【每日更新】多空儀表板
發表文章
置頂文章
跟著外資進出，賺的到錢嗎？ [附程式碼]
金融爬蟲系列文(一 ~ 三)已經詳細介紹，如何抓取證交所報酬指數及三大法人數據。
有了這些數據，我們試著利用三大法人數據建立交易策略。
三大法人當中，本篇要研究對台股影響力最大的「外資」。
首先，由於外資每天在台股的成交量變化很大，直接觀察「外資買賣超」容易失真。
於是，量化操盤手建構「外資多空比」指標，用來衡量「外資買賣超」佔外資成交量的比例。
外資多空比 ＝ 外資買賣超 ÷ 外資買進金額 (若外資買超)
＝ 外資買賣超 ÷ 外資賣出金額 (若外資賣超)
接著，繪製「報酬指數」及「外資多空比」：
乍看之下，訊號似乎有點雜亂，稍微仔細看一下，應該可以發現「報酬指數」與「外資多空比」時常呈現同向走勢，也就是說當外資買超，大盤傾向上漲；反之，當外資賣超，大盤傾向下跌。
以上現象，其實再自然不過了，股價本來就是由市場供需決定，而外資持股約佔台股40%，這麼大量的買賣，當然足以牽動股市。
所以，光是知道同向變動，尚不足以獲利，讓我們繼續看下去。
如果我們把任意一段「外資多空比」放大，會發現外資常常連續買超或賣超，也就是「外資買賣超」存在叢聚現象(Clustering)，買賣方向具有慣性。
結合「與大盤同向變動」及「叢聚現象」，一個可能的交易策略就浮現了。
我們可以嘗試跟單(持有與外資同向部位)，由於外資買賣超具有慣性，很可能會帶動一波上漲或下跌，我們就能夠藉此獲利。
上圖是2015年以來，跟單策略的損益績效，雖然是正報酬，但波動很大，表現不甚理想。
切記，研發交易策略，千萬不要輕易放棄，往往再多深入研究一下，就會有嶄新的收穫。
量化操盤手常常會做一個動作，將多單及空單損益分開來看。
將多空損益分別畫出來，可以看到「多單損益」比「空單損益」要好上很多，從2016年到目前為止，報酬率為35%，而且績效曲線還算穩定。
總結下來，「只跟外資多單」是一個值得進一步探索的研究方向。
最後，在看程式碼之前，簡單說明兩點：
1. 第一張圖的X座標軸採用「序號」而非「日期」(df.index)，是為了避免繪圖時，出現假日(非交易日)沒有數據的問題。
2. 回測採用「報酬指數」，實際操作時，最接近回測的做法是在證交所公布「三大法人買賣金額統計表」後，依「外資買賣超」方向建立期貨多單或空單(夜盤)，因期貨數據處理較為複雜，這裡僅用「報酬指數」做為回測數…
有了這些數據，我們試著利用三大法人數據建立交易策略。
三大法人當中，本篇要研究對台股影響力最大的「外資」。
首先，由於外資每天在台股的成交量變化很大，直接觀察「外資買賣超」容易失真。
於是，量化操盤手建構「外資多空比」指標，用來衡量「外資買賣超」佔外資成交量的比例。
外資多空比 ＝ 外資買賣超 ÷ 外資買進金額 (若外資買超)
＝ 外資買賣超 ÷ 外資賣出金額 (若外資賣超)
接著，繪製「報酬指數」及「外資多空比」：
乍看之下，訊號似乎有點雜亂，稍微仔細看一下，應該可以發現「報酬指數」與「外資多空比」時常呈現同向走勢，也就是說當外資買超，大盤傾向上漲；反之，當外資賣超，大盤傾向下跌。
以上現象，其實再自然不過了，股價本來就是由市場供需決定，而外資持股約佔台股40%，這麼大量的買賣，當然足以牽動股市。
所以，光是知道同向變動，尚不足以獲利，讓我們繼續看下去。
如果我們把任意一段「外資多空比」放大，會發現外資常常連續買超或賣超，也就是「外資買賣超」存在叢聚現象(Clustering)，買賣方向具有慣性。
結合「與大盤同向變動」及「叢聚現象」，一個可能的交易策略就浮現了。
我們可以嘗試跟單(持有與外資同向部位)，由於外資買賣超具有慣性，很可能會帶動一波上漲或下跌，我們就能夠藉此獲利。
上圖是2015年以來，跟單策略的損益績效，雖然是正報酬，但波動很大，表現不甚理想。
切記，研發交易策略，千萬不要輕易放棄，往往再多深入研究一下，就會有嶄新的收穫。
量化操盤手常常會做一個動作，將多單及空單損益分開來看。
將多空損益分別畫出來，可以看到「多單損益」比「空單損益」要好上很多，從2016年到目前為止，報酬率為35%，而且績效曲線還算穩定。
總結下來，「只跟外資多單」是一個值得進一步探索的研究方向。
最後，在看程式碼之前，簡單說明兩點：
1. 第一張圖的X座標軸採用「序號」而非「日期」(df.index)，是為了避免繪圖時，出現假日(非交易日)沒有數據的問題。
2. 回測採用「報酬指數」，實際操作時，最接近回測的做法是在證交所公布「三大法人買賣金額統計表」後，依「外資買賣超」方向建立期貨多單或空單(夜盤)，因期貨數據處理較為複雜，這裡僅用「報酬指數」做為回測數…
金融爬蟲（三）：如何更新數據 [附程式碼]
在進行分析之前，先做個更新數據的教學。
上一篇抓取了三大法人數據之後，每天證交所仍會公布新數據，要如何持續更新資料庫呢？
其實很簡單，把程式碼稍做修改即可。
首先，先讀取資料庫，看看上次數據更新到哪一天。
接著，從上次更新那天直到今日，這段時間就是要更新的日期了。
程式碼：
# 載入需要用到的函式庫 import time # 時間函式庫 import sqlalchemy # SQL資料庫ORM函式庫 import numpy as np # 科學計算函式庫 import pandas as pd # 數據分析函式庫 from io import StringIO # 記憶體文字檔案函式 from requests import get # HTTP請求函式 from datetime import datetime # 日期函式 from dateutil.relativedelta import relativedelta # 日期增減函式 # 連結SQLite資料庫 engine = sqlalchemy.create_engine('sqlite:///data.db') # 讀取最後更新日期 df_fini = pd.read_sql('fini', engine, index_col='table_index', parse_dates=['table_index']) # 讀取外資數據 last_date = df_fini.index[-1] # 取得最後一筆資料日期 # 資料區間 start = last_date + relativedelta(days=1) # 起始日期 end = datetime.today() # 結束日期 # 建立空白DataFrame df_fini = pd.DataFrame(columns=['買進金額', '賣出金額', '買賣差額'], dtype=np.int64) # 外資數據 df_fund = pd.DataFrame(columns=['買進金額', '賣出金額', '買賣差額'], dtype=np.int64) # 投信數據 …
上一篇抓取了三大法人數據之後，每天證交所仍會公布新數據，要如何持續更新資料庫呢？
其實很簡單，把程式碼稍做修改即可。
首先，先讀取資料庫，看看上次數據更新到哪一天。
接著，從上次更新那天直到今日，這段時間就是要更新的日期了。
程式碼：
# 載入需要用到的函式庫 import time # 時間函式庫 import sqlalchemy # SQL資料庫ORM函式庫 import numpy as np # 科學計算函式庫 import pandas as pd # 數據分析函式庫 from io import StringIO # 記憶體文字檔案函式 from requests import get # HTTP請求函式 from datetime import datetime # 日期函式 from dateutil.relativedelta import relativedelta # 日期增減函式 # 連結SQLite資料庫 engine = sqlalchemy.create_engine('sqlite:///data.db') # 讀取最後更新日期 df_fini = pd.read_sql('fini', engine, index_col='table_index', parse_dates=['table_index']) # 讀取外資數據 last_date = df_fini.index[-1] # 取得最後一筆資料日期 # 資料區間 start = last_date + relativedelta(days=1) # 起始日期 end = datetime.today() # 結束日期 # 建立空白DataFrame df_fini = pd.DataFrame(columns=['買進金額', '賣出金額', '買賣差額'], dtype=np.int64) # 外資數據 df_fund = pd.DataFrame(columns=['買進金額', '賣出金額', '買賣差額'], dtype=np.int64) # 投信數據 …
金融爬蟲（二）：三大法人 [附程式碼]
很多人都會關注三大法人進出數據，可是很少人有系統性的去研究它。
本篇先帶各位用爬蟲抓取證交所三大法人數據，之後的文章會進一步分析法人邏輯，看看能不能發展出可用的交易策略。
在看程式碼之前，先簡單說明一下，這份程式碼適用於抓取2015年至今的三大法人資料。
證交所一共變更過三次格式，從程式碼中可以看到2017/12/18變更過一次，在2015年之前，證交所還變更過兩次，有需要更久遠數據的讀者，只要簡單修改程式，就可以抓取所有年份的資料，這邊為了程式碼的簡潔，採用2015年之後的版本。
此外，2017/12/18之後的資料，證交所將「外資自營商」從「外資」中分離出來統計，為了保持前後數據的一致性，我們把「外資自營商」數據加回到「外資」數據當中。
其實，好像直接看程式碼，比較容易理解以上說明。
OK，程式碼這就來了：
# 載入需要用到的函式庫 import time # 時間函式庫 import sqlalchemy # SQL資料庫ORM函式庫 import numpy as np # 科學計算函式庫 import pandas as pd # 數據分析函式庫 from io import StringIO # 記憶體文字檔案函式 from requests import get # HTTP請求函式 from datetime import datetime # 日期函式 from dateutil.relativedelta import relativedelta # 日期增減函式 # 資料區間 start = datetime(2019, 10, 1) # 起始日期 end = datetime(2019, 10, 15) # 結束日期 # 建立空白DataFrame df_fini = pd.DataFrame(columns=['買進金額', '賣出金額', '買賣差額'], dtype=np.int64) # 外資數據 df_fund = pd.DataFrame(columns=['買進金額', '賣出金額', '買賣差額'], dtype=np.int64) # 投信數據 df_prop_hedge = pd.DataFrame(columns=[&…
本篇先帶各位用爬蟲抓取證交所三大法人數據，之後的文章會進一步分析法人邏輯，看看能不能發展出可用的交易策略。
在看程式碼之前，先簡單說明一下，這份程式碼適用於抓取2015年至今的三大法人資料。
證交所一共變更過三次格式，從程式碼中可以看到2017/12/18變更過一次，在2015年之前，證交所還變更過兩次，有需要更久遠數據的讀者，只要簡單修改程式，就可以抓取所有年份的資料，這邊為了程式碼的簡潔，採用2015年之後的版本。
此外，2017/12/18之後的資料，證交所將「外資自營商」從「外資」中分離出來統計，為了保持前後數據的一致性，我們把「外資自營商」數據加回到「外資」數據當中。
其實，好像直接看程式碼，比較容易理解以上說明。
OK，程式碼這就來了：
