返回目錄
A
投資智慧：數據驅動的投資組合管理實務 - 第 1 章
第1章 基礎金融市場概論
發布於 2026-03-01 03:50
# 第1章 基礎金融市場概論
本章將從宏觀層面說明全球金融市場的基本結構、主要金融工具以及交易機制，為後續數據驅動投資策略與量化模型奠定紮實的基礎。透過清晰的定義、具體案例與實務操作，協助讀者快速掌握金融市場的核心組成與資料流向。
## 1.1 全球金融市場結構
| 市場類別 | 主要功能 | 典型交易對象 | 代表性交易所／機構 |
|----------|----------|--------------|--------------------|
| 現貨市場 | 立即交割 | 企業、投資人、機構 | NYSE, LSE, HKEX |
| 衍生品市場 | 樱桃/風險管理 | 投資人、投資顧問、金融機構 | CME, ICE, Euronext |
| 貨幣市場 | 短期資金調配 | 銀行、企業 | Fed Funds, EURIBOR |
| 私募／基金市場 | 資本募集 | 高淨值個人、機構 | BlackRock, Fidelity |
| 加密貨幣市場 | 數位資產交易 | 零售投資人、機構 | Binance, Coinbase |
> **重要概念**
> - **流動性**：市場成交量與買賣差價（Spread）反映資產買賣的方便程度。
> - **市場深度**：指在不同價格層級上可買賣的資產量。
> - **交易時段**：不同市場有各自的開盤、收盤時間，影響資產流動與資訊傳遞。
## 1.2 主要金融工具
| 工具類別 | 代表性產品 | 主要特點 | 投資者關注點 |
|----------|------------|----------|--------------|
| 股票 | 個股、ETF | 所有者權益、股息 | 估值倍率、增長潛力 |
| 債券 | 國庫券、公司債 | 固定利息、到期日 | 信用風險、利率變動 |
| 衍生品 | 期權、期貨、掉期 | 杠杆、風險對沖 | 波動率、執行價格 |
| 貨幣 | 外匯、貨幣基金 | 匯率風險、流動性 | 匯率走勢、利差 |
| 私募 | 私募股權、基金 | 高報酬、低流動性 | 投資期限、退出機制 |
### 1.2.1 交易機制示例
以下示例說明如何使用 Python 透過 `yfinance` 下載美國大型股（Apple）的歷史價格，用於後續的時間序列分析。
python
import yfinance as yf
# 下載 Apple（AAPL）歷史股價，期間為 2023-01-01 到 2023-12-31
ticker = yf.Ticker('AAPL')
hist = ticker.history(start='2023-01-01', end='2024-01-01')
print(hist.head())
> **輸出範例**
>
> | Date | Open | High | Low | Close | Volume |
> |------|------|------|------|-------|--------|
> |2023‑01‑02 | 170.00 | 174.00 | 169.00 | 173.50 | 70M |
> |2023‑01‑03 | 173.60 | 176.00 | 172.50 | 175.20 | 68M |
> ... |
## 1.3 交易機制與市場參與者
| 參與者類別 | 主要角色 | 交易行為 |
|------------|----------|----------|
| 個人投資者 | 購買/出售 | 短期投機或長期投資 |
| 機構投資者 | 風險管理、資產配置 | 系統化投資、對沖 |
| 銀行 | 資金撮合、信用擔保 | 交易撮合、融資、保證金 |
| 交易所 | 規則制定、交易撮合 | 監管、結算 |
| 訂貨商 | 研究與建議 | 策略建議、產品創新 |
> **交易撮合流程**
> 1. 投資者下單（限價單、止損單）
> 2. 交易所或 ECN 匹配買賣雙方
> 3. 成交後結算機制確保資金與證券交割
> 4. 監管機構對交易記錄進行監督
## 1.4 資料來源與數據格式
| 資料類型 | 典型來源 | 格式 | 常見使用工具 |
|----------|-----------|------|----------------|
| 市場行情 | 交易所、Yahoo Finance, Quandl | CSV, JSON, API | pandas, R quantmod |
| 企業財報 | 公司財報、EDGAR | XBRL, PDF | OpenBB, BeautifulSoup |
| 宏觀數據 | OECD, World Bank | CSV, JSON | statsmodels, Prophet |
| ESG 評分 | MSCI, Sustainalytics | CSV, API | ESG Analytics SDK |
> **資料清理重點**
> - 時間戳統一（UTC/本地時間）
> - 欠缺值處理（前向/後向填補）
> - 異常值檢測（如正向回撤>10%）
> - 交易日校正（處理節假日、交易所休市）
## 1.5 實務應用案例：ETF 基礎組合構建
### 1.5.1 目標
利用市場數據構建一個涵蓋美國大型股、科技股、能源股的ETF 基礎組合，並評估其風險與報酬。
### 1.5.2 步驟
1. **選擇 ETF**：VTI（全市場）、QQQ（科技）、XLE（能源）。
2. **下載歷史價格**：使用 `yfinance`。
3. **計算日報酬**：`pct_change()`。
4. **估算年化報酬與波動率**：
python
annual_return = (prices.iloc[-1] / prices.iloc[0]) ** (252 / len(prices)) - 1
annual_vol = returns.std() * np.sqrt(252)
5. **配置權重**：均衡配置或市場價值加權。
6. **回測**：利用 `backtrader` 或 `pyfolio` 進行回測與績效評估。
### 1.5.3 成果概覽（示例）
| ETF | 2023 年報酬 | 2023 波動率 | 風險調整後報酬（夏普比率） |
|-----|-------------|-------------|----------------------------|
| VTI | 12.3% | 15.6% | 0.79 |
| QQQ | 18.7% | 22.1% | 0.85 |
| XLE | 8.5% | 18.4% | 0.46 |
> **教訓**：雖然 QQQ 的報酬最高，但波動率也最高，夏普比率雖然高於 VTI，但仍須注意風險承受度。
## 1.6 小結
本章闡述了金融市場的基本結構、主要工具與交易機制，並提供了實務數據處理與 ETF 組合構建的範例。了解市場的運作模式與資料來源是後續建立數據驅動投資模型的前提，請務必在實務中多加練習，將理論與實務緊密結合。