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~

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！

你可能會問，以time series來說，明明神經網路可以使用 LSTM，為何要用 CNN？LSTM應該比較適合處理時間序列呀！（畢竟LSTM是拿來處理文字字串的神經網路，字串也是一種時間序列，所以通常預測股價，大家會用LSTM）。但文章中說明，目前CNN用於圖像處理比起其他的模型，被研究的更透徹，也有大量的研發，所以說不定效果更好，所以採用了 CNN 神經網路來預測股價的漲跌

他們用15個技術指標 X 15 天，產生出一個 15×15 的影像，將這個影像丟入 CNN 神經網路中做訓練，下圖就是神經網路所「看到」的input：

想想對於人類來說，這個影像對我們來講沒什麼意義，但是對於電腦來說，就可以拿來判斷股價的漲跌喔！還滿酷的！我只是在想為何是15×15為何不將圖像變的大一點？

我們會將上面這些圖片稱之為features，也就是電腦用來判斷買賣的資訊，電腦用這些資訊，就可以預測交易訊號，也就是這個神經網路的label。作者提供了一個簡單的方式，使用rolling window，去找每段時間的最大值最小值，以下是大致上的程式碼，有興趣的話可以深入研究，不過我們在這邊就點到為止。

上述的方法，會產生（-1, 0, 1）的訊號，分別代表（賣、不做動作、買），但是由上述程式碼產生出來的訊號，必然會有imbalance的問題，也就是三種class的數量不一致，所以本篇文章使用random resampling的方式，隨機取出相同數量的 label 對應到的 testcase，來避免 0 太多的問題。

此篇 paper 中用了美股的 ETF 和 道瓊 30 檔成分股當訓練的標的。
有了 feature 跟 label，很理所當然的，我們就可以開始訓練了！
此篇 paper 的神經網路如下：

• input layer (15×15),
• two convolutional layers (15x15x32, 15x15x64),
• max pooling (7x7x64),
• two dropout (0.25, 0.50),
• fully connected layers (128),
• output layer (3)

上面的架構中，input就是單純的 15 x 15 的圖片，output 有3個，分別是買、賣、不做動作。
中間的 convolutional layers 跟 pooling
作者說由於training dataset不大的關係，所以神經網路不用太大，不然會造成overfitting的狀況。

這篇 paper 使用 walk forward 的方式來測試，好處是可以產生時間較長的回測結果，
以下就是他們的回測績效（其中兩檔ETF）：

而他們也有將效果跟其他的神經網路作比較，幾種常用的方法：

• CNN-TAr 作者使用的方法
• BaHr 所謂的 buy and Hold 長期持有
• RSIr 利用 RSI技術指標做出來的策略
• SMAr 均線策略
• LSTMr 神經網路策略pip
• MLPr 一般神經網路策略

下圖就是商品（每一個row）和不同策略（每一個column）所對應到的年報酬率：

可以發現這種神經網路的效果比其他的更好！在大部分的商品都有比較好的年報酬率喔～

更多內容都可以參考該論文的連結喔！

今天分享給大家，創新高真的沒問題嗎？
越創越高難道真的越好？（真的越好）
究竟為何會發生這種現象？

股價突破某個歷史高點，事出必有因，
以下歸納一下原因：

• 題材股：豬，站在風頭也會飛，可能是最近一波題材股的關係！
• 獲利股：財務結構重大改變，獲利暴增。
• 利多股：未來獲利預估會暴增的股票。

當然還可能有更多原因，就請大大們補充了！
總之股價突破了某個歷史高點，接下來必定就是兩條路：

• 沾了一下高點，又跌了回去
• 繼續噴高，一去不復返

究竟怎麼分別這兩種股票呢？我發現，創新高，多久的新高非常關鍵！
所以我做了以下的回測分析：

• 當股價創 n 天新高時，分配金額，隔天開盤買入
• 持有20天後賣出

不算手續費，會有以下的結果：

超級漂亮的一字排開！而最紅的曲線，就是600天創新高才買入，而最黑的那條線，則是60天創新高就買入了！
事實證明，創新高真的有用！而且創新高天數（n）設定越高，創新高就越有用。

