市場先生會客室：如何將量化分析應用在個股投資？「Growin個股探勘」訪談

【本文為Growin與市場先生的合作邀稿】

量化分析是一種透過數據來做決策，而不是人為主觀判斷的投資方法。它能幫助投資人更有邏輯、更紀律的作出投資決策，而不是只靠經驗和感覺判斷，也可以減少情緒與不理性對投資成果的干擾。

但由於量化分析對數據取得、統計分析能力有較高的門檻，因此多數是機構法人進行量化分析操作，平常一般投資人比較難接觸到。

這次市場先生會客室特別以「量化分析與AI選股」為主題，邀請到對量化分析相當專業的Growin的AI團隊進行對談與分享，來談談AI與量化分析如何應用在一般人的股票投資策略當中。

Growin來賓介紹

今天我們很高興能邀請到TradingValley 的產品經理 魏佳敏，百忙中撥冗與我們分享「Growin個股探勘」誕生的來龍去脈，以及這個工具可能為廣大投資人帶來什麼樣的幫助與變革。

Growin 團隊簡介

Growin團隊背後是由一群擅長數據分析的TradingValley團隊組成，
橫跨量化交易、資料科學、數學、財務分析、市場行銷、軟硬體工程與設計的15位台灣優秀人才所組成。

最早推出Growin 智能理財，由於美國對於智能理財的相關法規較為開放與健全，因此主要的發展區域也在美國市場，提供投資人如何透過AI智能理財，打造穩健的理財計劃。

美國市場在投資配置上能選擇商品和工具相對較多，Growin團隊觀察到這些現象，也希望將這些工具提供給更多其他國家的投資人，因此將量化分析數據和策略進行整合，開發設計出一套將量化分析運用在個股篩選的工具－「Growin個股探勘」。

Q1. Growin團隊至今發展過哪些產品與服務？

依照受眾分類，我們的產品與服務可分為兩個面向：

1.提供給金融企業的服務(B2B)：與國內投信業合作資產管理業務，另外也及提供客製化演算法給銀行和投顧公司。

2.提供給一般投資人的服務 (B2C)：

• Growin 智能理財：我們團隊是美國 SEC 合格的線上投資顧問，也與美國券商Interactive Brokers合作，在美國發布Growin智能理財App，提供AI智能理財服務 。

• Growin 個股探勘：是一個提供主動投資人進行美股分析的訂閱制平台，透過獨家的「五力分析技術」與個股篩選器，將零散的個股資訊及指標彙整，協助投資人判讀市場上有價值的資訊，發掘潛在標的，作為輔助投資決策的工具。

Q2. 你們如何定位Growin個股探勘的服務？

我們對於Growin個股探勘服務的定位，是透過AI量化分析技術，協助投資人更快找到更適合的投資策略。

將量化思維與 AI 結合，提供主動投資人一個工具，將現有投資標的，運用Growin個股探勘工具快速篩選，獲得完整的歷史回測。

這個服務也針對不同風格的投資人做設計，例如價值投資、趨勢交易、波段策略、存股等類型。所以大家常關注的價值、趨勢、波段、籌碼、股利等方面資訊，都可以在Growin個股探勘工具中找得到。

舉個例子，藉由Growin個股探勘工具中的量化投資策略，可以讓投資人不是只有單純考慮買進持有公司，也可以透過避開風險比較大的時段降低波動。

Q3. 你剛剛談到的量化投資策略，與傳統策略有什麼差異？

我們認為兩者最大的差異在於「投入時間」和「投資評估效率」。

傳統主觀交易者透過長時間的交易經驗累積，建立交易心理與交易紀律，並根據自己的個性，找尋適合的投資策略。

過去在建立策略時，必須透過實際的投資損益，不斷地修正、嘗試新的想法，可能需要數年甚至更久的時間。經驗的積累需要仰賴主觀交易者經歷至少一個完整的經濟循環，才可以理解自己的投資方式是否可行。

