《AI × 命理 × 阿德勒 × 太極：陰陽轉換之道》

AI 工具琳瑯滿目地出現之後，
我開始看見自己過去作業思維的侷限性。

但當我願意打破原本的慣性思維，
改用新的角度、新的模式去看待，
就看見了它們真正的可能性。

其實，這就跟八字命盤與流年的道理一樣：
命盤裡有破壞力較強的字印，
如果當下只是怕、只是躲，
那它就真的變成打擊。

但如果我在那一刻，
選擇調整自己的身心靈，
用「整合模式」去看待這股力量，
它就會變成突破的契機——
雖然會比順境時來得更具挑戰性，
但也更有成長的爆發力。

我也因此更理解了阿德勒所說的：
「自卑與超越」就是太極裡的陰陽轉換之道。

不被自己過去所局限與制約，
修行，就是修身、修心、修靈的整合能力，
讓自己的力量不再散亂，
而是集中在「我真正想要創造的方向」。

當能量被正確地使用，
自然而然，就會順勢而為，
也自然能——
超越過去的自己。

《我做得到，因為我值得》

💎 《我做得到，因為我值得》

我做得到，因為我值得。

我值得被善待，
值得被尊重，
值得被看見真正的樣子。

我值得擁有更好的工作，
更健康的生活節奏，
更輕鬆卻更有價值的付出方式。

我做得到，
不是因為我一定要完美，
而是因為——
我願意一步一步往前走，
願意學習，願意調整，願意不再委屈自己。

我值得，
不是因為別人給的評價，
而是因為：
我本來就有存在的價值。

從今天開始，
當我感到害怕、懷疑、退縮時，
我會對自己說：

「我做得到，因為我值得。」

【13陣初階入門分享】

             【13陣 啟示文】

十三陣，是宇宙能量的十三重門扉，
每一陣皆是開啟自我覺醒與顯化的關鍵力量。

氣陣帶動生命之氣，喚醒內在動能，
智陣匯聚洞察與智慧，解構混沌迷霧。
合陣整合眾能，合力共振，化為強大磁場。

保護陣是心靈的壁壘，穩定陣是心境的根基，
行動陣推動夢想落地，感恩陣播撒豐盛種子。

十三陣如星辰，織成你的命運星圖，
循環不息，永恆變化，流動中蘊藏無限可能。

持續探索，穩定修持，願力化為洪流，
引領你穿越風浪，抵達光明彼岸。

0️⃣【道陣】 靜心 × 覺源

🔸 回歸內在，找到心的根源。
✨ 369中「3」代表創造，先從心靈創造寧靜起步。

1️⃣【啟願陣】 願力 × 信念

🔸 點燃動力，堅持前行。
✨ 「6」象徵流動與成長，讓願力持續推進。

2️⃣【靈陣】 靈性 × 感應

🔸 與宇宙共振，敏銳接收指引。
✨ 「9」是圓滿與超越，打開宇宙靈感之門。

3️⃣【智陣】 智慧 × 策略

🔸 用聰明的方法達成目標。

4️⃣【財陣】 行動 × 生財

🔸 落實計畫，創造財富。

5️⃣【守陣】 保護 × 穩定

🔸 守護自己，保持穩定場域。

6️⃣【心陣】 感恩 × 和諧

🔸 以感恩心平衡生活。

7️⃣【體陣】 健康 × 氣流

🔸 養護身心，氣脈通暢。

8️⃣【緣陣】 連結 × 貴人

🔸 擴展人脈，獲得助力。

9️⃣【時陣】 時機 × 順勢

🔸 抓住最佳時刻，順勢而為。

🔟【合陣】 聚合 × 平衡

🔸 整合資源，保持動態平衡。

1️⃣1️⃣【創陣】 靈感 × 藝術

🔸 創造力與美感的展現。

1️⃣2️⃣【歸陣】 圓滿 × 超越

🔸 達到成果，邁向更高層次。

《願流回恩・光行天下》

 

