程式人的第一本 Python 量化投資筆記：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） 鍾嘉峻（Ziv）
產品編號：9786264143646
促銷 下單就送小禮物
購物每消費滿300元，可獲得1元購物金
網路價
NT${{ commaFormat(product.price_actu) }}
NT${{commaFormat(product.price_sugg)}}
專屬特惠價 NT${{ commaFormat(product.group_price) }}
優惠價
NT${{ commaFormat(product.member_price) }}
NT${{ commaFormat(product.group_price) }}
商品組合
贈品 (買就送)
{{ pItem.title }}
付款方式
轉帳/匯款/無摺存款 / LinePay付款 / 超商代碼付款(綠界金流) / 信用卡一次付清(綠界金流) / 信用卡分6期(藍新金流) / 信用卡分12期(綠界金流) / AFTEE 先享後付 / [圖書專用] 7-11取貨付款
配送方式
7-11超商取貨 / 全家超商取貨 / 宅配到家 / 校園門市店到店取貨(需7~10個工作天，急用勿選)
超值加購
{{ pItem.title }}
型號:{{ pItem.model }}
加購價 NT${{pItem.extra_price}}
(原價NT${{pItem.price_orig}})
加購數量
已搶購一空
出版商:博碩
出版日期:2025-12-08
語言:繁體中文
頁數:320
ISBN-13:
9786264143646
【內容】
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。
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
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
【目錄】
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
CHAPTER 17 強化學習在交易中的應用——基礎概述
CHAPTER 18 強化學習在交易中的應用——使用 Stable Baselines 和 FinRL
CHAPTER 19 強化學習在交易中的應用——結合 Stable Baselines 進 Backtrader
CHAPTER 20 投資情緒的解讀——結合情緒分析的交易策略
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
CHAPTER 17 強化學習在交易中的應用——基礎概述
CHAPTER 18 強化學習在交易中的應用——使用 Stable Baselines 和 FinRL
CHAPTER 19 強化學習在交易中的應用——結合 Stable Baselines 進 Backtrader
CHAPTER 20 投資情緒的解讀——結合情緒分析的交易策略
【關於教科書訂購說明】
☆ 單本即有折扣，將商品放入購物車就可以看見優惠價唷！五本以上團購更便宜！加入會員訂購，還可累積購物金！
★ 若有急需用書，可先LINE私訊詢問庫存呦~
☆ 出貨時間：有現貨的，2個工作日內出貨；無現貨，約3~5個工作日 出貨
【寄送方式說明】
❶ 實體門市取貨
全台麗文校園書局皆可取貨，貨到書局將會以簡訊通知。
❷ 超商取貨
提供7-11及全家超商取貨(需先付款，無貨到付款)。
❸ 一般宅配
本公司主要與黑貓宅急便配合，送達到您指定的地址。
※當您於本網站消費交易完成後，電子發票將會以電子郵件寄給您；如需紙本發票請於下訂時於備註欄位說明。
【付款方式說明】
❶ ATM轉帳、匯款
銀行│第一銀行-三民分行
代號│007
戶名│麗文文化事業股份有限公司
帳號│704-10-051861
※實體ATM每日轉帳最高限額為3萬，若訂購金額超過3萬元，請分兩天或是使用不同的銀行帳戶轉帳。
❷ 信用卡（可分期，需負擔手續費）
凡各家銀行的VISA、MASTER、Union Pay、JCB信用卡皆可使用。
❺ 超商代碼
系統會發送繳費代碼至您的電子信箱，需自行至「超商機器ex：iBon」輸入代碼，產生繳費單後前往櫃檯繳費。
❼ 免卡分期
麗文校園購與「zingala銀角零卡」「第一資融」以及「皮路後支付」合作，讓您免用信用卡就可以購物。
如有使用上的問題，可以先與揪小編聯絡唷！。
※請注意：超過7天未付款之訂單則訂單自動失效；免卡分期訂單成立起7天內未主動聯繫亦同。
【其他說明】
❶關於出貨
1.商品為不缺貨前提下，訂單完成付款後2-4個工作天將會出貨(不含例假日及國定假日)；若商品缺貨則須等待1-2週。
2.麗文校園揪來玩保留訂單接受與否權利，若因交易條件有誤或有其他情形導致我們無法接受您的訂單，將以E-mail發送取消訂單通知給您，造成不便敬請見諒。
❷關於退貨
1.非門市現場消費享有七天猶豫期，收到商品當天往後算七天內若是決定不買，則協助不要拆封，一拆封視同願意購買。
2.若真的決定不購買商品要退貨，請聯繫我們LINE線上客服，我們會盡速為您處理。
❸關於新品瑕疵與維修保固
1.全新商品享有購買七日內，新品瑕疵的換新保障；但新品瑕疵與否，是由商品代理商或原廠所判定，麗文校園揪來玩僅能依據判定的結果給予協助。若是原廠判定非新品瑕疵則無法換新，需改為維修的方式處理。
2.新品瑕疵換新的作業時間，將依各廠商的流程而定，最快2個工作天，慢的話也可能需要到15個工作天。
3.購買超過七日後，維修服務由原廠提供。如有需要維修，麗文校園揪來玩可以代為送修，但送修如需運費時（EX:原廠沒有提供免費收件服務），則需由您負擔送修的運費（運費約為100元起，因商品大小而異）。
【華碩的維修服務】
