問ChatGPT也不會的Python量化交易聖經：從分析到真實交易一本全會

第1章 股票財報的量化分析與研究
1.1 認識財報因子
►解析三大重要財報1
►取得財報因子資料
►常見的六大重要財報因子
1.2 透過Alphalens 評估因子
►如何使用 Alphalens
►解析 Alphalens 報表中五大分析結果
1.3 建立財報因子選股模型來挑選績優股
►建立單因子選股模型
►建立多因子選股模型
►靜態 / 動態選股模型
1.4 財報因子選股模型回測績效
►Backtrader 介紹
►Pyfolio 介紹
►Backtrader 因子模型回測結果
►Backtrader 因子模型回測結果 - 未交易的問題

第2章 股票價量的量化分析與研究
2.1 認識價量因子
►什麼是價量數據
►創建價量因子的常見手法
►四大類價量因子
2.2 快速產生多種價量因子
►TALIB 使用介紹
►開源的 Alphas-WorldQuant 101
►開源的 Alphas- 國泰君安 191
2.3 WorldQuant 101 Alphas 因子分析
2.4 台股操作更傾向反轉還是動能？

第3章 台指期的價量研究
3.1 台指期的資料處理- 分K 轉換
3.2 台指期在回測系統中如何設定?
3.3 台指期的策略研究
3.4 台股與台指期的結合- 對沖股票部位

第4章 AI 模型好用嗎？
4.1 前言
►任務目標的類型
►切分資料集
►低度擬合 vs 過度擬合
►AI 模型預測的任務五大步驟
4.2 機器學習在股價預測上的應用
►線性迴歸模型(Linear Regression Model)
►邏輯迴歸模型(Logistic Regression Model)
►決策樹模型(Decision Tree Model)
►隨機森林模型(Random Forest Model)
►XGBoost
4.3 深度學習在股價預測上的應用
►隨機種子(Random Seed) 設定
►數據載入和批量(Batch) 處理
►損失函式(Loss Function) 選擇
►優化器(Optimizer) 設定
►模型(Model) 架設
►訓練函式
►評估函式
4.4 強化學習在股價預測上的應用
►Environment 設置實作
►模型訓練實作
►模型推論實作
►多資產交易範例

第5章 該如何進行交易？
5.1 透過Backtrader 獲取交易訊號及串接下單API– 以股票為例
5.2 透過Backtrader 獲取交易訊號及串接下單API– 以期貨為例
5.3 Line Message API 進行交易推播
5.4 自建Airflow 排程環境
►Docker 簡介
►Airflow 簡介
►將股票策略加入 Airflow 排程中
►將期貨策略加入 Airflow 排程中
5.5 結語– 交易前請看

前言

　　這世界上有各式各樣的投資流派，每個流派也都有佼佼者獲利驚人，例如說有人做統計套利，包括股票、期貨、可轉債之間的價值計算，或者是整股零股之間的套利，也有台指期不同合約之間的套利，套利手法之多，數不勝數。更有人做大家熟知的價值投資，透過分析財報去選股，然後以籌碼、價量去擇時。

　　所謂江湖一點訣，其實有些在投資領域的專有名詞或是手法，聽起來非常高深，但實際上概念不難理解，但往往執行時又困難重重，我們舉個例子，例如說大家常常聽到的套利，有一個最基礎的是我們同時觀測大小微台的價格，因為他們背後的指數都是同一邏輯，所以理論上價格應要相當接近，當我們看到了例如說10 點以上的價差，可能是有某一個台指產品被超買或超賣了，所以我們就做多超賣的一邊，做空超買的一邊，即可鎖住獲利，聽起來概念很簡單，實作也很簡單對吧？就是觀測價差，看到價差進去一多一空，甚至簡單的加減法就可以。但問題是，我們看到了10 點價再進去搶，99% 搶不到，早就被市場的高頻交易商搶光，我們下單後會發現價差完全不存在，而產生手續費的損失。在微台剛出的時候，我們也搶進去執行套利，但一個月後我們就搶不到任何價差了。上述例子可以傳達，我們一開始可能覺得「套利」這個詞高大上，很困難，但如果有人舉了一個例子，我們會發現他的概念很簡單，但自己真的要去做的時候，又會發現簡單的策略執行起來高深莫測。

　　還有一個剛加入量化投資領域，剛剛研發出第一個策略的人常常做錯的事情─ 就是為了績效而沒有去考量合理性，過度的去擬合參數，或者是偷看到未來數據。坦白說，我們作為歷史數據的未來人，要用過去的數據建構出回測賺錢的策略，絕不是困難的事情，在量化交易的競賽中，我們提交了50 多個台美中股，夏普比率>1.5 以上，並符合各項檢測的交易策略，甚至有些策略的夏普> 4 以上，但我們深知很多策略在未來一定會失效，只是競賽使用罷了。我們透過擬合參數，絕對可以做出賺錢的策略，而且超級賺錢，但這些策略在未來一定非常淒慘。

　　因此在本書中，我們除了傳授技術，無論是量化分析技術還是工程技術，我們都希望在過程中不斷向讀者提醒，以避免做出未來一定會很淒慘的那種策略，另外因為書本的篇幅有限，而且有些套件例如說券商的下單shioaji 及資料源yfinance 可能會因為更新了新版，而與書本教的方式使用方法不同，所以我們在github 中提供了程式碼以及issue 供讀者發問討論，如果套件使用方法有變，我們也會在上面做即時的更新，讀者在開始之前可以先去 github 搜尋ZJHuang915 找到本書的程式碼 PythonQuantTrading，害羞提issue 的同學也可以找到我們的個人信箱，隨時寄信給我們，我們都會盡快做回覆。