🕊 《願流回恩・光行天下》

曾有低谷風雨寒，
幸得眾心照我安。
一句暖語，如燈如岸，
化我孤舟成帆。

今朝我立於明光前，
願將感恩化為甘泉。
潤彼心田，溫此世緣，
願福流轉萬千。

📍願力錨點 × 回流宣言：
「我以感恩為舟，
以善念為風，
將所有幫助過我的人，
願福同歸，光同行。」

——明離南．感恩行者之印

《系統建置啟動文》

 《系統建置啟動文》

嗨，大家～

有時候我們都會覺得「我還沒準備好」、「我沒資源」，
但其實，行動本身就是最好的資源。

你願意開始整理、寫下一段想法、畫個架構圖，
那就是你在讓「能量變成現實」。

不需要一次做到完美，
只要一步一步建起自己的小系統、自己的節奏。
每寫下一頁、每完成一個任務，
就是在穩穩地累積你的力量。

我們都在同一條創造的路上，
每個人都能用自己的方式把靈感化為現實。

📍啟動句：

我願意行動、整理、建構。
一步一腳印，讓我的資源、想法、創意都開始流動起來。

〈返世界〉

物質界中幻化生，
　萬象皆戲，心識為源。
陰陽八卦轉太極，
　動靜互根，陰陽歸一。
外求星河內尋心，
　宇宙在外，亦在吾心。
降維場中悟昇維，
　幻中覺真，方得圓滿。

頻率共振破假空，
　識破幻影，直見本體。
中庸穩態守真我，
　居中而靜，萬法不侵。
覺醒非遠即當下，
　此念即道，當下即悟。
天地同心一念和。
　人合於天，天合於道。 

《 穩中軸 》

           《 穩中軸 》

立於天地之中，心為軸，德為印。
不逐勢流，不陷幻影，
以靜制動，以光導行。

火照於心，明辨真假；
水潤於性，安然無波。
慈為劍，斷邪迷；
儉為盾，護正氣；
不先為先，天地順我而運。

觀萬象皆流轉，
惟中軸不動，如太極之樞，
轉則有序，靜則生慧。
願行於世間，不亂於外；
願心如明燈，照己亦照人。

德光護身，財氣自通；
心法常穩，願頻自然展。
此咒一念，三六九歸中，
此念一成，諸願得顯。

Step 3：AI 助手分析（上層） - K 線圖 + MA10/MA20 (買賣信號標記 )

 

 

K 線圖 + MA10/MA20

買賣信號標記 

每日 CSV（含 Signal 與 Timestamp） 

Buy 點：綠色箭頭（^）標在當天最低價下方，Signal 從 0 → 1。

CSV 裡會同時有 Buy 與 Sell 欄位，方便後續分析。

 

簡單回測資金變化

 # -*- coding: utf-8 -*-
import yfinance as yf
import pandas as pd
import mplfinance as mpf
from datetime import datetime
import numpy as np

# -------------------------
# 1️⃣ 設定標的
# -------------------------
symbol = "^TWII"   # 台灣加權指數

# -------------------------
# 2️⃣ 抓取最近三個月資料
# -------------------------
df = yf.download(symbol, period="3mo", auto_adjust=False)

# 去掉 MultiIndex
if isinstance(df.columns, pd.MultiIndex):
    df.columns = df.columns.get_level_values(0)

 

 

 

# -------------------------
# 3️⃣ 計算移動平均線
# -------------------------
df['MA10'] = df['Close'].rolling(10).mean()
df['MA20'] = df['Close'].rolling(20).mean()

# -------------------------
# 4️⃣ 生成買賣訊號
# -------------------------
df['Signal'] = 0
df['Signal'][10:] = (df['MA10'][10:] > df['MA20'][10:]).astype(int)

# -------------------------
# 5️⃣ 標記買賣點
# -------------------------
df['Buy'] = np.where((df['Signal'] == 1) & (df['Signal'].shift(1) == 0), df['Low']*0.995, np.nan)
df['Sell'] = np.where((df['Signal'] == 0) & (df['Signal'].shift(1) == 1), df['High']*1.005, np.nan)

# -------------------------
# 6️⃣ 畫 K 線圖（含 MA + Signal）
# -------------------------
apds = [
    mpf.make_addplot(df['MA10'], color='blue'),
    mpf.make_addplot(df['MA20'], color='red'),
    mpf.make_addplot(df['Buy'], type='scatter', markersize=100, marker='^', color='green'),
    mpf.make_addplot(df['Sell'], type='scatter', markersize=100, marker='v', color='red')
]

mpf.plot(
    df,
    type='candle',
    style='yahoo',
    title=f"{symbol} 台灣加權指數 K 線圖（買賣點）",
    volume=True,
    addplot=apds
)

