這份 timing_lab.py（對應網址中的 /timing_lab 頁面）是 StockRevenueLab 中最具備「行為金融學」與「事件研究法」色彩的單元。它的核心目的在於探討：當營收利多正式公告時，市場的反應是「追價」還是「利多出盡」？
一、 研究背景：破解市場的「偷跑」與「追價」
投資人常問：「為什麼這張股票營收翻倍，公告當天卻開高走低？」 這個研究室利用「事件研究法（Event Study）」的概念，將營收公告日設為 T 日，往前追蹤 1 個月，往後觀察 1 個月。透過數千筆歷史樣本，揭開大戶佈局與短線客追價的統計分佈。
二、 網頁操作指南（User Guide）
🔗 快速傳送門
- 📊 立即進入：公告行為研究室 4.3 儀表板
- 📂 GitHub 專案原始碼
1. 設置研究門檻
- 爆發門檻 %：設定你心目中「利多」的標準（例如：營收年增率大於 100%）。
- 關鍵字搜尋：想知道特定產業的反應？輸入「CoWoS」、「建案」或「新機」。
2. 閱讀「核心數據看板」
系統會自動將行為分為五個階段：- T-1 月（大戶佈局區）：公告前一個月是否有人提前進場？
- T-1 周（短線預跑區）：公告前一週是否有內線或敏感資金偷跑？
- T 周（市場反應）：利多釋出當週的真實表現。
- T+1 周 / T+1 月（趨勢結局）：利多是否有續航力，還是僅是曇花一現？
3. 進階統計分析（進階必看 🔬）
除了平均數，我們更看重 「分佈的形狀」：
- 偏度（Skewness）：若偏度顯著大於 0（右偏），代表少數股票漲幅驚人，大部分股票表現普普。
- 變異係數（CV）：顯示個股間表現的分歧程度。
- 右尾/左尾比：大漲股票與大跌股票的數量比，用來判斷策略的勝率品質。
4. AI 投資行為深度診斷
點擊 「產生 AI 分析表格」 並複製指令給 ChatGPT，它會自動診斷出該年度是否存在嚴重的「資訊不對稱」現象，並提供具體的停利停損建議。
三、 程式碼技術說明 (Technical Deep Dive)
這套程式碼將「金融統計」與「SQL 大數據運算」結合，具備以下技術亮點：
1. SQL 分時段窗口計算 (Time-Window Aggregation)
在 fetch_timing_data 函數中，我們利用 SQL 的 LAG 函數與日期區間（Interval）計算：
- 初次爆發偵測：
prev_metric < limit確保我們研究的是「久旱逢甘霖」的轉折點，而非一漲再漲的老牌績優股。 - 動態日期窗口：自動計算公告日前後的
-38 to -9天（T-1月）、-9 to -3天（T-1周）等五個行為時段。
2. 統計直方圖與參考線 (Plotly Visualization)
我們不僅畫出直方圖，還在圖中動態標註了「平均線」、「中位線」與「四分位距（IQR）」。
這能幫助使用者直觀地看到「右尾效應」——當平均線遠高於中位線時，投資人應警惕自己是否在追求「極端離群值」，而非普遍規律。
3. 進階統計量檢定 (Advanced Stats Logic)
程式碼整合了 scipy 與 pandas 的統計功能：
Python
skew_sig = "顯著右偏" if skew_val > 0.5 else "顯著左偏" if skew_val < -0.5 else "接近對稱"
透過將數值轉化為人類易讀的「顯著性描述」，讓不懂統計學的投資人也能快速掌握數據意涵。
4. 數據防呆與侷限性警告
在 App 開頭即標註了資料侷限性說明。在程式碼中，我們使用了 NULLIF 與異常值檢測邏輯（Outlier Detection），確保少數極端離群值不會扭曲整體統計判斷。
四、 結語：用科學對抗貪婪與恐懼
「公告行為研究室」的存在，是為了讓投資人明白：利多公告不等於股價必漲。透過觀察「偏度」與「勝率」的變化，你將學會在大戶佈局時發現機會，在利多出盡時全身而退。
