Colab即時演練 × Backtrader策略設計到績效評估全流程（iThome鐵人賽系列書）
本書特色
✦ 掌握量化基礎
從理論到實作，全面理解量化交易
✦ AI 結合金融
結合機器學習，開啟投資新思維
✦ 情緒文本分析
運用 NLP 技術，洞察市場情緒脈動
✦ 實作體驗
每章附程式範例，立即動手練習
《WordPress SEO 全攻略》不只是一本教學書，也是一部網站成長的實戰指南。無論是想讓品牌被更多人認識，還是希望個人作品被更多人看到，本書都能幫助你建立穩定的流量基礎，掌握 SEO 從技術到策略的全貌。
打開就會 AI 與數據分析的投資理財術
透過實作案例一步步打造你的第一個量化交易策略！
本書內容改編自第16屆 iThome 鐵人賽AI/ ML & Data 組優選系列文章《打開就會 AI 與數據分析的投資理財術》。近年自動化交易與長期投資蔚為風潮，其中最受矚目的便是結合數據與程式設計的量化交易（Quantitative Trading）。本書以 Backtrader 為核心，系統化整理量化交易的基礎觀念與實作流程，協助讀者從理論快速進入實務操作。全書操作環境單純，僅使用 Backtrader，讓初學者能專注於策略設計與回測分析。
書中亦結合 AI 與金融的應用，示範如何運用機器學習與強化學習進行市場預測與自動化交易，帶領讀者理解人工智慧在投資決策中的潛力。秉持「學習觀念不如親手實作」的理念，每章皆附可直接執行的 Google Colab 範例，讀者無需額外安裝環境，即可立即體驗量化策略開發流程。本書是你踏入量化投資與 AI 金融世界的最佳起點。
目標讀者
● 有基本程式能力想要探索量化交易的人
● 具有 AI 知識想要探索在金融領域上應用的人
● 聽聞過金融理財想要進一步拓展深度的人
● 想要自動高效化達到處理金融資訊以及投資相關數據的人
● 在相關行業想要部屬、發展 AI 輔助投資技術的人
✦ 掌握量化基礎
從理論到實作，全面理解量化交易
✦ AI 結合金融
結合機器學習，開啟投資新思維
✦ 情緒文本分析
運用 NLP 技術，洞察市場情緒脈動
✦ 實作體驗
每章附程式範例，立即動手練習
《WordPress SEO 全攻略》不只是一本教學書，也是一部網站成長的實戰指南。無論是想讓品牌被更多人認識，還是希望個人作品被更多人看到，本書都能幫助你建立穩定的流量基礎，掌握 SEO 從技術到策略的全貌。
打開就會 AI 與數據分析的投資理財術
透過實作案例一步步打造你的第一個量化交易策略！
本書內容改編自第16屆 iThome 鐵人賽AI/ ML & Data 組優選系列文章《打開就會 AI 與數據分析的投資理財術》。近年自動化交易與長期投資蔚為風潮，其中最受矚目的便是結合數據與程式設計的量化交易（Quantitative Trading）。本書以 Backtrader 為核心，系統化整理量化交易的基礎觀念與實作流程，協助讀者從理論快速進入實務操作。全書操作環境單純，僅使用 Backtrader，讓初學者能專注於策略設計與回測分析。
書中亦結合 AI 與金融的應用，示範如何運用機器學習與強化學習進行市場預測與自動化交易，帶領讀者理解人工智慧在投資決策中的潛力。秉持「學習觀念不如親手實作」的理念，每章皆附可直接執行的 Google Colab 範例，讀者無需額外安裝環境，即可立即體驗量化策略開發流程。本書是你踏入量化投資與 AI 金融世界的最佳起點。
目標讀者
● 有基本程式能力想要探索量化交易的人
● 具有 AI 知識想要探索在金融領域上應用的人
● 聽聞過金融理財想要進一步拓展深度的人
● 想要自動高效化達到處理金融資訊以及投資相關數據的人
● 在相關行業想要部屬、發展 AI 輔助投資技術的人
CHAPTER 01 量化投資介紹與目標設定
1.1 量化投資的基本概念
1.2 常見量化策略類型
1.3 量化投資的優勢
1.4 設定量化投資目標
1.5 本章小結
CHAPTER 02 獲取金融數據
2.1 使用 yfinance 下載金融數據
2.2 探索數據結構
2.3 時間數據基本處理與操作
2.4 使用 matplotlib 繪製股票收盤價走勢圖
2.5 儲存數據
2.6 本章小結
CHAPTER 03 數據清洗、處理與技術指標計算
3.1 數據清洗與處理
3.2 計算常見技術指標（Technical Indicator）
3.3 視覺化財務指標
3.4 本章小結
CHAPTER 04 金融指標計算與策略開發基礎
4.1 金融指標計算
4.2 金融指標 Python 實現
4.3 策略開發基礎
4.4 綜合應用：從指標到策略
4.5 本章小結
CHAPTER 05 BackTrader 回測框架介紹
5.1 為什麼需要回測
5.2 使用 Backtrader 回測框架
5.3 回測中的注意事項
5.4 進一步探索
5.5 本章小結
CHAPTER 06 動量策略、均值回歸策略與技術指標策略開發
6.1 動量策略開發
6.2 使用 Backtrader 實現動量策略
6.3 均值回歸策略開發
6.4 使用 Backtrader 實現均值回歸策略
6.5 技術指標策略開發
