## 🔷 量化投資實務 Ch1_Recap
Instructor: 台科大財金所 曾凱逸 老師
筆記整理: 劉永琦 (Dada)

📅 2024-04-07

## Overview, p5
1. 授課方式 = 觀念 🧠 + 策略 💡（方法、技術） + 解方 💊
2. 課程內容 = 技術面 + 基本面 + 套利交易 + 回測
3. 目標 = 增進 **處理、運用 及 分析【金融市場數據】** 的能力

## Reference books, p9
1. 程式交易—方法、技術與應用（第一版）
> 姜林杰祐著 新陸書局
2. 投資技術分析（第八版）
> 吳宗正著 華泰書局

## Issues, p10
### 上半
1. 觀念 🧠 + 策略 💡（方法、技術） + 解方 💊
2. 量化投資模型來源
3. **投資決策的非理性**，是量化投資的存在基礎

### 下半
1. K線圖、趨勢線、MA
2. RSI、KD、MACD
3. 量化投資 **回測（回溯測試）** 系統開發

### 期末報告, p15
第一部份模型及回測
* 四個模型
* 三個期指樣本期
* 三支個股

第二部份-選股
* 三個組合

## 職缺, p18
1. 資產管理機構
**研究部門** 及 **基金管理部門** 之外
你還發現什麼？
➡️ **量化及指數投資部**
2. 保德信投信

## 數據時代, p19-28
* 你面對大量資料
* Bloomberg 一台交易主機，年費用 75 ~ 85 萬 NTD
* 無所不包 ➡️ 股、債、期權、另類投資、總經
* 資料庫的再進化-BQuant平台
你有否處理大量資料的能力?
* Bloomberg 只是工具，你可以做什麼事?
➡️ [Bloomberg 2021 年台灣金融黑客松大賽](https://www.bloomberg.com/tc/taiwan-hackathon-finale/)

## 案例參考: 保德信投信 類股、產業分析工具
➡️ 熱門股（交易機會）：找尋熱門強勢產業
➡️ 冷門股（投資機會）：挖掘被低估族群
➡️ PGIM EQ_BBG v6.0
### Part 1: 族群分類
* GICS ➡️ 3 層分類
* Country of Domicile ➡️ 4 種常用分類
> UI design: 下拉式選單（widgets.Dropdown）

### Part 2: 分析象限
* 基本面：營收動能、獲利動能 ➡️ 短線強勢族群
* 評價面：本益比、本淨比 ➡️ 長線冷門族群（股價被低估的冷門股）
* 情緒面：分析師買進比率、近 5 天新聞氣氛指數
➡️ 產製各類股近一周新聞氣氛指數
➡️ 找出新聞氣氛【正、負面】產業，觀察（提前偵測）是否【利多、利空出盡】
➡️ Economic Policy Uncertainty Index (經濟政策不確定性指數)
➡️ 關鍵字頻率
* 股價面：月/季總報酬

### 操作實例, p34 ~ 43
PASS

## 【因子投資】案例參考: 保德信投信 全球中小型基金
1. 選股範圍: 透過【市值 & 流動性】，篩出 3000 檔【全球中小型】個股
2. 股票池: 【投資團隊】依各面向評分，篩出 300 檔個股
3. 優化投組: 全球股票【基本面-風險 模型】，篩出 150 檔個股
4. 投組（PGIM 保德信全球中小基金投資組合）

## 因子選股模型 – 流程（保德信投信）
1. 因子資料庫
2. 因子回測篩選
3. 因子權重決定
4. 量化股票加減碼

## 量化模型：用於【債券】 | p46 ~ 54
➡️ 保德信投信
1. EM 信用主權利差 (EM Sovereign Credit Spread Calculator)
EM: 新興市場 (Emerging Markets)

2. EM 信用主權利差計算-因子及利差
➡️ Step-1: 檢核出影響利差的因子
➡️ Step-2: 估算出利差
🔗 Remark: [美國-信用風險利差vs.新興市場-股債 | 新興市場-股債市 | 圖組 | 財經M平方](https://www.macromicro.me/collections/4534/em-mkt/37543/us-credit-risk-spread-vs-emerging-market-index)

