Fintech練功坊

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。

本文重點概要 前言 對於股票交易市場中，我們常聽到所謂的熱門族群，而熱門族群代表著量增價漲，亦或是某些股票當我 […]

風險值的意思基本上就是根據給定的信賴水準以及某特定期間，投資組合可能產生的最大損失。本文計算過程如下： 投資組合內各標的之每日盈餘風險 各標的間相關係數 投資組合風險值

近幾年動能交易很常出現在股票策略的討論當中，我們在股票市場通常很常聽到談論價量關係，價是量的先行指標等等，而本文想進而探討當成交量放大時以做為進場策略之回測效應，本方法並沒有像其他技術指標一樣有一定之準則，於是在設計上比較較為彈性，在程式設計上能使讀者們自行更改，詳細參數設定上會在後面程式碼中提及如何修改。

本文重點概要 前言 勝率、賠率與下注比例是投資人既熟悉又陌生的詞彙，我們往往憑著自身的盤感，在心中相乘勝率與賠 […]

首先，本文會執行模型建置的過程，讓讀者了解Python套件的應用，但是不會進行上篇文章中提及的任何檢定，以避免篇幅冗長；接著，計算預測報酬以及價格；最後將以視覺化方式比對真實歷史價格，來檢討ARMA-GARCH模型的預測效果。 Note：本文是利用”ARMA”模型對報酬率建模，而非上篇文章中的”ARIMA”，其差異處僅在ARIMA能夠處理非定態數據。上篇使用ARIMA是想盡量讓讀者了解時間序列的原理，而本文使用ARMA是想讓讀者多了解一種方法。