架構 A：財報選股架構 (Fundamental Selection Framework)¶

核心思想：先算出名單，回測只是執行。
"Calculate the list first, backtest is just execution."

📌 核心概念¶

財報選股架構的本質是「事前計算 + 事後執行」的分離設計：

Step 1: 在回測外，用 DataFrame 算出每期的股票名單
Step 2: 在回測內，照表操課執行交易

這種架構最符合真實投資的思考邏輯： - 📊 月底：打開財報資料庫，篩選出符合條件的股票 - 📅 隔月初：照著名單下單

🎯 適用場景¶

✅ 最適合的情境¶

基本面選股：本益比、ROE、負債比等財報指標
季度調倉：配合財報公告週期（3/6/9/12月）
多條件篩選：需要同時檢查 5+ 個財務指標
中等規模股票池：50-200 檔股票

❌ 不適合的情境¶

❌ 日內交易、高頻策略
❌ 純技術指標（MACD、KD 等）
❌ 需要即時運算的因子
❌ 超大規模市場掃描（>500 檔）

🏗️ 架構特色¶

數據流向圖¶

graph TD
    subgraph Outside["⚙️ 回測外運算 (Pre-Backtest)"]
        A1[TejToolAPI.get_history_data<br/>抓取完整財報] --> A2[compute_stock 函數<br/>運算選股邏輯]
        A2 --> A3[產出 Ticker List<br/>+ 換股日期]
    end

    subgraph Inside["🔄 回測內執行 (In-Backtest)"]
        A3 --> B1[zipline.run_algorithm]
        B1 --> B2{handle_data<br/>每日檢查}
        B2 -->|是換股日| B3[context.state = True]
        B2 -->|不是| B4[持有不動]
        B3 --> B5[隔日執行<br/>order_target_percent]
    end

    style Outside fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
    style Inside fill:#fff9c4,stroke:#f57f17,stroke-width:2px
    style A2 fill:#ffccbc,stroke:#d84315,stroke-width:2px

關鍵設計理念¶

1. 避免前視偏差 (Look-ahead Bias)¶

# ❌ 錯誤：當天看到訊號就下單
if date == rebalance_date:
    order_target_percent(symbol, weight)

# ✅ 正確：標記今天，隔天才下單
if date == rebalance_date:
    context.state = True  # 標記
    context.order_tickers = compute_stock(date)

if context.state == True:  # 隔天執行
    for ticker in context.order_tickers:
        order_target_percent(symbol(ticker), weight)

2. 數據透明化¶

所有篩選邏輯都在 compute_stock() 函數中，方便檢查和調試：

def compute_stock(date, data):
    df = data[data['日期'] == date]

    # 條件 1: 本益比 < 產業平均
    set_1 = set(df[df['本益比'] < df['產業平均本益比']]['股票代碼'])

    # 條件 2: 負債比 < 20%
    set_2 = set(df[df['負債比'] < 0.2]['股票代碼'])

    # 取交集
    return list(set_1 & set_2)

3. 靈活的換股週期¶

# 方法 1: 固定日期（每季最後一天）
modified_day = ['2023-03-31', '2023-06-30', '2023-09-30', '2023-12-31']

# 方法 2: 動態計算（TEJ 交易日曆）
trade_days = tejapi.get('TWN/TRADEDAY_TWSE', ...)
last_days = trade_days.groupby(['year', 'quarter'])['date'].max()

📊 與其他架構的差異¶

特性	財報選股架構	技術指標架構	Pipeline 架構
運算時機	回測外	回測內（每日）	回測內（盤前）
數據來源	TEJ 財報 API	Zipline 歷史價格	CustomDataset
適用股票數	50-200	1-10	500-2000
調倉頻率	季度/月度	每日	每日/每週
Debug 難度	🟢 易	🟢 易	🔴 難
執行速度	🟢 快	🟡 中	🟢 極快
記憶體需求	🟢 低	🟢 低	🔴 高

💡 何時選擇這個架構？¶

快速判斷檢查表¶

graph TD
    A[你的策略] --> B{數據來自財報?}
    B -->|Yes| C{調倉頻率?}
    B -->|No| X[考慮技術指標架構]

    C -->|季度/月度| D[✅ 財報選股架構]
    C -->|每日| E{股票數量?}

    E -->|<50檔| D
    E -->|>50檔| F[考慮 Pipeline 架構]

    style D fill:#c8e6c9,stroke:#388e3c,stroke-width:3px

典型使用案例¶

✅ 價值投資策略（低 PB、高股息）
✅ 成長股篩選（高 ROE、低負債）
✅ 品質因子組合（流動比率、毛利率）
✅ Dreman 逆向投資法

🎓 學習路徑¶

新手入門（3 步驟）¶

閱讀案例：先看 case-multifactor.md，理解完整流程
複製模板：前往 template.md 複製骨架
填入邏輯：修改 compute_stock() 函數

進階優化¶

動態換股日計算（TEJ 交易日曆）
風險平價配置（非等權重）
產業中性化處理

📚 相關資源¶

模板頁面：template.md
案例學習：
多因子選股 - 經典五因子策略
小型成長股 - 市值 + 成長因子
Dreman 逆向投資 - 計分制篩選
常見問題：faq.md

⚠️ 常見陷阱¶

陷阱 1：忘記避免前視偏差¶

# ❌ 錯誤示範
if date in rebalance_dates:
    tickers = compute_stock(date)
    for t in tickers:
        order_target_percent(symbol(t), 1/len(tickers))  # 當天就下單！

陷阱 2：日期對不上¶

# 財報日期是 2023-03-31，但實際交易日是 2023-04-03
# 需要確保換股日是實際交易日

陷阱 3：數據時間點錯誤¶

# 季報通常延遲 45 天公告
# 3/31 的財報要到 5/15 才能用
# 需要加入延遲邏輯

👉 Next Step: 前往 template.md 開始開發你的策略！