量化研究

首先，時間序列是按照時間軸排序，呈現歷史數據發展過程的資料結構；而時間序列模型，則是依照上述資料結構分析其規律性以及趨勢，並且透過找到概似的軌跡建立模型，用以預測未來的動向。

投資組合的績效表現受到許多因素影響，我們不容易清楚區分績效表現是源於大盤上漲、交易員的選股能力，還是資產配置或產業配置得宜? 故我們可以透過 Brinson(1985)提出的績效歸因方法，幫助我們將投資組合與標竿指數間的超額報酬拆解為選擇效果、交互效果與配置效果，了解績效歸因來源，作為日後投資決策的參照。

RSI是判斷股市當中買賣雙方力道強弱的動量技術指標，綜合考量上漲下跌的幅度和天數，評估市場買賣超的情形，決定進出場的策略。

盈餘是投資人在意的關鍵指標之一，盈餘高低及未來走向會影響投資人持股意願，若投資人預期公司盈餘增加，會提高持股意願。而盈餘可分為現金部分與應計項目部分，應計項目又可分為裁決性與非裁決性，公司管理層操控縱的，即為裁決性應計項目部分。根據過去研究，公司管理層有誘因透過會計原則、損益之自由裁量權等手段，來達到其擬定的盈餘目標。

隨機森林簡單來說，就是由多顆決策樹所組成，其為使用 Bagging 加上隨機特徵採樣所產生的一種演算法。因為是基於 CART演算法，所以可以處理類別資料與連續資料，其他的優點像是其能夠接收高維度的資料、對雜訊容忍度高、擬和結果準確率高等等，故亦時常用於Kaggle等商業競賽。

常見的權重設置是等權重與市值比權重，前者將所有因子視為相同，賦予不同因子等權重，並合成新的因子值；後者則是先在個別因子內以市值比加權合成新的因子值，再賦予不同因子等權重，再合成新的因子值，然而兩種方式皆沒有考慮因子的有效性。

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。