第五天 特徵工程, DCF及Google Cloud Function建置
今天主要的工作是做資料分析程式的撰寫與測試, 此部分是找出優化數據的工程, 為投資模型提供可靠的數據

一、 特徵工程 (Feature Engineering)
以下指令碼包含動能與成交量指標計算（使用 pandas-ta），並採用 Rolling Z-Score（滾動標準化） 處理特徵，可有效避免量化模型訓練時常見的 Look-ahead Bias（前瞻偏誤）。
特徵工程主要是用Google於各交易所取得驗證過的數據，於模型中做滾動標準化製作成有化的數據。

二、 基本面 DCF 估值工具與參數驗證
提供核心 DCF 估值演算法、邊界條件測試及敏感度矩陣計算功能。

1. 核心估值與敏感度分析模組 (dcf_module.py)
   在基本面上的邊界條件測試必須要注意每個交易所所公布的財報時間會有差異, 比方說美國的交易所規定公司公布的財報區間單位是季跟年, 而香港交易所所規定公布財報區間單位是半年報跟年報, 因此會造成預測用的時間基礎不同, 所以核心估值演算法也不須因為公司在那個交易所掛牌而不同。而不論是以過去數據為基礎所做出的預估數據, 因為財報區間長短不同, 所以數據的面感度也會有差異。
2. Google Cloud Functions (HTTP Endpoint) 部署程式碼
   部署時將 API 入口點設為 calculate_dcf_endpoint。
   main.py: