Web Scraping in Python (Crawl data from YAHOO! Stock)
在大數據專案中, 通常會面對兩種資料來源: 一個是公司內部系統的數據,一個是公司外部的資料,
能有效地整合分析內外兩類資訊源, 就能夠開發出高價值的Big data產品或系統,
此系統挖掘公司內隱的核心數據競爭力, 並以此反饋當前市場的熱門需求, 甚或建置潛在趨勢的進攻策略。當前最大最豐富的外部資源, 無庸置疑就是Internet, 而Web
scraping就是挖取這個大金礦的軟體技術。
如果你搜尋“Web scraping”這個領域,
會發現其他像是” web crawling”, “Data Scraping”, “scraper”,
“web crawler”, 甚至是”bot”等技術字眼, 這些字彙轉換為中文大略都用”網路爬蟲”軟體一以蓋之;
簡言之, “Web scraping”這領域是在鑽研如何從網際網路上, 收集擷取資料的軟體技術,
而目前Internet上資訊價值含金量最高的主要就是web網站,
因此我們要”爬”資料當然就是針對web下手。
學習Web scraping對於個人來說也是極具有效益的。當擁有Web
scraping技術, 所有能透過瀏覽器看到的資料, 都可以”爬”回自己的電腦做進一步的分析,
這方面應用在一般投資人的世界早已行之多年; 遵從基本分析的投資人, 運用Excel等工具或其他的程式語言,
定期從公開觀測站抓取每月營收或財務報表數據, 因此一般投資大眾, 即使沒有如機構法人分析師擁有公司內部的資料庫完整財務資訊, 仍能進行專業的股票分析。
繼續閱讀...
交易策略最佳化
這幾天稍微熟悉了Wealth-Lab，趕緊就拿來嘗試建構一些交易策略，和進行系統的績效回測。身為一個順勢交易的追隨者，移動平均線是其中最重要的元件，因此就決定先從均線來開始進行。
在進入完整的分析前，先直接看個結論吧:
這是黃金ETF最佳化的結果，從2005年投資至今，報酬率超過120%，最高者甚至超過170%。
這次選定的投資市場，包括了台股，美股，以及商品投資，相關的投資標的如下:
三支ETF在市場上都是極具代表性的指數基金，成交量夠大，因此在實際交易當中，應該可以相當程度減少滑價風險所造成的績效誤差。
在進行均線最佳化之前，我先直覺的使用市場上慣用的月線/季線進行測試，初步的發現同樣的交易策略，在不同走勢的交易市場，產生完全不一樣的績效結果。在大多頭的黃金市場，買進持有策略之報酬遠超過月線/季線之策略。而在台股市場，績效表現差強人意，正報酬並無明顯高於買進持有策略，但損失亦能控制在一個安全的範圍之內。最後是在美股S&P500市場，能有效控制損失，並在2007年之後，創造45％的報酬率。
相關績效圖表如下:
首先是黃金市場（GLD）
接下來是台股（TTT）
最後是美股（SPY）
接下來，就要進入這次研究的核心了，均線最佳化。我的測試設定如下:
最佳化的過程，除了追尋報酬最高之外，亦將風險以及交易成本納入考量範圍，因此我利用了三項指標來達到這些目的，分別為Sharpe Ratio, APR（年化報酬），以及WLScore。
WLScore的公式說明如下:
當APR為正報酬 :
WLScore = (APR / Exposure)*( 1 + MaxDrawDownPct)
當APR為負報酬 :
WLScore = (APR / Exposure)*( 1 + Abs(MaxDrawDownPct))
其中Exposure : %市場曝險時間
最後，為了避免參數孤島，以及視覺化整體均線參數的所有表現績效，我運用了ISO-Surface來展現結果。
最佳化的結果分析如下 :
在大多頭的黃金市場，儘速買進並且不要賣出，似乎才是一個最佳的策略。
在台股市場，110移動平均線是一個不錯的買進位置，賣出的位置建議是在40以上的移動平均線 。
在美股S&P500市場，200以上(甚至到240)移動平均線是良好的買進位置，賣出的位置對於報酬率的影響倒是不顯著。
相關績效圖表如下:首先一樣是黃金市場（GLD）
接下來是台股（TTT）
最後是美股（SPY）
by J.D.
繼續閱讀...
在進入完整的分析前，先直接看個結論吧:
這是黃金ETF最佳化的結果，從2005年投資至今，報酬率超過120%，最高者甚至超過170%。這次選定的投資市場，包括了台股，美股，以及商品投資，相關的投資標的如下:
三支ETF在市場上都是極具代表性的指數基金，成交量夠大，因此在實際交易當中，應該可以相當程度減少滑價風險所造成的績效誤差。
在進行均線最佳化之前，我先直覺的使用市場上慣用的月線/季線進行測試，初步的發現同樣的交易策略，在不同走勢的交易市場，產生完全不一樣的績效結果。在大多頭的黃金市場，買進持有策略之報酬遠超過月線/季線之策略。而在台股市場，績效表現差強人意，正報酬並無明顯高於買進持有策略，但損失亦能控制在一個安全的範圍之內。最後是在美股S&P500市場，能有效控制損失，並在2007年之後，創造45％的報酬率。相關績效圖表如下:
首先是黃金市場（GLD）
接下來是台股（TTT）
最後是美股（SPY） 
接下來，就要進入這次研究的核心了，均線最佳化。我的測試設定如下:
最佳化的過程，除了追尋報酬最高之外，亦將風險以及交易成本納入考量範圍，因此我利用了三項指標來達到這些目的，分別為Sharpe Ratio, APR（年化報酬），以及WLScore。
WLScore的公式說明如下:
當APR為正報酬 :
WLScore = (APR / Exposure)*( 1 + MaxDrawDownPct)
當APR為負報酬 :
WLScore = (APR / Exposure)*( 1 + Abs(MaxDrawDownPct))
其中Exposure : %市場曝險時間
最後，為了避免參數孤島，以及視覺化整體均線參數的所有表現績效，我運用了ISO-Surface來展現結果。
最佳化的結果分析如下 :
在大多頭的黃金市場，儘速買進並且不要賣出，似乎才是一個最佳的策略。
在台股市場，110移動平均線是一個不錯的買進位置，賣出的位置建議是在40以上的移動平均線 。
在美股S&P500市場，200以上(甚至到240)移動平均線是良好的買進位置，賣出的位置對於報酬率的影響倒是不顯著。
相關績效圖表如下:首先一樣是黃金市場（GLD）
接下來是台股（TTT）
最後是美股（SPY）
by J.D.
繼續閱讀...
訂閱：
文章 (Atom)