而量化交易投資人將買賣策略寫入程式，並透過大量的歷史數據去驗證，過程中可以測試不同的參數設定，模擬執行，快速驗證策略的有效性。

最後把其中好的投資策略保留，透過未知的資料進一步測試汰換，只留下表現最優秀的策略；最後把策略轉化成程式，讓策略可以完全按照規則紀律操作。

拜科技進步所賜，近幾年隨著運算能力提升與AI演算法興起，AI 賦予程式自我學習、優化的能力更強化，並且能隨著投資市場變化動態調整。

我們相這些都是對投資人有所幫助，也是傳統策略所缺乏的。

Q4. 不同面向指標(基本、技術、籌碼)，在回測上有觀察到哪些特性？可否舉個例子？

就像剛談到的，不同風格的投資人，會觀察的判斷指標也不相同。

而各項指標之間，有一個很大的差異是「評價觀察時間」，這是因為不同投資風格，在操作頻率上不盡相同。

例如說價值面投資人可能會關注10-K(年度報告)、10-Q(季度報告)，但那畢竟是一年或一季才會更新，所以也就不會天天重新評價標的；但如果是追尋短期趨勢或波段的投資人，就可能會每天關注價量與型態。

所以Growin開發的五大面向指標也帶著相同的特性，也就是每個投資面向「評價分數停留的時間不同」

這樣的精神，也表現在我們為每個評分模型更新分數的頻率上，期望能符合投資風格的核心精神。

以下為每個評分模型更新分數的頻率：

我們以NFLX當範例，分別觀察價值、趨勢、波段、籌碼過去三年各別評分軌跡，說明各個面向的特性：

• 價值：適合中長期投資人使用

1. 停留在每個分數的時間約為3~6個月以上，變化的頻率較低。
2. 在評價上，3分為財務上具備價值的分界點，可作為對標的快篩的工具。

• 趨勢：適合中短線投資人使用

1. 每個分數停留的時間平均少於1個月，適合用於短、中期的進場、停利、停損、避險。
2. 4分以上代表未來多頭趨勢強勁；2分以下代表未來空頭趨勢強勁，作為趨勢投資輔助判斷。

舉個例子來說，NFLX在2022年1月出現趨勢1分的狀態，並維持至2022年7月才轉變為4分，在這期間可能就不適合作多，而是思考站在空方或做避險。

• 波段：適合短線投資人使用

1. 通常高評分的分數僅會持續幾天，用於偵測股價相對低檔、並出現向上動能的進場時機。
2. 4分以上代表是高機率適合低檔買進的時機，當作為擇時進出的輔助依據。

同樣舉個範例，NFLX在2022年7月、9月、10月及12月，都曾經短暫出現波段評價5分的訊號。

• 籌碼：可與價值、趨勢、波段面向搭配使用

1. 用於偵測機構資金流向、佈局，通常評分會持續好幾季。
2. 適合作為價值、趨勢、波段的濾網或增強訊號。

在上述「波段評分」中，可看到NFLX於2022年7月、9月、10月均產生了5分的進場訊號；如果觀察參考同一時期的機構資金變化，「籌碼評分」也會在8月作出了訊號確認，「籌碼評分」達到4分以上，代表機構的資金流向也在同一時間產生變化。

Q5. 能否舉個使用指標能提升報酬及改善風險的例子？

我想著重基本面的價值投資法，對很多投資人來說，是很常見的投資風格之一，所以就拿價值面來當案例。

對於一般投資人來說，大型機構往往擁有許多特殊優勢，包含：資金量大、可以廣泛投資、可以長時間等待…等等。但是一般投資人可能就沒有辦法這樣做，所以我們認為一般投資人可能需要有更好的資金運用效率。

我們以特斯拉(TSLA)為例，簡單說明如何使用Growin個股探勘工具的指標，輔助投資操作。

先從「價值面」的數據來看，近三年來特斯拉產能、銷量、財務數據都有大幅的改善，且產品生態系成形，符合未來趨勢，似乎展現出不錯的投資潛力。

在下圖中，可以看到近三年TSLA開始獲利，EPS呈現上升的趨勢；另外，ROE、ROA、ROS、ROIC 在2019 Q3全部轉正，ROIC也呈現上升趨勢，在2022Q3達到單季超過10%。