然而這個沒有考慮手續費喔！考慮100萬起始資金，手續費(6折)，和證交稅的話，獲利會降低，
600天創新高的績效變成2.75倍，比照同期大盤1.2倍，加權報酬1.59倍。

接下來來分析一下，不考慮手續費：

勝率分析

接下來我們再來分析一下勝率：
下圖中的 x 軸是不同的策略，採取x天創新高，
y軸則是該交易的勝率（就是一支股票獲利的機率）：

大部分都落在46到47％左右，
然而這是沒有加上手續費的，假如加上手續費，勝率更低…。
只能說創新高勝率不高…，會讓你心情不太好，
而且常常集體一起爛掉（個人使用的感覺），
尤其是大盤有點漲不上去的時候，（如最近XDD）。

但是整體來講還是會獲利喔！就像是一百次小輸，但贏的那次大贏。
所以接下來我們就來研究選到飆股的機率吧！

選到飆股機率

但偶爾會有飆股！讓我們來分析一下買到飆股的機率，我們先定義飆股為漲40％以上
來看看所有的買賣當中，飆股比例是否跟 n 天創新高有關：

y軸為買到飆股的機率，大約是1％左右，平均就是100檔裡面有一檔飆股啦XDD。
但飆股與n天創新高有明顯的關連，可見，n 越大，越有可能買到飆股，這真是一個好現象呀！

平均獲利比較

所以就選擇那些越久創新高的，會比較好囉？
先別急，不能只看大飆股，應該要考慮每檔股票買賣的平均獲利比較準！
所以我們也分析了一下：

上圖的y軸，大於1代表獲利，小於1代表虧損，每支股票平均的獲利可以在1％左右，
算上摩擦成本（0.7%），就看起來沒這麼多了對吧XD。

發現，以平均來說，雖然似乎n有越大越好的趨勢，但是120日創新高也不能忽略，
我的感覺是，很多人都用120創新高這個參數在買股票，
所以很多圖都在120日有奇怪的反應（勝率跟獲利，都異常的高，詳見上圖）。

所以這篇文章對創新高的天數做了分析，也讓大家有一個策略的原型，
可以將此策略再多觀察、多分析，結合不同指標，相信可以篩選出更好的買點賣點！

不好意思讓大家久等了，最近一直在忙課程的東西，我覺得對長期支持blog的大家覺得虧欠。
我的理想目標是blog的發文頻率不要因為課程拍攝影片而被影響！
然而，事情畢竟沒有這麼簡單，
目前呈現蠟燭幾頭燒的狀態。
但我會盡力的！
也謝謝各位的長期支持！
我們會秉持初衷，維持文章的品質！讓FinLab的理念可以被更多人看到～

上一篇有點不好意思，好像有兩個package沒有import，下次發現的話，可以在下方留言告訴我，我會盡快更正。

今天這篇的前置作業，請參考連結把當中的function給copy過來，然後就開始吧！

資料處理

首先，我們要先使用這個function，可以直接在jupyter視窗內輸入，來取得爬取今天的主角：”營益分析彙總表”

利用上次的爬蟲取得資料

df = financial_statement(107, 2, '營益分析彙總表')
df

第一行，我們將 “營益分析彙總表” 儲存在 df 這個變數之中，
第二行，我們希望將 df 給顯示出來，看一下它長什麼樣子
第二行的功能是只有在jupyter 這個IDE才看的到喔～假如是寫在python script的話，就要用 print(df) 。
假如一切OK就會是以下的樣子：

我們觀察一下這張表，有一行真的詭異：”合計：共 808 家” ，這行完全沒有任何可以用的資料，所以我們將它刪除：

刪除其中一行

df = df.drop(['合計：共 808 家'], axis=1)

接下來我們發現 index （每一列）的命名很怪，怎麼用 1,2,3… 來命名呢，應該要用公司名稱！？
我們將股票的名稱當成新的 index：

將index換成公司名稱

df = df.set_index(['公司名稱'])

