靠數據說話！AI 時代的量化投資入門實戰：不只問 AI 該買什麼，更要看懂選股依據、投資風險及策略如何驗證
徐振煒（Cary Hsu） 著
- 出版商: 博碩 iThome鐵人賽系列書｜任選2書75折
- 出版日期: 2026-11-04
- 定價: $680
- 售價: 7.8 折 $530
- 語言: 繁體中文
- 頁數: 368
- ISBN: 6264146463
- ISBN-13: 9786264146463
-
相關分類:
人工智慧、投資理財 Investment
尚未上市，歡迎預購
買這商品的人也買了...
-
超圖解 Python 物聯網實作入門 -- 使用 ESP8266 與 MicroPython$699$594 -
Julia 程式設計：新世代資料科學與數值運算語言, 2/e$500$450 -
NumPy 高速運算徹底解說 - 六行寫一隻程式？你真懂深度學習？手工算給你看！$750$638 -
Python 自動化的樂趣｜搞定重複瑣碎&單調無聊的工作, 2/e (Automate the Boring Stuff with Python : Practical Programming for Total Beginners, 2/e)$680$537 -
Python 功力提升的樂趣｜寫出乾淨程式碼的最佳實務 (Beyond the Basic Stuff with Python)$500$395 -
Word 365 全方位排版實務：紙本書與電子書製作一次搞定$480$374 -
Python 資料分析必備套件！Pandas 資料清理、重塑、過濾、視覺化 (Pandas 1.x Cookbook, 2/e)$780$616 -
用 ASP.NET Core 打造軟體積木和應用系統$400$316 -
Dart 語言實戰 — 基於 Flutter 框架的程序開發, 2/e$714$678 -
$356從0到1 ES6快速上手 -
$305React 基礎教程 -
$504Kotlin 從小白到大牛, 2/e -
Android 從小白到大牛 (Kotlin版)$537$510 -
$504RPA 開發：UiPath 入門與實戰 -
$652Go職場必備 -
7天學會大數據資料處理 — NoSQL：MongoDB 入門與活用, 5/e$690$538 -
FastAPI｜現代 Python 網站開發 (FastAPI : Modern Python Web Development)$680$537 -
Browser Web API 攻略大全：從開箱即用的實作範例開始，逐步掌握開發技巧（iThome鐵人賽系列書）$650$507 -
Claude Code Vibe Coding 開發手冊$750$592 -
商用機器學習（原書第3版）$354$336 -
深入淺出 C#｜使用 C# 與 .NET 來建構實際的程式, 5/e (Head First C#: A Learner's Guide to Real-World Programming with C# and .NET, 5/e)$1,280$1,011 -
《生成式 AI × 穩健提示辨識技術 II》視覺影像篇 | MediaPipe × YOLO × OpenCV × LineBot$790$624 -
Vibe Unity | AI 遊戲開發工作流：打破極限，創造一款具有無限可能性的遊戲！（iThome鐵人賽系列書）$680$530 -
Gemini 投資理財全攻略：小資族看過來！完全零門檻的 AI 智慧選股 × 財報分析 × 資金管理$599$473 -
ChatGPT × Codex 全攻略：從零基礎到自動化，打造你的 AI Agent 工作流$1,000$780
相關主題
商品描述
觀念入門 × 真實案例 × 踩坑紀錄 × MiniQuant實作
選股要有依據，風險要能辨識，策略要經過驗證
投資不只需要答案，更需要可以檢驗的理由
從選股訊號到回測結果，理解AI能幫上什麼忙，也看見它無法替你承擔的風險
【內容簡介】
選股分數高，就值得買進？回測賺錢，就代表策略有效？有了停損，風險就受到控制？學習量化投資，不是把判斷交給一個看不懂的模型，而是學會追問：資料是否可靠？規則是否合理？結果能否經得起驗證？
AI選出一檔股票之後，你還需要知道什麼？本書從真實系統開發經驗出發，帶你看懂資料、指標與模型如何形成選股依據，理解部位、成本與回撤風險，並學習檢查回測偏誤及策略有效性。透過踩坑案例與MiniQuant教學實作，從理解投資邏輯走向驗證方法。不提供明牌，不保證獲利，而是幫助你對每一個投資答案，提出更有根據的問題。