但是，觀察TSLA這段期間的股價表現，卻從最高點跌幅超過70%。這樣的表現，對特斯拉的投資人無疑是一大打擊。

主要原因就是，單從基本分析去評估投資會有盲點，尤其在中短期，市場情緒及短期的總體環境及基本面變動，可能影響更大，但對投資人來說，這無法單從基本面分析看出來。

此時如果透過 Growin 個股探勘工具中的「趨勢」面向，也許可以幫助投資人做更良好的風險控管。

Growin個股探勘會對個股提供每日的「趨勢歷史分數」評分(如下圖)。觀察「趨勢歷史分數」，它代表股價中長期的走勢強度與力道，分數越高代表AI判斷勢較強勁。

當「趨勢」面向評分低於3分時，表示AI對未來一段時間趨勢看空，比較建議投資人在此時做部位的獲利了結，或是以其他手段來避險。

我們嘗試回測模擬近三年，採用兩種投資策略應用在TLSA的比較：

1. 買進並持有策略(藍色線)：買進並持有TSLA直到期滿。
2. Growin趨勢因子策略(橘色線)：依據AI預測的TSLA趨勢，好的時候持有，若趨勢評分只有1~2分則選擇不持有。

回測結果顯示如下：

從TSLA回測模擬比較案例中可以清楚的發現，透過AI 的協助，有機會在上漲時積極參與，下跌時盡量的避開，減少虧損。

而且相較於「買進並持有」策略，「Growin趨勢因子」策略讓投資人的資金僅有72%的時間停留在市場上，曝險較低。

相信這樣的輔助，對長期投資人非常重要，透過AI訊號，能盡量參與自己看好的公司，也能更好的控制下檔的風險，避開波動風險巨大的時期。

另外，Growin 也會在「趨勢」面向下，統計過往每一檔標的的歷史數據，提供「每個趨勢評分」下產生的報酬表現，並用統計數據的方式供投資人參考。

下圖是TSLA過去12年的歷史評分資料，包含評分出現的次數、平均天期…等等。當趨勢評分在1分及2分時表現較不理想；反之，4分及5分則有正的平均報酬，而特別是5分時會有最好的風險溢酬。

相信這項統計資訊，能提供短線投資人優化投資時機與決策。

Q6. 投資人該如何使用五大面向策略工具輔助投資？

如果使用者是一位有經驗的投資人的話，最主要還是要依據自己的風格來使用。回測工具主要是幫助投資人統計個股標的特性，將風險與報酬同時納入評估。

一方面投資人可以根據自己的投資風格，參考相關的面向來使用，也可以嘗試跨足不同面向，拿不同面向的資料交叉參考。

另一方面，投資人還可以透過平台內建的回測工具，模擬進出場的績效，了解擬定的策略是否適合該股票。透過回測，能迅速了解自己設定的策略過往的歷史表現。

我們拿SBUX簡單說明，投資人可以在價值面向設定進出場條件模擬績效，例如下圖中設定的條件：

• 「價值面向：4分以上，進場」
• 「價值面向：2分以下，出場」

回測工具會把設定好的條件帶入歷史數據，提供進出場次數、累積報酬率、虧損機率、獲利機率…等統計數據，供投資人參考。

Q7. 能否分享你們是如何開發一個系統化的AI個股分析指標？

Growin 對於五種面向的評分模型不盡相同，主要是因為不同的投資風格本來就存在一定的差異，但從開發的概念上來看是殊途同歸。

共通開發架構如下圖：

1. 資料：

開發AI演算法的第一步是資料。

每一種投資風格都會建立一個專屬的評分模型，也因此會根據該投資風格，選取相關的資料。

比如說價值面模型是以公司、產業的財報數據做為訓練 AI 的核心，搭配價量輔助；而趨勢與波段交易則是以量價的技術指標、股價型態作為訓練 AI的核心(參考下表)。

而訓練的原始資料，都需要經過預處理，我們稱之為特徵工程(英文：Feature Engineering)。

量化研究員需要根據自己的領域知識(英文：Domain Knowledge)，從原始資料中，產生各式各樣可能對訓練AI有效益的因子；像是將主觀交易員的盤感和經驗量化，或將原始數據轉換為交易策略，變成實務上有意義的訓練因子，再提供給AI模型做學習。

2. 定義AI學習目標：

下一步則是要讓AI根據不同的投資風格做學習。

除了準備適合每種投資風格的訓練資料外，更重要的是定義「該風格AI學習的目標」是什麼，也就是要明確的教AI要預測什麼。

雖然說投資是以獲利為最大的目標，但持有的時間、可以忍受的波動、最大的跌幅、停利、停損等機制在不同的投資風格中都有所差異。也因此，如果想要讓AI成為該投資風格的專家，必須了解每一種投資風格的特性，並按此設定學習的目標。

舉個例子來說，在訓練期間如果想教導AI做波段交易，進行低買高賣。我們需要將股價型態，轉化成類似下圖的AI學習樣本，然後教導AI判斷什麼樣的情況判斷為「下降趨勢」、又是什麼樣的情況判斷為「整盤」之類的，進而讓AI知道何時該買、何時該賣。

3. 機器學習算法：

機器學習的算法五花八門，團隊採用的是集成式學習(英文：Ensemble Learning)，先將各種機器學習演算法各自訓練，訓練完後再堆疊（英文：Stacking）為最終的預測模型。

而訓練機器學習演算法架構如下：

訓練集(英文：Training dataset)階段的目標是針對已知的資料產生最佳的參數，來創造最小預測誤差；驗證集(英文：Validating dataset)與測試集(英文：Test dataset)的資料是演算法沒學過的，用來評估是否夠通則化(英文：Generalize)。

訓練資料、測試資料需要分開，以避免模型過度最佳化(英文：Overfitting)。

• 訓練集：透過在訓練集的歷史數據中，找到模型的最佳參數。
• 驗證集：驗證集的資料不會被模型所學習，這讓我們可以以一個客觀的角度評估模型學習的狀況，如判斷模型是否過度最佳化、用來調整模型參數。
• 測試集：評估模型最終表現，檢視當模型遇到沒有見過的資料時，它的表現怎麼樣，用來評估產生的模型通則化的能力好不好。

4. 量化濾網：

此部分的量化濾網會做最後的預測評分調教，以避免模型評分跳動過於頻繁，增加評分的穩定性。

5. 模型上線：

上述生成的模型，在上線使用的同時，會並行採用擴張視窗(英文：Expanding Window)的方式，將每天新的市場資訊餵入模型，持續動態優化模型參數。

機器學習中，模型參數分為兩種類型，一種是超參數(英文：Hyperparameter)，另一種是參數(英文：Parameter)。超參數是訓練一次，可以用很久(例如說30年)，而參數則會隨著時間改變，當有新的資料進來，會重新訓練模型做未來的預測。

例如說，1月的新資料來了，就會重新產生一組依據歷史最好的參數，來預測2月的表現。

如同下圖所示：透過1985~2006年的資料產生超參數，並且其數值固定不動沿用至今。然後2007年開始均假設資料不可視，透過一點一點的資料進來進行模型調教，並用做於後續的預測。

而Growin建構模型的數據可追溯至1985年，35年期間包含了1987黑色星期一、2000網路泡沫、2008金融海嘯等極端性波動時期。

隨者重複上述「模型優化循環」，新的歷史數據將不斷累積進模型裡，模型也會更加高效。Growin持續透過上述五個步驟，建構五個面向各自的評分模型，滿足不同投資風格的投資人需求。

Q8. 可以分享Growin使用量化指標來管理基金的經驗嗎？

Growin團隊管理的基金，主要是參考個股探勘中價值、波段兩個面向的評分，延伸建構投資策略。

• 價值策略：在建構價值策略的標的池時，以個股探勘價值評分3分以上作為濾網，建構潛在投資標的池。
• 波段策略：在建構波段策略的標的池時，以個股探勘波段評分4分以上作為濾網，建構潛在投資標的池。

使用上述策略得到對應的潛在標的池之後，再以其他的量化選股方式進行股票篩選。

導入個股探勘所使用的評價技術，一方面可以透過類似濾網快篩的特性，替投資人節省時間；二方面透過回測，可以「事前驗證」投資策略的有效性，除了可以提升投資策略的穩定度，也可以帶來更好的風險報酬比。

