Python 初階配對交易

Python 初階配對交易

近 17 年 (2003 年至 2020 年 7 月) 發行量加權股價報酬指數 (俗稱:大盤還原價) 平均每年報酬率高達 9.70% (採幾何平均計算,相關資料請參閱:臺灣證券交易所,無日期)。同時,臺灣證券交易參與現狀亦是十分熱絡,平均每兩名成年中就有一人開戶 (陳昱光,民 107 年 2 月 25 日);不重複開戶人數高達 1,053 萬餘人,2019 年每位股民更是平均獲利 67 萬元 (潘智義,民 108 年 12 月 31 日)。顯而易見地,證券交易可說早已是個人理財中的基礎能力。
然證券化和信用擴張的創新、科技與投資理論所催生的新型交易策略 (Bodie et al., 民 101),與如 Covid-19 疫情難以預料的突發事件 (經濟日報,民 109 年 6 月 26 日) 等,致使證券市場充滿了各種快速且複雜的震盪變化,更造成發行量加權股價報酬指數的日報酬率樣本標準差高達 1.17% (2003 年至 2020 年 7 月,相關資料請參閱:臺灣證券交易所,無日期)。 故本門課著重在資產配置上,利用沖銷風險為根基的配對交易 ("配對交易",民 107) 為課程主軸,將以距離方法 (distance method, 相關資料請參閱:"Pairs trade," 2020, para. #Model-based pairs trading) 作為課程完成目標教學。
課程重要注意事項:(1) 此課程原為 Python 初階證券交易分析中數據分析的內容,程式設計部分已移至 Python 初階複合設計模式課程中。修習本課程學員僅須熟悉 Python 語法即可;(2) 本線上課程授課方式為提供已錄製完成的影片,無直播授課;(3) 基於法規限制 (臺灣證券交易所,使用條款,無日期臺灣期貨交易所,使用條款,無日期),部分數據僅可使用過去已久的舊資料。(4) 結業標準採作業等權重加權後達 70 分,各作業內容與截止日期依當期課程決定。

課程大綱


  1. 認識金融商品與金融交易

    • 實質資產 vs. 金融資產

    • 債券、權益證券、衍生性金融商品

    • 配對交易概念


    • 作業範例


  2. 除權息、還原價與績效設定 (不實作)

    • 除權息與參考價

    • 還原價與客製化還原設計

    • 常見報酬率參考值

      1. 算術平均 (arithmetic mean)

      2. 幾何平均 (geometric mean)

      3. 內在報酬率 (internal rate of return, IRR)

      4. 年利率 (annual percentage rates, APR)

      5. 有效年利率 (effective annual rate, EAR)

      6. 持有期間報酬率 (holding-period return rate, HPR)

      7. 總報酬率 (total return rate, TRR)


    • 持有期間報酬及總報酬對於交易策略數量之關聯


    • 常見績效指標

      1. 夏普比率 (Sharpe ratio)

      2. 標準報酬 (standard return)

      3. M 平方值 (M-square)

      4. 崔納衡量值 (Treynor measure)

      5. 資訊比率 (information ratio)



  3. 理論與模型建立及分析

    • 套利定價理論 (arbitrage pricing theory, APT)

    • 現金流與投資組合價值之差異


    • 線性方程組 (linear system) 與線性迴歸 (linear regression)

      1. 普通線性迴歸 (ordinary linear regression)

      2. 多變量線性迴歸 (multivariate linear regression)

      3. 多變量化約秩迴歸 (multivariate reduced-rank regression, multivariate RRR)

      4. 向量自我迴歸 (vector auto-regression, VAR)

      5. 向量誤差修正模型 (vector error-correction model, VECM)


    • 常見估計量

      1. 普通最小平方法估計量 (ordinary least-squares estimator, OLS estimator)

      2. 最大概似估計量 (maximum likelihood estimator, MLE)

      3. 受限最小平方估計量 (restricted least-squares estimator, RLS estimator)

      4. 主成份估計量 (principal components estimator, PCE)

      5. 共整合估計量 (cointegration estimator)


    • 常見檢定

      1. 受限最小平方檢定 (restricted least-squares test)

      2. 線性檢定 (linearity test) 之潤瑟迴歸設定檢定 (Ramsey RESET)

      3. 常態檢定 (normality test) 之哈爾克--貝拉檢定 (Jarque--Bera test, JB test)

      4. 共整合檢定 (cointegration test) 之 Johansen 檢定 (Johansen test)


    • 配對組合適用性測量與隨機搜索投資組合

    • 均值回復技術指標與趨勢技術指標




備註

  • 本課程以中文教材為主,但仍有部分文字語言為英文,同時教材僅部分使用。

  • 本課程預計會安排程式考試一次。

  • 實際授課內容需視課堂學員學習情況而定。

  • 為配合當下最新 Python 版本,本課程不建議學員使用虛擬環境。

  • 本課程會提供雲端硬碟供學員下載上課的程式碼,於課程結束後一週關閉。

  • 本課程預計會安排之學習評量,可於課程網站中參考上期試卷題目。

  • 簡報及課程網站請參考 https://www.csie.ntu.edu.tw/~d06922002/Course/PTS/

適合對象

  • 嫻熟於使用 Python 者

  • 證券或相關金融商品交易經驗者

  • 對線性代數與機率論基礎有所了解者

開發環境

  • Python 3.8.5

  • NumPy 1.19.1

  • SciPy 1.5.2

  • matplotlib 3.3.0

  • influxdb 5.3.0

實體課程注意事項

本班為實體課程,常見QA詳情連結

校園防疫措施詳情連結

公務員全程參與課程學習後可於課程結束後申請登錄公務人員學習時數

課程影片觀看期限至課程結束後一週關閉

(一)退費期限:開課日後⅓時數內,詳情連結

(二)查詢結業狀況:結業名單連結

近期班次

講師介紹

(一) 學歷:

  • 國立交通大學應用數學所碩士學位
  • 國立台灣大學資訊工程學系博士班

(二) 經歷:

(三) 專長:

  • 統計套利 (statistical arbitrage)
  • 配對交易 (pairs trading)
  • 計量策略 (quantitative strategies)

(四) 教學經驗:

  • 於本訓練班授課時數累計至 2021年6月30日為540小時