先看個印象
這一天，成功的完成了，目前資訊濃度最高的圖表：
這個圖不需要任何馬賽克，因為不會暴露資產規模，系統也沒在關心你有多少錢，唯一任務是「結構拆解」。市場有其結構，投資組合也是，搭配起來是否吻合，就是此圖重點。
混沌的市場
首先是市場。說「今天漲一百點」，此話資訊含量其實不少，因為這一百點，是大約 2000 個標的的綜合表現，市值越大的佔有的權重越大，其中包含複雜的資料搜集和計算的歷程。也許因為指數公司的服務已經非常成熟，民眾習慣於唾手可得的數據，漸漸的也容易就忘了其意義和內涵。
即使如此，這市場的漲跌，還是最表面的現象，對於一個想要挖掘其底層秘密的人來說，是遠遠不會滿足的。市場是那麼大，眾多的交易商品，多樣的商品特性，海量的參與者，帶著複雜多元的動機，和善變的情緒，...，這個混沌的整體，有挖掘不完的奧秘，這也是其迷人的原因。
漲一百點，台積電一人之力漲十塊錢就可以完成了；而若是台積電不動，即使一大堆小型股狂漲，也不見得會有一百點，這就描述出一個典型的結構差異，而這差異就不是一眼直覺可見，必須進行分析。
還有這一百點，可能是之前漲勢的延續，也可能是跌了一段時間之後的反彈，或是盤整很久之後的突破，意義各不同。雖然也許去大盤歷史畫一些線似乎可以得到，但還是不能忽略其中兩千支的個別影響，因為不是只有市值可以加權，其他屬性如動能也可以，大盤有動能不見得普遍的個股有動能，隨著不同的邏輯推理和統計方法而有不同的意義。
或有可能大盤聞風不動，卻有特定族群群魔亂舞，可能是特定產業，可能是剛好在財報公布的季節，某些公司突然被發現「價值被低估了」而跳升，或有可能有特定機構用強大資金力量，製造出一些隱性的震盪。這其中許多因果，大部分是埋藏在陰暗的角落，永遠無法被釐清或看見的！眾多量化分析技術，眾多經濟學家，眾多金融分析師，窮盡其力量，只能看見一點點而已。
四個系統化的方法
面對市場就是這樣，敬畏就是最重要的基調，我們很謙卑的尋找方法，想要一親芳澤。延續先前的研究，我得到了四個系統化的方法，用不同的角度來觀察市場。從現象的定義到對風險與報酬的影響，都有明確的邏輯。我因此大樂，因為不僅可以從產業面學習深入，就是所謂的定性研究，也可以用具體的數字，進行量化研究，並運用我的開發能力，把一切平台化。這樣就可以讓所有的知識與洞見，真實落地，影響關鍵的買賣決策。
前述的大盤漲一百點，以系統化語言描述就是：市場因子的因子溢酬 (factor return) 為 100/28000 ~= 0.35%。我沒有學術背景，不敢貿然解釋 CAPM 模型，只知「market return」 是其中重要的組成成份，後來因著金融工具的進步而用大盤指數來近似，market 成為天字第一號的因子。後來陸續有學者把模型擴充成為 三因子 (市場，市值，價值)，和 四因子 (加上動能)，等等，然後就....，蓬勃發展，其中共同的語言就是「因子 (factor)」。用各式各樣的因子來探索市場，成為目前 (應該吧) 投資或資產管理的基本方法。前一陣子聽一個量化公司的演講，據說人家定義了「幾千個因子」！真是瘋狂。他們試圖用爆量算力去暴力破解，壓榨出市場的油水。
總之，我已經定義，系統化，實作完成了四個因子 (市場，動能，波動，價值)，理論和算法都已經在 前面幾篇文章 詳細描述過了，現在我不急於加入更多因子，而是要充分利用現有的資訊，畢竟也是榨取得很辛苦。每個因子不只理解，會算，還要設計自動化每日更新了流程，牽涉到資料庫，運算模組，前端顯示等等，當然要好好享用這些資料。
資料視覺化初級班
一個可信賴的系統，必須是邏輯清晰的，所有最終呈現的指標或圖表，都可追朔和驗證。首先最基礎的資料，就是「歷史行情」了，每一支股票或大盤指數，都有依照日期，一天一筆「開，高，低，收」的資料，這一項太簡單，直接看日 K 線呈現：