# -------------------------
# 7️⃣ 存 CSV
# -------------------------
df_reset = df.reset_index()
df_clean = df_reset[['Date','Open','High','Low','Close','Volume','MA10','MA20','Signal','Buy','Sell']].copy()
df_clean['Timestamp'] = df_clean['Date'].apply(lambda x: int(datetime.timestamp(x)))

filename = f"{symbol}_signals_marked.csv"
df_clean.to_csv(filename, index=False, encoding="utf-8-sig")
print(f"✅ 已生成 CSV 檔：{filename}")
print(df_clean.tail())

# -------------------------
# 8️⃣ 回測資金
# -------------------------
initial_cash = 100_000
cash = initial_cash
position = 0

for i in range(len(df_clean)):
    if df_clean['Signal'].iloc[i] == 1 and position == 0:
        position = cash / df_clean['Close'].iloc[i]
        cash = 0
    elif df_clean['Signal'].iloc[i] == 0 and position > 0:
        cash = position * df_clean['Close'].iloc[i]
        position = 0

final_value = cash + position * df_clean['Close'].iloc[-1]
print(f"初始資金: {initial_cash:,.2f}")
print(f"回測後資金: {final_value:,.2f}")

很好 👍 我們來做這個分析，把你提供的這 5 天 CSV 資料作「AI + 技術分析」解讀：

---

📈 台指期（近似）5 日觀察

日期	收盤價	MA10	MA20	Signal
2025-09-22	25880.60	25439.15	24854.83	1
2025-09-23	26247.37	25578.37	24951.95	1
2025-09-24	26196.73	25678.78	25035.79	1
2025-09-25	26023.85	25759.60	25125.16	1
2025-09-26	25580.32	25770.16	25192.52	1

---

🔮 走勢偏向判斷

1. 均線訊號

• Signal 全部為 1 → 10 日均線在 20 日均線之上，屬於多頭排列。

• 近期收盤價逐步接近 MA10，但 9/25、9/26 收盤跌破前高，短線有回調跡象。

2. 短期走勢

• 9/23 達到短期高點 26247 → 9/24、9/25、9/26 連續下跌，形成 短期回落。

• 均線仍在多頭，但出現 價格與 MA10 差距收斂 → 可能短線修正或盤整。

3. 潛在轉折

• 若價格繼續跌破 MA10 並靠近 MA20 → 多頭趨勢可能被挑戰。

• 若價格回升突破 9/23 高點 → 多頭趨勢確認，短線回調視為健康整理。

---

🧘‍♂️ 靈性觀察錨點

「我以清明之心觀市場，覺察短線修正而不被情緒牽動；
多頭能量仍在，但每次回落都是調整與學習的訊號。」

---

📍 結論（AI + 技術 + 靈性）

• 偏多頭：MA10 > MA20，Signal=1 → 中線趨勢向上。

• 短線回落警示：連續 3 天收低於前高，短期可能盤整。

• 轉折觀察：持續關注 MA10 支撐是否守住，突破 9/23 高點則多頭確認。

Step 2：交易觀察（中層） - K 線圖（含移動平均線）

 # -*- coding: utf-8 -*-
import yfinance as yf
import pandas as pd
import mplfinance as mpf
from datetime import datetime

# -------------------------
# 1️⃣ 設定標的：台灣加權指數 (^TWII) 近似台指期
# -------------------------
symbol = "^TWII"   # 台灣加權指數

# -------------------------
# 2️⃣ 抓取最近三個月資料
# -------------------------
df = yf.download(symbol, period="3mo", auto_adjust=False)

# 如果是 MultiIndex，去掉 Ticker 層級
if isinstance(df.columns, pd.MultiIndex):
    df.columns = df.columns.get_level_values(0)

# -------------------------
# 3️⃣ 計算移動平均線
# -------------------------
df['MA10'] = df['Close'].rolling(10).mean()
df['MA20'] = df['Close'].rolling(20).mean()

