然而今年股市也回檔了超過20%，如果在景氣熱絡時進場，像是去年底，那你今年肯定很難過，現在你看到藍燈，是不是認為為總經環境差，要趕緊脫出股票？
市場老手「麥克風」則有不一樣的看法，認為「藍燈」反而是末跌段買點，只是要分批進場會比較安全。我的看法也是如此，通常進入藍燈時，股市早就反映一大段了，當未來爛無可爛，反而容易出現轉機，市場經常領先經濟數據。

景氣燈號如何撰寫加減碼？

重點來了，許多人都知道要在藍燈分批買進，但分批加減碼究竟要如何撰寫？
通常寫策略都是一布林訊號通到底，100%持有。這就是FinLab量化平台的優勢，可以自動調控加減碼，可以自動調控加減碼，不限於固定部位，可靈活運用總經數據，把策略都自動化起來，比起外面的總經課程，更貼近實戰。

回測函數 當position 的數值除了可為布林訊號，也可以填入數值當持有部位調控，例如 0.2 為持有20%。

示範的景氣燈號加減碼策略邏輯為分5批進場。
只要近12個月內每一月景氣指標分數小於等於18時，分批買進20%部位。若景氣指標分數大於等於40時則全數賣出。舉例：若近12月內有3個月滿足條件，則持有60%，若近12月內有5個月以上滿足條件，則持有100%。
這個策略設計的背後思維在如果近12月內景氣燈號低於18分的月份越少，代表脫離藍燈谷底越遠，若近12月內景氣燈號低於18分的月份越多，則代表貼近景氣谷底，利用訊號數量去加乘持股部位。
另一個小重點在為何指標是用18與40分，而不是官方藍紅燈上下限的16分與38分？原因在策略若想要比人早一步，就要微調數值，且進入紅燈的熱絡階段，往往有所謂邪惡第五波，延遲出場有機會獲得更高報酬，而若用官方的16分當衰退指標，會發現低於16分的情況不多，所以往上微調，以增加訊號數。

from finlab import data
import pandas as pd
import numpy as np

df = data.get('tw_business_indicators:景氣對策信號(分)')
df = df[list(df['tw_business_indicators'] > 0)]

# 只要近12個月內每一月景氣指標分數小於等於18時，分批買進20%部位。舉例：若近12月內有3個月滿足條件，則持有60%，若近12月內有5個月滿足條件，則持有100%。若景氣指標分數大於等於40時則全數賣出
batches = 5
ind = df['tw_business_indicators']
sig = pd.Series([True if i <= 18 else False if i >= 40 else np.nan for i in ind], index=ind.index)
position = (((sig / batches).rolling(12,min_periods=1).sum()) * sig).ffill().clip(0,1)
position.astype(float).plot()

景氣燈號加減碼訊號曲線變化

可以發現加減碼曲線控制在 0%到100%，隨著時間不同而有不同持股部位變化。

回測程式

colab 範例檔
回測程式很簡單，我們以 0050 元大台灣50 當操作台灣總經策略的標地，將上述的景氣燈號加減碼訊號傳入 0050 的 DataFrame，就會以該加減碼訊號靈活操作 0050 ，在景氣低迷時逐步入手，在景氣熱絡時拖出。
小細節是帶入回測時把交易稅率調成 ETF 適用的 1/1000。

from finlab.backtest import sim

# 將持有部位帶進0050
close = data.get('price:收盤價')
buy = pd.DataFrame({'0050':position})
buy = buy.reindex(close.index, method='ffill')
report = sim(buy, upload=False, tax_ratio=1/1000)
report.display()

回測結果發現該策略可以取得比長期持有0050還好的績效，熊市時期的2007與2022回檔幅度較小，波動曲線更為漂亮。

FED 打通膨不擇手段地升息，開始影響到實體經濟，除了一連串財爆，10-11月許多著名科技業如 Twitter、Meta都開始為了蹲節而裁員滾滾，從 裁員統整網站 資料可以見到一串觸目驚心的數字，10月的美國失業率是3.7%，還不是特別高，這個月失業率會不會噴出要等12月初才知道。究竟美國失業率要如何應用到策略上？FinLab量化平台能否支援 S&P 500指數 的回測？本篇文章帶給你相關洞見與程式撰寫方法。

