量化交易30天
本系列文章是紀錄一位量化交易新手的學習過程，除了基礎的Python語法不說明，其他金融相關的東西都會一步步地說明，希望讓更多想學習量化交易但是沒有學過相關金融知識的朋友們，透過這系列的文章，能夠對量化交易略知一二，也歡迎量化交易的高手們多多交流。

上一篇大略講了CAPM的由來，這篇則是要介紹CAPM後來的演變，以及Jensen alpha指標。

之前CAPM得到的預期報酬率，是假設經過風險調整的，根據下面這條公式，資產的預期報酬率會跟風險係數beta成正比。

Ra = Rf + β * ( Rm - Rf )

那如果資產的實際報酬率高於這個預期報酬率Ra的話，Jensen就稱這個資產具有超額報酬率，就是所謂的alpha的部份，因此就叫Jensen alpha，可以寫成下面這條公式：

Ra = α + Rf + β * ( Rm - Rf ) + 誤差項

為什麼會有Alpha

Alpha代表的是超額報酬，Jensen剛開始是用來研究共同基金的表現，基金經理人利用各種分析方法來創造正的alpha，這些分析方法大概可以分成三種：基本面、技術面、消息面。

1. 基本面分析：
   研究企業的經營狀況來分析企業價值，可以從經濟環境、產業、生命週期...等等來研究，例如一般常聽到的研究企業財務報表就屬於這類研究，都是在研究企業價值，它的核心概念非常簡單，就是找到股價被低估的股票就買進，若股價被高估就賣出，至於怎麼去判斷高估、低估，就有非常多的方法及指標，例如本益比、股價淨值比、相對產業平均EPS...等等。

2. 技術面分析：
   主要是觀察股價走勢、成交量、資金流動，並且參考過去的情況來判斷未來的股價走勢，簡單的說，技術分析看得是一個結果，而有些人是信仰歷史會一再上演，他的假設是如果之前出現A結果、B結果，然後就接著出現C結果，那麼未來只要觀察到A、B接連出現，那很可能再次出現C。

3. 消息面分析：
   包含總體經濟事件、國家政策變化、國際情勢轉變...等等，也都是影響到企業經營的因素，聽起來跟基本面有點像，不過我覺得它影響的範圍可能更深遠一些，例如COVID-19就是一個消息面的事件，嚴重影響到全世界的經濟情況，雖然它可能直接導致醫療產業的轉變，但就不會稱它是基本面事件，因為它的影響遠大於單一產業的範圍。

基金的alpha

在現在的基金績效評比中，例如下面這張moneydj的截圖，還是可以看到它有列出sharpe、alpha、beta...等等數字，其中的alpha就是代表基金經理人創造的超額報酬，對於一般主動型基金來說，因為它的目標是要超越理論報酬，所以alpha值需要大於0才算是比較合格，但如果是被動追蹤指數的基金，alpha就應該等於0。

本篇總結
Jensen在1968年提出的alpha，用到現在都還在使用，可見他對現代投資界的影響是非常深遠的，研究完這個理論之後對他蠻佩服的。下一篇就要來用python實驗一下，假設拿一檔個股來算他的alpha與beta，會得到什麼數字，應該會蠻有趣的，請繼續收看~~

P.S.
如果大家對於量化交易有興趣的話，我自己有上過以下這門課，課程內容從串接股市資料API、儲存至資料庫、將自己的策略轉化成程式碼、自動下單，並且可以把整個流程自動化，每天早上執行一次，一整天就不用看盤了，覺得是蠻實戰的，可以參考看看。

筆者 Sean
奈米戶投資人 / Python愛用者
喜歡用Python玩轉金融數據，從個股基本面、技術面、籌碼面相關資料，一直到總體經濟數據，都是平常接觸到的素材；對於投資，除了研究歷史數據，也喜歡瞭解市場上大家在玩些什麼。