3. 資料收集 Data Collection
➡️ Country Selection: Top 15 weight among BEHSTRUU Index (EM USD Sov. Bond Index)
🔗 ref: [Bloomberg: Emerging Markets USD Credit Select Index](https://assets.bwbx.io/documents/users/iqjWHBFdfxIU/r9fe63oiCVB0/v0)

➡️ Data availability filter
🔗 To prevent GIGO

4. 資料（取樣時間）頻率的處理
➡️ Get forecast GDP or inflation data with different forecast date
➡️ Map quarter syntax

5. 資料建模 Model Training
➡️ Panel Regression & Machine Learning
➡️ Period of Train. Set: 2014 ~ 2021

⭐ 5-1. Chosen Model 1: **Panel Regression**
🔗 [補充: PanelOLS 介紹](https://bashtage.github.io/linearmodels/panel/panel/linearmodels.panel.model.PanelOLS.html)
「PanelOLS」是指 **普通最小平方法** ，它是一種用於估計 Panel 資料中變數之間關係的統計技術。

Panel 資料：是指結合了以下兩種特徵的資料
　　(1) **橫斷面資料 (cross-sectional data)**
　　　➡️ 在單一時點：對多個變數（不同個人、群體或（事物）實體）的觀察
　　(2) **時間序列資料 (time series data)**
　　　➡️ 在多個時段內：對單一變數的觀察

PanelOLS 專為 **Panel 資料分析** 而設計
常用於計量經濟學和社會科學
它擴展了普通最小二乘（OLS）迴歸模型
以考慮 Panel 資料的獨特特徵
例如：
　individual-specific effects (**fixed effects**)
　time-specific effects (**time effects**)

🔗 補充: PanelOLS 應用（Python 程式實作 ref）
　　(1) [如何利用python进行PanelOLS分析](https://blog.csdn.net/weixin_35755823/article/details/128869243)
　　(2) [【Python计量】linearmodels面板数据回归（二）](https://zhuanlan.zhihu.com/p/544306524)

⭐ 5-2. Chosen Model 2: **Random Forest Regressor**

6. 計量: Result of Model 1 (Pannel Regression)

7. 調參 Dashboard: What if ... ?

8. Conclusion (Insights, 研究結果)
➡️ 背後有經濟義涵
➡️ 有實證的顯著性
➡️ 需要：流程自動化
➡️ 需要：敏感性測試

## 量化模型：用於【風險】 | p55 ~ 64
➡️ 三商美邦人壽
1. Introduction
* 現有方法的問題/困難（量化投資 – 目標）
建構 Top-down 投資組合管理模式
　Step-1. 整體市場風險偵測（Global financial condition 整體分析）
　Step-2. 標的篩選（選股）
　Step-3. 資金分配（押注）
　Step-4. 調整（部位伸縮）
* 目前的開發架構
　Feature-1. 多元資產風險偵測指標（自訂指標）
　Feature-2. 風險偵測及解讀多空方向（解盤）
　Feature-3. 運用動能指標篩選標的（選股）
　Feature-4. 建構投資組合
* 後續改良計劃
　Plan-1. 風險偵測指標
　➡️ 可加入 **時間序列預測** 元素，提升風險偵測效益（自訂指標）
　Plan-2. 篩選標的（選股）
　➡️ 可加入 **趨勢指標** 及 **波動度指標**，提升篩選效益
　Plan-3. 資金配置（押注）
　➡️ 可加入 Kelly Model，提升投資組合報酬率及風險規避表現
2. 風險指標及資產配置(動能因子)
3. 風險指標
4. 效用
5. 動能
6. 動能比較
7. 水位控管
8. 回測結果
9. 圖像化

## 量化模型：用於【籌碼面】 | p67
➡️ Bloomberg | BQuant - Gamma Team 作品：主力布局水晶球（籌碼資料的資料視覺化應用）

## 程式能力也可以用於銷售端 | p68
➡️ Bloomberg
➡️ ETF 資料回測 & 視覺化應用 & 績效比較圖/表/工具
➡️ AI 選股:
(1) 整理好基本面、技術面、其它影響因子（e.g.總經）資料
(2) 提供四種套餐（回測後比較 ideal 的演算法）任君挑選

