前言
在金融市場中，單一標的的漲跌往往帶有隨機性，但「全市場的報酬分佈」則能揭示最真實的市場情緒。為了效率化掌握台股全貌，我利用 Python 與 GitHub Actions 打造了一套全自動化的數據分析管線。它不負責挑選明牌，而是透過統計矩陣，每天準時將 2,600 檔標的的動能分佈送達我的收件匣。
一、 核心架構：無伺服器（Serverless）的數據流水線
這套系統的目標很明確：用最少的硬體資源，處理最龐大的市場數據。 我選擇將程式碼寄生在 GitHub 的虛擬機上，實現 100% 自動化運作。 【建議插圖：GitHub Actions 執行流程圖，展現從觸發到發信的自動化步驟】
系統邏輯分為三個層次：- 高效採集：掃描台股全市場清單，下載兩年期的歷史日 K 線。
- 統計分析：計算不同週期下的「報酬矩陣」。
- 分佈視覺化：繪製直方圖，觀察市場漲跌家數的比例分佈。
二、 數據採集：解決 2,600 檔標的的「存取限制」
在開發過程中，最困難的技術挑戰在於數據源的頻率限制（Rate Limit）。當你需要短時間存取 2,600 檔標的時，傳統爬蟲極易被封鎖。
1. 高韌性的下載邏輯
在 downloader_tw.py 中，我設計了隨機延遲（Jitter）與重試機制：
- 模擬真人行為：每次請求間隔隨機化，打亂規律性。
- 退避算法：偵測到伺服器擁塞時自動暫停，確保數據完整性。
2. 精確的市場分類
台股代號結構複雜，程式需精確判定上市（.TW）與上櫃/興櫃（.TWO）等不同後綴，否則將導致大量無效請求。
三、 數據統計：滾動窗口下的報酬矩陣
這套系統不看固定的「日曆月份」，而是採用 「滾動窗口 (Rolling Window)」 邏輯進行統計。
- 三維週期監控：同步計算 5日、20日、250日 的報酬率。
- 分佈矩陣：統計「最高價」、「收盤價」與「最低價」相對於基準點的位階。
- 市場寬度（Market Breadth）：透過直方圖，我可以看到有多少比例的股票處於超漲或超跌狀態，這比單純看大盤指數更能反映市場的健康度。
四、 系統擴展：全球市場的平行運算能力
這個專案在架構上具備極強的 「水平擴展性」。 透過 GitHub Actions 的 Matrix Strategy (矩陣策略)，這套邏輯可以輕易複製到美、日、韓等全球市場。藉由多台雲端虛擬機平行作業，能將數小時的下載量壓縮至 15 分鐘內完成，展現了雲端運算在量化數據處理上的優勢。
五、 結語：用統計思維觀察市場
這套系統是我對數據工程的一次實踐。它並不提供投資建議，而是將枯燥的原始數據轉化為可視化的統計圖表。當我們能掌握 2,600 檔標的的整體分佈時，就能以更宏觀、客觀的視角觀察台股。
專案原始碼： 👉 https://github.com/grissomlin/taiwan-stock-monitor 歡迎對自動化數據分析有興趣的朋友一起交流討論！