過往這樣的量化技術往往僅限縮於被金融機構或避險基金所使用，但現在透過 Growin 個股探勘便能讓一般投資人也能應用這樣的技術來輔助自己的投資策略。

總結：市場先生會客室訪談心得

1. 重視數據與驗證，而不是看感覺

市面上提供輔助個股分析的工具很多，但在台灣，許多分析工具大多因為資料廠商缺乏美股資料與經驗，因此台股的分析工具很多、但美股的分析工具很少。

而這些分析工具裡面，有對於投資策略提供精確數據驗證的，其實又更稀少。

市場先生之所以會想分享Growin個股探勘工具，最重要一個原因，就是它是市面上少數提供美股的輔助分析策略同時，也提供量化數據回測驗證的工具。

量化分析其實是一般人難以執行的領域，包括取得數據、建立策略、統計成果，都有一定門檻。但同時，量化分析也是讓投資人更理性、更有紀律的一種投資分析方式。

當然，量化分析的歷史數據驗證也有它的限制，不代表未來能百分之百跟歷史有一樣成效。但至少我們可以知道，同樣方法在過去是否有效、在過去空頭時期表現如何。

如果一個投資人能更加重視投資方法的實際成果驗證，而不是只靠感覺，那麼它會對自己的投資方法有更深刻的理解，面對各種風險時，也能更清楚自己在做些什麼。

2. 投資分析不是只有一種面向

在學習投資時，我們常會看到有基本分析、技術分析、產業分析等等。每種面向分析都有它的優勢與利基，但同時，每種分析都會有它的限制和盲點，投資人如果選擇一種方法，也許就需要承受它某一些缺陷。

例如基本面分析對投資分析能有更堅實的價值基礎，但也因為財報公布週期是以季為單位，但許多市場情勢變化快速反應在價格上，則是以日為單位，基本面分析很難對這些變化有反應。有些投資人也許有能力承受這種快速波動，但也有許多人無法承受，這時就可能需要其他分析方法來輔助。

量化分析其實並不是只限於單一種分析方法，而是無論基本面、技術面、籌碼面，只要是能經過數據化的驗證，都屬於量化分析。我認為量化分析最大的好處在於，它不用你花費大量時間累積多年經驗或虧損繳學費，而是能藉由數據化的驗證來累積經驗，省下大量的時間與金錢成本，並且能更客觀的看待策略。

無論選擇單一種分析方法，或者多種方法搭配使用，在投資中其實都是可行的。當然，分析方法也不是越多就一定越好，而是理解每一種分析面向的原理、假設、優點缺點及特性，才能讓我們在投入之前，對投資策略有更深入的特性。

最後，
無論是對量化分析、還是對這個工具感興趣的人，都可以試著接觸摸索看看

Growin個股探勘x市場先生讀者優惠：
點擊讀者連結註冊，系統會自動帶入推薦碼【MRMARKET10】。
註冊成功可獲得讀者優惠－訂閱折抵$10美元，使用期限至2023/12//31。
(現在註冊享不限標的查詢與點擊次數免費使用！)

【Growin 個股探勘】美股智能理財工具→ 註冊優惠活動連結（點此）

*礙於版面，本篇文章僅節錄部分精華訪談內容，如果對於Growin團隊與個股探勘工具的誕生有興趣，請按此看：完整訪談內容

*本文為資訊整理與工具介紹分享，無任何投資推薦之意，投資必定有風險，投資前自行研究分析判斷。

想了解更多量化交易與智能理財有關的資訊，可閱讀：

1. 智能理財 是什麼？AI 智能理財比較推薦
2. Growin AI智能理財圖文教學》註冊、開戶、注金與撤資流程
3. 量化交易是什麼？
4. 因子交易是什麼?
5. 美股10-K(年度報告)、10-Q(季度報告)怎麼看？
6. 《計量價值的勝率》如何用「量化分析」實現「價值投資」？
7. 《他是賭神更是股神》讀書筆記：用莊家思維以及找到額外的投資優勢

加入市場先生FB社團，充實更多理財好知識

50歲之前想退休一定要懂理財，解決投資的煩惱！

市場先生開了一堂的「用美股ETF創造穩定現金流」教學課程，
這堂課程會從基礎入門、資料查詢到實際操作，
教你學會建立一個穩定的全球ETF投資組合，目前累積已經有將近2000位同學上課。

線上課程》美股ETF創造穩定現金流線上課程連結