# 載入需要用到的函式庫 import time # 時間函式庫 import sqlalchemy # SQL資料庫ORM函式庫 import numpy as np # 科學計算函式庫 import pandas as pd # 數據分析函式庫 from io import StringIO # 記憶體文字檔案函式 from requests import get # HTTP請求函式 from datetime import datetime # 日期函式 from dateutil.relativedelta import relativedelta # 日期增減函式 # 資料區間 start = datetime(2019, 10, 1) # 起始日期 end = datetime(2019, 10, 15) # 結束日期 # 建立空白DataFrame df_fini = pd.DataFrame(columns=['買進金額', '賣出金額', '買賣差額'], dtype=np.int64) # 外資數據 df_fund = pd.DataFrame(columns=['買進金額', '賣出金額', '買賣差額'], dtype=np.int64) # 投信數據 df_prop_hedge = pd.DataFrame(columns=[&…
金融爬蟲（一）：大盤報酬指數 [附程式碼]
前兩篇快速地介紹了資料庫的存取，是為了接下來的「金融爬蟲」教學做準備。
不熟資料庫的讀者，請參考：
Python資料庫（上）
Python資料庫（下）
做量化交易，必須先取得歷史資料，這時候就需要網路爬蟲上場了。
哇！還要學網路爬蟲喔！會不會很難啊？
「別怕！！」
首先恭喜你，在爬蟲領域，Python也是首選的程式語言！
而且，用Python做爬蟲，很簡單喔！
跟著量化操盤手，手把手的教學，新手也能實作出網路爬蟲。
「金融爬蟲」第一篇，先來小試身手，教大家怎麼抓證交所的大盤報酬指數。
之前量化操盤手文章中的範例，大盤指數都是直接採用加權指數，因為大多數網站都只有提供加權指數，為方便教學，使用像是ffn等套件時，只能將就使用了。
但是，若要回測大盤策略，其實應該要用「報酬指數」或是「期貨數據」，會比較準確。
這是因為加權指數會受到除息影響，而產生點數蒸發現象，由於沒有計入現金股利，通常會造成多頭策略的報酬率被低估。
(關於除息點數影響，可參考這篇)
報酬指數就是為了解決這個問題而誕生的，它將現金股利計入報酬率，使得報酬指數更加貼近持有股票的真實報酬率。
趕快來看看怎麼把報酬指數爬下來：
# 載入需要用到的函式庫 import time # 時間函式庫 import sqlalchemy # SQL資料庫ORM函式庫 import pandas as pd # 數據分析函式庫 from io import StringIO # 記憶體文字檔案函式 from requests import get # HTTP請求函式 from datetime import datetime # 日期函式 from dateutil.relativedelta import relativedelta # 日期增減函式 # 資料區間 start = datetime(2019, 1, 1) # 起始月份 end = datetime(2019, 10, 1) # 結束月份 # 爬資料 df_total = pd.DataFrame() # 用來放報酬指數 date = start # 從起始月份開始 while date <= end: # 跑迴圈 str_date = date.strftime('%Y%m%d') # 日期轉字串 url = …
不熟資料庫的讀者，請參考：
Python資料庫（上）
Python資料庫（下）
做量化交易，必須先取得歷史資料，這時候就需要網路爬蟲上場了。
哇！還要學網路爬蟲喔！會不會很難啊？
「別怕！！」
首先恭喜你，在爬蟲領域，Python也是首選的程式語言！
而且，用Python做爬蟲，很簡單喔！
跟著量化操盤手，手把手的教學，新手也能實作出網路爬蟲。
「金融爬蟲」第一篇，先來小試身手，教大家怎麼抓證交所的大盤報酬指數。
之前量化操盤手文章中的範例，大盤指數都是直接採用加權指數，因為大多數網站都只有提供加權指數，為方便教學，使用像是ffn等套件時，只能將就使用了。
但是，若要回測大盤策略，其實應該要用「報酬指數」或是「期貨數據」，會比較準確。
這是因為加權指數會受到除息影響，而產生點數蒸發現象，由於沒有計入現金股利，通常會造成多頭策略的報酬率被低估。
(關於除息點數影響，可參考這篇)
報酬指數就是為了解決這個問題而誕生的，它將現金股利計入報酬率，使得報酬指數更加貼近持有股票的真實報酬率。
趕快來看看怎麼把報酬指數爬下來：
# 載入需要用到的函式庫 import time # 時間函式庫 import sqlalchemy # SQL資料庫ORM函式庫 import pandas as pd # 數據分析函式庫 from io import StringIO # 記憶體文字檔案函式 from requests import get # HTTP請求函式 from datetime import datetime # 日期函式 from dateutil.relativedelta import relativedelta # 日期增減函式 # 資料區間 start = datetime(2019, 1, 1) # 起始月份 end = datetime(2019, 10, 1) # 結束月份 # 爬資料 df_total = pd.DataFrame() # 用來放報酬指數 date = start # 從起始月份開始 while date <= end: # 跑迴圈 str_date = date.strftime('%Y%m%d') # 日期轉字串 url = …
Python資料庫（下）：分段說明 [附程式碼]
接續上一篇，本篇把程式碼分段，每段分開說明。
希望透過實作，對資料庫存取不熟的讀者可以快速上手，利用SQLite資料庫，將資料集中存放，便於管理。
Python資料庫（上）：完整程式碼
