規模因子研究(二)

　　接續上篇文章，我們將繼續討論不同的市場寬度下，「規模因子」對於平均報酬率的影響。

規模因子研究(一)

　　這篇文章將討論台股過去三十年歷史中，「規模因子」對於平均報酬率的影響。

市場寬度研究(三)

　　在上篇文章中我們得到了幾個結論：

1.   持有時間超過60天以上的報酬率分布，受到長期市場循環的影響相當大，特別是在長期多頭市場中：持有時間拉長到超過120天以上時，幾乎找不到可以有效率地分辨行情的指標，因為長期多頭市場基本上就是漲漲漲

2.   在長期空頭市場循環中，市場寬度分辨行情的效率相當好，甚至可以將市場的負向報酬集中在可辨識的高風險期間，達到去蕪存菁的效果

3.   要想有效分辨長期多頭市場的行情，持有期間必須低於60日，考量到相關的交易成本，最佳的長度大約在20日左右

市場寬度研究(二)

 

　　本篇文章將討論以均線作為市場寬度指標的相關數據，涵蓋的均線長度包含五日線、月線(20日)、季線(60日)、半年線(120日)與年線(240日)，而陳列的平均報酬率則是五日、十日、二十日、六十日、一百二十日跟二百四十日。

市場寬度研究(一)

 

　　在股票作手回憶錄中，Livermore提出所謂「由上而下」的市場分析步驟：先判斷整體大盤的多空，進而尋找領導盤勢的產業類別，最後則是產業中的龍頭股及姊妹股，而這些就是操作時應該優先考慮買進的對象。

與傳統因子分析之間的差異

 　　在正式開始討論更多的因子分析結果之前，我們必須先花一點時間簡單介紹一下我們的研究方法與傳統因子分析方式的差異。

台股近三十年基本報酬分布(二)

　　本篇文章接續上篇，繼續整理近三十年期間的個股平均中長期報酬率，包含六十日，一百二十日跟二百四十日

台股近三十年基本報酬分布(一)

　　本篇文章將介紹台股近三十年的個股報酬率分布，包含五日報酬率﹑十日報酬率與二十日報酬率

因子分析 -- 找出決定市場報酬分配的反向工程

　　1997年，西洋棋大師Garry Kasparov在與電腦的六場比賽對決中落敗，此後人類已難以在西洋棋領域中勝過電子運算；2016年，alphago在與李世乭的對決中以4:1的結果勝出，正式在圍棋這個長久以來被認為電腦絕不可能勝過人類的領域上插旗

市場平均報酬的衡量方式

　　在開始檢視台股近三十年的市場數據之前，我們可能要先思考一下該從哪個角度去衡量在這段期間內市場的表現

測試資料的取得與調整

　　如果可能的話，用來作測試的歷史資料應該越詳盡越好，以台北股市來說，台灣證券交易所提供的證券每日價格資料可以回溯到2004年，而櫃檯買賣中心則是2003年，一般市面常見的套裝軟體雖然可以提供1990年之前的資料，但是通常缺少已下市的股票資料，這可能會造成回測上出現倖存者偏差，因此還是必須以完整資料為主。

　　

以實證為基礎的量化個股交易系統－引言

 　　在休息了將近一年之後，本部落格將於近日開始下一個長篇的連載計畫，而這次的內容將聚焦於台北股市的個股交易系統，預計分成以下幾個部分：

• 資料及研究方法
• 台股的單因子分析
• 台股的多因子分析
• 以實證為基礎，打造完全量化的個股交易系統
• 系統每日績效追蹤與個股因子列表(aka 交易日誌)