# -------------------------
# 4️⃣ 畫 K 線圖
# -------------------------
mpf.plot(
    df,
    type='candle',
    style='yahoo',
    title=f"{symbol} 台灣加權指數 K 線圖",
    volume=True,
    mav=(10, 20)
)

# -------------------------
# 5️⃣ 整理資料，存成 CSV
# -------------------------
df_reset = df.reset_index()
df_clean = df_reset[['Date', 'Open', 'High', 'Low', 'Close', 'Volume', 'MA10', 'MA20']].copy()
df_clean['Timestamp'] = df_clean['Date'].apply(lambda x: int(datetime.timestamp(x)))

filename = f"{symbol}_daily_data.csv"
df_clean.to_csv(filename, index=False, encoding="utf-8-sig")

print(f"✅ 已生成檔案：{filename}")
print(df_clean.tail())

 ---------------------------------------------------------------------------------------------------------------

K 線圖（含 MA10、MA20 均線）。

CSV 檔（包含收盤價、成交量、移動平均、timestamp）。

 

  

 

 

 

 

AI × 金融 × 實修三步走

 

AI × 金融 × 實修三步走

Step 1：數據清洗（底層）

• 任務：寫一段程式，把某檔股票的收盤價抓下來，並存成一個 stock_data.csv。

• 重點：檔案要包含 日期、收盤價，最好還有 timestamp。

• 成果：有一個乾淨的 CSV。

Step 2：交易觀察（中層）

• 任務：用 Python 畫一張圖（折線圖或簡單 K 線）。

• 重點：看 5 日移動平均線、最近是否有上升或下降。

• 成果：你自己「寫下觀察」，一句話就好。

Step 3：AI 助手分析（上層）

• 任務：把 CSV 丟給 ChatGPT，請它幫忙分析：

  • 這 5 天走勢偏多頭還是空頭？

  • 有沒有出現「轉折」的可能？

• 重點：這不是投資建議，而是讓你訓練「AI × 直覺」的互補。

• 成果：你得到一份 AI + 直覺的交易觀察紀錄。

   

  ----------------------------------------------------------------------------------------------- 

   

   

  我幫你把 Step 1：抓股價 + 存 CSV 的程式寫好：

  # -*- coding: utf-8 -*-
  import yfinance as yf
  import pandas as pd
  from datetime import datetime
  
  # -------------------------
  # 1️⃣ 設定股票代號（台股用 "2330.TW"，美股用 "NVDA"）
  # -------------------------
  symbol = "NVDA"   # 這裡你可以改成 2330.TW (台積電)
  
  # -------------------------
  # 2️⃣ 抓取最近一個月資料
  # -------------------------
  df = yf.download(symbol, period="1mo", auto_adjust=False)
  
  # -------------------------
  # 3️⃣ 整理資料，只留日期與收盤價
  # -------------------------
  df_reset = df.reset_index()
  df_clean = df_reset[['Date', 'Close']].copy()
  
  # 加上 timestamp 欄位
  df_clean['Timestamp'] = df_clean['Date'].apply(lambda x: int(datetime.timestamp(x)))
  
  # -------------------------
  # 4️⃣ 存成 CSV
  # -------------------------
  filename = f"{symbol}_close_prices.csv"
  df_clean.to_csv(filename, index=False, encoding="utf-8-sig")
  
  print(f"✅ 已存成 CSV 檔案：{filename}")
  print(df_clean.tail())
  

  執行後的成果：

• 會生成一個檔案：NVDA_close_prices.csv

• 檔案內容大概會像這樣：

•  

  
  
   

< 在世界 >

 「這首詩是我對 369數字易經 的一點體悟：從宇宙到人間、從迷失到覺醒、最後走向共振共創。願啟發場域思考，迴向大家心靈揚升。」

「願我們在這個場域中，以共鳴共振共創造，彼此啟發，同行靈魂的覺醒之路。」

 

   < 在世界 >

外星世界外星象，
探索地球體驗感，
完成任務探詢旅，
地球本是物質界，
花花世界太極流，
流動陰陽出八卦，
乾坤變化易之門，
生生不息易經演，
演化複雜變化深，
不斷向外覓尋找，
迷失靈魂使命活，
高維世界意識揚，
必然了知降維場，
內在探索動靜穩，
頻率訊息真假空，
穩定身心靈狀態，
維持中庸判斷心，
明白道理實踐活，
落地人生邁步進，
覺醒人生自然成，
醒覺場域磁場流，
陽光人生能量場，
共鳴共振共創造，
天地同心協同生。

