒有定義什麼時候賣，也沒有數據顯示幾天賣比較好，於是我們就來做個實驗：

買入條件：k, d （參數為 9，9，3）都大於80，至少 n 天則買入
賣出條件：m 天賣出

當然還有很多種買法我沒測過，有興趣的話可以在下面留言，我幫你測！

色溫越暖，代表10年獲利越高，這張圖的 x軸 為 m 天， y軸 為 KD大於80 至少 n 天，可以發現，幾乎十幾個交易日賣出是最保險的，而5~6天連續高檔，代表鈍化，會有比較好的效果，第十天突然異軍突起，超紅，可能有些股票末路狂飆吧。。。

然而上述是不考慮手續費的情況，所以當我們將最好的一組參數(10,12)拿來跑回測，會是這個樣子：

藍線代表沒有考慮手續費，一飛沖天
紅現代表考慮手續費，完全沒賺到什麼錢

看來手續費真的差很大，短線選股真的是比較困難，但滿有潛力的就是了。

以下是我調整後覺得最好的參數：

KD（5、3、3）連續10天大於75時買進 30 天

扣除手續費後終於贏過大盤！不知道KD拿來加入其它策略效果如何？
另外，也可以跟我說想要看到哪一類的文章，或有什麼技術上的問題，都歡迎留言喔！

最佳化外資買賣策略

假設 n 天內外資總買賣超超過 a 張，則買入，而低於 -a 張，就賣出，我們可以得到一下這張表：

在上圖中，跑了25種不同的回測，每一次回測，n跟a的值都不一樣，紅色代表獲利較多的策略，而藍色代表獲利較少的策略，我們發現 a = 0 的時候結果普遍比較好，另外 n=10~30 天都是合理的選擇，太高或太低不夠具有代表性。

當然這樣的條件其實還是太弱了，完全沒辦法當作一個策略，一定得配合其它的條件，目前開發的策略中，我也有加入這個條件，有些策略無效，但有些績效明顯上升很多，可以把它想成一個助攻手。假如你本身也有寫偏短線的回測，可以將 外資10天買賣超 > 0 這個條件加入看看，有時候效果會變好。然而，假如你沒有寫回測的話，其實外資買賣對你的影響有限，幾乎不需要管它。

外資大買大賣，跟著操作？

外資已經很進步了，這個時代並不是看外資大買，隔天股票就會漲了，甚至，看到外資大買，隔天最好還是別輕舉妄動比較好，以下我做了兩個實驗，一個是外資大買，一個是外資大賣，不考慮手續費：

1. 外資總買賣 – 昨天外資總買賣 > 5000 （外資大買） 持該股兩天後賣出
2. 外資總買賣 – 昨天外資總買賣 < -5000 （外資大賣） 持該股兩天後賣出

你以為一號策略比較好嗎？

錯…

我回測時也小震驚了一下，原來外資大買，隔天買入可能會不太好！還不如趁外資大賣的時候買。怎麼會這樣！？實在是太顛覆常理了…

上圖可以看出，策略2比策略1的報酬好很多。其結論是外資大買，請不要跟著買，因為說不定是外資太多人看了，導致股票隔天衝很高，導致買在高點。相反，大家看到外資大賣，也會恐慌性賣出，造成隔天開盤價格異常低，而剛好被我們買到了！賺到了短線價差。只能說，股票就是人性呀！大家還是太依賴外資籌碼了。總之假如你沒有好策略的話，請不要直接看外資來決定買什麼。

有人會說價值投資，是學會看一家公司的價值，而不像技術分析，是在玩股票。我覺得各有各的好，都是在一堆數字裡面找規律，只要不要被股票玩，哪一種策略我都願意接受XDD。