## 不只 Bloomberg，台灣經濟新報(TEJ)的轉變
1. 多了選股及回測平台

2. TQuant Lab 資料集架構

3. TQuant 回測流程

4. TQuant API

https://github.com/tejtw/TQuant-Lab/tree/main/
試用申請:https://www.tejwin.com/tquant-lab-trial-application-form/
新手上路:https://www.tejwin.com/insight/tquant-lab-
%E6%96%B0%E6%89%8B%E4%B8%8A%E8%B7%AF/

## 產品面
量化能力不止用在投資上
量化能力還能用於發行具吸引力的 ETF 產品

1. ETF 潮流：台灣整體基金數及總資產
2. 補充：台灣投信公司整體基金規模
➡️ [境內基金統計資料 - MoneyDJ](https://www.moneydj.com/funddj/yb/yp905000.djhtm)

3. 補充：台灣基金績效比較
➡️ [ETF 行情 - 旺德富](https://wantrich.chinatimes.com/tw-market/etf)
➡️ [2024台股基金推薦 - 強基金 fundhot](https://fundhot.com/fund/md/%E5%8F%B0%E8%82%A1/FH100AA5?list=performance)
➡️ [績效排行榜 - Yahoo奇摩股市](https://tw.stock.yahoo.com/fund/domestic/ranking)
➡️ [績效排行榜 - MoneyDJ](https://www.moneydj.com/funddj/ya/yp401000.djhtm)

## 高股息 ETF 績效回顧
➡️ 2020.06 ~ 2024.02（3 年 9 個月）

## 00713 (元大高息低波ETF基金) 因子: Smart Beta
### 成分股篩選標準
1. 初步篩選：【股利率】
2. 進階篩選：【基本面】及【技術面】因子
➡️ 營運穩定度、權益報酬率、價格動能、股利發放品質
3. 提高報酬（Alpha） – 公司體質評估：【基本面五大指標】取平均（作為【綜合分數】）
➡️ **獲利能力**、**權益報酬率**、**股利率**、**營運現金流量**、**波動度**
4. 降低風險（Beta） – **排序** 並 **加權**
依據上述步驟 3 排序後，選取前 50 檔上市公司股票
以【最小變異數法】進行因子加權，降低指數波動

### 名詞解釋 | 00713 選股邏輯
🔗 [00713 公開說明書](https://www.yuantafunds.com/fund/download/1164%E5%8F%B0%E7%81%A3%E9%AB%98%E6%81%AF%E4%BD%8E%E6%B3%A2ETF-%E5%85%AC%E9%96%8B%E8%AA%AA%E6%98%8E%E6%9B%B8.pdf)
1. 股利率（**現金殖利率, dividend yield**）
計算【最近一年 **現金股利**】與資料截止日【收盤價】之比值；
篩選方式為【遞減排序，取排名**前百分之六十**】
且【股利率**低於 30%**】之個股。

=> 股利率異常地高:
　　可能源自前年或去年處分資產後的業外收入，
　　而非常態性的穩定 cash flow，故予以排除

2. 營運穩定度
計算【最近八季 **稅後純益**（稅後淨利）波動性】與【最近一季 **權益**（股東權益；業主權益）】之比值；
篩選方式為【遞增排序，取排名前百分之八十】之個股。

=> 最近八季 的 稅後淨利: 反映 **過去長期（過去兩年）的獲利能力**
=> 「最近八季 的 稅後淨利」的 波動性: 反映 **過去長期** 公司 **穩定獲利** 的程度
=> 最近一季 的 股東權益: 反映 **過去短期（近三個月）的淨資產或淨值**
=> PS: 股東權益 = 股本 + 資本公積 🐓 + 保留盈餘（未分配盈餘）

