Fintech練功坊

Django為開源的Python基於web開發而設計的應用框架，因為其擁有既定的框架、豐富的函示庫的優點，使用者能夠以更簡單、快速的方式開發網站。

雷達圖為儀錶板上常見的圖表，也是常用於分析財務報表的方式。透過比較公司其他年度、或是同產業公司的表現，可以了解公司相關財務指標的趨勢，與同期同產業公司的相對表現，因此對於基本面分析相當有幫助。

本文主要透過TEJ的股價資料庫，計算出KD指標後產生訊號，接著再利用函數計算出報酬率。KD指標是技術分析常見的指標之一，主要用於判斷股價當前的強弱程度、可能反轉的時機，接著再產生進出場的訊號。

上一篇講解了如何創立新環境並安裝模組 XGBoost，環境的設定是基礎，一開始出問題的話，後面會有許多奇奇怪怪的 Error，如果還沒看過上一篇的話，可以點這這裡，這一篇我們要對資料做一些處理，完成後再帶入模型裡讓機器去學習，學習後可以去預測未來的報酬，也可以看哪一個因子對預測是最有效果的！

因子投資，即試圖找出幾個關鍵的影響因素，像是文獻常見的規模因子、帳市值比因子、風險因子等等，並預期這些因素能帶來超額報酬。因此本週我們以TEJ資料庫提供的「員工流動率」當作因子，看看ESG投資的成果吧！

近來演算法興起，發展出各式各樣的數學模型用以分析並解決問題，經典的演算法為「迴歸模型」，但隨著科技的進步，發展出能自我改進學習的算法 — 機器學習(Machine Learning)，發展至今成為最火熱的類累神經網路模型 (Deep Learning)。 本文章介紹樹狀模型 XGBoost，文章將會分兩部分，上半段為環境設定與模組安裝，以及資料庫的介紹。下半段為資料的預處理，模型的訓練、預測和視覺化。

MACD的中文為平滑異同移動平均線，為一種判斷股價中長期趨勢的指標。當快線(DIF)由下而上穿越慢線(MACD)時，代表股價有上漲的動能存在；反之快線(DIF)向下跌破慢線(MACD)時，代表股價下跌的機率相對高。由於此類型的指標有明確的買賣訊號，所以非常適用利用回測來驗證該策略表現。 而一個有效的回測，除了有明確的買賣點之外，買賣股票的成本也必須考量到買賣訊號產生的時機、手續費與證交稅，甚至是最低消費20元的限制，計算報酬率時亦要考慮手中現金部位，才會最貼近實際採用該策略的表現！

「馬丁交易策略」是從18世紀開始流行的賭博方式，主要方法為當每次虧損時，下次的下注就加倍，如果下次贏的話，不僅能收回先前的損失，還會獲得第一次下注總額的報酬，聽起來是一個穩賺不賠的策略，但其背後隱含著巨大的風險。

TEJ 提供許多透過程式語言來去存取 TEJ 資料庫的方式，像是可以使用 Python 搭配 https存取的 REST API、TEJ API模組導入，或是利用 R語言的 R API，以及 NET語言的 .Net API，雖然運作原理有些不同，但撈取資料的邏輯、參數的讀取還是有許多類似的地方，進而方便使用者能隨時轉換。因此本文以先前做過介紹的REST API、TEJ API進行探討， 看看兩者串接 TEJ 資料庫的差異吧！