# 載入需要用到的函式庫 import pandas as pd # 數據分析函式庫 import sqlalchemy # SQL資料庫ORM函式庫 import ffn # 金融函式庫 這應該不用多說，pandas是數據分析的神級套件，sqlalchemy是常用的ORM套件，ffn這裡是拿來下載歷史資料用的。
# 連結SQLite資料庫 engine = sqlalchemy.create_engine('sqlite:///data.db') # 資料庫檔案(.db)會生成在程式碼(.py)所在資料夾 使用sqlalchemy連結SQLite資料庫，如果要連結的檔案不存在，會自動建立檔案，如果檔案已經存在，則會和檔案建立連結。
stock_1 = ffn.get('^TWII', column_names=['price'], start='2018-1-1', end='2018-12-31') # 下載加權指數歷史資料(2018) stock_1.to_sql('stock', engine, if_exists='replace', index_label='table_index') # 將資料存入SQLite資料庫(建立Table: stock) output_1 = pd.read_sql('stock', engine, index_col='table_index', parse_dates=['table_index']) # 讀取SQLite資料庫(Table: stock) 第一行：下載加權指數2018歷史資料。
第二行：將加權指數2018歷史資料存入data.db檔案裡名為stock的table。
(if_exists='replace'表示如果data.db已經存在名稱為stock的table，用新建立的table取代舊的table)
第三行：讀取data.db…
希望透過實作，對資料庫存取不熟的讀者可以快速上手，利用SQLite資料庫，將資料集中存放，便於管理。
Python資料庫（上）：完整程式碼
# 載入需要用到的函式庫 import pandas as pd # 數據分析函式庫 import sqlalchemy # SQL資料庫ORM函式庫 import ffn # 金融函式庫 這應該不用多說，pandas是數據分析的神級套件，sqlalchemy是常用的ORM套件，ffn這裡是拿來下載歷史資料用的。
# 連結SQLite資料庫 engine = sqlalchemy.create_engine('sqlite:///data.db') # 資料庫檔案(.db)會生成在程式碼(.py)所在資料夾 使用sqlalchemy連結SQLite資料庫，如果要連結的檔案不存在，會自動建立檔案，如果檔案已經存在，則會和檔案建立連結。
stock_1 = ffn.get('^TWII', column_names=['price'], start='2018-1-1', end='2018-12-31') # 下載加權指數歷史資料(2018) stock_1.to_sql('stock', engine, if_exists='replace', index_label='table_index') # 將資料存入SQLite資料庫(建立Table: stock) output_1 = pd.read_sql('stock', engine, index_col='table_index', parse_dates=['table_index']) # 讀取SQLite資料庫(Table: stock) 第一行：下載加權指數2018歷史資料。
第二行：將加權指數2018歷史資料存入data.db檔案裡名為stock的table。
(if_exists='replace'表示如果data.db已經存在名稱為stock的table，用新建立的table取代舊的table)
第三行：讀取data.db…
Python資料庫（上）：別再用csv檔存資料了！ [附程式碼]
近期發現，竟然還有很多人在用csv或是excel檔案存歷史數據，每次做交易研究時，再一個個讀取載入，這樣做不但速度慢，檔案分散各處也難以管理，一不小心資料就遺失了！
今天，量化操盤手寫了一篇Python資料庫速成教學，讓你從此以後擺脫資料七零八落的窘境。
既然是用Python，當然要用最精簡的方法，處理資料存取的問題，從頭開始教SQL語法，太不符合Python精神(Pythonic)！
本篇教學，一個SQL語法都沒用到，並且完美結合Pandas + SQLite，趕快來看看怎麼做！
Python資料庫（下）：程式碼分段解說
透過練習以下程式碼，很快就能熟悉Python的資料庫操作：
# 載入需要用到的函式庫 import pandas as pd # 數據分析函式庫 import sqlalchemy # SQL資料庫ORM函式庫 import ffn # 金融函式庫 # 連結SQLite資料庫 engine = sqlalchemy.create_engine('sqlite:///data.db') # 資料庫檔案(.db)會生成在程式碼(.py)所在資料夾 # SQLite資料庫Table操作(建立、更新、讀取) stock_1 = ffn.get('^TWII', column_names=['price'], start='2018-1-1', end='2018-12-31') # 下載加權指數歷史資料(2018) stock_1.to_sql('stock', engine, if_exists='replace', index_label='table_index') # 將資料存入SQLite資料庫(建立Table: stock) output_1 = pd.read_sql('stock', engine, index_col='table_index', parse_dates=['table_index']) # 讀取SQLite資料庫(Table: stock) stock_2 = ffn.get('^TWII', column_names=[…
今天，量化操盤手寫了一篇Python資料庫速成教學，讓你從此以後擺脫資料七零八落的窘境。
既然是用Python，當然要用最精簡的方法，處理資料存取的問題，從頭開始教SQL語法，太不符合Python精神(Pythonic)！
本篇教學，一個SQL語法都沒用到，並且完美結合Pandas + SQLite，趕快來看看怎麼做！
Python資料庫（下）：程式碼分段解說
透過練習以下程式碼，很快就能熟悉Python的資料庫操作：
# 載入需要用到的函式庫 import pandas as pd # 數據分析函式庫 import sqlalchemy # SQL資料庫ORM函式庫 import ffn # 金融函式庫 # 連結SQLite資料庫 engine = sqlalchemy.create_engine('sqlite:///data.db') # 資料庫檔案(.db)會生成在程式碼(.py)所在資料夾 # SQLite資料庫Table操作(建立、更新、讀取) stock_1 = ffn.get('^TWII', column_names=['price'], start='2018-1-1', end='2018-12-31') # 下載加權指數歷史資料(2018) stock_1.to_sql('stock', engine, if_exists='replace', index_label='table_index') # 將資料存入SQLite資料庫(建立Table: stock) output_1 = pd.read_sql('stock', engine, index_col='table_index', parse_dates=['table_index']) # 讀取SQLite資料庫(Table: stock) stock_2 = ffn.get('^TWII', column_names=[…
月K策略 [附程式碼]
〈Python程式碼在文章最下方〉
說到看盤，許多人都習慣看K線圖，但是看K線圖到底在看什麼呢？
除了尋找特定型態、畫趨勢線、找支撐/壓力…
我們還可以直接觀察K線特性，今天分享的策略，就是觀察月K得來的，量化操盤手觀察到月K有一個特性：月K下影線比上影線更常出現，而且下影線比較長。
於是，每個月當中「如果跌深，就搶反彈」這個策略就浮現了，因為下影線就是跌深反彈造成的。
〈定義〉
最大跌幅：(Low / Open - 1) * 100%
反彈：(Close / Low - 1) * 100%
最大漲幅：(High / Open - 1) * 100%
拉回：(Close / High - 1) * 100%
首先，當然要拿數據驗證這個想法，下圖第二象限畫的是(最大跌幅, 反彈)，第四象限畫的是(最大漲幅, 拉回)。
我們可以觀察到月K的最大跌幅極端值要比最大漲幅極端的多，這就是一般來說Put都比Call貴的原因，因為莊家要承受的風險較大。
我們先看第四象限(紅點)，呈現出一種明顯趨勢：漲得越多、拉回越少。
我們再看第二象限(綠點)，不難看出：跌深反彈高。
根據初步分析的結果，除了搶反彈策略，也可加入追漲策略。
嘗試了幾組數字後，決定採用-4%及1%當作策略參數。
交易策略：
1.從月初起算，當月跌幅達到-4%時，做多搶反彈。
2.從月初起算，當月漲幅達到1%時，做多追漲。
接下來，進行績效分析，下圖綠線是搶反彈策略的累積報酬，紅線是追漲策略的累積報酬，藍線代表兩個策略都執行。
乍看之下，有兩個(暫時)結論：
第一，追漲策略績效比搶反彈策略好多了。
第二，兩個策略合計7年多下來賺了90%，績效似乎差強人意。
如果研究只做到這邊，往往會得到錯誤的結論，我們再繼續看下去。
下圖一，綠線是搶反彈策略每次執行的平均報酬，紅線是追漲策略每次執行的平均報酬，隨著樣本增加，兩個策略的平均報酬都非常穩定。
下圖二，綠柱表示搶反彈機會出現，紅柱表示追漲機會出現。
平均下來，搶反彈策略每次可賺1.33%，與追漲策略的0.77%相比之下高多了。
但由於月K跌深出現的機率不高，所以造成搶反彈策略累積報酬較小。
但這只代表大賺的交易機會較少出現，不過一旦機會降臨，賺錢效率可是非常高的。
最後，累積報酬不等於這7年多的交易總收入，因為這兩個策略都是屬於「機會型策略」，也就是當機會出現時，才出…
說到看盤，許多人都習慣看K線圖，但是看K線圖到底在看什麼呢？
除了尋找特定型態、畫趨勢線、找支撐/壓力…
我們還可以直接觀察K線特性，今天分享的策略，就是觀察月K得來的，量化操盤手觀察到月K有一個特性：月K下影線比上影線更常出現，而且下影線比較長。
於是，每個月當中「如果跌深，就搶反彈」這個策略就浮現了，因為下影線就是跌深反彈造成的。
〈定義〉
最大跌幅：(Low / Open - 1) * 100%
反彈：(Close / Low - 1) * 100%
最大漲幅：(High / Open - 1) * 100%
拉回：(Close / High - 1) * 100%
首先，當然要拿數據驗證這個想法，下圖第二象限畫的是(最大跌幅, 反彈)，第四象限畫的是(最大漲幅, 拉回)。
我們可以觀察到月K的最大跌幅極端值要比最大漲幅極端的多，這就是一般來說Put都比Call貴的原因，因為莊家要承受的風險較大。
我們先看第四象限(紅點)，呈現出一種明顯趨勢：漲得越多、拉回越少。
我們再看第二象限(綠點)，不難看出：跌深反彈高。
根據初步分析的結果，除了搶反彈策略，也可加入追漲策略。
嘗試了幾組數字後，決定採用-4%及1%當作策略參數。
交易策略：
1.從月初起算，當月跌幅達到-4%時，做多搶反彈。
2.從月初起算，當月漲幅達到1%時，做多追漲。
接下來，進行績效分析，下圖綠線是搶反彈策略的累積報酬，紅線是追漲策略的累積報酬，藍線代表兩個策略都執行。
乍看之下，有兩個(暫時)結論：
第一，追漲策略績效比搶反彈策略好多了。
第二，兩個策略合計7年多下來賺了90%，績效似乎差強人意。
如果研究只做到這邊，往往會得到錯誤的結論，我們再繼續看下去。
下圖一，綠線是搶反彈策略每次執行的平均報酬，紅線是追漲策略每次執行的平均報酬，隨著樣本增加，兩個策略的平均報酬都非常穩定。
下圖二，綠柱表示搶反彈機會出現，紅柱表示追漲機會出現。
平均下來，搶反彈策略每次可賺1.33%，與追漲策略的0.77%相比之下高多了。
但由於月K跌深出現的機率不高，所以造成搶反彈策略累積報酬較小。
但這只代表大賺的交易機會較少出現，不過一旦機會降臨，賺錢效率可是非常高的。
最後，累積報酬不等於這7年多的交易總收入，因為這兩個策略都是屬於「機會型策略」，也就是當機會出現時，才出…
Python畫K線圖 [附程式碼]
今天來跟大家分享，如何用Python畫K線圖。
網路上已經有幾篇類似的文章，不過我還是想自己寫一篇，走極簡風的教學。
首先，如果你還沒裝mpl_finance套件，請先用pip安裝(與ffn安裝方法相同)
直接上程式碼：
# 載入需要用到的函式庫 import ffn # 金融函式庫 import IPython # 互動模組 import matplotlib.pyplot as plt # 繪圖函式庫 import mpl_finance as mpf # 金融繪圖模組 # 取得歷史資料 stock = ffn.get('2330.TW:Open, 2330.TW:High, 2330.TW:Low, 2330.TW:Close, 2330.TW:Volume', column_names=['open', 'high', 'low', 'close', 'volume'], start='2019-1-1', end='2019-10-8') # 下載台積電股價資料 # 設定圖片輸出位置 IPython.get_ipython().enable_matplotlib(gui='qt') # 圖片輸出於新視窗 # 繪圖 plt.figure() # 開啟新圖 space = 10 # X軸(日期)座標間距 ax1 = plt.subplot2grid((3, 1), (0, 0), rowspan=2, colspan=1) # 佔全圖2/3的子圖一 ax1.set_xticks(range(0, len(stock.index), space)) # 設定X軸座標 ax1.set_xticklabels(stock.index[::space].strftime('%Y-%m-%d')) # 設定X軸標籤 mpf.candlestick2_ohlc(ax1, stock['open'], stock['high'], stock['low'], stock['close'], width=0.6, colorup='r&#…
網路上已經有幾篇類似的文章，不過我還是想自己寫一篇，走極簡風的教學。
首先，如果你還沒裝mpl_finance套件，請先用pip安裝(與ffn安裝方法相同)
直接上程式碼：
# 載入需要用到的函式庫 import ffn # 金融函式庫 import IPython # 互動模組 import matplotlib.pyplot as plt # 繪圖函式庫 import mpl_finance as mpf # 金融繪圖模組 # 取得歷史資料 stock = ffn.get('2330.TW:Open, 2330.TW:High, 2330.TW:Low, 2330.TW:Close, 2330.TW:Volume', column_names=['open', 'high', 'low', 'close', 'volume'], start='2019-1-1', end='2019-10-8') # 下載台積電股價資料 # 設定圖片輸出位置 IPython.get_ipython().enable_matplotlib(gui='qt') # 圖片輸出於新視窗 # 繪圖 plt.figure() # 開啟新圖 space = 10 # X軸(日期)座標間距 ax1 = plt.subplot2grid((3, 1), (0, 0), rowspan=2, colspan=1) # 佔全圖2/3的子圖一 ax1.set_xticks(range(0, len(stock.index), space)) # 設定X軸座標 ax1.set_xticklabels(stock.index[::space].strftime('%Y-%m-%d')) # 設定X軸標籤 mpf.candlestick2_ohlc(ax1, stock['open'], stock['high'], stock['low'], stock['close'], width=0.6, colorup='r&#…
常見Q&A
Q1:「多空儀表板」每天什麼時間更新？
Ans: 大約下午4點，視期交所數據公布時間而定。
每日最快最即時的「多空儀表板」獨家公布於量化操盤手官方網站！
Q2: 近月契約在結算日用的是哪一個月份？
Ans: 結算日當天收盤後，無論期貨、選擇權，一律都是用新的近月契約計算各項指標。
可參考「散戶多空比」中的指標公式及計算方法。
Q3: 範例程式碼去哪裡找？
Ans: 左側選單「文章分類」中的「Python程式碼」。
Q4: Python是什麼？ 我是程式新手怎麼辦？
Ans: Python是量化交易領域最熱門的程式語言！
新手可以先從這裡開始：
Python從零開始(1): 為何選擇Python
Python從零開始(2): 動手做
Q5: 請問網站上程式碼的執行環境？
Ans: Anaconda Python 3.7 應該都能執行成功。
以下是量化操盤手自己執行的環境：
Anaconda版本: Anaconda 2019.03 for Windows(3.7 version 64-Bit)
Spyder版本: 3.3.3
Python版本: 3.7.3
IPython版本: 7.4.0
額外安裝套件: ffn
Ans: 大約下午4點，視期交所數據公布時間而定。
每日最快最即時的「多空儀表板」獨家公布於量化操盤手官方網站！
Q2: 近月契約在結算日用的是哪一個月份？
Ans: 結算日當天收盤後，無論期貨、選擇權，一律都是用新的近月契約計算各項指標。
可參考「散戶多空比」中的指標公式及計算方法。
Q3: 範例程式碼去哪裡找？
Ans: 左側選單「文章分類」中的「Python程式碼」。
Q4: Python是什麼？ 我是程式新手怎麼辦？
Ans: Python是量化交易領域最熱門的程式語言！
新手可以先從這裡開始：
Python從零開始(1): 為何選擇Python
Python從零開始(2): 動手做
Q5: 請問網站上程式碼的執行環境？
Ans: Anaconda Python 3.7 應該都能執行成功。
以下是量化操盤手自己執行的環境：
Anaconda版本: Anaconda 2019.03 for Windows(3.7 version 64-Bit)
Spyder版本: 3.3.3
Python版本: 3.7.3
IPython版本: 7.4.0
額外安裝套件: ffn
量化交易 ≠ 自動化交易
今天來寫一點關於交易的想法，主題是「量化交易≠自動化交易」
“克服人性、嚴格執行停損、免盯盤、電腦幫你賺錢，你只要等著收錢就好…”
有接觸過程式交易的人，對上述的說法應該都不陌生，以上這些說法都是「自動化交易」的特色。
而我所說的「量化交易」指的是“採用量化研究，來開發交易策略”，而非「自動化交易」。
事實上，在【量化操盤手】，我壓根兒不想談自動化交易，因為大多數人進行交易的瓶頸，都是找不到可獲利的交易策略，這裡說的「可獲利」都是指考慮風險後，交易策略有足夠好的風險報酬率。
道理很簡單，如果你拿一個風險承擔過大，甚至負期望值的交易策略，下去跑自動化交易，只會得到一個自動地、穩定地幫你賠錢的程式。
此外，如果你研究出了「可獲利」的交易策略，要下去跑自動化交易，那先跟你說聲恭喜，你的工作才剛剛要開始，任何一個真正佈署過自動化交易的人，都知道要運行一個「不出錯、不出錯、不出錯」的自動交易程式，工程有多浩大、有多困難。
「不出錯」很重要，所以要說三次。
「不出錯」哪裡重要？
如果你有寫過程式，應該都有聽過一個東西，叫做「無窮迴圈」，如果自動交易程式出現這個Bug，真的就不好玩了。
其他的疑難雜症，諸如「報價、下單、回報」的不同步，掛單失敗的處理等…
喔！對了！會出錯的不只是你寫的程式，各種軟體、電腦設備、網路、券商API都可能出錯，甚至連交易所都曾經大當機。
你可能會說，手動下單也會遇到電腦當機等問題啊！完全沒錯，但是手動下單不會因為程式Bug而去「放大」交易損失，例如重複下單。
況且，遇到當機問題，一般只要電腦重開機，改用手機下單，甚至電話下單，就可以輕易解決問題，自動交易程式遇到異常狀況，往往得要花上不少功夫來處理，例如盤中即時資料的回補。
寫到這裡，並不是要阻止大家從事自動化交易，而是要說這玩意兒很複雜，如果你要開始，真的要投入不少心力在上面，才能獲得成果。
基於上述原因，【量化操盤手】不談自動化交易，而把重點放在「量化交易」，畢竟除了高頻交易，還有很多獲利方法，許多當沖、波段交易策略都有很好的表現。
如果你要上班，無法盯盤，也可以學習【量化操盤手】的量化交易策略，進行波段交易，一樣可以有很好的交易成果！
“克服人性、嚴格執行停損、免盯盤、電腦幫你賺錢，你只要等著收錢就好…”
有接觸過程式交易的人，對上述的說法應該都不陌生，以上這些說法都是「自動化交易」的特色。
而我所說的「量化交易」指的是“採用量化研究，來開發交易策略”，而非「自動化交易」。
事實上，在【量化操盤手】，我壓根兒不想談自動化交易，因為大多數人進行交易的瓶頸，都是找不到可獲利的交易策略，這裡說的「可獲利」都是指考慮風險後，交易策略有足夠好的風險報酬率。
道理很簡單，如果你拿一個風險承擔過大，甚至負期望值的交易策略，下去跑自動化交易，只會得到一個自動地、穩定地幫你賠錢的程式。
此外，如果你研究出了「可獲利」的交易策略，要下去跑自動化交易，那先跟你說聲恭喜，你的工作才剛剛要開始，任何一個真正佈署過自動化交易的人，都知道要運行一個「不出錯、不出錯、不出錯」的自動交易程式，工程有多浩大、有多困難。
「不出錯」很重要，所以要說三次。
「不出錯」哪裡重要？
如果你有寫過程式，應該都有聽過一個東西，叫做「無窮迴圈」，如果自動交易程式出現這個Bug，真的就不好玩了。
其他的疑難雜症，諸如「報價、下單、回報」的不同步，掛單失敗的處理等…
喔！對了！會出錯的不只是你寫的程式，各種軟體、電腦設備、網路、券商API都可能出錯，甚至連交易所都曾經大當機。
你可能會說，手動下單也會遇到電腦當機等問題啊！完全沒錯，但是手動下單不會因為程式Bug而去「放大」交易損失，例如重複下單。
況且，遇到當機問題，一般只要電腦重開機，改用手機下單，甚至電話下單，就可以輕易解決問題，自動交易程式遇到異常狀況，往往得要花上不少功夫來處理，例如盤中即時資料的回補。
寫到這裡，並不是要阻止大家從事自動化交易，而是要說這玩意兒很複雜，如果你要開始，真的要投入不少心力在上面，才能獲得成果。
基於上述原因，【量化操盤手】不談自動化交易，而把重點放在「量化交易」，畢竟除了高頻交易，還有很多獲利方法，許多當沖、波段交易策略都有很好的表現。
如果你要上班，無法盯盤，也可以學習【量化操盤手】的量化交易策略，進行波段交易，一樣可以有很好的交易成果！
選擇權指標（二）：莊家通吃價
「莊家通吃價」延續「最大未平價」的賣方觀點，分析對於賣方而言，最佳的結算價落點。
為了找出莊家通吃價，我們必須把不同履約價的選擇權全部納入分析之中。
當每週三結算價公布後，所有履約價低於結算價的買權(Call)，以及所有履約價高於結算價的賣權(Put)都有結算價值，也就是買方可以獲得一定金額(履約價與結算價之差距×50)。
若結算價越高，Call的總結算價值就越高，Put的總結算價值就越低。
反之，結算價越低，Put的總結算價值就越高，Call的總結算價值就越低。
找出莊家通吃價的方法，就是計算出結算價落在哪個價位，會使Call＋Put的總結算價值合計最低。
一般來說，我們會分別觀察「週選擇權」及「近月選擇權」，下面兩張圖分別是「週選擇權結算價落點分析」和「近月選擇權結算價落點分析」：
週選擇權結算價落點分析：
月選擇權結算價落點分析：
上圖中，紅色長條代表在不同結算價之下的Call總結算價值(億元)，綠色長條代表在不同結算價之下的Put總結算價值(億元)。
為了找出莊家通吃價，我們必須把不同履約價的選擇權全部納入分析之中。
當每週三結算價公布後，所有履約價低於結算價的買權(Call)，以及所有履約價高於結算價的賣權(Put)都有結算價值，也就是買方可以獲得一定金額(履約價與結算價之差距×50)。
若結算價越高，Call的總結算價值就越高，Put的總結算價值就越低。