最後一步，我們希望資料欄位中，所有的元素都是 float ，所以要做一次轉換：

轉換成數值

df = df.astype(float)

資料處理一行版

這樣就沒問題了！其實有個更快速的寫法，將以上三件事情寫成一行：

一行直接處理

df = df.drop(['合計：共 808 家'], axis=1).set_index(['公司名稱']).astype(float)

這樣就可以一次處理好！

簡單的取出行列：

我想單選出毛利率：

取得毛利率

df['毛利率(%)(營業毛利)/(營業收入)']

假如今天我只想看 台積電 表現如何：

取得台積電資料

df.loc['台積電']

取每一欄，跟取每一列，語法不太一樣喔！要小小注意一下。

假如我想同時看 台積電 跟 聯發科：

取得TSMC跟MTK的資料

df.loc[['台積電', '聯發科']]

數值分析

接下來我們稍微分析一下這個表中的數字：
數值分析

df.describe()

這樣簡單一行，就可以得到每一欄的數值分析，當初我知道這個 df.describe() 也覺得很神。

毛利率分佈圖

只要簡單一行，我們就可以看到全台灣的上市公司，毛利率分佈圖：

％matplotlib inline
df['毛利率(%)(營業毛利)/(營業收入)'].hist(bins=range(-100,100))

選股

選股也很簡單，只要寫成以下條件：

cond1 = df['毛利率(%)(營業毛利)/(營業收入)'].astype(float) > 20
cond2 = df['營業利益率(%)(營業利益)/(營業收入)'].astype(float) > 5

就是說 第一個欄位：毛利率，我們希望找出大於20的 股票
另外呢 第二個欄位：營業利益率，我們希望找出大於5的 股票

那我們就可以用這兩個條件來選股：

df[cond1 & cond2]

搭啦！其實外面的選股軟體也就這樣而已啦！還收費這麼貴XDD 如果你覺得觀賞這個blog有點收穫，記得存到我的最愛定期觀看喔！我每個禮拜都會有一些更新。

市值營收比的計算方式如下：

$$ 市值營收比 = 市值 / n個月營收總和 $$

一般來說，我們都是希望 市值營收比 越小越好，因為 市值營收比 越小代表市值越小，而營收越高，也代表較便宜的高營收股。市值營收比 有很多好處，它的變化速度非常快，市值是每個交易日都會變動，而月營收也是每個月都有新的數字，讓它的反應速度比其它的基本面指數再快一些。

也有人會把分母換成每季的營收總額，但我實測後發現效果沒有用月營收好。

分母中的 n 是個使用者決定的數字，例如你想計算每一季的 市值營收比，那就帶入4，這邊以4為例子。

首先我們來看 市值營收比 分佈圖：

可以發現這又是一個類似於1/x曲線的分佈圖，我們將其照高低分成四組去持有，每60天換一次股，不計算手續費：

很漂亮的一字排開！我發現120天換一次股，效果比60天或是240天都還要好（無論n＝4，6，12，24，36）。
然而這邊的回測只是建立在一次持有幾百種不同股票的狀況下，真實的情況，我們沒有那麼多錢去分散投資時，不能只看 市值營收比 來選股，不然漲跌機率還是跟擲銅板的機率沒兩樣，還必須做更多的篩選。

市值營收比 的缺點是，營收不代表稅後淨利，可能有些公司表面上賣出很多產品，但都是賠本生意，這種公司沒辦法被過濾，所以下一篇我們就來看看 市值營收比 搭配其它指標來做回測吧！

• 計算 市值營收比 時，用月營收計算獲利效果比較好！
• 市值營收比（季）還滿好用的，是我認為排名前十的基本面指標
• 市值營收比找出來的股票，小型股偏多
• 可以用 3.77（50％）當作 市值營收比 的中位數，作為選股的依據，越低越好。