=> 如果此數值異常地大
　　⚪ **Case-1: 代表「公司近期的財務風險較高」**
　　可能源自於「過去短期」公司出現 **淨資產大幅虧損或短少** 之現象
　　隱含諸如「內部人掏空公司」等風險之下市潛力股、地雷股

　　⚪ **Case-2: 代表「公司長期的獲利不夠穩定」**
　　可能源自於分子項（最近八季 **稅後純益**（稅後淨利）波動性）太高
　　例如：景氣循環股，一個空頭可能就是長達數年

3. 權益報酬率（ROE, Return On Equity）
計算最近一季 **稅後純益**（稅後淨利）與**權益**（股東權益；業主權益） 之比值；
篩選方式為【遞減排序，取排名前百分之八十】之個股。

=> 巴菲特的愛用指標
=> 避開 ROE 太小的地雷股

4. 價格動能：計算最近一年股價變動；
篩選方式為遞減排序，
取【排名前百分之九十】或【報酬率高於-30%之個股】。
=> 排名前百分之九十: 避開只會下跌的地雷股
=> 報酬率高於-30%之個股: 我想他們可能打錯字了
　　應該是「低於-30%」

5. 股利發放品質：計算最近三年【現金股利】與【盈餘】之比值；
篩選方式為三者之平均值介於0%與120%之間之個股。

6. 獲利能力：計算最近一季【每股盈餘】與資料截止日股價之比值
=> EPS (每股盈餘) = 稅後淨利 / 股本（在外流通股數）
=> EPS 反映公司的「獲利能力」
=> 股本越大、發行更多股票，EPS 會變小（不好）

7. 營運現金流量：計算【最近一季營運現金流量】與【資料截止日市值】之比值

8. 波動度：計算近 252 日每日【**還原日報酬**】之【**年化樣本標準差**】
還原日報酬之資料筆數需至少有 126 筆方計算

## 投資的五大構面, p79
1. 企業
2. 產業
3. 總經
4. 基金管理
5. 量化 + 技術面的知識

## 觀念：市場無情，交易不分量級, p81
交易競賽不像棒球，不分少棒、青少棒
每一個人一上場，面對的是大聯盟的對手

## 事件回顧：1989-06-22 國泰人壽 1975 天價, p86

## 量價參數
### 技術面 – 入門：價格 MA（移動平均線）
1. 週線 = 5 日線
2. 雙週線 = 10 日線
3. 月線 = 20 日線
4. 季線 = 60 日線 = 13 週線（i.e. ⭐生命線⭐）
5. 半年線 = 26 週線（i.e. 120 日線）
6. 年線 = 52 週線（i.e. 240 日線）

### 技術面 – 入門：成交量
➡️ 可搭配均線做參數設定

### 籌碼面 – 入門：法人籌碼
➡️ 外資買賣超
➡️ 投信買賣超（僅計基金）

## 量化交易：外資的程式自動化交易（血洗台股）
1. 台灣市場國際化後
來自於世界各角落的【專業投資人】
可在任何時候，以任何規模進入台灣資本市場成為交易對手
2. 國外發展已久的程式交易技術成了武器
用在台灣證期市場，尤其在期貨市場
3. 投資策略的分析
係透過程式交易的回測工具
系統性、全面性地測試交易策略，甚至是交易策略的最佳化分析
接入以【微秒（百萬分之一秒）】為單位的【逐筆交易】

## 量化交易及微結構
在 80 及 90 年代
學術界興起了金融市場微結構（microstructure）的探討
逐漸演變為現代金融的分支
主要研究【市場的微觀結構】下，金融市場的【訂價過程】及【結果】
進而了解金融資產的【價格形成】過程

* 價格發現機制
* 信息傳播機制
* 交易者的交易策略

## 事件回顧：2019-07-03, 程式交易台指期閃崩事件

🔗 [新聞鏈結: 台指期閃崩 程式交易商損失10億](https://www.businesstoday.com.tw/article/category/80402/post/201907040001/)

