最近股票圈最熱門的話題，不外乎就是「台積電」，以前我們都說，市值太大的股票，上漲的幅度有限。但是台積電果然是國家棟梁，身為台股最大市值的股票，竟然可以漲停板！然而現在這麼高了，還安全嗎？怎麼才能安全的享受台積電的上漲的獲利，又可以在下跌時加碼呢？我們可以針對台積電，用 Python 研發擇時買賣，文末附上完整程式範例！
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：
- 使用 Colab 並安裝 yfinance 、 backtesting、talib 的函式庫
- 下載台積電股價歷史紀錄，研發買賣訊號
- 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：