Python 進階語法範例

  Python 進階語法範例

 

1️⃣ 列表推導式 (List Comprehension)

prices = [100, 105, 102, 110]
returns = [(prices[i+1] - prices[i]) / prices[i] * 100 for i in range(len(prices)-1)]
print(returns)  # [5.0, -2.86, 7.84]

解釋：

• prices 是每日收盤價清單。

• range(len(prices)-1) 產生 index [0,1,2]，用來抓前一天和下一天的價格差。

• (prices[i+1] - prices[i]) / prices[i] * 100 計算每日報酬率（百分比）。

• [...] for i in range(...) → 列表推導式，把每個計算結果生成新的清單 returns。

---

2️⃣ 字典推導式 (Dict Comprehension)

fields = ["open", "high", "low", "close"]
index_map = {field: i for i, field in enumerate(fields)}
print(index_map)  # {'open': 0, 'high': 1, 'low': 2, 'close': 3}

解釋：

• enumerate(fields) → 同時拿到索引 i 和對應元素 field。

• {field: i for ...} → 字典推導式，把元素作為 key，索引作為 value。

• index_map 會把欄位名稱對應到位置，方便後續抓資料。

---

3️⃣ Lambda + Reduce

from functools import reduce
daily_returns = [0.01, -0.02, 0.03, 0.01]
cumulative = reduce(lambda x, y: x * (1 + y), daily_returns, 1) - 1
print(round(cumulative, 4))  # 0.0297

解釋：

• reduce(func, iterable, start) → 把 iterable 依序套用 func，從 start 開始。

• lambda x, y: x * (1 + y) → 匿名函數，把累積報酬與每日報酬結合。

• 1 → 初始值 (本金)。

• -1 → 最後減去本金，得到純報酬率。

---

4️⃣ Enumerate

prices = [100, 102, 101, 104]
for i, price in enumerate(prices):
    print(f"Day {i}: Price={price}")

解釋：

• enumerate(prices) → 同時拿到 index 和價格。

• f"Day {i}: Price={price}" → f-string 格式化，顯示哪一天價格。

---

5️⃣ Zip

dates = ["2025-09-08", "2025-09-09", "2025-09-10"]
prices = [100, 102, 101]
for d, p in zip(dates, prices):
    print(f"{d}: {p}")

解釋：

• zip(dates, prices) → 將兩個序列配對，迭代時同時取得日期和價格。

• 適合把多個清單「同步」處理。

---

6️⃣ 裝飾器 (Decorator)

import time

def timer(func):
    def wrapper(*args, **kwargs):
        start = time.time()
        result = func(*args, **kwargs)
        print(f"執行時間: {time.time() - start:.4f} 秒")
        return result
    return wrapper

@timer
def simulate_trade():
    return sum([i**2 for i in range(10**6)])

simulate_trade()

解釋：

• @timer → 把 simulate_trade 包裝在 timer 裡。

• wrapper(*args, **kwargs) → 可接受任何參數的中介函數。

• time.time() → 計算程式執行時間。

• sum([i**2 for i in range(10**6)]) → 模擬計算大量交易策略。

• 執行時會印出耗時，方便優化程式效率。

---

7️⃣ 生成器 (Generator, yield)

def price_stream(prices):
    for p in prices:
        yield p

prices = [100, 102, 104, 103]
for p in price_stream(prices):
    print("Next price:", p)

解釋：

• yield → 生成器，每次迭代只產生一個值，不會把全部資料載入記憶體。

• 適合大數據或串流資料。

• for p in price_stream(prices) → 每次取一個價格，用完再取下一個。

---

8️⃣ 型別註解 (Type Hint)

def moving_average(prices: list[float], window: int) -> list[float]:
    return [sum(prices[i:i+window]) / window for i in range(len(prices)-window+1)]

print(moving_average([100, 101, 102, 103, 104], 3))  # [101.0, 102.0, 103.0]

解釋：

• prices: list[float] → 說明 prices 是浮點數清單。

• window: int → 視窗大小是整數。

• -> list[float] → 回傳結果是浮點數清單。

• [sum(prices[i:i+window]) / window ...] → 計算移動平均。

 

