淺談金融特徵因子歷史回測－第一步

這幾個月不斷的在上一些金融資料分析的課程，也從教學當中整理一些部份，自己認為是從是在量化分析金融資料當中，可以持續累積進步的一些步驟，一般來說，如果要建構投資策略，一般人的做法可能是透過某些程式語言的套裝軟體(Multichart、MT4等)去著手，然後每個策略範本都跑跑看，最後找到一個權益曲線還不錯的策略，繼續做下去。

不過以Python去建構交易策略，本身門檻就比較高，也就是從分析資料的底層開始run，所以接觸到策略建構前，我想金融資料本身就有很多部分可以進行分析，這剛好也是用非套裝軟體的優勢與劣勢。

以自己來說，建構交易策略的工作，最主要分為三個部分：
1. 尋找有用的特徵
2. 建構策略
3. 驗證有效性(過度最佳化)
其中最難的應該是第3點，沒有正確答案

今天將會針對第一點來介紹，先介紹一下今天的主角，台灣50(0050)跟長榮航(2618)，選擇主角沒有特別原因，只是想在文章中闡述不同類型的商品，所出現的特徵反應大不相同。

下面是0050報酬率曲線圖，報酬率計算透過「隔天開盤/今天開盤」，不是拿收盤價去算，原因很簡單，因為如果要執行策略的話，開盤進場比較方便，收盤進場比較麻煩。此外這邊的報酬率是未來一天的，這樣才可以用特徵去篩選「未來報酬率」。

特徵(feature)這一個名詞，其實是來自於統計學、機器學習，如果在函數內就是x的角色，其中資料又分為幾類：
1. 二分法資料
2. 分類資料
3. 連續型資料
統計學中我們要自訂特徵，機器學習是試圖找出有效特徵。

特徵的樣子就是我們上面所提到的二分法資料，舉例：「股價>過去120日平均」、「波動率>過去20天的兩倍標準差」，接著我們拿「股價>過去120日平均」去篩選未來報酬率，透過特徵當濾網後權益曲線會變成下面這張圖。

最後我們看到，加上特徵的報酬率沒有比原本高，不過好像也閃躲2022年的一部份下跌，整體的報酬、風險是不一樣的樣貌。

接著換到個股的主角，長榮航2618，如果是以均線來看的累進報酬，長期都是虧損的，或許就代表均線不是一個有效的特徵。

不過這邊的報酬曲線只能做為參考，因為實際操作上，還需要考量到交易成本，這部分會之後再分享。

尋找特徵最主要的是了解，未來的報酬率，有沒有特定影響的因素？還是未來的報酬率只能被約束在市場價格隨機理論中呢，還是有效的特徵有沒有辦法讓我們產生投機上的優勢呢。