6.6 使用 Backtrader 實現 RSI MACD 策略
6.7 策略優化與參數調整
6.8 本章小結
CHAPTER 07 利用 Backtrader 進行策略參數調整達到優化夏普率
7.1 導入所需的 Library
7.2 建立策略類別並加入參數
7.3 設置策略參數範圍並執行優化
7.4 解析優化結果
7.5 結果分析與應用
7.6 本章小結
CHAPTER 08 風險管理基礎與風險調整後的收益
8.1 風險管理基礎
8.2 常見的風險控制策略
8.3 風險調整後的收益
8.4 實作風險管理與風險調整後的收益計算
8.5 策略優化與風險調整
8.6 優化結果的解讀與應用
8.7 本章小結
CHAPTER 09 多資產投資組合
9.1 多資產投資組合的概念
9.2 實現簡單的多資產投資組合
9.3 本章小結
CHAPTER 10 因子投資
10.1 因子投資的概念
10.2 因子投資策略的構建
10.3 因子投資組合的回測
10.4 因子投資策略的優化與應用
10.5 本章小結
CHAPTER 11 引入 AI——機器學習概述與數據預處理
11.1 機器學習在金融中的應用場景
11.2 Scikit Learn 簡介
11.3 數據預處理與特徵工程
11.4 為機器學習模型準備訓練數據
11.5 實際案例：預測股票價格走勢
11.6 本章小結
CHAPTER 12 監督式學習——回歸模型＆分類模型在股價上預測上的運用
12.1 監督式學習概述
12.2 回歸模型
12.3 分類模型
12.4 模型比較與選擇
12.5 實際案例：模型應用與評估
12.6 本章小結
CHAPTER 13 無監督學習＆模型優化與交叉驗證
13.1 無監督學習概述
13.2 應用 K-Means 聚類識別市場模式
13.3 主成分分析（PCA）進行數據降維
13.4 模型優化與交叉驗證
13.5 綜合應用：模型優化與無監督學習結合
13.6 本章小結
CHAPTER 14 時間序列預測——使用 ARIMA 和 Prophet
14.1 時間序列分析基礎
14.2 實際案例：比較 ARIMA 與 Prophet 模型
14.3 本章小結
CHAPTER 15 時間序列預測——LSTM
15.1 引言
15.2 使用 PyTorch 建構模型
15.3 LSTM 簡介
15.4 LSTM 應用於股價預測數據處理
15.5 LSTM 模型建構
15.6 LSTM 模型訓練以及測試
15.7 處理時間序列數據的特殊性
15.8 模型改進的方向
15.9 本章小結
CHAPTER 16 時間序列預測——Transformer
16.1 引言
16.2 Transformer 模型簡介
16.3 Transformer 應用於股價預測
16.4 Transformer 模型建構
16.5 Transformer 模型訓練以及測試
16.6 模型改進的方向
16.7 比較 Transformer 與 LSTM 模型的性能
16.8 本章小結
CHAPTER 17 強化學習在交易中的應用——基礎概述
17.1 引言
17.2 強化學習的基本概念
17.3 深度 Q 網絡（DQN）的詳細介紹
17.4 使用深度 Q 網絡（DQN）進行交易策略開發
17.5 強化學習框架建構
17.6 訓練 Agent
17.7 強化學習應用於交易的挑戰
17.8 改進和擴展
17.9 本章小結
CHAPTER 18 強化學習在交易中的應用——使用 Stable Baselines 和 FinRL
18.1 Stable Baseline
18.2 FinRL
18.3 環境設置＆數據準備
18.4 構建交易環境
18.5 選擇和訓練強化學習算法
18.6 結果分析
18.7 繪製買賣點
18.8 本章小結
CHAPTER 19 強化學習在交易中的應用——結合 Stable Baselines 進 Backtrader
19.1 為什麼選擇 Stable Baselines 3 和 Backtrader
19.2 環境設置
19.3 數據準備以及處理
19.4 建構交易環境
19.5 訓練強化學習模型
19.6 測試模型並收集交易訊號
19.7 本章小結
CHAPTER 20 投資情緒的解讀——結合情緒分析的交易策略
20.1 為什麼將情緒分析納入交易策略？
20.2 環境設置
20.3 數據準備以及處理
20.4 將情緒指標納入交易策略
20.5 本章小結asnd CHAPTER 01 量化投資介紹與目標設定
1.1 量化投資的基本概念
1.2 常見量化策略類型
1.3 量化投資的優勢
1.4 設定量化投資目標
1.5 本章小結
CHAPTER 02 獲取金融數據
2.1 使用 yfinance 下載金融數據
2.2 探索數據結構
2.3 時間數據基本處理與操作
2.4 使用 matplotlib 繪製股票收盤價走勢圖
2.5 儲存數據
2.6 本章小結
CHAPTER 03 數據清洗、處理與技術指標計算
3.1 數據清洗與處理
3.2 計算常見技術指標（Technical Indicator）
3.3 視覺化財務指標
3.4 本章小結