今天要介紹的是裡面的 威廉．納葛維茲-價值型選股策略 然而為了讓回測更有用，我有做了一些小調整，條件做了一些更動，以下是程式交易的思路：

營運合格的小市值股票

這個價值型策略，尋找的標的是小而美的股票，價格都在五十塊以下，然而小市值的公司通常風險比較高，所以此策略利用了 自由現金流 跟 負債比率，來觀察此公司的營運狀況，營運狀況不用到非常好，只求不要太差就可以了：

• 市值 < 10000（千）
• 近四季自由現金流量> 0
• 負債比率 < 70

很多網站都會說 負債比率 是個很重要的指標，但我多次測試，發現它在很多策略中都無法增加獲利，甚至還會減少…，然而這只是我的經驗，不代表 負債比率 真的不用看，還是請各位自行斟酌。除了我這麼說外，原來Mr. Market跟我看法有志一同：你覺得「負債比率」越低越好嗎？其實，它沒有想像中這麼有效！

營收高是王道！

以上的條件看起來都挺保守的，接下來才是比較積極的指標，以下的指標都是用來觀察一家公司的營收跟淨利！假如一家正常營運的公司獲利比其它公司好，那沒理由不投資呀！所以這個策略用了 市值營收比 、 本益比 、營業利益成長率，來觀察公司是否持續獲利，並且獲利越來越高。

• 市值營收比 = 市值 / 月營收 < 3
• 本益比 < 20
• 營業利益成長率 > 0

市值營收比也是一個很好用的財務指標，可以參考我的文章。

稅後淨利要考慮！

一家獲利良好的公司，獲利持續成長，固然是好事，但不能只是獲利表面上成長，而稅後淨利卻很少，那也不行！所以這邊就用了額外的一個指標，來判斷稅後淨利的大小：

• 股東權益報酬率 = 稅後淨利 / 股東權益總額 > 市場均值

這邊的 除 股東權益總額 是用來對整個市場做一個公平的比較，例如某公司發行很多股票，且股價很高，那就更應該有很好的 稅後淨利 ，不然投資人為何要拿錢給你呢？

思路總結：

這個策略基本上就是找小巧、獲利高的股票，我覺得其中很棒的概念是

1. 用市值營收比，而不是單純的營收
2. 用股東權益報酬率，而不是單純的毛利率或稅後淨利

利用上述兩個指標，才能將每家公司更公平的做比較，進而找出小而美的股票！

回測結果

符合上述條件，持有60天，每60天換一輪股票：

由於很久沒有介紹回測結果了，這邊在重新複習一下，藍色的就是不含手續費，紅色的是有含手續費，灰色的是台股。看起來領先台股非常多，代表這個TEJ策略裡面真的有些黃金可以挖寶，然而調整參數還是滿必要的就是了，照著TEJ直接使用，效果沒那麼好。

買股數量

每次換股的時候，我們就盡量平均自己的資產，當然每張股票價格都不一樣，所以不可能會超級平均，只求盡量。另外我們可以看到，金融海嘯的時候，藍色線買了將近150支股票，而紅色線只買了80種不同的股票，為什麼會這樣呢？因為藍色曲線是最理想的狀況，也就是全部都買，全部超級平均分散，而紅色的就是只看現有資產是多少，盡量分散，買不起就放棄。

為何金融海嘯時，有那麼多股票？因為金融海嘯不管好股壞股，都跌到了很低的價位，於是市值變小，此策略就會撈出比較多股票。

跌幅

此策略在金融海嘯時讓你的資產虧損一半多，但一般狀況表現非常傑出，約有20％的回撤，但不算太大，算是滿傑出的。

總結：

• 用自由現金流來、負債比率來看公司體質
• 用營收增長率及股東報酬率來衡量公司的獲利能力
• 分享TEJ網站中的策略

外部延伸閱讀：

黃國華：市值跟營收之間的合理關係

今天介紹了TEJ網頁中的策略，發現滿有用的，想在多寫點，不知到大家最有興趣的是其中的哪一個策略呢？

RSI 超直覺介紹！

RSI到底要怎麼用在選股上呢？首先讓我們來簡單複習一下RSI：

上圖中，紅色跟綠色代表漲跟跌，長度代表漲跌幅。可以發現，當股價上漲時，雖然細部漲跌互見，但紅色線條的總長度大於綠色線條總長度，而下跌時正好相反。實際上RSI就只是這樣算而已：

n天內紅色總長 / (n天內紅色總長 + n天內綠色總長) * 100

所以當 RSI = 100 時，代表近 n 天每一天都漲，而 RSI = 0 時，代表近 n 天每天都跌。RSI厲害的地方在於它考慮了股價移動的方向，而且不管任何股票，RSI永遠介於 0 ~ 1 之間。

