第1章 股票財報的量化分析與研究
1.1 認識財報因子
►解析三大重要財報1
►取得財報因子資料
►常見的六大重要財報因子
1.2 透過Alphalens 評估因子
►如何使用 Alphalens
►解析 Alphalens 報表中五大分析結果
1.3 建立財報因子選股模型來挑選績優股
►建立單因子選股模型
►建立多因子選股模型
►靜態 / 動態選股模型
1.4 財報因子選股模型回測績效
►Backtrader 介紹
►Pyfolio 介紹
►Backtrader 因子模型回測結果
►Backtrader 因子模型回測結果 - 未交易的問題

第2章 股票價量的量化分析與研究
2.1 認識價量因子
►什麼是價量數據
►創建價量因子的常見手法
►四大類價量因子
2.2 快速產生多種價量因子
►TALIB 使用介紹
►開源的 Alphas-WorldQuant 101
►開源的 Alphas- 國泰君安 191
2.3 WorldQuant 101 Alphas 因子分析
2.4 台股操作更傾向反轉還是動能？

第3章 台指期的價量研究
3.1 台指期的資料處理- 分K 轉換
3.2 台指期在回測系統中如何設定?
3.3 台指期的策略研究
3.4 台股與台指期的結合- 對沖股票部位

第4章 AI 模型好用嗎？
4.1 前言
►任務目標的類型
►切分資料集
►低度擬合 vs 過度擬合
►AI 模型預測的任務五大步驟
4.2 機器學習在股價預測上的應用
►線性迴歸模型(Linear Regression Model)
►邏輯迴歸模型(Logistic Regression Model)
►決策樹模型(Decision Tree Model)
►隨機森林模型(Random Forest Model)
►XGBoost
4.3 深度學習在股價預測上的應用
►隨機種子(Random Seed) 設定
►數據載入和批量(Batch) 處理
►損失函式(Loss Function) 選擇
►優化器(Optimizer) 設定
►模型(Model) 架設
►訓練函式
►評估函式
4.4 強化學習在股價預測上的應用
►Environment 設置實作
►模型訓練實作
►模型推論實作
►多資產交易範例

第5章 該如何進行交易？
5.1 透過Backtrader 獲取交易訊號及串接下單API– 以股票為例
5.2 透過Backtrader 獲取交易訊號及串接下單API– 以期貨為例
5.3 Line Message API 進行交易推播
5.4 自建Airflow 排程環境
►Docker 簡介
►Airflow 簡介
►將股票策略加入 Airflow 排程中
►將期貨策略加入 Airflow 排程中
5.5 結語– 交易前請看asnd 第1章 股票財報的量化分析與研究
1.1 認識財報因子
►解析三大重要財報1
►取得財報因子資料
►常見的六大重要財報因子
1.2 透過Alphalens 評估因子
►如何使用 Alphalens
►解析 Alphalens 報表中五大分析結果
1.3 建立財報因子選股模型來挑選績優股
►建立單因子選股模型
►建立多因子選股模型
►靜態 / 動態選股模型
1.4 財報因子選股模型回測績效
►Backtrader 介紹
►Pyfolio 介紹
►Backtrader 因子模型回測結果
►Backtrader 因子模型回測結果 - 未交易的問題

第2章 股票價量的量化分析與研究
2.1 認識價量因子
►什麼是價量數據
►創建價量因子的常見手法
►四大類價量因子
2.2 快速產生多種價量因子
►TALIB 使用介紹
►開源的 Alphas-WorldQuant 101
►開源的 Alphas- 國泰君安 191
2.3 WorldQuant 101 Alphas 因子分析
2.4 台股操作更傾向反轉還是動能？

第3章 台指期的價量研究
3.1 台指期的資料處理- 分K 轉換
3.2 台指期在回測系統中如何設定?
3.3 台指期的策略研究
3.4 台股與台指期的結合- 對沖股票部位