CHAPTER 04 金融指標計算與策略開發基礎
4.1 金融指標計算
4.2 金融指標 Python 實現
4.3 策略開發基礎
4.4 綜合應用：從指標到策略
4.5 本章小結
CHAPTER 05 BackTrader 回測框架介紹
5.1 為什麼需要回測
5.2 使用 Backtrader 回測框架
5.3 回測中的注意事項
5.4 進一步探索
5.5 本章小結
CHAPTER 06 動量策略、均值回歸策略與技術指標策略開發
6.1 動量策略開發
6.2 使用 Backtrader 實現動量策略
6.3 均值回歸策略開發
6.4 使用 Backtrader 實現均值回歸策略
6.5 技術指標策略開發
6.6 使用 Backtrader 實現 RSI MACD 策略
6.7 策略優化與參數調整
6.8 本章小結
CHAPTER 07 利用 Backtrader 進行策略參數調整達到優化夏普率
7.1 導入所需的 Library
7.2 建立策略類別並加入參數
7.3 設置策略參數範圍並執行優化
7.4 解析優化結果
7.5 結果分析與應用
7.6 本章小結
CHAPTER 08 風險管理基礎與風險調整後的收益
8.1 風險管理基礎
8.2 常見的風險控制策略
8.3 風險調整後的收益
8.4 實作風險管理與風險調整後的收益計算
8.5 策略優化與風險調整
8.6 優化結果的解讀與應用
8.7 本章小結
CHAPTER 09 多資產投資組合
9.1 多資產投資組合的概念
9.2 實現簡單的多資產投資組合
9.3 本章小結
CHAPTER 10 因子投資
10.1 因子投資的概念
10.2 因子投資策略的構建
10.3 因子投資組合的回測
10.4 因子投資策略的優化與應用
10.5 本章小結
CHAPTER 11 引入 AI——機器學習概述與數據預處理
11.1 機器學習在金融中的應用場景
11.2 Scikit Learn 簡介
11.3 數據預處理與特徵工程
11.4 為機器學習模型準備訓練數據
11.5 實際案例：預測股票價格走勢
11.6 本章小結
CHAPTER 12 監督式學習——回歸模型＆分類模型在股價上預測上的運用
12.1 監督式學習概述
12.2 回歸模型
12.3 分類模型
12.4 模型比較與選擇
12.5 實際案例：模型應用與評估
12.6 本章小結
CHAPTER 13 無監督學習＆模型優化與交叉驗證
13.1 無監督學習概述
13.2 應用 K-Means 聚類識別市場模式
13.3 主成分分析（PCA）進行數據降維
13.4 模型優化與交叉驗證
13.5 綜合應用：模型優化與無監督學習結合
13.6 本章小結
CHAPTER 14 時間序列預測——使用 ARIMA 和 Prophet
14.1 時間序列分析基礎
14.2 實際案例：比較 ARIMA 與 Prophet 模型
14.3 本章小結
CHAPTER 15 時間序列預測——LSTM
15.1 引言
15.2 使用 PyTorch 建構模型
15.3 LSTM 簡介
15.4 LSTM 應用於股價預測數據處理
15.5 LSTM 模型建構
15.6 LSTM 模型訓練以及測試
15.7 處理時間序列數據的特殊性
15.8 模型改進的方向
15.9 本章小結
CHAPTER 16 時間序列預測——Transformer
16.1 引言
16.2 Transformer 模型簡介
16.3 Transformer 應用於股價預測
16.4 Transformer 模型建構
16.5 Transformer 模型訓練以及測試
16.6 模型改進的方向
16.7 比較 Transformer 與 LSTM 模型的性能
16.8 本章小結
CHAPTER 17 強化學習在交易中的應用——基礎概述
17.1 引言
17.2 強化學習的基本概念
17.3 深度 Q 網絡（DQN）的詳細介紹
17.4 使用深度 Q 網絡（DQN）進行交易策略開發
17.5 強化學習框架建構
17.6 訓練 Agent
17.7 強化學習應用於交易的挑戰
17.8 改進和擴展
17.9 本章小結
CHAPTER 18 強化學習在交易中的應用——使用 Stable Baselines 和 FinRL
18.1 Stable Baseline
18.2 FinRL
18.3 環境設置＆數據準備
18.4 構建交易環境
18.5 選擇和訓練強化學習算法
18.6 結果分析
18.7 繪製買賣點
18.8 本章小結
CHAPTER 19 強化學習在交易中的應用——結合 Stable Baselines 進 Backtrader
19.1 為什麼選擇 Stable Baselines 3 和 Backtrader
19.2 環境設置
19.3 數據準備以及處理
19.4 建構交易環境
19.5 訓練強化學習模型
19.6 測試模型並收集交易訊號
19.7 本章小結
CHAPTER 20 投資情緒的解讀——結合情緒分析的交易策略
20.1 為什麼將情緒分析納入交易策略？
20.2 環境設置
20.3 數據準備以及處理