今天想當一下標題黨，我幫這個策略取了一個超級中二的名字：”超短線上影黑密技”，無論看幾眼都覺得很彆扭，但是還是讓我一一的解釋每個字的用意：

超短線

這個絕對是 “日” 週期裡面，最短的策略了，因為這個策略持股一天隔天直接賣出，適合不想要跟某支股票產生愛恨情仇，喜歡斬釘截鐵，無情操作的人。

上影

這絕對不是火影忍者裡的上忍、火影，其實是個上影線策略，也就是當看到上影線，那代表這支股票可以空，當然也沒這麼簡單，要有一層層過濾。

黑

黑就是指下跌的意思，這是一個空股票的策略，我不常寫空股票的策略，因為本身沒有在融資融券，但就是因為很少有人空股票，這個策略才沒有因為被挖掘而失效，放空有時候比看多的策略好寫。

密技

好啦，其實這也不算什麼密技，上影線大家也不是不知道：

大家都說看到上影線，代表要下跌了，但是這是很不負責任的介紹，因為沒人跟你講會跌多少？上影線多長算長？什麼時候買賣？完全沒有數據，頂多是附圖說，你看這支股票，上影線出現後一路跌。

策略人多口雜，沒有回測看看就好

同樣上影線，可以找到100張K線圖，驗證之後真的會跌，反過來，也可以找到100張K線圖，驗證之後其實會漲。

看過很多自稱是技術分析高手，分享一些方法，KD、MACD、OBV什麼都用上了，回測起來績效不太好，也不知道他是靠投資掙錢，還是靠嘴掙錢。也看過一些人，突然PO文說自己打開多年投資經驗的任督二脈，把blog加密起來，付費觀看，火紅一時。然而過了半年，那個人不見了，消失在茫茫股海中，應該是他的策略就好這麼幾個月，之後就爛掉了XDD。

回測的重要性

所以我覺得回測很重要，才能知道是否安穩的獲利，而且還不用每天盯盤。可能有人會反問： W 底要怎麼回測？有些型態學根本不可能寫程式怎麼辦？要是我的話，就會選擇不用，反正還有其它的策略可以用，我比較膽小，只用有驗證過的策略XD。

策略

突然啪啦啪啦寫了一堆，不好意思讓各位眼睛痛了，以下就是本篇策略：

• 上影線佔 60% （（高 – max(收, 開)）／（高 – 低）> 0.6）
• 突然放量 （成交量 > 十日均量 * 4）
• 流動率高 （十日均量 > 1000）
• 股票不在高檔 （收盤 – 120日最低價）/ (（120日最高價 – 120日最低價）< 0.7

第四條拿出來說明一下，高檔的股票，有時候會被主力炒作，太飆了，還是不要拿來放空比較好XD。

以下的權益曲線是空1天，即回補，我另外有測試n天的，基本上獲利更高，但曲線比較不好看。

但這個策略沒有加上手續費，槓桿是調整成0，但假如考慮融券手續費，效果可能就沒那麼好就是了，當沖手續費低會更好？滿有可能的。

下圖是 賣出/買入 價格的漲跌分佈圖：

我們可以看到，這些股票下跌（小於1）的數目真的比較多（橘色），然而加上手續費（約千分之8），後，就沒有這麼明顯了（淺藍色），手續費多少是關鍵！像我這種散戶，手續費太高自然是無法使用這個策略QQ。

可以看到每年都只買了超少次，而且快進快出，大部分時候是空手狀態，很輕鬆。

可以看到最大虧損也不是很嚴重，尤其時近期，幾乎很少虧損到20%的投資資產。

當然，大部分的策略看看就好，這個策略也是（由於手續費的關係），重點應該是學到一些東西，以下列舉此篇的重點：

• 用簡單的公式看股價高檔低檔（條件4）
• 股票不再高檔、近期上影線放量，假如想放空，可以空n天，(n<10)回測獲利都是很可觀，持有時間長，股價漲跌波動大，可以淡化手續費的影響，但持有時間越長，權益曲線越不美。
• 股票不在高檔、近期上影線放量，假如想買多，隔幾天再買入較可能買到更好的價格！（假如你用的是長線策略）

假如大家有興趣，我想找時間來跑一些統計結果，看看上影線對於股價的影響。假如覺得本blog還可以的話，可以定期來觀看～我每個禮拜都會更新幾篇喔！

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！