量化研究

TEJ很高興能參加2025年12月於紐約舉行的 Neudata Data Summit。這場活動匯聚了量化研究、替代性資料創新與投資科技領域的全球領導者。在整個高峰會期間，我們的團隊與許多投資組合經理、資料科學家與研究人員交流，他們都在積極尋找具有差異化的資料來源，以強化投資模型並擴大對亞太市場的覆蓋。

近年來，隨著資料科學與計算能力的快速發展，越來越多投資人與資產管理機構開始採用機器學習模型來輔助投資決策。儘管傳統的因子投資方法在長期表現上具備穩定性與可解釋性，但為了更有效捕捉市場中的非線性結構與因子間的交互作用，結合機器學習的多因子模型已逐漸成為學術與實務研究的重要方向。

TEJ 金融知識學院：用資料與工具，升級你的金融即戰力 為金融從業人員、研究人員與高教師生打造的進修平台。課程涵蓋 Python 金融分析、ESG 永續實務與財務報表解析，協助你掌握現代金融科技工具與分析方法，強化資料處理與投資決策能力。

為更清楚理解市場如何區分不同性質的公告，我們依 TCRI 看門狗的五大事件構面進行比較。 結果顯示，不同事件類別在市場反應的「方向性、幅度與持續性」上均有顯著差異，其中以 產業前景（I） 與 危機事件（R） 的負面效應最為明顯。  

在台灣股票市場時，財報與股價等結構化資料容易取得，但真正主導短期波動的，往往是「事件」。 從公告、主管機關發布到媒體報導，每一則訊息都可能影響投資人情緒與資金流向。 然而，傳統財務數據難以捕捉這些即時反應，使投資人難以判斷哪些事件會被市場真正定價。

券商分析師對標的公司財務表現（如EPS）或股票目標價的預測，是否會影響該公司未來的股價報酬，向來是投資人關注的重點議題。本研究聚焦於分析師對台灣上市櫃公司每股盈餘（EPS）的預測，透過預測變動幅度與分析師間意見分歧程度進行分組，進一步探討兩種投資策略是否能獲得優於市場的投資報酬。

在量化投資領域，如何運用公開透明且具理論基礎的財務資訊建構可靠的因子，一直是關鍵課題。相較於僅依賴價格或技術指標，財務報表能更全面反映企業的獲利能力、成長性與財務體質。然而，單一財務指標難以捕捉完整價值，且市面上資料常因重編與修正而失真。因此，本研究基於 Point-in-Time 原則，整合多維度財務資訊建構綜合性因子，並透過事後檢驗評估其預測能力與穩定性。

在 TQuant 回測與實盤交易中，下單函數是策略與資金管理的樞紐。選對下單方法不僅能讓程式碼更簡潔易讀，還能提升風險控管與組合再平衡的效率。TQuant 提供三大維度（股數、金額、權重）的下單函數，以及每種維度的「普通下單」與「目標下單」對應版本，共有以下六種方式。接下來，將分別說明它們的功能特色、參數意義與應用建議。

在金融市場中，風險與報酬的關係並非總是正向線性。實證研究顯示，低風險資產往往能獲得更佳表現，此現象被稱為「低波動性異象」。本文以台灣市場為研究對象，檢視該異象的表現與特性，並特別關注「特質波動度（Idiosyncratic Volatility）」這一因子，評估其作為投資工具的可行性與應用價值。

近年來，隨著輝達、超微等 AI 熱門股屢創新高，投資人除關注營運狀況外，也重視內部人交易行為，因其可能反映公司未來價值。為防範內線交易並提升市場公平性，我國金管會依《證交法》22、25、157 條規範內部人持股資訊揭露。依第 25 條規定，公司須於每月 15 日前公告上月內部人持股變化，投資人可據此觀察內部人對公司前景的態度，作為選股的重要參考。

在金融市場中，風險與報酬的關係，往往未必如經典理論所描繪般呈現正向線性。實證經驗顯示，低風險資產反而可能取得更佳表現，這類現象被稱為「低波動性異象」。本文以台灣市場為例，探討該異象在台灣市場中的表現與特性，並聚焦於其中一項重要因子：特質波動度（Idiosyncratic Volatility），進一步評估其作為投資工具的可行性與應用價值。

在投資實務中，「產業輪動」一直是資金配置與選股的重要依據。隨著景氣週期的推移，市場資金往往會由領先產業逐步轉向後進產業，形成結構性的板塊輪動。例如在景氣復甦初期，原物料與景氣循環類股（如航運、鋼鐵）常率先反應，而隨著經濟持續擴張與企業資本支出增加，成長性產業如半導體、科技股則可能接棒上漲。