資料取得

透過FinLab資料庫即可一行取得失業率資料
data.get('us_unemployment_rate_seasonally_adjusted:value)'
如果你對抓取美國就業相關總經數據有興趣，可以參考此篇爬蟲教學。

圖表觀測

美國數據比台灣數據好的地方在資料很早就有統計，可以做長時間回測，圖中可以發現失業率指標大致在3~10%擺盪，歷史失業率接近10%時，往往是股市低點，有人說目前的通盤環境類似1983年，但目前的失業率還在低檔，離10%高檔還很遠，是不是還沒末跌段？
失業率循環的週期普遍在5年以上，是蠻長線的指標，2000年以後，失業率與股市表現有明顯負相關，2000年以前股市和失業率關聯不大，S&P 500幾乎一路往上衝。。

為了方便長短期失業率趨勢，我們可將失業率化成均線，看MA6與MA2的差額，讓我們更能方便觀測短期失業率是否變嚴重，負值越高代表短期失業率越嚴重，可以發現指標由正轉負時，會領先預告股價崩跌，但由於訊號週期長，由負轉正也往往會錯過V轉反彈，2022由於就業市場太好，死叉訊號落後股市崩跌很多。

總經指標回測

程式範例

若我們想要用失業率回測 S&P 500 指數，第一個面臨到的問題是 FinLab 量化平台可否回測台股以外的交易資料？
答案是可以的，只要繼承MarketInfo類別，客製化回測市場的資料，修改一下市場類別回傳的方法，最後將新類別傳入sim的market參數即可。範例將台股的資料換成世界指數的資料。
訊號條件只有一個失業率 MA2 小於 MA6 時持有 S&P 500 指數

from finlab import data
from finlab.market_info import MarketInfo
from finlab.backtest import sim
import pandas as pd

class WorldIndexMarketInfo(MarketInfo):

    @staticmethod
    def get_benchmark():
        world_index = data.get('world_index:close')
        sp500 = world_index['^GSPC'].ffill()
        return sp500

    @staticmethod
    def get_asset_id_to_name():
        return {}

    @staticmethod
    def get_price(trade_at_price, adj=True):
        if isinstance(trade_at_price, pd.Series):
            return trade_at_price.to_frame()

        if isinstance(trade_at_price, pd.DataFrame):
            return trade_at_price

        if isinstance(trade_at_price, str):
            if trade_at_price == 'volume':
                return data.get('world_index:vol')

            if adj:
                table_name = 'world_index:adj_'
                price_name = trade_at_price
            else:
                table_name = 'world_index:'
                price_name = trade_at_price

            price = data.get(f'{table_name}{price_name}')
            return price

        raise Exception(f'**ERROR: trade_at_price is not allowed (accepted types: pd.DataFrame, pd.Series, str).')


from finlab import data

unemployment_rate = data.get('us_unemployment_rate_seasonally_adjusted:value')
close = data.get('world_index:close')
cond1 = (close.ffill() > 0)[['^GSPC']]
cond2 = (unemployment_rate.average(2) < unemployment_rate.average(6))['美國失業率(季調)'].reindex(cond1.index,method='ffill')

position = cond1 & cond2

report = sim(position,resample='D', market=WorldIndexMarketInfo, name='us_unemplyment_rate', tax_ratio=0, fee_ratio=0, upload=False)
report.benchmark = close['^GSPC'].ffill()
report.display()

回測結果

全歷史

使用失業率指標來擇時，沒有比一直持有好，但橘線的回檔曲線明顯優於一直持有，閃崩要閃V轉，報酬率與穩定度你選哪一個？

2000年至今

2000年以後的回測，失業率指標就明顯有效果，報酬率和回檔曲線都比一直持有好。

結論

colab 範例檔
world_index 資歷集內還有其他指數資料，趕快來探索更廣的應用！如果你對總經指標回測有興趣，可以參考參考之前類似的文章「用Python回測總經指標(1)｜M1B & M2 年增率」，如果有想要的總經指標，卻在 FinLab資料庫找不到，也歡迎到 Discord 與我們討論與許願喔。
失業率指標何時噴上來？會是末跌段一個重要指標，讓我們繼續看下去。