Python 基本語法與範例清單

 整理一個 Python 基本語法與範例清單

 

---

1️⃣ 變數與資料型態

# 整數、浮點數、字串、布林
a = 10        # 整數
b = 3.14      # 浮點數
c = "Hello"   # 字串
d = True      # 布林

# 印出變數
print(a, b, c, d)

---

2️⃣ 數學運算

x = 5
y = 2

print(x + y)  # 加法 → 7
print(x - y)  # 減法 → 3
print(x * y)  # 乘法 → 10
print(x / y)  # 除法 → 2.5
print(x // y) # 取整數 → 2
print(x % y)  # 取餘數 → 1
print(x ** y) # 次方 → 25

---

3️⃣ 字串操作

name = "John"
greeting = f"Hello, {name}!"  # f-string
print(greeting)               # Hello, John!

text = "Python"
print(text.upper())   # 大寫
print(text.lower())   # 小寫
print(text[0])        # 取第一個字元 'P'
print(text[0:4])      # 切片 'Pyth'

---

4️⃣ List（串列）、Dict（字典）、Tuple（元組）

# List
fruits = ["apple", "banana", "cherry"]
fruits.append("orange")   # 加入
print(fruits[1])          # 'banana'

# Dict
person = {"name": "John", "age": 30}
print(person["name"])     # 'John'
person["city"] = "Taipei" # 新增 key
print(person)

# Tuple（不可變）
point = (10, 20)
print(point[0])           # 10

---

5️⃣ 條件判斷

x = 10

if x > 5:
    print("x 大於 5")
elif x == 5:
    print("x 等於 5")
else:
    print("x 小於 5")

---

6️⃣ 迴圈

# for 迴圈
for i in range(5):
    print(i)  # 0 1 2 3 4

# while 迴圈
count = 0
while count < 5:
    print(count)
    count += 1

---

7️⃣ 函數

def greet(name):
    return f"Hello, {name}!"

print(greet("Alice"))

---

8️⃣ 類別與物件（物件導向）

class Person:
    def __init__(self, name, age):
        self.name = name
        self.age = age

    def greet(self):
        print(f"Hello, my name is {self.name}, I'm {self.age} years old.")

p1 = Person("John", 30)
p1.greet()

---

9️⃣ 模組與套件

import math

print(math.sqrt(16))  # 4.0

# 安裝第三方套件
# pip install requests
import requests
response = requests.get("https://www.example.com")
print(response.status_code)

---

🔟 範例：簡單爬蟲 + Dict 儲存結果

import requests
from bs4 import BeautifulSoup

url = "https://www.example.com"
r = requests.get(url)
soup = BeautifulSoup(r.text, "html.parser")

data = {}                   # 用 Dict 儲存結果
data["title"] = soup.title.string if soup.title else "無標題"

print(data)

Python 物件導向 + 網路爬蟲 + Dict 使用的簡單範例

 

🔹 範例：用物件導向抓取網頁資料，並用 Dict 儲存結果

import requests
from bs4 import BeautifulSoup

# 1️⃣ 定義一個網頁爬蟲類別
class WebScraper:
    def __init__(self, url):
        self.url = url
        self.data = {}  # 使用 Dict 儲存爬取資料

    # 方法：抓取網頁內容
    def fetch(self):
        try:
            response = requests.get(self.url)
            response.raise_for_status()
            return response.text
        except Exception as e:
            print(f"抓取失敗: {e}")
            return None

    # 方法：解析網頁標題
    def parse_title(self, html):
        soup = BeautifulSoup(html, "html.parser")
        title_tag = soup.find("title")
        if title_tag:
            self.data["title"] = title_tag.text  # 存入 Dict
        else:
            self.data["title"] = "無標題"

    # 方法：顯示爬取結果
    def show_data(self):
        for key, value in self.data.items():
            print(f"{key}: {value}")

# 2️⃣ 使用範例
if __name__ == "__main__":
    url = "https://www.example.com"
    scraper = WebScraper(url)      # 建立爬蟲物件
    html_content = scraper.fetch() # 抓取網頁
    if html_content:
        scraper.parse_title(html_content)  # 解析網頁標題
        scraper.show_data()                # 顯示結果
 