反之，結算價越低，Put的總結算價值就越高，Call的總結算價值就越低。
找出莊家通吃價的方法，就是計算出結算價落在哪個價位，會使Call＋Put的總結算價值合計最低。
一般來說，我們會分別觀察「週選擇權」及「近月選擇權」，下面兩張圖分別是「週選擇權結算價落點分析」和「近月選擇權結算價落點分析」：
週選擇權結算價落點分析：
月選擇權結算價落點分析：
上圖中，紅色長條代表在不同結算價之下的Call總結算價值(億元)，綠色長條代表在不同結算價之下的Put總結算價值(億元)。
選擇權指標（一）：最大未平價
「最大未平價」指的是選擇權最大未平倉量所對應的履約價格(Strike Price)，由買權(Call)對應的稱為Call最大未平價，由賣權(Put)對應的稱為Put最大未平價。
一般來說，我們會分別觀察「週選擇權」及「近月選擇權」，下面兩張圖分別是「週選擇權未平倉量分布狀況」和「近月選擇權未平倉量分布狀況」：
週選擇權未平倉量分布狀況：
月選擇權未平倉量分布狀況：
上圖中，紅色長條代表不同履約價的Call未平倉量，綠色長條代表不同履約價的Put未平倉量。
對於最大未平價的解讀，Call最大未平價可視為上方壓力，是選擇權賣方認定短期內不會漲破的股價壓力位置。
反之，Put最大未平價可視為下方支撐，是選擇權賣方認定短期內不會跌破的股價支撐位置。
量化操盤手接下來會解釋，最大未平價背後的原理：
最大未平價通常會出現在價外位置，這是由於許多選擇權買方喜歡購買價格便宜的價外選擇權，以發揮選擇權以小搏大的特性，所以對價外選擇權的需求一向都很旺盛。
然而真正決定未平倉量多寡的，並非選擇權買方，而是賣方。這是由於買方只需付出價外選擇權便宜的權利金，賣方卻必須準備高額的保證金，以及承擔行情波動的風險，交易門檻遠高於買方。
選擇權賣方願意賣出最多口數的履約價格(最大未平價)，代表賣方認定股價近期不會突破此價位，而賣出比最大未平價更接近價內的選擇權，賠錢損失的風險大，賣出比最大未平價更價外的選擇權，獲利(權利金收入)不如最大未平價選擇權。
從市場力道的角度來看，最大未平價可視為「賣方防守線」。當行情試圖接近最大未平價時，選擇權賣方有相當大的動機，在現貨市場買賣股票，將指數推回去，以守住「賣方防守線」，防止行情突破造成選擇權賣方部位鉅額損失，這種利用現貨買賣去保護選擇權部位的作法，也就是俗稱的「控盤」。
一般來說，我們會分別觀察「週選擇權」及「近月選擇權」，下面兩張圖分別是「週選擇權未平倉量分布狀況」和「近月選擇權未平倉量分布狀況」：
週選擇權未平倉量分布狀況：
月選擇權未平倉量分布狀況：
上圖中，紅色長條代表不同履約價的Call未平倉量，綠色長條代表不同履約價的Put未平倉量。
對於最大未平價的解讀，Call最大未平價可視為上方壓力，是選擇權賣方認定短期內不會漲破的股價壓力位置。
反之，Put最大未平價可視為下方支撐，是選擇權賣方認定短期內不會跌破的股價支撐位置。
量化操盤手接下來會解釋，最大未平價背後的原理：
最大未平價通常會出現在價外位置，這是由於許多選擇權買方喜歡購買價格便宜的價外選擇權，以發揮選擇權以小搏大的特性，所以對價外選擇權的需求一向都很旺盛。
然而真正決定未平倉量多寡的，並非選擇權買方，而是賣方。這是由於買方只需付出價外選擇權便宜的權利金，賣方卻必須準備高額的保證金，以及承擔行情波動的風險，交易門檻遠高於買方。
選擇權賣方願意賣出最多口數的履約價格(最大未平價)，代表賣方認定股價近期不會突破此價位，而賣出比最大未平價更接近價內的選擇權，賠錢損失的風險大，賣出比最大未平價更價外的選擇權，獲利(權利金收入)不如最大未平價選擇權。
從市場力道的角度來看，最大未平價可視為「賣方防守線」。當行情試圖接近最大未平價時，選擇權賣方有相當大的動機，在現貨市場買賣股票，將指數推回去，以守住「賣方防守線」，防止行情突破造成選擇權賣方部位鉅額損失，這種利用現貨買賣去保護選擇權部位的作法，也就是俗稱的「控盤」。
終極指標
（一）指標原理
量化操盤手透過AI演算法，大數據分析多種指標，並將其整合成單一指標，命名為「終極指標」。
參考：
大盤多空指標（一）：大戶多空比
大盤多空指標（二）：散戶多空比
大盤多空指標（三）：莊家多空比
「終極指標」充分利用各類指標的特性，截長補短，進而達成「報酬上升、風險下降、資金更有效率」，這三項對交易策略來說最重要的目標。
此外，量化操盤手透過演算法，將「終極指標」簡化成｛1、0、-1｝三類，將大盤區分為｛做多、中立、做空｝三種走勢，簡單明瞭，方便判斷。
（二）指標用法
終極指標 = 1 ，做多 終極指標 = 0 ，中立 終極指標 = -1，做空
指標的用法非常直覺，該多該空，沒有模糊地帶，一點都不含糊，這就是量化交易的好處。
「終極指標」顯示中立時，代表多空混沌，股市偏向震盪格局，可考慮將資金撤出股市，或是慎選個股進行操作，不需要盲目進行賭博(沒有根據的交易就是賭博)，當沒有勝算時保持空手，可將資金另做他用，提升資金運用效率。
（三）多空範例
[2015年～2016年]大盤/終極指標對照圖
[2017年～2018
量化操盤手透過AI演算法，大數據分析多種指標，並將其整合成單一指標，命名為「終極指標」。
參考：
大盤多空指標（一）：大戶多空比
大盤多空指標（二）：散戶多空比
大盤多空指標（三）：莊家多空比
「終極指標」充分利用各類指標的特性，截長補短，進而達成「報酬上升、風險下降、資金更有效率」，這三項對交易策略來說最重要的目標。
此外，量化操盤手透過演算法，將「終極指標」簡化成｛1、0、-1｝三類，將大盤區分為｛做多、中立、做空｝三種走勢，簡單明瞭，方便判斷。
（二）指標用法
終極指標 = 1 ，做多 終極指標 = 0 ，中立 終極指標 = -1，做空
指標的用法非常直覺，該多該空，沒有模糊地帶，一點都不含糊，這就是量化交易的好處。
「終極指標」顯示中立時，代表多空混沌，股市偏向震盪格局，可考慮將資金撤出股市，或是慎選個股進行操作，不需要盲目進行賭博(沒有根據的交易就是賭博)，當沒有勝算時保持空手，可將資金另做他用，提升資金運用效率。
（三）多空範例
[2015年～2016年]大盤/終極指標對照圖
[2017年～2018