第一章：投資分析的演進

# 第一章：投資分析的演進 本章將帶領讀者從投資分析的起源說起，循序漸進地探討從傳統的基本面分析、技術面分析，到現代的量化投資方法，並回顧其歷史脈絡與在當前市場環境中的重要性。 ## 1.1 基本面分析（Fundamental Analysis） ### 定義 基本面分析是以企業的財務報表、產業環境、宏觀經濟指標等實質資料為基礎，評估公司價值與投資價值。核心理念是：**價值投資者相信市場價格不一定即時反映資產的內在價值**。 ### 主要工具與指標 | 指標 | 目的 | 計算公式/參考 | 範例 | |------|------|-----------------|------| | 本益比（P/E） | 估值 | 市價 ÷ 每股盈餘 | 150 ÷ 5 = 30 | | 股利殖利率 | 產出回報 | 每年股利 ÷ 股價 | 3% | | ROE | 投資回報率 | 淨利 ÷ 股東權益 | 15% | | PEG | 成長修正本益比 | 本益比 ÷ 預期EPS成長率 | 1.2 | > **案例**： > 2015 年台積電（2330）當時市價 600 元，EPS 為 13 元，P/E 近 46。若以歷史平均 P/E 30 為基準，投資者可認為股價已過高，可能適合觀望。 ### 實務操作 1. **財報閱讀**：獲取最新季報與年報。 2. **行業比較**：將公司指標與同業對比。 3. **估值模型**：DCF（折現現金流）或相對估值法。 ## 1.2 技術面分析（Technical Analysis） ### 定義 技術面分析基於市場價格、成交量等歷史數據，透過圖表與指標捕捉價格動向，重視**趨勢、形態與統計特徵**。 ### 主要概念 - **趨勢線**：連結高點或低點的直線，示趨勢方向。 - **支撐與阻力**：價格難以突破的水平。 - **移動平均線（MA）**：簡單移動平均（SMA）與指數移動平均（EMA）。 - **相對強弱指標（RSI）**：衡量超買／超賣狀態。 - **MACD**：短期與長期 EMA 差異，捕捉轉折點。 ### 典型策略 | 策略 | 主要信號 | 風險管理 | |------|----------|----------| | 均線交叉 | 短期 MA 穿越長期 MA 上升/下降 | 設定止損 5% | | 破位突破 | 價格突破阻力/支撐 | 追蹤止損 10% | | 趨勢追蹤 | 連續高點/低點 | 限制單筆損失 3% | > **實際範例**： > 在 2020 年 3 月股市大跌期間，某科技股的 20 日 MA 由上跌至下，形成“黃金交叉”，技術交易者會視此為買入信號，配合 RSI 低於 30 的超賣訊號。 ## 1.3 量化投資（Quantitative Investing） ### 定義 量化投資將數學模型、統計方法與計算機程序結合，透過大規模數據分析自動化產生交易信號，並在交易成本、風險控制上優化。 ### 主要特點 - **數據驅動**：依賴歷史價格、財務數據、甚至替代數據（如社交媒體情緒）。 - **算法交易**：交易指令直接由程式發送，縮短執行時間。 - **高頻交易（HFT）**：秒級甚至微秒級執行，依賴高速網路與低延遲。 - **風險管理**：透過VaR、CVaR、資產配置模型實時調整。 ### 典型模型 - **統計套利**：配對交易、均值回歸。 - **機器學習**：隨機森林、XGBoost、深度學習（RNN、CNN）。 - **因子模型**：Fama–French 三因子、Carhart 四因子。 > **簡易示例**：利用 Python 計算兩支股票的協整關係，進行配對交易。 > ```python > import pandas as pd > import statsmodels.api as sm > > # 讀取兩支股票歷史收盤價 > df = pd.read_csv('pair.csv') > x, y = df['stockA'], df['stockB'] > > # 進行協整檢驗 > result = sm.tsa.coint(x, y) > print('p-value:', result[1]) > ``` > > 若 p-value < 0.05，則兩支股票存在協整關係，可進行配對交易。 ## 1.4 歷史脈絡 | 時期 | 代表人物 / 事件 | 主要發展 | |------|------------------|-----------| | 1950s | Benjamin Graham | 价值投资奠基 | | 1970s | John Bollinger | 震盪區間、布林帶 | | 1990s | Jim Simons (Renaissance) | 量化基金起步 | | 2000s | 高頻交易興起 | 低延遲、算法交易 | | 2010s | 大數據與機器學習 | 替代數據、深度學習 | | 2020s | AI+量化、ETF量化化 | 量化投資民主化 | > **重要里程碑**： > - 1980 年，**芝加哥期權交易所**推出計算機化交易平台。 > - 1998 年，**Renaissance Technologies** 成立，展示量化基金可顯著超越市場。 > - 2010 年，**Algorithmic Trading** 逐漸成為主流，許多券商提供 API 供量化投資者使用。 ## 1.5 現代需求與未來挑戰 ### 需求驅動 | 需求 | 典型應用 | |------|----------| | **快速反應** | 高頻交易、事件驅動策略 | | **降低交易成本** | 量化成本模型、滑點估算 | | **風險可控** | 動態資產配置、風險平衡 | | **數據多樣化** | 替代數據（新聞、臉書、衛星影像） | | **合規透明** | 交易紀錄、模型解釋性 | ### 挑戰 1. **數據品質**：缺失值、噪聲、偏差。 2. **模型過擬合**：高維特徵導致過度擬合歷史。 3. **計算資源**：高頻交易對硬體、網路延遲要求極高。 4. **監管風險**：交易監管、數據隱私、模型透明度。 5. **道德與社會影響**：市場操縱、資本分配不均。 --- > **結語**：投資分析的演進從人腦的直覺與直觀，到數學模型與機器學習的自動化，代表了投資領域從定性到量化、從單一策略到綜合生態系統的變遷。隨著數據量的爆炸性增長與計算能力的提升，未來的投資者將越來越需要具備跨領域的知識與實務操作能力，以在競爭激烈的市場中尋求可持續的優勢。