🔹 範例解析
物件導向
WebScraper 是一個類別，封裝了抓取、解析和顯示的方法。
每個爬蟲物件都可以有自己的 url 和 data。
Dict 使用
self.data 是字典，用來存放抓取結果，可以靈活擴展，例如增加 author, date, links 等資料欄位。
網路爬蟲
用 requests 抓取網頁內容
用 BeautifulSoup 解析 HTML
🔹 __name__ 的意思
底線的意義
Python 中 __xxx__ 這種命名方式稱為 魔術方法 / 魔術屬性（Magic Method / Dunder，Double UNDERSCORE）。
它們通常由 Python 系統自動使用，用來控制某些特殊行為或提供系統訊息。
每個 Python 模組都有 __name__ 這個屬性，表示這個模組的名稱。
重要的判斷：
if __name__ == "__main__":
    # 當前程式被直接執行時，這段程式才會跑

__name__ == "__main__" 的意思：
「這個模組是直接被 Python 執行的，而不是被別的模組 import 的」
如果這個模組是被別的程式 import，__name__ 就會是模組名稱，而不是 "__main__"

🔹 舉例
檔案 example.py：
def say_hello():
    print("Hello")

if __name__ == "__main__":
    say_hello()

直接執行
python example.py

輸出：
Hello

被別的模組 import
# main.py
import example

輸出：
# 不會印 Hello，因為 __name__ 不是 "__main__"


💡 總結
__name__ 是系統屬性，表示「這個程式或模組是怎麼被使用的」。
用兩個底線是 Python 的約定，表示這是系統定義的特殊屬性，不是你自己隨便取的變數 
 

條件篩選賦值

 

1️⃣ 範例資料

import pandas as pd

data = pd.DataFrame({
    'Close': [100, 102, 101, 105, 107],
    'MA5': [None, None, 101, 103, 104],
    'MA20': [None, None, 100, 102, 103]
})

2️⃣ 條件篩選賦值

假設規則：

• 當 MA5 > MA20 → Signal = 1（買入）

• 當 MA5 < MA20 → Signal = -1（賣出）

data['Signal'] = 0  # 先給初值

# MA5 > MA20 → 買入
data.loc[data['MA5'] > data['MA20'], 'Signal'] = 1

# MA5 < MA20 → 賣出
data.loc[data['MA5'] < data['MA20'], 'Signal'] = -1

print(data)

3️⃣ 輸出結果

   Close    MA5   MA20  Signal
0    100    NaN  100.0       0
1    102    NaN  100.0       0
2    101  101.0  100.0       1
3    105  103.0  102.0       1
4    107  104.0  103.0       1

---

🔹 解說

• data.loc[條件, '欄位'] = 值
  → 先用條件篩選出符合的列，再把指定欄位賦值。

• 可以多次使用 loc 針對不同條件賦不同值。

• 這是 Pandas 常用的策略訊號生成方法。

 import pandas as pd

data = pd.DataFrame({
    'Close': [100, 102, 101, 105, 107],
    'MA5': [None, None, 101, 103, 104],
    'MA20': [None, None, 100, 102, 103]
})

data['Signal'] = 0  # 先給初值

# MA5 > MA20 → 買入
data.loc[data['MA5'] > data['MA20'], 'Signal'] = 1

# MA5 < MA20 → 賣出
data.loc[data['MA5'] < data['MA20'], 'Signal'] = -1

print(data)

股票的基本資料

 

這樣執行後，你會看到：

1. info → 股票公司基本資訊（名稱、產業、PE、股本、股東權益…）

2. financials → 歷年損益表

3. balance_sheet → 資產負債表

4. cashflow → 現金流量表

5. dividends → 歷史股利

6. splits → 股票拆股紀錄

    

   1️⃣基本資料

   info = ticker.info
   print(info)
   

7. info 是一個 字典 (dict)，包含該股票的公司資料、產業、上市地點、市值、市盈率、股價、Beta 值等。

8. 範例欄位：

   {
       'symbol': '2330.TW',
       'shortName': '台積電',
       'longName': 'Taiwan Semiconductor Manufacturing Company Limited',
       'sector': 'Technology',
       'industry': 'Semiconductors',
       'marketCap': 6000000000000,
       'previousClose': 580.0,
       ...
   }