20.4 將情緒指標納入交易策略
20.5 本章小結askw CHAPTER 01 量化投資介紹與目標設定
1.1 量化投資的基本概念
1.2 常見量化策略類型
1.3 量化投資的優勢
1.4 設定量化投資目標
1.5 本章小結
CHAPTER 02 獲取金融數據
2.1 使用 yfinance 下載金融數據
2.2 探索數據結構
2.3 時間數據基本處理與操作
2.4 使用 matplotlib 繪製股票收盤價走勢圖
2.5 儲存數據
2.6 本章小結
CHAPTER 03 數據清洗、處理與技術指標計算
3.1 數據清洗與處理
3.2 計算常見技術指標（Technical Indicator）
3.3 視覺化財務指標
3.4 本章小結
CHAPTER 04 金融指標計算與策略開發基礎
4.1 金融指標計算
4.2 金融指標 Python 實現
4.3 策略開發基礎
4.4 綜合應用：從指標到策略
4.5 本章小結
CHAPTER 05 BackTrader 回測框架介紹
5.1 為什麼需要回測
5.2 使用 Backtrader 回測框架
5.3 回測中的注意事項
5.4 進一步探索
5.5 本章小結
CHAPTER 06 動量策略、均值回歸策略與技術指標策略開發
6.1 動量策略開發
6.2 使用 Backtrader 實現動量策略
6.3 均值回歸策略開發
6.4 使用 Backtrader 實現均值回歸策略
6.5 技術指標策略開發
6.6 使用 Backtrader 實現 RSI MACD 策略
6.7 策略優化與參數調整
6.8 本章小結
CHAPTER 07 利用 Backtrader 進行策略參數調整達到優化夏普率
7.1 導入所需的 Library
7.2 建立策略類別並加入參數
7.3 設置策略參數範圍並執行優化
7.4 解析優化結果
7.5 結果分析與應用
7.6 本章小結
CHAPTER 08 風險管理基礎與風險調整後的收益
8.1 風險管理基礎
8.2 常見的風險控制策略
8.3 風險調整後的收益
8.4 實作風險管理與風險調整後的收益計算
8.5 策略優化與風險調整
8.6 優化結果的解讀與應用
8.7 本章小結
CHAPTER 09 多資產投資組合
9.1 多資產投資組合的概念
9.2 實現簡單的多資產投資組合
9.3 本章小結
CHAPTER 10 因子投資
10.1 因子投資的概念
10.2 因子投資策略的構建
10.3 因子投資組合的回測
10.4 因子投資策略的優化與應用
10.5 本章小結
CHAPTER 11 引入 AI——機器學習概述與數據預處理
11.1 機器學習在金融中的應用場景
11.2 Scikit Learn 簡介
11.3 數據預處理與特徵工程
11.4 為機器學習模型準備訓練數據
11.5 實際案例：預測股票價格走勢
11.6 本章小結
CHAPTER 12 監督式學習——回歸模型＆分類模型在股價上預測上的運用
12.1 監督式學習概述
12.2 回歸模型
12.3 分類模型
12.4 模型比較與選擇
12.5 實際案例：模型應用與評估
12.6 本章小結
CHAPTER 13 無監督學習＆模型優化與交叉驗證
13.1 無監督學習概述
13.2 應用 K-Means 聚類識別市場模式
13.3 主成分分析（PCA）進行數據降維
13.4 模型優化與交叉驗證
13.5 綜合應用：模型優化與無監督學習結合
13.6 本章小結
CHAPTER 14 時間序列預測——使用 ARIMA 和 Prophet
14.1 時間序列分析基礎
14.2 實際案例：比較 ARIMA 與 Prophet 模型
14.3 本章小結
CHAPTER 15 時間序列預測——LSTM
15.1 引言
15.2 使用 PyTorch 建構模型
15.3 LSTM 簡介
15.4 LSTM 應用於股價預測數據處理
15.5 LSTM 模型建構
15.6 LSTM 模型訓練以及測試
15.7 處理時間序列數據的特殊性
15.8 模型改進的方向
15.9 本章小結
CHAPTER 16 時間序列預測——Transformer
16.1 引言
16.2 Transformer 模型簡介
16.3 Transformer 應用於股價預測
16.4 Transformer 模型建構
16.5 Transformer 模型訓練以及測試
16.6 模型改進的方向
16.7 比較 Transformer 與 LSTM 模型的性能
16.8 本章小結
CHAPTER 17 強化學習在交易中的應用——基礎概述
17.1 引言
17.2 強化學習的基本概念
17.3 深度 Q 網絡（DQN）的詳細介紹
17.4 使用深度 Q 網絡（DQN）進行交易策略開發
17.5 強化學習框架建構
17.6 訓練 Agent
17.7 強化學習應用於交易的挑戰
17.8 改進和擴展
17.9 本章小結
CHAPTER 18 強化學習在交易中的應用——使用 Stable Baselines 和 FinRL
18.1 Stable Baseline
18.2 FinRL
18.3 環境設置＆數據準備
18.4 構建交易環境