API 註冊

美國勞動部統計局有開放 Python API 給開發者使用，建議去用信箱註冊一個 API 帳號，不然未註冊月戶每天只有25次取資料的權限，實在是很少，申請過後每日就能有 500 次Request。
註冊只要填信箱，送出後就會寄出 API key 的生效確認信，點擊確認後即可生效。

API 規範

建議使用 API Version 2.0，權限開比較多。更多常見問題可見 Q&A。
How is API Version 2.0 different from Version 1.0?API Version 2.0 requires registration, and it offers greater query limits. It also allows users to request net and percent changes and series description information. See below for more details.

如何使用 API ?

詳見開發者文件範例，以下舉爬取「失業率」當例子：
首先要傳入payload內的參數設定，seriesid 為 指標代號，常用指標代號可在官網相關頁面查詢或透過 API 取得常用代號列表。
startyear 為資料開始年度。
endyear 為資料結束年度。
registrationkey 為 api_key，有註冊的話要記得填喔

就這麼簡單將 json 檔下載下來，就可以取得時間序列資料。

失業率發布日

原始資料有一個問題是無法直接取得資料公告時間，只能知道數值是哪一個月份，以失業率來說，美國官方會預告發佈時間，原則上失業率是每個月第一個星期五，但偶爾會因為假日或其他因素遞延。

為避免使用到未來資料，我們使用每月10日當安全數值。以下為Python爬蟲完整程式，主要加上處理發布日期的部分，發便未來回測使用。

import requests
import json
import pandas as pd

def crawl_data(start_year, end_year, api_key='xxxx'):

    headers = {'Content-type': 'application/json'}
    # seriesid：傳入目標資料
    data = json.dumps({"seriesid": ['LNS14000000'],"startyear":start_year, "endyear":end_year, "registrationkey":api_key})
    p = requests.post('https://api.bls.gov/publicAPI/v2/timeseries/data/', data=data, headers=headers)
    json_data = json.loads(p.text)

    # 將資料轉成dataframe
    df = pd.DataFrame(json_data['Results']['series'][0]['data'])

    # 將資料日期轉成公告日，當月失業率在下一個月才公告
    latest_year = int(df['year'].iloc[0])
    latest_month = int(df['period'].iloc[0].replace('M',''))
    start_year = int(df['year'].iloc[-1])
    start_month = int(df['period'].iloc[-1].replace('M',''))

    def process_date(year,month):
        if month == 12:
            month = 1
            year += 1
        else:
            month += 1
        return year,month

    latest_year, latest_month = process_date(latest_year, latest_month)
    start_year, start_month = process_date(start_year, start_month)
    issue_date = pd.date_range(f'{start_year}-{start_month}-1', f'{latest_year}-{latest_month}-1',
                               freq='MS') + pd.tseries.offsets.DateOffset(days=9)
    df_new = pd.DataFrame({'value': df['value'].values[::-1]}, index=issue_date)
    df_new['value'] = df_new['value'].astype(float)
    df_new.index.name = 'date'
    return df_new

df = crawl_data('2015', '2023')
df

小結

colab範例檔
美國勞動部統計局有許多非常重要的資料，除了就業相關數據如失業率、非農、就業津貼，還有物價指數CPI、PPI，都能幫助我們後續做分析，趕緊學會該 API 的使用法則，打造總經分析武器庫。
想知道美國失業率如何應用在美國指數的擇時回測嗎？可以繼續看「用Python回測總經指標(2)｜美國失業率 vs S&P 500指數」踏入更豐富的數據世界。

指標意義

M1B＝M1A（通貨淨額 ＋ 支票存款 ＋ 活期存款）＋活期儲蓄存款，為人民手邊可隨時動用的資金。

M2＝M1B＋準備貨幣（如定期存款、郵政儲金及外匯存款），流動性較 M1B 低，代表整體市場的資金。
當 M1B 年增率 – M2 年增率 ＞ 0，表示流動資金成長較定存快，台股資金越活絡。 當 M1B 年增率 – M2 年增率 < 0，表示流動資金成長較定存慢，台股資金越趨緩。 在過去幾次循環中，M1B 減 M2（年增率）常領先台股三至六個月前出現上漲，在 M1B 減 M2 出現向下走勢時，台股亦出現下跌（資料來源：財經M平方）。