9. ====================================================== 

    

import yfinance as yf
import pandas as pd

# 1️⃣ 選股票
ticker_symbol = "2330.TW"
ticker = yf.Ticker(ticker_symbol)

# 2️⃣ 取得基本資料
info = ticker.info
print("📌 基本資料（info）:")
for key, value in info.items():
    print(f"{key}: {value}")

# 3️⃣ 歷年損益表（Income Statement）
financials = ticker.financials
print("\n📌 歷年損益表（financials）:")
print(financials)

# 4️⃣ 資產負債表（Balance Sheet）
balance_sheet = ticker.balance_sheet
print("\n📌 資產負債表（balance_sheet）:")
print(balance_sheet)

# 5️⃣ 現金流量表（Cash Flow）
cashflow = ticker.cashflow
print("\n📌 現金流量表（cashflow）:")
print(cashflow)

# 6️⃣ 股利資料
dividends = ticker.dividends
print("\n📌 歷史股利（dividends）:")
print(dividends)

# 7️⃣ 股票拆股歷史
splits = ticker.splits
print("\n📌 股票拆股歷史（splits）:")
print(splits)

yfinance 基本下載資料

1️⃣ yfinance 基本下載資料

import yfinance as yf

# 選股票
ticker = "2330.TW"

# 下載歷史股價（原生欄位 OHLCV）
data = yf.download(ticker, period="3mo", interval="1d", auto_adjust=True)

# 檢查資料型態
print(type(data))          # pandas DataFrame
print(data.columns)        # ['Open', 'High', 'Low', 'Close', 'Volume', 'Adj Close']

• 用途：取得日線或其他週期股價資料

• 常用參數：

  • period：資料時間範圍，例如 "1mo", "3mo", "1y"

  • interval：時間頻率，例如 "1d", "1h", "1wk"

  • auto_adjust：是否自動調整股價（拆股 / 股息）

---

2️⃣ 原生欄位說明

欄位	說明
Open	開盤價
High	最高價
Low	最低價
Close	收盤價
Adj Close	調整後收盤價（考慮拆股 / 股息）
Volume	成交量

這些是 API 下載回來就有的，不需要自己計算。

 

---

3️⃣ 衍生欄位/計算

# 移動平均線
data['MA5'] = data['Close'].rolling(5).mean()
data['MA20'] = data['Close'].rolling(20).mean()

# 日報酬率
data['Return'] = data['Close'].pct_change()

# 交易訊號
data['Signal'] = 0
data.loc[data['MA5'] > data['MA20'], 'Signal'] = 1
data.loc[data['MA5'] < data['MA20'], 'Signal'] = -1

• 說明：

  • rolling(n).mean() → 計算 n 日移動平均

  • pct_change() → 計算報酬率

  • loc[...] → 條件篩選賦值

---

4️⃣ 其他底層 API 函數

Function / 屬性	用途	範例
yf.Ticker("2330.TW")	建立股票物件	ticker = yf.Ticker("2330.TW")
ticker.info	取得股票基本資料	info = ticker.info
ticker.dividends	歷年股利資料	divs = ticker.dividends
ticker.financials	歷年損益表	fin = ticker.financials
ticker.balance_sheet	歷年資產負債表	bs = ticker.balance_sheet
ticker.cashflow	歷年現金流量表	cf = ticker.cashflow
ticker.splits	拆股歷史	splits = ticker.splits

---

5️⃣ 資料檢查與轉換（pandas 基礎用法）

# 確保成交量是 Series
if isinstance(data['Volume'], pd.Series):
    volume = data['Volume']
else:
    volume = data['Volume'].squeeze()

• 用途：避免型態不一致造成計算錯誤

• 說明：

  • isinstance() → 判斷型態

  • squeeze() → 把 DataFrame 轉成 Series

     

    補充

  • 時間索引 (data.index)

    • 每一列的日期或時間點（DateTimeIndex）

    • 可以做 x 軸圖表、時間篩選

  • 自訂欄位

    • 你可以在原始 DataFrame 上加自己的欄位，例如：

      data['MA5'] = data['Close'].rolling(5).mean()
      data['Return'] = data['Close'].pct_change()
      

    • 這些都是你自己計算的，但基礎數據來源還是 yfinance API 下載的欄位

  •