# 期末報告主題：利用S&P500預測QQQ股價

## 1. **ETF 簡介**
ETF全名 :Invesco QQQ Trust
成立時間 : 1999/03/10
發行公司 : 由美國Invesco Power Shares(景順投信公司)發行
配息頻率 : 季配
追蹤指數 : 那斯達克100指數
那斯達克指數中的股票是在那斯達克證券上市的100家最大公司，指數每年會重建一次，其主要成分股為美國科技股
主要成分股包含微軟、蘋果、Amazon
持股數量 : 102檔
優點 : 以科技股為主 成長性強
缺點 : 持股產業集中 波動風險大

## 2. **ETF 股價資料爬取與分析**
### - 爬取Yahoo Finance上的ETF股價資料
https://colab.research.google.com/drive/13h4MA_JKWGvL2bvGnsUsvWyD5c6aUshb?usp=sharing
### - 爬取期間：至少五年
QQQ: https://drive.google.com/file/d/1isDOzdsAmfusDPZeGmQ_n1z7xF3iGLHv/view?usp=sharing
S&P500:
https://docs.google.com/spreadsheets/d/1hTAjYZwJUrLvU705l3BnqZtE0RSGF5kfviRMba5rNCU/edit?usp=sharing
### - 劃出均線圖

### - 設定投資策略

### - 分析不同的投資策略

## 3. **機器學習與AI預測股價**

### - 描述使用的機器學習模型

我們使用了遞歸神經網絡（Recurrent Neural Network, RNN）來分析和預測股市走勢。RNN是一種專門處理序列數據的神經網絡，非常適合於時間序列數據，如股票價格。在此案例中，我們選擇了S&P 500指數的歷史數據作為訓練集，目的是訓練出一個能夠捕捉股市波動趨勢的模型，並用此模型去預測NASDAQ-100指數追踪基金（QQQ）的股價走勢。

### - 模型訓練和驗證過程

#### S&P500的RNN模型訓練過程:

S&P500的RNN模型訓練過程:
https://colab.research.google.com/drive/1tPmBEDwDINUUi8EO9mB6c5YZ4eq_om3P?usp=sharing

整體流程:

1. 數據準備

* 數據收集：
獲取 S&P 500 指數的歷史價格數據。
* 數據預處理：

標準化/歸一化：將數據轉換為一個共同的範圍，以便更好地進行訓練。
創建序列數據：將數據轉換為可以供 RNN 處理的時間序列格式。

2. 建立 RNN 模型

S&P500的RNN模型：
https://drive.google.com/file/d/1-49T393PpmMO4sOZuf7BtKT3_VAdNRQc/view?usp=sharing

* 選擇模型類型：
選擇適合的 RNN 結構，如 LSTM。

* 模型架構：
輸入層：根據您的數據維度設置。
隱藏層：添加一個或多個 LSTM 層。
輸出層：預測未來價格的單元。

* 編譯模型：
選擇適當的損失函數和優化器，例如使用 MSE 損失和 Adam 優化器。

3. 訓練模型

* 切分數據：將數據分為訓練集和測試集。

* 模型訓練：使用訓練數據訓練模型，並通過設置合適的 epoch 數和 batch 大小來控制訓練過程。

* 模型驗證：在測試集上評估模型的性能。

4. 模型評估與調整

* 性能評估：使用如 MAE等指標來評估模型的預測能力。

* 參數調整：根據模型的表現調整參數，如學習率、層數、神經元數量等。

5. 預測與應用

用S&P500的RNN預測模型預測QQQ股價：
https://colab.research.google.com/drive/1nWnxnYOgCqahhUTCMo_2fRj-bxtSSwqw?usp=sharing
預測結果：
(https://hackmd.io/_uploads/rJqGbqbwT.png)

github:
https://github.com/louis-5407/QQQ/blob/main/S%26P500_RNN%E9%A0%90%E6%B8%AC%E6%A8%A1%E5%9E%8B.ipynb

* 預測未來價格：使用訓練好的模型對 QQQ ETF 的未來價格進行預測。

* 結果分析：分析和解釋模型的預測結果，並根據需要進行進一步的調整或優化。


##### **參數調整**：
通過調整學習率、層數、神經元數目等超參數，優化模型的預測能力。
優化神經網絡模型，特別是像RNN這樣的模型，通常需要進行一系列實驗，以找到最佳的超參數設置。

> model.fit:

batch_size：
*batch_size從100減至10*
這是在更新模型權重之前網絡處理的樣本數量。較小的batch size通常可以提供更穩定和精確的權重更新，但訓練速度會較慢。

epochs：
*epochs從10增加至50*
這是整個訓練數據集被遍歷的次數。增加epochs數量可以讓模型有更多的機會學習數據。

> model.compile:

metrics:
*我把準確率（accuracy）換成了平均絕對誤差（MAE）*
在回歸問題中，通常不會使用準確度（accuracy）作為評估指標，因為準確度是用於分類問題的。

##### 參數設置前後對比

參數設置前：

參數設置後：

### - 預測結果和分析

使用訓練好的RNN模型對QQQ的未來股價進行預測。預測結果顯示，模型能夠在一定程度上捕捉到股價的波動趨勢。然而，由於股市受多種因素影響，包括宏觀經濟、政策調整、市場情緒等，單一模型的預測結果存在一定的不確定性。因此，我們分析了模型預測的準確性、波動範圍和預測失誤的可能原因，並探討了如何進一步改善模型的預測能力。

## 4. **現場展示程式並簡易講解(Demo)**
### - 展示預測結果
https://youtu.be/L4H1uKEKMYc

https://github.com/louis-5407/QQQ/blob/main/S%26P500_RNN%E9%A0%90%E6%B8%AC%E6%A8%A1%E5%9E%8B.ipynb

## 5. **ETF成分股，進行分組，並檢測動能策略(JT, 1993)**
### - 基於過去6個月的表現進行分組
**QQQ指數6個月平均報酬**
* 在樣本期間內(49個月)，QQQ的未來6個月平均報酬率為5.74%。
* 運算結果：QQQ指數未來六個月平均報酬率

### - 持有贏家股票並賣出輸家股票
**套利機會**

* 結論指出，那投資者能買進報酬率21.16%的Winner組合，並借券賣出報酬率16.33%的Loser組合，便可無風險套利賺取中間的4.83%。
* 這強調了動能策略的潛在有效性，特別是在捕捉市場中相對強勢和弱勢股票方面。
### - 分析策略效能
**平均報酬率比較**

* 在樣本期間內，Winner組合的平均報酬率為21.16%，高於Loser組合的16.33%。
* 這顯示了動能策略在過去的表現中，贏家組合的未來6個月平均報酬率確實優於輸家組合。

**組合間報酬率差異**

* Winner組合的平均報酬率相對於Loser組合高出約4.83個百分點，即-16.33%與21.16%之間的差距。
* 這顯示動能策略在樣本期間內實現了一種套利機會，可以透過長持贏家組合並短持輸家組合，從中獲得超額報酬。

https://colab.research.google.com/drive/16D8yoeH-ctSjCefDwb1hu3dgFzZCs5YG?usp=sharing

爬取網站：https://en.wikipedia.org/wiki/Nasdaq-100

## 6. 額外延伸
https://chat.openai.com/share/3ed8bd3c-31c8-4ad2-a814-abbe173b2bcf