18.5 選擇和訓練強化學習算法
18.6 結果分析
18.7 繪製買賣點
18.8 本章小結
CHAPTER 19 強化學習在交易中的應用——結合 Stable Baselines 進 Backtrader
19.1 為什麼選擇 Stable Baselines 3 和 Backtrader
19.2 環境設置
19.3 數據準備以及處理
19.4 建構交易環境
19.5 訓練強化學習模型
19.6 測試模型並收集交易訊號
19.7 本章小結
CHAPTER 20 投資情緒的解讀——結合情緒分析的交易策略
20.1 為什麼將情緒分析納入交易策略？
20.2 環境設置
20.3 數據準備以及處理
20.4 將情緒指標納入交易策略
20.5 本章小結
1.1 量化投資的基本概念
1.2 常見量化策略類型
1.3 量化投資的優勢
1.4 設定量化投資目標
1.5 本章小結
CHAPTER 02 獲取金融數據
2.1 使用 yfinance 下載金融數據
2.2 探索數據結構
2.3 時間數據基本處理與操作
2.4 使用 matplotlib 繪製股票收盤價走勢圖
2.5 儲存數據
2.6 本章小結
CHAPTER 03 數據清洗、處理與技術指標計算
3.1 數據清洗與處理
3.2 計算常見技術指標（Technical Indicator）
3.3 視覺化財務指標
3.4 本章小結
CHAPTER 04 金融指標計算與策略開發基礎
4.1 金融指標計算
4.2 金融指標 Python 實現
4.3 策略開發基礎
4.4 綜合應用：從指標到策略
4.5 本章小結
CHAPTER 05 BackTrader 回測框架介紹
5.1 為什麼需要回測
5.2 使用 Backtrader 回測框架
5.3 回測中的注意事項
5.4 進一步探索
5.5 本章小結
CHAPTER 06 動量策略、均值回歸策略與技術指標策略開發
6.1 動量策略開發
6.2 使用 Backtrader 實現動量策略
6.3 均值回歸策略開發
6.4 使用 Backtrader 實現均值回歸策略
6.5 技術指標策略開發
6.6 使用 Backtrader 實現 RSI MACD 策略
6.7 策略優化與參數調整
6.8 本章小結
CHAPTER 07 利用 Backtrader 進行策略參數調整達到優化夏普率
7.1 導入所需的 Library
7.2 建立策略類別並加入參數
7.3 設置策略參數範圍並執行優化
7.4 解析優化結果
7.5 結果分析與應用
7.6 本章小結
CHAPTER 08 風險管理基礎與風險調整後的收益
8.1 風險管理基礎
8.2 常見的風險控制策略
8.3 風險調整後的收益
8.4 實作風險管理與風險調整後的收益計算
8.5 策略優化與風險調整
8.6 優化結果的解讀與應用
8.7 本章小結
CHAPTER 09 多資產投資組合
9.1 多資產投資組合的概念
9.2 實現簡單的多資產投資組合
9.3 本章小結
CHAPTER 10 因子投資
10.1 因子投資的概念
10.2 因子投資策略的構建
10.3 因子投資組合的回測
10.4 因子投資策略的優化與應用
10.5 本章小結
CHAPTER 11 引入 AI——機器學習概述與數據預處理
11.1 機器學習在金融中的應用場景
11.2 Scikit Learn 簡介
11.3 數據預處理與特徵工程
11.4 為機器學習模型準備訓練數據
11.5 實際案例：預測股票價格走勢
11.6 本章小結
CHAPTER 12 監督式學習——回歸模型＆分類模型在股價上預測上的運用
12.1 監督式學習概述
12.2 回歸模型
12.3 分類模型
12.4 模型比較與選擇
12.5 實際案例：模型應用與評估
12.6 本章小結
CHAPTER 13 無監督學習＆模型優化與交叉驗證
13.1 無監督學習概述
13.2 應用 K-Means 聚類識別市場模式
13.3 主成分分析（PCA）進行數據降維
13.4 模型優化與交叉驗證
13.5 綜合應用：模型優化與無監督學習結合
13.6 本章小結
CHAPTER 14 時間序列預測——使用 ARIMA 和 Prophet
14.1 時間序列分析基礎
14.2 實際案例：比較 ARIMA 與 Prophet 模型
14.3 本章小結
CHAPTER 15 時間序列預測——LSTM
15.1 引言
15.2 使用 PyTorch 建構模型
15.3 LSTM 簡介
15.4 LSTM 應用於股價預測數據處理
15.5 LSTM 模型建構
15.6 LSTM 模型訓練以及測試
15.7 處理時間序列數據的特殊性
15.8 模型改進的方向
15.9 本章小結
CHAPTER 16 時間序列預測——Transformer
16.1 引言
16.2 Transformer 模型簡介
16.3 Transformer 應用於股價預測
16.4 Transformer 模型建構
16.5 Transformer 模型訓練以及測試
16.6 模型改進的方向
16.7 比較 Transformer 與 LSTM 模型的性能