> 業者指出，隨程式交易盛行，散戶獲利的困難度拉高，
> 建議以 **快進快出** 或是 **波段操作** 二種極端交易模式
> 對抗「股市AI交易」，避開台股閃崩危機。
>
> 期貨業者指出，造成這次期貨閃崩的原因
> 主要在程式交易惹的禍，禍首就在 **台積電** 身上。
>
> 業者強調，因為台積電 **盤前試撮價格過低**
> 觸及**高頻交易停損賣壓**
> 在連鎖效應下，引發 **多殺多** 的賣壓
>
> 此外，期貨經理業的程式交易組合單
> 在穩定措施制度上場後，
> 選擇權買單或避險單在十分鐘內退單近八萬筆，
> 造成套利交易紛紛失效，
> 盤中交易大亂，不少買賣單紛紛認賠出場
>
> 上次發生閃崩狀況是在 2017 年 8 月 3 日，
> 當天因為券商程式交易被觸發停損，
> 導致產生連鎖反應
> 1. 期貨市場開盤 30 秒內即殺到跌停板
> 2. 指數從 10328 點最低跌至 9408 點
> 3. 該券商也得認賠 2082 萬元
>
> 國泰期貨總經理羅壯豪指出，
> 因為程式交易盛行，搭配明年台股的逐筆交易
> 未來各券商及期貨商將進入「電子交易」的軍備賽
> 搶人搶錢搶速度是未來主流
> 預估未來台股指數波動幅度也會加快。
>
> 群益期貨分析師容逸燊指出
> 由於近年 **法人高頻交易** 與 **散戶程式交易** 的普及
> 許多觸發狀況都是 **程式邏輯自行啟動** 的
> 例如3日早盤未有國際重大利空，但明顯出現不合理下殺
> 人為當然不可能這樣動作，絕大多數都是程式觸發的連鎖反應
>
> 容逸燊表示，胖手指事件在國外也曾出現過
> 1. 2013 年，中國光大證券亦曾因烏龍指事件
> 出現價值 234 億人民幣的錯誤買盤
> 並為公司帶來 2 億人民幣的損失
> 2. 2015 年，德意志銀行曾發生重大錯單事件
> 重大損失幾近 60 億美金

## 程式交易策略及回測工具
1. TradeStation
2. MultiCharts

## 交易的模式 | p158
1. 主觀交易（經驗；盤感）
2. 客觀交易（系統化交易；科學交易；量化交易；程式交易）
3. 小額交易（散戶；個體戶）
4. 鉅額交易（法人）
5. 程式交易

## 程式交易的定義 | p158
1. 歷史回測
2. 自動執行（下單）

## 程式交易的種類 | p159
1. 策略／演算法交易
2. 高頻交易

## 滑價的原因 | p162
1. 流動性
2. 交易成本
3. 交易方式
> 2. 交易成本
> 手續費 | 不同規則和機制，需要了解

> 3. 交易方式
> 交易方式的分野，例如: 市價單 vs 限價單
> 鉅額資金的現價單 (1) 有示訊風險 (2) 很慢
> 市價單的風險: 付出更高的成本；優勢: 很快

## 交易者兩難 | p165
**造巿者** 存在的巿場，會嚴密監控盤面的細節
交易的同時，就產生了「示訊風險」(Signaling Risk)
當買方 **顯示買進意圖**，東西就變貴了

## 日資料的示訊風險 | p167
交易員 → 券商 → 外圍 → 追踪籌碼者

## 交易系統
1. 分析面（交易分析階段）
2. 執行面（交易執行階段）

## 量化交易系統 ＞ 分析面
1. 簡單
➡️ 技術指標 + 參數
➡️ 技術指標: 可能源自於 大師、專家、專業人士
➡️ 參數: 可人為調整
2. 普通
➡️ 善用【量化工具】建構【自訂交易策略】
➡️ HTS、TradeStation、MultiCharts、TradeBlazer、XQ、TradingView
3. 複雜
➡️ 利用【程式語言】開發【交易系統】
➡️ Excel、VBA、VB、C++、Java、R、Python

