量化研究

在現代金融市場中，程式交易逐漸成為投資者提升效率與降低風險的重要工具。也有越來越多的券商開始提供API服務，讓投資人能夠自動化下單、快速反應市場變動。本文將介紹如何利用元富證API進行自動化下單，並結合 TQuant Lab 的策略，實際操作展示如何透過程式化的方式優化投資決策。透過這套流程，投資者能夠更好地掌握市場機會，提升投資績效。

TEJ 量化投資月報 7 期：在做量化交易前須進行大量分析確保投資策略的可行性，在資訊量爆炸的情形下，往往須使用程式進行資料處理及後續的分析工作，不僅進入門檻高且耗時又耗力。好在市面上有一些現成的分析工具，若能妥善運用便可以大幅降低資源的消耗。其中，Quantopian 公司所開發的 Alphalens 套件就是一個有名的因子分析的工具。

在使用 TQuant Lab 進行回測和策略分析時，新手可能會遇到一些技術上的挑戰和問題。本文將提供一些解決方法和技巧，幫助使用者更順利地進行策略開發和回測，提升效率與準確度。希望這些資訊能夠對大家有所幫助，解決各位的新手疑難雜症。

TEJ 量化投資月報 6 期：過去十年間，隨著機器學習和自然語言處理（NLP）技術的創新，我們對資料的理解和定義已經發生了巨大變化。這些技術使我們能更有效地讀取、儲存和分析非結構化資料（unstructured data），從而挖掘出更多寶貴資訊，並提取出可行的交易訊號。 

TEJ 量化投資月報 5 期：歐美成熟市場投資人結構以機構投資人占比最大，許多研究實證指出機構投資人的交易行為對股價具有預測能力。但相對於歐美市場，台股市場組成卻以個別投資人占比最高，其交易行為與股票期望報酬率的關係是值得進一步去研究。 

在 LSTM 股價預測第二篇文章，我們希望不要只是紙上談兵，將模型套用在 out sample 的資料，並根據預測結果決定進場點，實測看看效果是不是也如預期的好。

隨著深度學習的蓬勃發展，越來越多時間序列相關的模型的出現，似乎能應用於未來股價的預測中。本文利用 LSTM 時間序列模型進行深度學習 LSTM 股價預測，使用前 5 日的開高低收成、年化ROE、動能因子及 RSI 指標預測隔日收盤價。

隨著人工智慧領域的投資持續增加，台灣電子業以其完整的晶片製造、零組件生產和代工組裝供應鏈再次受到海內外機構投資者的青睞。這些投資者除了關注潛在的投資機會外，標資金的胃納量與其流動性也是其考量的主要因素。

台大黃仁勳演講，公布了在台商業夥伴的名單，讓網上開始瘋傳「地表最強AI ETF」，這項舉動對於商業夥伴的股票影響究竟是好是壞? 我們將利用 TEJAPI 來計算夏普值，以判斷影響好壞。並且視覺化觀察到的結果。

本篇將介紹透過Google Colab ，來進行TQuant Lab 的簡易測試教學，我們選擇任意產業營收最高的5間公司，進行報酬率的回測!讓我們可以在 Google Colab 上直接使用，無需設定虛擬環境，大大降低了使用門檻!

TEJ新報第92期，本周為您精選三則財金新知。1. 存股族的福音？運用 TQuant Lab 看高股息 ETF 的回測表現...2. TQuant Lab最新校園方案登場，實例教學別錯過！3. TQuant Lab 系列影片，帶你上手全台最擬真的交易回測系統！ …

TQuant Lab 社群小聚啟動！TEJ 將於 7/14和7/19 舉辦兩場線上社群小聚，我們會和大家分享處置股的回測和股價動能因子策略。全程免費！一起來探索交易策略的奧秘吧！