RSI 用在選股上的難題

然而它的壞處是：每個股票漲跌的週期不同，例如有些股票跌5％會跌深反彈，但有些可能要到 10%，每一支股票股性質不同。不能直接用，每個股票的 n 可能都不一樣，硬是將所有股票都用同一個 n 的 RSI 效果都非常差！

這就是為什麼明明同樣的 RSI ，有些人會說要追漲、又有人會說止跌！只能說股票特性不一樣，用法也不一樣，沒有什麼誰對誰錯的問題，也沒有說哪種比較好，完全看你的 n 值怎麼設定，所以這也是我說 RSI 用在期貨、外匯上比較好，因為可以針對同一個商品客製化參數 n，然而選股就沒辦法了。

所以靠 RSI 選股就是個玄學！？

要如何用同一個 n 來選股呢？老實說半年前我就在琢磨這個問題，研究一直滿失敗的，但最近終於有所突破，而且方法很簡單，接下來的內容，集結了我好幾個月的研究，各位假如還滿意可以使用我們新的 email 訂閱我們的新文章喔！我們的文章含金量都很高XD（自己覺得）！

在每個股票之間找尋統一的 n，實現 RSI 追漲策略

我們硬是讓 n=定值，怎麼做好呢？
於是我做了很多的測試，結論是：長週期的股票RSI有共通性！

以下面這個例子舉例：

上圖中我只用了一個簡單的選股策略：

• 當 RSI > 55 且 ROE > 0 時買入。
• 當 買超過60天 或 跌破季線 賣出。

（不考慮手續費，純實驗性質）

可以發現週期越長，股票越有共通性，RSI 越能在不同的股票間都有一致的作用！

而當這種長週期 RSI 有點高時（55左右），代表股價正在上漲，此時跟風會有滿不錯的收穫！

尤其是 RSI 週期 n = 60 以上，讓然感覺滿驚艷的！

小結論

網路上沒有任何地方有教你，RSI選股要用這麼長的週期，可以自己找幾支股票追蹤看看，或許你跟我會得到類似的答案喔！

還是提醒一下大家，投資風散風險，這個方法不可能就這麼厲害，只是說上漲的期望值比較大而已，真正操作一個月，感受絕對是五五波，冷暖夾雜的啦XD，可以再多用點指標去過濾看看！

大家最終最終會學到：

1. 如何爬取每日資訊
2. 如何爬取財報
3. 利用上述資料來篩選股票
4. 觀察篩選後的股票在歷史回測中是否能獲利
5. 每日計算當天獲利與明天操作

只要長期追蹤這個blog，當我某天心血來潮就會放上一些code，讓大家能夠自行學習並拼裝成自己的系統，以下是我的系統的截圖：

可以看到我的系統內每天都有數個程式交易策略在運行，選股策略每天會公布隔天的操作方式，也可以利用這個介面編寫回測，並驗證策略的效果。磁力回測是我們之前黑客松比賽用的名字，其實我們是台大黑客松第一名得獎團隊，後來又於中信金控黑客松得到第一名，才開始了量化回測之路，現在由於大家比較忙，目前只剩我還在使用這套系統而已XDD。

這套系統非常完善，我們編寫了幾套策略在上面，獲利還算OK，當然我不可能直接把這套系統公布出來，畢竟這是大家一起做的心血，然而有一些簡單卻重要的功能，我會在這個blog上面分享給大家。只要持續關注本blog，最後大家可以拼裝出自己的系統！