以此為基礎，用每日收盤價，可以計算「每日報酬率」。為了消除除權息的影響，我會用「還原權值收盤價」計算，用簡單的線圖呈現：
每一支股票對大盤的報酬率作回歸分析，得到係數就是回歸線的斜率，呈現如下：
以上已經涉及到第一個因子的 beta，每一個股票都有一個 beta (因子曝險)，或有的稱為 factor loading (因子負荷)。那其他的因子呢？是用「橫截面」資料的 z-score 表示的，所謂橫截面是指「特定時間點」的所有股票 (我是取週成交額前 600 名)，原理請參照之前的文章，算出來簡單呈現如下：
因子值 (factor beta or factor loading) 算好之後，重要的是去發現「它與報酬率」之間的關係。市場因子已經算好了，就是當天的大盤漲幅，以 beta 的倍數，去影響個股的漲幅。那其他的因子呢？就是用「橫截面回歸」，去求得因子值，以多少倍數去影響個股漲幅，就是 lambda，或稱因子溢酬 (factor return)，每天算一次。用簡單的線條呈現，市場因子用虛線，因為它與其他人計算邏輯不一樣，要有所區分：
然後隨著資料跳來跳去，想要得到一個中期趨勢，那就是用 Rolling Mean，就是滾動式的計算已過 20 天的平均，得到較穩定的數值。若數值很高，表示該因子有效。另外還要看他穩不穩定，所以又除以其滾動標準差，就成為「因子穩定度」指標。也是用簡單的線圖表示，因為我的資料量還不夠多，所以只呈現一點。另外因為此值變異性大，為了把他們「壓扁」到 0, 1 之間，動用 tanh 函數。為了負責任的交代原始資料，在 tooltip 中顯示兩個數值，括號內為 raw data：
以上資料長期會呈現趨勢，若把最後一天拉出來，用 Bar 呈現更清楚：
從簡單呈現到視覺化藝術
以上做完一堆單項資料的視覺化後，開始要進一步榨取資訊了。這個過程不見得會用到更複雜的技術，更多的是基於對資料的理解，帶進跨界整合和比較，讓資料呈現出更深層的意義。比如說「市場因子」與其餘三個因子，計算邏輯和意義都很不相同，當大盤或權值股驚驚漲，帶動雞犬升天，可能其他風格都相形失色，或是幾乎失效。所以可以把市場因子單獨拉成一個軸，其餘三因子平均成為另一個軸，這樣就把市場狀況切成四個象限，方便分類管理：
最後一個就是文章開頭提的，硬是把「投資組合」的狀態連結進去，不像以上都只是呈現「市場樣態」，因為重點是「我如何因應」。
此圖把市場樣態濃縮成為橫軸，加入投資組合的曝險為縱軸，第三維度用圖示來區分，加上兩條曲線，給使用者強烈的印象，要把點點拉進中間較安全的區域。另外我還硬塞入一個重要資訊，就是小小的「正負號」，可視為第四維度。因為橫軸所表達的是「市場穩定度」，是以滾動的「報酬率絕對值」除以波動而得，所以並未表達方向性，也就是可能穩定向上或穩定向下。以我的 case，很明顯地呈現出「逆動能」的現況，但因動能因子的方向為負，所以就還好，但因「穩定性」這個主要屬性很低，還是容易被市場教訓，需要減低動能曝險。至於投資組合該如何調整？這不用圖表，只要做好「排序」即可。以下很明顯的指出，造成逆動能的前幾個標的，要調整可以從這些下手：
以上初步表達出這個系統的內涵，幫助管理者做對的事，避開錯的事情，維護架構的穩定，其他的交給機率決定，永遠尊重市場的不確定性。
對於一個 all in 0050 的人，此圖長怎樣？
all in 台積電呢？市場曝險爆表到表外了，價值曝險高位：
以上用數據呈現，個股風險高，0050 次之，個人精心調配的投資組合，可以好好的把風險降到很低。你也可以把自己的頭資組合輸入，檢查一下，看看哪個因子的曝險過高。投資組合資料只存在本機的 localStorage，login 的 email 只當作 key 值，不會暴露個資，請放心來玩吧：
Newman 2025/12/25
- 導覽頁：精明管家
- 技術議題有興趣者，也可關注這兒：紐曼的技術筆記-索引