第4章 AI 模型好用嗎？
4.1 前言
►任務目標的類型
►切分資料集
►低度擬合 vs 過度擬合
►AI 模型預測的任務五大步驟
4.2 機器學習在股價預測上的應用
►線性迴歸模型(Linear Regression Model)
►邏輯迴歸模型(Logistic Regression Model)
►決策樹模型(Decision Tree Model)
►隨機森林模型(Random Forest Model)
►XGBoost
4.3 深度學習在股價預測上的應用
►隨機種子(Random Seed) 設定
►數據載入和批量(Batch) 處理
►損失函式(Loss Function) 選擇
►優化器(Optimizer) 設定
►模型(Model) 架設
►訓練函式
►評估函式
4.4 強化學習在股價預測上的應用
►Environment 設置實作
►模型訓練實作
►模型推論實作
►多資產交易範例

第5章 該如何進行交易？
5.1 透過Backtrader 獲取交易訊號及串接下單API– 以股票為例
5.2 透過Backtrader 獲取交易訊號及串接下單API– 以期貨為例
5.3 Line Message API 進行交易推播
5.4 自建Airflow 排程環境
►Docker 簡介
►Airflow 簡介
►將股票策略加入 Airflow 排程中
►將期貨策略加入 Airflow 排程中
5.5 結語– 交易前請看askw 第1章 股票財報的量化分析與研究
1.1 認識財報因子
►解析三大重要財報1
►取得財報因子資料
►常見的六大重要財報因子
1.2 透過Alphalens 評估因子
►如何使用 Alphalens
►解析 Alphalens 報表中五大分析結果
1.3 建立財報因子選股模型來挑選績優股
►建立單因子選股模型
►建立多因子選股模型
►靜態 / 動態選股模型
1.4 財報因子選股模型回測績效
►Backtrader 介紹
►Pyfolio 介紹
►Backtrader 因子模型回測結果
►Backtrader 因子模型回測結果 - 未交易的問題

第2章 股票價量的量化分析與研究
2.1 認識價量因子
►什麼是價量數據
►創建價量因子的常見手法
►四大類價量因子
2.2 快速產生多種價量因子
►TALIB 使用介紹
►開源的 Alphas-WorldQuant 101
►開源的 Alphas- 國泰君安 191
2.3 WorldQuant 101 Alphas 因子分析
2.4 台股操作更傾向反轉還是動能？

第3章 台指期的價量研究
3.1 台指期的資料處理- 分K 轉換
3.2 台指期在回測系統中如何設定?
3.3 台指期的策略研究
3.4 台股與台指期的結合- 對沖股票部位

第4章 AI 模型好用嗎？
4.1 前言
►任務目標的類型
►切分資料集
►低度擬合 vs 過度擬合
►AI 模型預測的任務五大步驟
4.2 機器學習在股價預測上的應用
►線性迴歸模型(Linear Regression Model)
►邏輯迴歸模型(Logistic Regression Model)
►決策樹模型(Decision Tree Model)
►隨機森林模型(Random Forest Model)
►XGBoost
4.3 深度學習在股價預測上的應用
►隨機種子(Random Seed) 設定
►數據載入和批量(Batch) 處理
►損失函式(Loss Function) 選擇
►優化器(Optimizer) 設定
►模型(Model) 架設
►訓練函式
►評估函式
4.4 強化學習在股價預測上的應用
►Environment 設置實作
►模型訓練實作
►模型推論實作
►多資產交易範例

第5章 該如何進行交易？
5.1 透過Backtrader 獲取交易訊號及串接下單API– 以股票為例
5.2 透過Backtrader 獲取交易訊號及串接下單API– 以期貨為例
5.3 Line Message API 進行交易推播
5.4 自建Airflow 排程環境
►Docker 簡介
►Airflow 簡介
►將股票策略加入 Airflow 排程中
►將期貨策略加入 Airflow 排程中
5.5 結語– 交易前請看