## 量化交易系統 ＞ 執行面
1. **過濾** 功能
可在同一或多帳戶，使用不同交易策略，同時監控多個投資標的
2. 取得 **報價** 功能
用以取得最新價格，以觸發策略
3. **下單** 功能
不管是半自動與全自動的下單
4. **回報** 功能
確認是否委託成功或成交，以方便支援複式部位的建立
5. **即時績效** 計算功能
以幫助交易者知道尚可運用於交易的資金部位
6. **前測交易 (Paper Trade)** 功能
對於經過回測的策略，進一步提供模擬下單功能
以確認策略的有效性，決定是否真實下單

## 自動下單
1. 2010 年開放證券自動下單
2. 2015 年開放期貨自動下單

## 程式交易的特色 1
* 可取得
➡️ 交易資料
➡️ 交易資料 的 影響因子
➡️ 資料量 => 需累積到足以歸納趨勢、分析出見解的數量

* 可量化
➡️ 包含：量、價、時、籌碼面、基本面、財務面
➡️ 不包含：消息面、心理面、難以或無法被量化的【主觀】資訊
e.g. 新聞、市場上的解讀、多空情緒、風向、看法（View）

* 要乾淨
➡️ 反例-1: **公開資料** 具有 **時間遲滯性**
e.g. 年報可以拖延到 4 月底才公布
➡️ 反例-2: 合法修飾（會計窗飾）的空間
e.g. 利用 **折舊攤提** 改變 **獲利數字**

## 程式交易的特色 2
* 即時性 ➡️ 交易員在尿尿或分心的時刻，機器會占上風
* 多面性 ➡️ 能捕捉【多個因子】，並進行推論和預測
* 有邏輯 ➡️ 主觀交易會被【情緒】影響，畢竟人有七情六欲
* 有 feedback ➡️ 可【動態調整】策略
* 可做參數最佳化 ➡️ 但切忌 overfit
* 確實獲利 ➡️ 主觀和機器交易系統的共同目標

## 程式交易 > 編年史
1. 1970 年代，萌芽期
1970年代，以電腦程式，尋找、驗證交易策略，並自動執行交易
2. 2006 年，成長期
歐美市場 1/3 以上股票交易使用程式或演算法進行自動交易
3. 2010 年，成熟期
Boston 的 Aite 公司估計 2010 年歐美演算法交易增至 50 %
4. 現狀
- （2024 年）過去 20 多個月中，美國超過 90 % 避險基金採取演算法交易
- 紐約交易所電子交易已經占到日交易量 60 ~ 70 %，其中演算法交易比例近半
- 預計亞太市場進行的證券交易大部分將採取某種形式的演算法交易

## 程式交易 > 市場規模

* 全球 程式交易 所管理的資金規模，以每年均 60% 的速度成長
* 2020 年：已超過 1.1 兆美元
* 2024 年：將逼近 2.7 兆美元
* 2028 年：預計將超過 3 兆美元
> 演算法交易 (Algorithmic Trading)
> 高頻交易 (High-Frequency Trading)

## 建構不斷成長的程式交易模型
1. 多條件（準備多個劇本 = 多個 Conditional Branches）
e.g. 趨勢盤 ➡️ 順勢系統、趨勢指標、方法集（強勢股策略、動能策略）
e.g. 盤整盤 ➡️ 區間系統、擺盪指標、方法集（箱型理論、箱子戰法、買黑賣紅、高拋低吸）

2. 整合式
e.g. 期現貨對沖（Hedge）避險
e.g. 選擇權的下跨式策略
e.g. 買進賣權策略

3. 跨市場
e.g. 套利策略
e.g. 配對交易策略：long 強 short 弱，又稱 "價差策略"、"統計套利"
e.g. 台積電的 ADR 及台積電

4. 時變性
「程式是死的（僵固的），市場是活的（瞬息萬變的）」
交易者或交易團隊，必須 **檢討** 交易成敗
找出 **虧損** 或 **策略失效 (malfunction)** 的原因
切忌
(1) 一成不變地相信策略永遠可行
(2) 固執地認為回測績效未來仍適用
(3) 看後照鏡（書籍、論文、研究、歷史）開車 => 只能參考，不能 100% 相信
(4) 天真地以為不會有黑天鵝、突發事件