16.8 本章小結
CHAPTER 17 強化學習在交易中的應用——基礎概述
17.1 引言
17.2 強化學習的基本概念
17.3 深度 Q 網絡（DQN）的詳細介紹
17.4 使用深度 Q 網絡（DQN）進行交易策略開發
17.5 強化學習框架建構
17.6 訓練 Agent
17.7 強化學習應用於交易的挑戰
17.8 改進和擴展
17.9 本章小結
CHAPTER 18 強化學習在交易中的應用——使用 Stable Baselines 和 FinRL
18.1 Stable Baseline
18.2 FinRL
18.3 環境設置＆數據準備
18.4 構建交易環境
18.5 選擇和訓練強化學習算法
18.6 結果分析
18.7 繪製買賣點
18.8 本章小結
CHAPTER 19 強化學習在交易中的應用——結合 Stable Baselines 進 Backtrader
19.1 為什麼選擇 Stable Baselines 3 和 Backtrader
19.2 環境設置
19.3 數據準備以及處理
19.4 建構交易環境
19.5 訓練強化學習模型
19.6 測試模型並收集交易訊號
19.7 本章小結
CHAPTER 20 投資情緒的解讀——結合情緒分析的交易策略
20.1 為什麼將情緒分析納入交易策略？
20.2 環境設置
20.3 數據準備以及處理
20.4 將情緒指標納入交易策略
20.5 本章小結asnd CHAPTER 01 量化投資介紹與目標設定
1.1 量化投資的基本概念
1.2 常見量化策略類型
1.3 量化投資的優勢
1.4 設定量化投資目標
1.5 本章小結
CHAPTER 02 獲取金融數據
2.1 使用 yfinance 下載金融數據
2.2 探索數據結構
2.3 時間數據基本處理與操作
2.4 使用 matplotlib 繪製股票收盤價走勢圖
2.5 儲存數據
2.6 本章小結
CHAPTER 03 數據清洗、處理與技術指標計算
3.1 數據清洗與處理
3.2 計算常見技術指標（Technical Indicator）
3.3 視覺化財務指標
3.4 本章小結
CHAPTER 04 金融指標計算與策略開發基礎
4.1 金融指標計算
4.2 金融指標 Python 實現
4.3 策略開發基礎
4.4 綜合應用：從指標到策略
4.5 本章小結
CHAPTER 05 BackTrader 回測框架介紹
5.1 為什麼需要回測
5.2 使用 Backtrader 回測框架
5.3 回測中的注意事項
5.4 進一步探索
5.5 本章小結
CHAPTER 06 動量策略、均值回歸策略與技術指標策略開發
6.1 動量策略開發
6.2 使用 Backtrader 實現動量策略
6.3 均值回歸策略開發
6.4 使用 Backtrader 實現均值回歸策略
6.5 技術指標策略開發
6.6 使用 Backtrader 實現 RSI MACD 策略
6.7 策略優化與參數調整
6.8 本章小結
CHAPTER 07 利用 Backtrader 進行策略參數調整達到優化夏普率
7.1 導入所需的 Library
7.2 建立策略類別並加入參數
7.3 設置策略參數範圍並執行優化
7.4 解析優化結果
7.5 結果分析與應用
7.6 本章小結
CHAPTER 08 風險管理基礎與風險調整後的收益
8.1 風險管理基礎
8.2 常見的風險控制策略
8.3 風險調整後的收益
8.4 實作風險管理與風險調整後的收益計算
8.5 策略優化與風險調整
8.6 優化結果的解讀與應用
8.7 本章小結
CHAPTER 09 多資產投資組合
9.1 多資產投資組合的概念
9.2 實現簡單的多資產投資組合
9.3 本章小結
CHAPTER 10 因子投資
10.1 因子投資的概念
10.2 因子投資策略的構建
10.3 因子投資組合的回測
10.4 因子投資策略的優化與應用
10.5 本章小結
CHAPTER 11 引入 AI——機器學習概述與數據預處理
11.1 機器學習在金融中的應用場景
11.2 Scikit Learn 簡介
11.3 數據預處理與特徵工程
11.4 為機器學習模型準備訓練數據
11.5 實際案例：預測股票價格走勢
11.6 本章小結
CHAPTER 12 監督式學習——回歸模型＆分類模型在股價上預測上的運用
12.1 監督式學習概述
12.2 回歸模型
12.3 分類模型
12.4 模型比較與選擇
12.5 實際案例：模型應用與評估
12.6 本章小結
CHAPTER 13 無監督學習＆模型優化與交叉驗證
13.1 無監督學習概述
13.2 應用 K-Means 聚類識別市場模式
13.3 主成分分析（PCA）進行數據降維
13.4 模型優化與交叉驗證
13.5 綜合應用：模型優化與無監督學習結合
13.6 本章小結
CHAPTER 14 時間序列預測——使用 ARIMA 和 Prophet
14.1 時間序列分析基礎
14.2 實際案例：比較 ARIMA 與 Prophet 模型
14.3 本章小結
CHAPTER 15 時間序列預測——LSTM
15.1 引言
