Fintech練功坊

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！

大部分的人在決定自己的投資組合該怎麼分配權重時，常常沒有一個依據，而諾貝爾經濟學得獎者 Harry Markowitz 提出一個理論，依據股票的波動度和彼此的相關性，根據不同的權重設定，找到一條「總風險相同時，相對上可獲得最高之預期報酬率」，如此一來就可以根據自己的風險承受度去選擇投資組合的權重分配了！

現金增資是上市櫃公司常見的籌資方式，目的為擴大資本支出、償還相關債務以及改善財務結構等，但有不少文獻指出，這種借錢的舉動會向市場發出負面的訊號，公司股價因此時常在宣告現金增資時應聲下跌。 而事件研究法即是研究公司重大事件(購併、增資、股票回購…)或是金融市場事件(制度改革、政策、總經…)，對於公司價值影響的一種統計方法。一般而言，主要依循以下步驟進行 : 事件日確定、定義估計期間與事件發生期間、計算異常報酬率、統計檢驗。因此本週我們透過 TEJ API的資料庫，來觀察現金增資宣告是否真的會對台灣上市公司價值造成影響吧！

吉姆．史萊特(Jim Slater)是英國知名的成長型投資大師，曾替週日電訊報 (Sunday Telegraph) 撰寫投資組合推薦專欄，於 1963至1965年間獲取約 68.9 % 報酬率，與此同時，英國股市僅上漲 3.6%，吉姆．史萊特因此聲名大噪。其最著名的莫過於以「祖魯原則」為依據的投資方法，主張在投資市場向必須學習祖魯族一樣，集中火力在自己選定的利基專門領域，這樣才能發揮優勢。吉姆．史萊特則特別注重中小型公司長期獲利的成長及相對強度，並以本益比/成長率比值(PEG)等作為評價的重要標準，如以下所示 : 過去四年每股盈餘持續成長大於15% 本益比/成長率比值(PEG)小於1.2、預估本益比低於20倍 流動性高、借貸低、現金流量高、過去5年每年皆有獲利 公司有競爭優勢，如能主導市場的強勢品牌 有轉機或有題材：如新產品或新管理階層 市場資本小、股價相對強度高、管理階層持股比重高