你以為股價是因為月營收表現好才上漲嗎？ 其實，現實可能完全相反——主力炒股根本不需要月營收數據！ 真正厲害的投 […]
你以為股價是因為月營收表現好才上漲嗎？
其實，現實可能完全相反——主力炒股根本不需要月營收數據！
真正厲害的投資人，不會等到數據公布才下手，而是抓住「月營收前後的股價動能」這個關鍵訊號，提前找到飆股機會。有時候，這些動能強的股票甚至飆得更兇！
本文將帶領您深入了解一段程式碼背後的邏輯，並分析使用的數據來源與選股策略，幫助您理解如何利用 Python 和量化技術來挖掘投資機會。
程式碼簡介
這段程式碼來自量化交易的回測工具庫 finlab.backtest，它旨在根據動能和月營收的特性來選出潛在的飆股，並進行回測模擬，驗證策略的有效性。
核心程式碼：
from finlab.backtest import sim
close = data.get('price:收盤價')
pct_change = (close / close.shift() - 1).rolling(5).mean()
當月營收 = data.get('monthly_revenue:當月營收')
pos = pct_change[(close > close.average(60)) & (close > close.average(20)) & (close > close.average(120)) & (當月營收.average(3) > 當月營收.average(12))].is_largest(10)
r = sim(pos, resample='M', resample_offset='11D', upload=False, stop_loss=0.1)
r.display()
數據來源與處理
1. 收盤價 (Closing Price)
- 使用的數據：
price:收盤價 - 處理方式：
- 計算每日收盤價的五日平均漲跌幅：
pct_change = (close / close.shift() - 1).rolling(5).mean() - 這樣的計算能平滑日間波動，突顯短期動能。
- 計算每日收盤價的五日平均漲跌幅：
2. 當月營收 (Monthly Revenue)
- 使用的數據：
monthly_revenue:當月營收 - 處理方式：
- 比較三個月平均營收與十二個月平均營收：
當月營收.average(3) > 當月營收.average(12) - 這樣的條件確保選出的公司近期營收增長良好，具有基本面支持。
- 比較三個月平均營收與十二個月平均營收：
條件篩選邏輯
1. 技術面條件
- 近 60 日、20 日及 120 日均線以上的股價：
close > close.average(60) close > close.average(20) close > close.average(120)- 這些條件用於確認股價處於多頭趨勢。
2. 基本面條件
- 當月營收三個月平均值高於十二個月平均值：
當月營收.average(3) > 當月營收.average(12)- 表示公司短期營收增長快於長期趨勢，顯示業績改善。
3. 選出前 10 強股票
- 利用
.is_largest(10)選出動能最強的 10 檔股票。
策略回測 (Backtesting)
回測設定
- 使用
sim函數進行模擬：r = sim(pos, resample='M', resample_offset='11D', upload=False, stop_loss=0.1)resample='M'：以每月為單位進行再平衡。resample_offset='11D'：回測的基準日期設為每月的第 11 天，對應月營收數據發布後的市場反應。stop_loss=0.1：設定 10% 的停損機制，控制風險。
結果展示
最後以 r.display() 顯示回測結果，圖表呈現策略的績效數據與曲線。
策略優勢與限制
1. 策略的主要優勢
- 多層次篩選：結合技術面與基本面條件，增強策略的穩健性。
- 動能增強：動能指標幫助捕捉短期市場熱點。
- 基本面支持：營收增長確保選股具有實質業績基礎，降低投資風險。
2. 策略的潛在限制
- 數據延遲風險：月營收數據發布有一定滯後性，可能影響市場反應的及時性。
- 適用性限制：此策略在極端市場條件（如金融危機）中可能效果不佳。
- 流動性問題：策略可能不適合流動性較差的股票。
實際應用場景與潛在改進
1. 適合的投資者類型
- 短期交易者：希望捕捉短期股價波動。
- 成長型投資者：尋找營收增長良好的潛力股。
2. 在不同市場環境的表現
- 牛市：策略表現更佳，動能與營收增長同步提升。
- 熊市：需注意停損機制，以避免大幅回撤。
- 震盪市：篩選出的股票可能具有相對穩定的表現。
3. 潛在改進方向
- 增加多因子模型，例如結合市值因子或財務指標進一步優化篩選。
- 探討不同停損比例對績效的影響，找到最適合的參數配置。
回測結果分析
根據提供的回測數據與績效表現：
1. 年化報酬率
- 高達 33.5%，遠超大盤平均回報。
2. 風險調整後績效
- Alpha：27.5%，顯示策略的超額收益顯著。
- Beta：0.64，風險低於大盤。
3. 歷史績效曲線
- 從圖中可見，策略的累積報酬呈指數增長，顯示穩健的長期表現。
4. 年度績效分析
- 個別年份如 2024 年表現尤為亮眼，達到 86.7% 的年度回報。
讀者常見問題 (FAQ)
1. 策略適合的投資期限是多長？
此策略適合中短期（1-3 個月）的交易者，透過每月再平衡抓住市場機會。
2. 如何處理月營收數據延遲的問題？
選擇月營收發布後的第 11 天作為基準，盡量捕捉市場反應並降低延遲影響。
3. 是否能結合其他因子一起使用？
完全可以！結合市值、估值或其他技術指標能進一步提升策略的有效性。
結語
這段程式碼展示了一個將技術分析與基本面相結合的高效選股策略。其核心理念是通過動能捕捉短期機會，並結合營收數據增強選股的基本面支持。此外，策略的回測結果證實了其在歷史數據中的卓越表現。
量化策略並非魔法，但它能幫助我們以更理性的方式看待市場。若您對此策略感興趣，不妨嘗試運用並結合其他技術指標，進一步提升您的投資績效，讓數據為您的決策服務！