那就廢話不多說，來看看如何使用 python 爬取當天大盤，首先，我們得先安裝 python 的 package：

1. requests ：幫我們抓取 csv 檔
2. pandas：幫我們選股

假如懶得安裝的話，也可以用雲端colab直接執行程式，來看看程式怎麼運作的喔！
https://colab.research.google.com/drive/1MgGot14B_nynU4nf4SeJF2UbphubXO8o

然後就可以開始了，首先抓取台股的資料表：

crawler

import requests
from io import StringIO
import pandas as pd
import numpy as np

datestr = '20180131'

# 下載股價
r = requests.post('https://www.twse.com.tw/exchangeReport/MI_INDEX?response=csv&date=' + datestr + '&type=ALL')

# 整理資料，變成表格
df = pd.read_csv(StringIO(r.text.replace("=", "")), 
            header=["證券代號" in l for l in r.text.split("\n")].index(True)-1)

# 整理一些字串：
df = df.apply(lambda s: pd.to_numeric(s.astype(str).str.replace(",", "").replace("+", "1").replace("-", "-1"), errors='coerce'))

# 顯示出來
df.head()

基本上這個 code 可以直接複製貼上就可以用了！我們可以把df印出來：

可以看到我們有了所有上市的股票，當天所有的資料！

接下來就是選股時間，我們想要選擇 本益比 < 15 的所有股票：

select stocks

df[pd.to_numeric(df['本益比'], errors='coerce') < 15]

搭拉！是不是發現選股好簡單！
我們之後還會有更多的教學，讓大家不只是選取本益比，還有更多更多的財報數據喔！

但是有個問題，以上的範例只是爬取一天的股價，要是我想要爬很多的的要怎麼辦呢？
可以參考時間序列實做這篇文章
將所有的股價整理成時間序列喔！

Python中有個非常好用的package，叫做pandas，利用它我們就可以簡潔的把網頁上的表格，轉換成dataframe，也就是整理成程式看的懂的表格，我們幾乎不需要做太多的處理！這也是我喜歡用python一點。

這邊我用的是python3 喔～可能要注意一下，另外pandas的版本不一樣，可能會導致網頁轉dataframe的時候，有點小不一樣，可能要稍微檢查一下，我是用0.20.3這個版本。

財報爬蟲

import requests
import pandas as pd
import numpy as np

def financial_statement(year, season, type='綜合損益彙總表'):

    if year >= 1000:
        year -= 1911

    if type == '綜合損益彙總表':
        url = 'https://mops.twse.com.tw/mops/web/ajax_t163sb04'
    elif type == '資產負債彙總表':
        url = 'https://mops.twse.com.tw/mops/web/ajax_t163sb05'
    elif type == '營益分析彙總表':
        url = 'https://mops.twse.com.tw/mops/web/ajax_t163sb06'
    else:
        print('type does not match')

    r = requests.post(url, {
        'encodeURIComponent':1,
        'step':1,
        'firstin':1,
        'off':1,
        'TYPEK':'sii',
        'year':str(year),
        'season':str(season),
    })

    r.encoding = 'utf8'
    dfs = pd.read_html(r.text, header=None)

    return pd.concat(dfs[1:], axis=0, sort=False)\
             .set_index(['公司代號'])\
             .apply(lambda s: pd.to_numeric(s, errors='ceorce'))

這個function的用法，就跟月爬蟲是一樣的，可以直接輸入西元或國曆，然後第n季，只能輸入1～4季喔～不然會當掉，最後還要輸入哪一種財報：

• 綜合損益彙總表
• 資產負債彙總表
• 營益分析彙總表

都可以爬取喔！以下就是利用這個function所爬取的資料

大家可以看到有些columns怪怪的，例如 “合計：共 808 家” 這個是什麼鬼XDD，由於我一次爬了三個表，這一點小問題應該還好啦！XDD，可以再寫一行code刪除該列就好了。

基本上資料都是對齊的，不用太擔心。

爬完之後就交給大家自由發揮囉～～可以做很多事情。
總算各種股價、財報、月報的爬蟲都分享完了～

接下來就是真的利用這些資料來選股囉！