【本書特色】
✪看懂選股依據：認識技術指標、基本面與多因子評分，理解排名如何形成，以及高分不代表什麼。
✪認識AI的能力與限制：分辨對話式分析、機器學習排名與情緒分析，不把模型輸出當成獲利保證。
✪把風險納入判斷：從部位大小、產業集中度到交易成本與回撤，理解風控不只是設定停損。
✪驗證策略，而非只看報酬：辨識未來資料洩漏、過度擬合與樣本偏誤，認識樣本外及滾動驗證。
✪從失敗案例學會檢查：看見資料缺漏、模型失效與排程衝突，理解「程式能跑」不等於「結果可信」。
✪把觀念串成小型實作：以Python、SQL Server與MiniQuant範例，走完資料、因子、風控、回測及報告流程。
✪想看懂AI選股的投資入門者：不滿足於一張推薦清單，希望理解資料、選股理由與風險，可先閱讀觀念及案例。
✪想檢驗投資方法的自學者：已有投資經驗，希望分辨策略有效、行情有利與運氣之間的差別。
✪想把分析系統化的工程師與資料工作者：具備程式基礎，希望把投資想法轉成可重複執行與檢查的流程。
✪想動手實作的量化初學者：有Python基礎，希望從小型範例理解系統各模組如何串接。
作者簡介
徐振煒（Cary Hsu）
現任職於Microsoft，早期負責程式開發相關產品，目前主要投入SQL Server領域。就學期間專攻資料探勘（Data Mining），長期關注資料庫、資料分析與投資研究的結合。
從早年的基金與股票分析嘗試，到重新以Python、SQL Server與AI技術建構量化投資分析平台，持續探索如何把投資想法轉成可執行、可驗證、可維護的系統。開發經驗涵蓋台股、美股等市場分析，以及資料管線、模型、模擬交易、風控與通知介面。
本書整理這段系統開發歷程，不只分享架構與方法，也記錄失敗與修正。希望幫助讀者看懂選股依據、理解投資風險及策略驗證，並讓有程式基礎的人，找到打造自己投資工具的起點。
目錄大綱
|Chapter 01| 問ChatGPT能選股嗎？先搞懂AI選股到底在做什麼
1.1 你是怎麼決定要買哪一檔股票的？
1.2 那問ChatGPT不就好了？
1.3 市面上的「AI選股」到底在做什麼？
1.4 這個系統每天在做什麼？
1.5 系統從哪些角度幫你看股票？
1.6 光會選股還不夠：風險控制才是關鍵
1.7 市場環境很重要：牛市和熊市要用不同策略
1.8 為什麼用LINE來通知？
1.9 任何人都可以做這件事嗎？
1.10 本書地圖
1.11 本章小結
|Chapter 02| 資料是一切的基礎：你的系統有多好，取決於你的資料有多乾淨
2.1 台股的資料從哪裡來？
2.2 資料處理最麻煩的地方：格式不統一
2.3 資料怎麼存？用資料庫管好你的數據
2.4 每天自動跑的資料管線
2.5 資料品質怎麼顧？
2.6 設定管理：讓系統能在不同環境跑
2.7 踩坑紀錄
2.8 動手做做看：用爬蟲抓下你的第一筆股價
2.9 本章小結
|Chapter 03| 看懂股票的「體檢報告」：技術指標入門
3.1 最常聽到的幾個指標
3.2 波動率和趨勢強度
3.3 讓電腦看懂K線圖
3.4 不只看自己，也要看全世界
3.5 看起來最簡單的，反而最有用
3.6 從幾個指標到數十個以上
3.7 踩坑紀錄
3.8 動手做做看：讓程式看懂三種K 線型態
3.9 本章小結
|Chapter 04| 多因子投票：從「一個指標選股」到「數十個以上因子一起決定」
4.1 從五個角度看一檔股票
4.2 怎麼把因子變成分數？
4.3 因子會過期：怎麼知道一個因子還有效？
4.4 不同的市場環境，用不同的權重
4.5 怎麼新增一個因子？
4.6 踩坑紀錄
4.7 一個因子從誕生到上線的完整旅程
4.8 動手做做看：用三個因子投票選出今日首選
4.9 本章小結
|Chapter 05| 市場環境判斷：牛市和熊市要用不同的策略
5.1 四種市場環境
5.2 怎麼判斷現在是哪一種環境？
5.3 連續化評分：不只是非黑即白
5.4 不同環境下，系統會怎麼調整？
5.5 環境判斷的時間問題
5.6 踩坑紀錄
5.7 動手做做看：讓程式判斷現在是牛市或熊市
5.8 本章小結
|Chapter 06| 機器學習：讓電腦幫你找出最有潛力的股票
6.1 ML能預測股價，但準確度是關鍵
6.2 模型如何運作：排名式選股
6.3 Stacking：讓多個模型互相幫忙
6.4 深度學習：另一個視角
6.5 模型的保鮮期：自動重新訓練
6.6 只有10%，為什麼還要用？
6.7 踩坑紀錄
6.8 ML的未來走向：給讀者的建議
6.9 動手做做看：用隨機森林排序股票
6.10 本章小結
|Chapter 07| 風險管理：活下來比賺錢更重要
