Fintech練功坊

在投資論壇中常有一些常見的投資法或是交易策略等等，其中就好比跟隨大戶法人做買賣、又好比買量不賣量等術語，而我們今天就是要探究人人口耳相傳的甜蜜期是否真有其事，而這些甜蜜期對於交易來說是否存在效率，還是只是大眾的一種謬論？

本文重點概要 前言 預測未來是大家投資者們想追求的，不論是對於未來的市場，或是對於公司及產業的未來，然而預測未 […]

蒙地卡羅模擬法的用途是估計不確定事件的可能結果，其運作方式則是透過假設機率分佈，使不確定性事件的變數建立模型。 並且，每個預測期都會用一組隨機數字來不斷重新計算結果，藉此產生大量的可能結果。 而在財務金融領域中，此方法被廣泛用來衡量資產組合的報酬及風險，較注重預測末尾的極端走勢。因此，本文最後也將透過視覺化結果，說明資產組合的風險報酬表現。

預測股票一直是人們所追求的，然而股票的隨機性遠遠難以掌握，在資料科學的進步下，計算成本大幅降低，本文用使用相較於【量化分析(三)】預測市場?! 更複雜的深度學習模型，進行股票預測，使用前10天的開盤價、最高價、最低價、收盤價、成交量，預測隔天的收盤價。 本文使用RNN架構進行時間序列預測，需要對時間序列或是深度學習有基礎瞭解。

原物料價格飆漲、通膨以及升息是今年金融市場的主要議題，新聞媒體也時常報導台灣股市近期的走跌與國際資金流動有關，因此本文便將以此為出發點，透過統計方法分析台灣股市與美債殖利率的關係。

當兩年期美國公債減十年期美國公債利差為正，我們稱之為殖利率曲線倒掛。 通常天期越長的債券需要較高的風險溢酬，而發生倒掛時伴隨而來的是關於景氣衰退的疑慮，而本文將以尋找每個發生倒掛的時點，接著繪出一年之前與兩年後的總經數據以提供觀察。

Support Vector Machine(簡稱SVM)模型中文全稱為支援向量機，是一種基於統計原理的機器學習演算法，應運用於資料分類(Classifier)以及迴歸(Regressor)，本文會以資料分類為主進行。 SVM進行分類的過程，簡單來說便是以直線或不規則的線切分不同屬性的資料。至於要如何畫出最佳解的線，需要考慮兩個問題，首先便是資料屬性的差異程度，簡單來說即如果一條線越寬，則代表他能夠辨識資料差異的程度越好；其次則是分類誤差，因為在實務操作上不太可能全然地將不同屬性的資料分割，所以也要考量到誤差的大小，運作方式為設定誤差懲罰項係數。而上述兩項標準孰輕孰重，則需要模型操作人員設定參數，文中會再說明。

Lasso模型的全稱為最小絕對值收斂和選擇算式，主要運用在迴歸分析中的解釋變數篩選並通過「懲罰項目」的參數設定調整複雜度，因此，透過Lasso模型便可以降低「過度擬合」的問題，並且提升解釋變數的有效性。 Lasso模型的懲罰項用於衡量「誤差項」與「解釋變數量」之間孰輕孰重，也就是在挑選模型參數的過程中便不會只參考誤差項最小化，還會綜合考量解釋變數的數量不要太多，讓模型有適當的複雜度。 懲罰項參數設定則會影響到模型會考慮哪一個面相較多，若參數小，則該模型較注重「減少誤差」；反之，參數大，則模型較注重「減少解釋變數的量」，所以這就需要執行人員選定一個區間的數值不斷進行測試。

台灣人投資偏好投資俱備現金流的股票，也就是我們常提到的高殖利率股，且高殖利股也通常俱備低波動這樣的特性，也就是俗稱的低beta值。 beta值代表與大盤連動的相關性，大家所熟知的0050，beta值大概在於1左右，也能說明他能反映大盤的漲跌，高股息etf 0056，beta值介於0.75~1之間，說明了他的變動程度稍微較0050低一點， 近期地緣政治以及升息導致的股市不確定性加劇，進而造成最近的暴漲暴跌，雖然對於一般投資人最好的方式就是，減碼或是降低風險，然根據富達的研究報告，一個美國投資人只要錯失過去40年中報酬率最好的50天，你的資產將比完整留在市場中的投資人少了整整93%，所以或許選擇風險較低的股票是一個不錯的替代方案，近一個月裡面0050下跌了4%，然而0056上漲了1%左右，所以在動盪期間下或許選擇高殖利股票會比較保險嗎? 因此本文想藉由探討近五年的高殖利股的填權息狀況去進行分析，看是否適合使用beta指標去選擇高殖利率股填權息情況。