總經平台「財經M平方」有豐富的總經資訊，如果對總經指標不熟悉，可以在該平台習得知識，了解概念後，就可以使用「 FinLab 回測模組」來驗證。「 M1B 年增率 – M2 年增率 ＞ 0」這個指標有用嗎？

圖表觀察

寫回測之前，可以先將數據視覺化簡單觀測一下「資金指標與加權報酬指數關係圖」。
灰色區塊是每次「 M1B 年增率 – M2 年增率 剛小於 0」到「 M1B 年增率 – M2 年增率 剛大於 0」的區間。
圖中可發現 2000 以前由於銀行利率很高，在那個定存5%的年代，M2 年增率好長一陣子都大於M1B年增率。
2000 以後，利率開始降，資金開始流入股市，展開台股大多頭。
2006-2007 指標出現好幾次震盪，但看起來是提早被洗掉。
2008 該指標領先崩盤訊號，成功躲掉崩盤，但股市反轉一大段後，該指標才翻多，看起來也躲掉大漲。金融海嘯後全球開始印鈔，降息降到極限，維持好長一段「 M1B 年增率 – M2 年增率 ＞ 0」，2012-2013 的訊號失靈，2015 的訊號有領先，2017-2018 出現極短循環。
而 2022 這次崩盤，雖然美國狂升息，但 M2年增率 由於「台灣央行」升息很慢，所以增幅並不明顯，由於之前M1B增幅很快，收斂要時間，所以直到崩了好一大段後，現在才又轉負，沒能提早示警。

M1與Ｍ2交叉訊號回測

圖表訊號看起來實用性是55波。寫程式回測一下，操作標的為「0050 元大台灣50 (藍線)」。
結果和一直持有(灰線)的結果是差不多的…雖然可能會躲崩，但也會落後進場。然後慘烈的 2022 整段回檔吃下來，是不是不用那麼忙？

M1均線指標

為何「 M1B 年增率 – M2 年增率 ＞ 0」會沒傳說中的有用？
我想關鍵在於跟「M2 年增率」的波動不大有關，「M1B 年增率」波動才是關鍵，像 2022 由於 2021 資金行情讓兩者差距太大，在 M2 上升不夠下，M1B 要收斂向下穿過 M2 要花的時間太長。
實際要使用的話，我會試試單用「M1B 均線訊號來回測」，例如當月「M1B 年增率」穿越「M1B 年增率近6月平均年增率」當訊號，產生更靈敏的指標，訊號也變多。將條件修改回測結果如下，確實能解決「M2 年增率」太遲緩的問題，以此操作 0050 或是長期投資台股指數，會有擇時進出場的優勢。

Top Down 選股策略實測

Top Down 選股法簡單說是先分析最上層的總經，大環境若逆風，則不再後續選股動作。要確認大環境好，才進行選股，不是硬要靠選股能力待在市場，而是選最順風的時候。
動能策略在資金行情時，往往衝第一，然而當資金消退時，也是跌勢驚人！究竟「M1B 均線指標」能不能進一步提升「動能策略」的績效？

動能策略範例

範例選定為「突破策略豆知識 | 如何避免假突破?」文章中的「創新高延續動能策略」。
回測績效如下，很兇猛。

動能策略＊資金行情指標回測

下圖中是套上「M1B 均線指標」當大盤濾網，可以發現雖然 2022 成功躲過，但前幾年也錯過不少飆股機會，累積報酬率少了7倍，且最後與一直持有指數是一樣的，白忙一場。長期待在市場衝鋒陷陣才是王道？

結論

• 「 M1B 年增率 – M2 年增率 ＞ 0」不夠靈敏。
• 「M1B 年增率」穿越「M1B 年增率近6月平均年增率」較能解決「M2 年增率」不靈敏的問題，有助於台股指數擇時操作，但個股策略則無明顯效果。

colab 範例程式檔 提供大家自己驗證，之後會繼續研究其他總經指標。