7.1 個股層級：何時該認賠？何時該收手？
7.2 組合層級：不要把雞蛋放在同一個籃子
7.3 跨帳戶統一風控
7.4 壓力測試：如果金融海嘯重來
7.5 踩坑紀錄
7.6 動手做做看：寫一個最小風控模組
7.7 本章小結
|Chapter 08| 從模擬到實戰：讓系統每天自動運轉
8.1 模擬撮合：假裝真的在買賣
8.2 盤中即時交易：每分鐘持續檢查
8.3 每天的自動排程：從早上6 點到深夜
8.4 踩坑紀錄
8.5 動手做做看：做一個紙上交易帳本
8.6 本章小結
|Chapter 09| 情緒分析：讓機器讀懂新聞和PTT
9.1 新聞情緒分析：一篇報導到底是利多或利空？
9.2 PTT社群分析：散戶在討論什麼？
9.3 每日熱門小道消息
9.4 情緒因子在選股中的角色
9.5 踩坑紀錄
9.6 動手做做看：用PTT統計散戶看多看空的情緒
9.7 本章小結
|Chapter 10| 使用者介面：從沒有畫面到操盤手工作站
10.1 第一代介面：LINE推播—最偷懶但最實用的通知方式
10.2 第二代介面：LINE互動機器人—從「推給你」到「你來問」
10.3 第三代介面：Web Dashboard—因為有些事情手機做不了
10.4 從自動化到介面：回顧整段演化
10.5 踩坑紀錄
10.6 動手做做看：用LINE Messaging API把選股結果推到手機
10.7 本章小結
11.1 什麼是回測？為什麼重要？
11.2 回測的陷阱：看起來很好，其實是假的
11.3 和大盤比：你的系統真的有贏嗎？
11.4 Regime對回測的影響
11.5 每日風險度量：持續監控上線後的表現
11.6 踩坑紀錄
11.7 動手做做看：跑一個最小回測器
11.8 本章小結
|Chapter 12| 軟體工程：好的交易系統首先是好的軟體
12.1 專案怎麼組織？從一團亂到有結構
12.2 參數管理和變更紀錄
12.3 錯誤處理和監控
12.4 日誌和除錯
12.5 環境和部署
12.6 踩坑紀錄
12.7 動手做做看：把小系統拆成可維護的模組
12.8 本章小結
|Chapter 13| 工程實務拆解：從架構圖到一行能跑的程式
13.1 系統全景：六層架構與模組地圖
13.2 資料如何流動：一筆股價從證交所到LINE
13.3 三個關鍵模組的設計與程式片段
13.4 系統的骨架：讓它每天穩定運轉的工程細節
13.5 踩坑紀錄
13.6 實作篇：用一套最小系統把前面章節串起來
13.7 本章小結
|Chapter 14| 回顧與展望：二年多的真實心得
14.1 成功的部分
14.2 失敗的部分
14.3 給想要開始的你的建議
14.4 系統的未來
14.5 讀完這本書後，你可以檢查什麼？
14.6 本章小結
|Appendix A| MiniQuant實作：做出你的第一套小型量化系統
15.1 MiniQuant的系統地圖
15.2 第一步：把參數集中管理
15.3 第二步：準備一份可重現的資料
15.4 第三步：計算技術指標
15.5 第四步：把指標變成因子分數
15.6 第五步：加入市場環境
15.7 第六步：加入風控
15.8 第七步：建立回測帳本
15.9 第八步：產生報告
15.10 實際執行一次
15.11 三個最值得做的實驗
15.12 MiniQuant沒有做什麼？
15.13 從MiniQuant走向自己的系統
15.14 本章小結
|Chapter A| 附錄：環境安裝、完整程式碼與練習題
A.1 環境安裝總覽
A.2 安裝Python
A.3 建立虛擬環境
A.4 安裝Python套件
A.5 安裝SQL Server Express
A.6 建立測試資料庫
A.7 Python連線SQL Server
A.8 安裝VS Code與建議擴充套件
A.9 驗證MiniQuant可以執行
A.10 環境安裝常見問題
A.11 為什麼把完整程式碼放進附錄？
A.12 第2章範例
A.13 第3章範例
A.14 第4章範例
A.15 第5章範例
A.16 第6章範例
A.17 第9章範例
A.18 第10章範例
A.19 MiniQuant 範例①
A.20 MiniQuant 範例②
A.21 MiniQuant 範例③
A.22 MiniQuant 範例④
A.23 MiniQuant 範例⑤
A.24 MiniQuant 範例⑥
A.25 MiniQuant 範例⑦
A.26 MiniQuant 範例⑧
A.27 MiniQuant 範例⑨
A.28 讀者作業總表與驗收流程
A.29 常用指令速查
A.30 命名與檔案整理規則
A.31 MiniQuant常見問答
A.32 附錄小結