15.2 使用 PyTorch 建構模型
15.3 LSTM 簡介
15.4 LSTM 應用於股價預測數據處理
15.5 LSTM 模型建構
15.6 LSTM 模型訓練以及測試
15.7 處理時間序列數據的特殊性
15.8 模型改進的方向
15.9 本章小結
CHAPTER 16 時間序列預測——Transformer
16.1 引言
16.2 Transformer 模型簡介
16.3 Transformer 應用於股價預測
16.4 Transformer 模型建構
16.5 Transformer 模型訓練以及測試
16.6 模型改進的方向
16.7 比較 Transformer 與 LSTM 模型的性能
16.8 本章小結
CHAPTER 17 強化學習在交易中的應用——基礎概述
17.1 引言
17.2 強化學習的基本概念
17.3 深度 Q 網絡（DQN）的詳細介紹
17.4 使用深度 Q 網絡（DQN）進行交易策略開發
17.5 強化學習框架建構
17.6 訓練 Agent
17.7 強化學習應用於交易的挑戰
17.8 改進和擴展
17.9 本章小結
CHAPTER 18 強化學習在交易中的應用——使用 Stable Baselines 和 FinRL
18.1 Stable Baseline
18.2 FinRL
18.3 環境設置＆數據準備
18.4 構建交易環境
18.5 選擇和訓練強化學習算法
18.6 結果分析
18.7 繪製買賣點
18.8 本章小結
CHAPTER 19 強化學習在交易中的應用——結合 Stable Baselines 進 Backtrader
19.1 為什麼選擇 Stable Baselines 3 和 Backtrader
19.2 環境設置
19.3 數據準備以及處理
19.4 建構交易環境
19.5 訓練強化學習模型
19.6 測試模型並收集交易訊號
19.7 本章小結
CHAPTER 20 投資情緒的解讀——結合情緒分析的交易策略
20.1 為什麼將情緒分析納入交易策略？
20.2 環境設置
20.3 數據準備以及處理
20.4 將情緒指標納入交易策略
20.5 本章小結askw CHAPTER 01 量化投資介紹與目標設定
1.1 量化投資的基本概念
1.2 常見量化策略類型
1.3 量化投資的優勢
1.4 設定量化投資目標
1.5 本章小結
CHAPTER 02 獲取金融數據
2.1 使用 yfinance 下載金融數據
2.2 探索數據結構
2.3 時間數據基本處理與操作
2.4 使用 matplotlib 繪製股票收盤價走勢圖
2.5 儲存數據
2.6 本章小結
CHAPTER 03 數據清洗、處理與技術指標計算
3.1 數據清洗與處理
3.2 計算常見技術指標（Technical Indicator）
3.3 視覺化財務指標
3.4 本章小結
CHAPTER 04 金融指標計算與策略開發基礎
4.1 金融指標計算
4.2 金融指標 Python 實現
4.3 策略開發基礎
4.4 綜合應用：從指標到策略
4.5 本章小結
CHAPTER 05 BackTrader 回測框架介紹
5.1 為什麼需要回測
5.2 使用 Backtrader 回測框架
5.3 回測中的注意事項
5.4 進一步探索
5.5 本章小結
CHAPTER 06 動量策略、均值回歸策略與技術指標策略開發
6.1 動量策略開發
6.2 使用 Backtrader 實現動量策略
6.3 均值回歸策略開發
6.4 使用 Backtrader 實現均值回歸策略
6.5 技術指標策略開發
6.6 使用 Backtrader 實現 RSI MACD 策略
6.7 策略優化與參數調整
6.8 本章小結
CHAPTER 07 利用 Backtrader 進行策略參數調整達到優化夏普率
7.1 導入所需的 Library
7.2 建立策略類別並加入參數
7.3 設置策略參數範圍並執行優化
7.4 解析優化結果
7.5 結果分析與應用
7.6 本章小結
CHAPTER 08 風險管理基礎與風險調整後的收益
8.1 風險管理基礎
8.2 常見的風險控制策略
8.3 風險調整後的收益
8.4 實作風險管理與風險調整後的收益計算
8.5 策略優化與風險調整
8.6 優化結果的解讀與應用
8.7 本章小結
CHAPTER 09 多資產投資組合
9.1 多資產投資組合的概念
9.2 實現簡單的多資產投資組合
9.3 本章小結
CHAPTER 10 因子投資
10.1 因子投資的概念
10.2 因子投資策略的構建
10.3 因子投資組合的回測
10.4 因子投資策略的優化與應用
10.5 本章小結
CHAPTER 11 引入 AI——機器學習概述與數據預處理
11.1 機器學習在金融中的應用場景
11.2 Scikit Learn 簡介
11.3 數據預處理與特徵工程
11.4 為機器學習模型準備訓練數據
11.5 實際案例：預測股票價格走勢
11.6 本章小結
CHAPTER 12 監督式學習——回歸模型＆分類模型在股價上預測上的運用
12.1 監督式學習概述
12.2 回歸模型
