- 登入
- 註冊
Python 股票投資，建議先手動交易練練盤感嗎？
這篇主要整理了筆者的學習歷程，以及周遭同業朋友的經驗。本篇內容雖然參考了客觀資訊，但仍然會有相當主觀的論述，主要提供準備入門 Python 理財與量化股票投資的讀者比較清晰的思考方式，來決定接下來的學習時間分配。
因此，不同投資背景的讀者，無論是有手動交易股票經驗、或是剛入門股票投資的初學者，還是做期貨程式交易的投資人，筆者認為都能有些收穫。
目錄 Content
隱藏
Python 股票投資－找到適合自己的交易模式
先講結論，筆者強烈建議大家在設計自己的 Python 自動化投資之前，先小額手動交易感受市場。但主要不是為了練盤感，而是透過感受市場的波動，來找到適合自己的交易模式，以及理解市場脈動的邏輯。
以下是筆者身邊兩個極端的例子：
案例一：精明的研究者
筆者在避險基金產業任職多年，曾經有一位同事十分具有研究精神，運用統計模型也是信手捻來，針對模型特性設計量化研究實驗也是相當熟練。但是，他在業內兩三年以來的操作績效卻是慘不忍睹，他幾乎沒幫基金賺過錢。
這位同事他幾乎沒有手動交易過，也沒有關注產業脈動和市場消息，而是投入 100% 的精力在價格時間序列與統計上。他認為，市場上所有資訊都反映在價格上。換句話說，他的觀念裡，認為價量資料已經包含所有資訊，因此全盤忽略其他維度的資訊。
他的問題在哪裡？我們試想一下，如果總體經濟環境、產業脈動、公司基本面、資金流等各種不同維度的資訊，如他所想都已經反映在價量資料裡，那很顯然，雜訊也會包含在價量資料內。因為，投資人不太可能參考完整資訊做理性決策下單交易，這些投資人的交易行為也會左右市場行情。
那回過頭來看這位同事的模型：真的存在這種完美模型，能把價量資料內的雜訊過濾掉，又盡可能保留獲利的交易嗎？回測上很容易做到，實盤又是另一回事。事實就是，如果只靠價量資料，我們非常難定義模型過濾掉的就是雜訊，而不是有用的資訊。
筆者一直在想，如果這位同事平常逐漸累積交易執行規則細節，以及投資研究領域的知識，與他的投資模型搭配，應該會成長得更快吧！
案例二：不理性的價值投資者
這個案例是筆者多年朋友，雖然這篇可能會被他本人看到，但這真的是個不錯的負面教材，這裡還是提出來，讓讀者都能有省思的 機會，獲得小小的進步。
這位朋友原本也是業界人士，投資經歷相當豐富。他早早財富自由後，開啟了多年的全職投資生活。但這裡既然會提出來，代表後來悲劇了。
原先，他保持良好的步調，在研究深度和投資風格上達到平衡，無論是做多還是做空，都獲得不錯的成績。直到他開始挑戰短線交易。
短線交易需要的研究深度、交易執行、心態調整都和原先的投資風格完全不同。但他在幾次連續虧損後就徹底失控了。他還沒找到短線交易該有的平衡，卻多次重倉操作，試圖快速賺回損益兩平，彷彿期間的瘋狂從來沒發生過。
於是他開始不進行任何事前研究，全憑盤感交易，在開了融資又遇上雙巴盤。他的近況是「經歷了創業失敗」而回到投資研究行業工作。
筆者認為，這位老朋友所犯的錯誤，除了紀律以外，最重要是沒有策略。沒有策略代表著沒有找到自己的投資優勢，就如同花錢報名了猜拳大賽，有時會贏、有時會輸，平均而言是虧了手續費和稅。一般來說，當你沒有找到自己的投資優勢，根本就不該參與這場遊戲。更何況這位老朋友的操作還搭配了恐慌情緒來攪局，變成錯上加錯，只輸一半算是運氣好了。
【系列閱讀】Python 股票系列文章
結論
看完上面兩個案例，我們稍微總結一下：想要用 Python 建立自己的自動化股票投資，需要先了解適合自己的投資風格。而不同的投資風格，對各個維度資料的研究深度有不小的區別。如果沒有實際進行一些交易執行，筆者認為單純埋頭苦幹研究程式模型的成長幅度有限，效率也不好（有強者前輩帶的話就另當別論）。如果沒有找到適合自己的投資風格、沒找到自己的投資優勢就不斷地交易，也是嚴重損害帳戶規模成長的行為。
因此，這裡建議 Python 股票投資的策略研究開發的同時，可以小額手動交易感受市場。兩者搭配，讓投資之路更寬廣。
