結合TEJAPI及LLM的對話式乖離率交易策略實作

Oct 31 2023

內容目錄

本文重點概要

文章難度：★☆☆☆☆
以TEJAPI股價資料庫當作LLM基底資料。
以問答的方式給予模型提示進行交易自動分析。

前言

在當今金融市場複雜繁複的信息當中，投資者和交易員不再依賴傳統的研究方法，而是轉向高度智能化的數據分析工具，以便更好地理解股市趨勢、發現投資機會，並做出明智的財務決策。在這個快節奏的金融環境中，將大量的市場數據轉化為實際洞察是關鍵。

在這樣的背景下，LLM（Large Language Model）與TEJAPI的結合，提供了純文字分析的強大能力。LLM是一個基於自然語言處理的強大模型，具有理解和生成自然語言的能力，可以幫助我們探索市場新聞、公司報告、社交媒體評論以及更多形式的文本數據，以獲得對市場情緒和事件的深入理解。而TEJAPI提供了豐富的金融市場數據，能夠提供LLM進行精準的分析。

本文將探討如何將LLM與TEJAPI結合，以增進股市分析的效率和精確性。闡述這一整合如何有助於識別市場趨勢、分析股票表現、發現市場新聞中的關鍵信息，並提供第三方的投資見解。這個結合不僅對專業交易員和投資者有所幫助，對於普通投資者也提供了更多掌握市場的方式。

交易策略

以乖離率作為交易策略進行提示

收盤價大於三天前最高價，且收盤乖離率>=0，當天開盤價出場。
前一天收盤價小於三天前最低價，且收盤乖離率<=0，則當天開盤價進場。

編輯環境與模組需求

本文使用 Mac 作業系統以及 jupyter notebook 作為編輯器。

資料庫使用

上市(櫃)未調整股價(日)(TWN/APRCD)

資料導入

資料期間從 2023/05/20 至 2023/06/30，以台積電(2330)作為實例，抓取未調整的開、收盤價格進行分析。

import tejapi
api_key = 'your key'
tejapi.ApiConfig.api_base="http://api.tej.com.tw"
tejapi.ApiConfig.api_key = api_key
tejapi.ApiConfig.ignoretz = True


def get_stock_price(gte, lte, ticker):

    stock = tejapi.get('TWN/APRCD',
                       mdate = {'gte':gte, 'lte':lte},
                       coid = ticker,
                       chinese_column_name = True
    )
    return stock

本次 LLM 使用的是OpenAI gpt-3.5-turbo-0301，先導入個人API KEY，可至 OpenAI 官網申請。

import os
import openai
os.environ['OPENAI_API_KEY'] = 'your api key'
openai.api_key = os.environ['OPENAI_API_KEY']

基於LLM之LangChain應用

LangChain 是一個開源的 Python 庫，提供了構建基於大型語言模型 (LLM) 的 AI 應用所需的工具。開發者可以輕鬆地與 LLM 集成，完成文本生成、問答、翻譯、對話等任務。LLM本身是沒有記憶能例的，但是使用LangChain技術後能將對答紀錄儲存起來，提供流暢的對答體驗，有和真人交流的感覺。

匯入LangChain模組使用其功能

from langchain.chat_models import ChatOpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferWindowMemory

建構gpt-3.5-turbo-0301模型

llm_model = 'gpt-3.5-turbo-0301'
llm = ChatOpenAI(temperature=0.0, model=llm_model)
memory = ConversationBufferWindowMemory(k=5) # 設定只保留五次對話以前的紀錄

# 建立對話鏈
conversation = ConversationChain(
    llm=llm, 
    memory = memory,
    verbose=False
)

匯入股價資料

gte = '2023-05-20'
lte = '2023-06-30'
stock = get_stock_price(gte, lte, '2330')

# 時間 開收盤價格
date_price = ''
for i in range(len(stock)):
    date = stock['年月日'][i].strftime('%Y-%m-%d')
#     opens = stock['開盤價(元)'][i]
    closes = stock['收盤價(元)'][i]
    open_price = stock['開盤價(元)'][i]
    date_price += f'date: {date} '
#     date_price += f'開盤價: {opens} '
    date_price += (f'open: {open_price} ' + f'close: {closes}\n')
    

prompt = f'幫我分析市場波動趨勢，以下為股價資料：\n'+ date_price + '幫我用繁體中文分析'
print(prompt)

對話式分析市場

新增對話筐

print(conversation.predict(input=prompt))

概略分析結果

print(conversation.predict(input='用三天的移動平均，幫我計算從六月開始每次收盤當天的乖離率，產出表格'))

設定交易策略

print(conversation.predict(input='幫我用本金十萬元在六月第一天進場，前一天收盤價大於四天前最高價，且收盤乖離率>=0，則當天開盤價出場。\
                                  在前一天收盤價小於四天前最低價，且收盤乖離率<=0，則當天開盤價進場，生成表格'))

詳細節果報表

print(conversation.predict(input='幫我產出詳細表格報表，包含獲利金額大小、總獲利大小'))

結語

本次介紹利用 LLM 進行乖離率交易策略，當市場呈現超跌（乖離率<0）的情況且收盤價高於過去一段期間的最高價位時，判斷股價將逐漸回歸移動平均價位，因此進場做多；反之，當股價呈現超買（乖離率>0）且收盤價低於過去一段期間的最低價位時，認為股價已經漲過頭且有下跌的趨勢時，將原本做多的倉位平倉。再藉由語言模型的計算和分析能力可以快速的得到分析結論。

但還是要再次提醒本文所提及之標的僅供說明使用，不代表任何金融商品之推薦或建議。並且語言模型生成的過果不代表一定正確，需進一步確認。因此，若讀者對於建置策略、績效回測、研究實證等相關議題有興趣，歡迎選購 TEJ E Shop中的方案，具有齊全的資料庫，就能輕易的完成各種檢定。

完整程式碼

點此前往Github