12.3 分類模型
12.4 模型比較與選擇
12.5 實際案例：模型應用與評估
12.6 本章小結
CHAPTER 13 無監督學習＆模型優化與交叉驗證
13.1 無監督學習概述
13.2 應用 K-Means 聚類識別市場模式
13.3 主成分分析（PCA）進行數據降維
13.4 模型優化與交叉驗證
13.5 綜合應用：模型優化與無監督學習結合
13.6 本章小結
CHAPTER 14 時間序列預測——使用 ARIMA 和 Prophet
14.1 時間序列分析基礎
14.2 實際案例：比較 ARIMA 與 Prophet 模型
14.3 本章小結
CHAPTER 15 時間序列預測——LSTM
15.1 引言
15.2 使用 PyTorch 建構模型
15.3 LSTM 簡介
15.4 LSTM 應用於股價預測數據處理
15.5 LSTM 模型建構
15.6 LSTM 模型訓練以及測試
15.7 處理時間序列數據的特殊性
15.8 模型改進的方向
15.9 本章小結
CHAPTER 16 時間序列預測——Transformer
16.1 引言
16.2 Transformer 模型簡介
16.3 Transformer 應用於股價預測
16.4 Transformer 模型建構
16.5 Transformer 模型訓練以及測試
16.6 模型改進的方向
16.7 比較 Transformer 與 LSTM 模型的性能
16.8 本章小結
CHAPTER 17 強化學習在交易中的應用——基礎概述
17.1 引言
17.2 強化學習的基本概念
17.3 深度 Q 網絡（DQN）的詳細介紹
17.4 使用深度 Q 網絡（DQN）進行交易策略開發
17.5 強化學習框架建構
17.6 訓練 Agent
17.7 強化學習應用於交易的挑戰
17.8 改進和擴展
17.9 本章小結
CHAPTER 18 強化學習在交易中的應用——使用 Stable Baselines 和 FinRL
18.1 Stable Baseline
18.2 FinRL
18.3 環境設置＆數據準備
18.4 構建交易環境
18.5 選擇和訓練強化學習算法
18.6 結果分析
18.7 繪製買賣點
18.8 本章小結
CHAPTER 19 強化學習在交易中的應用——結合 Stable Baselines 進 Backtrader
19.1 為什麼選擇 Stable Baselines 3 和 Backtrader
19.2 環境設置
19.3 數據準備以及處理
19.4 建構交易環境
19.5 訓練強化學習模型
19.6 測試模型並收集交易訊號
19.7 本章小結
CHAPTER 20 投資情緒的解讀——結合情緒分析的交易策略
20.1 為什麼將情緒分析納入交易策略？
20.2 環境設置
20.3 數據準備以及處理
20.4 將情緒指標納入交易策略
20.5 本章小結
鍾嘉峻（Ziv）
現任於新竹科學園區擔任 Senior AI Researcher，專精於電腦視覺、強化學習及大型語言模型（LLM）應用。於企業內負責前沿技術（SOTA, State-of-the-Art）的研究與落地應用，2023 年榮獲公司「年度專利發明王」，並於 2024 年獲選為「新竹科學園區優秀從業人員」。
除科技領域外，亦深耕金融領域，持有證券高級業務員及投信投顧等專業證照，並於全球量化金融旗艦賽事——2025 WorldQuant Brain International Quant Championship（全球量化金融研究錦標賽）中榮獲世界第三名。
在多角化經歷與跨域學習的過程中，深刻體會知識碎片化所帶來的困擾，期望透過系統化的整理與架構，幫助讀者順利串聯各領域知識與理解其發展脈絡，穩健地踏出探索的第一步，並激發更多人進一步投入量化金融與人工智慧的世界。
現任於新竹科學園區擔任 Senior AI Researcher，專精於電腦視覺、強化學習及大型語言模型（LLM）應用。於企業內負責前沿技術（SOTA, State-of-the-Art）的研究與落地應用，2023 年榮獲公司「年度專利發明王」，並於 2024 年獲選為「新竹科學園區優秀從業人員」。
除科技領域外，亦深耕金融領域，持有證券高級業務員及投信投顧等專業證照，並於全球量化金融旗艦賽事——2025 WorldQuant Brain International Quant Championship（全球量化金融研究錦標賽）中榮獲世界第三名。
在多角化經歷與跨域學習的過程中，深刻體會知識碎片化所帶來的困擾，期望透過系統化的整理與架構，幫助讀者順利串聯各領域知識與理解其發展脈絡，穩健地踏出探索的第一步，並激發更多人進一步投入量化金融與人工智慧的世界。
Details
Review
0 ratings
1 stars
0%
2 stars
0%
3 stars
0%
4 stars
0%
5 stars
0%
Write a review
Eligible to write reviews after purchasing products or add to Library
