首頁內容方案關於
《炒股不看周月年K漲幅機率就是耍流氓》
🧹 資料清洗與異常排除邏輯
🧠 清洗後的好處
每一筆年K報酬都來自「可交易、邏輯正確、無企業行為干擾」的樣本
不會因為拆併或配股導致報酬率失真
不會因為冷門股或便士股造成統計偏誤
每一張圖表都能放心解讀，不需要再做二次清洗
📉 為什麼美股從 8,000 家變成 5,000 多家？
美股原始 8,000 家 → 清洗後剩 5,000 家的異常排除邏輯
美國原始上市公司約 8,000 家，但我不是全部都拿來分析。
我使用一套異常排除模組，針對每一家公司進行清洗，最終只留下約 5,000 家能夠進行年K報酬分析的標的。
以下是我排除的異常條件：
🧹 資料清洗與異常排除邏輯
🧹 資料清洗與異常排除邏輯
🧠 清洗後的好處
每一筆年K報酬都來自「可交易、邏輯正確、無企業行為干擾」的樣本
不會因為拆併或配股導致報酬率失真
不會因為冷門股或便士股造成統計偏誤
每一張圖表都能放心解讀，不需要再做二次清洗
📉 為什麼美股從 8,000 家變成 5,000 多家？
美股原始 8,000 家 → 清洗後剩 5,000 家的異常排除邏輯
美國原始上市公司約 8,000 家，但我不是全部都拿來分析。
我使用一套異常排除模組，針對每一家公司進行清洗，最終只留下約 5,000 家能夠進行年K報酬分析的標的。
以下是我排除的異常條件：
🧹 資料清洗與異常排除邏輯
# -*- coding: utf-8 -*-
# 🚀 get_hk_stocks_reliable_resume_final.py (V5.0: 5位數清單/4位數下載兼容)
# (2025-10) 香港最終版：整合魯棒性、斷點續跑和統一路徑結構
#
# 特色：
# - 代碼：清單
🇰🇷 韓國篇：用 pykrx 套件打造 KRX 股票清單與日K下載器（含續跑、驗證、黑名單）
這篇教學介紹的是韓國股市（日K）資料擷取模組，主要針對 KRX（韓國交易所）旗下的 KOSPI 與 KOSDAQ 普通股。程式設計上延續日本篇的「單一 Cell 完成」哲學，並加入 pykrx 清單擷
這一篇介紹的是日本股市（日K）資料擷取模組，主要針對東京證券交易所（TSE）掛牌的普通股。程式由 AI 生成，我負責測試與整合，設計上延續中國篇的「單一 Cell 完成」哲學，並加入多輪預篩、批次下載、單檔補救與續跑機制。
🧠 程式功能亮點與模組設計
這份模組具備以下特色：
✅ 清單來源優先
📈 香港股市數據自動下載器 - 完整功能介紹
這是一個專為香港股市 (HKEX) 設計的自動化數據下載工具,能夠從 Yahoo Finance 批量下載股票日K線數據,並具備智能續跑和數據驗證功能。
🎯 核心特色
1️⃣ 官方數據源 + 智能篩選
📋 數據來源:從香港交易所 (HKEX
在這一篇，我要介紹的是中國股市（日K）資料擷取模組，主要針對上海證券交易所（SSE）與深圳證券交易所（SZSE）上市的 A 股公司。這份程式碼由 AI 生成，設計上延續台灣、香港、美國篇的核心邏輯，但中國篇有一個非常實用的特色：
✅ 只需一個 Cell，就能完成清單擷取、預篩、下載、驗證與狀態管理
這一篇介紹的是美股日K資料擷取模組。程式由 AI 生成，我負責測試與整合，目標是打造一套具備「清單解析 → 預篩 → 批次下載 → 單檔補救 → 斷點續跑 → 資料驗證」的完整流程。
🧠 功能亮點與模組設計
這份美股模組延續了香港篇的設計理念，並加入多執行緒預篩與批次下載補救機制，具備以下特色
《台灣股市產業清單擷取模組》
在打造六國股市資料擷取系統的過程中，台灣市場是最值得優先處理的模組之一。除了資料來源穩定、格式清晰，台灣股市還具備一項獨特優勢：官方網站直接提供上市、上櫃、興櫃的完整產業分類清單，而且可以透過 pandas.read_html() 一鍵解析。
這篇文章將帶你一步步建
# -*- coding: utf-8 -*-
# 🚀 get_hk_stocks_reliable_resume_final.py (V5.0: 5位數清單/4位數下載兼容)
# (2025-10) 香港最終版：整合魯棒性、斷點續跑和統一路徑結構
#
# 特色：
# - 代碼：清單
🇰🇷 韓國篇：用 pykrx 套件打造 KRX 股票清單與日K下載器（含續跑、驗證、黑名單）
這篇教學介紹的是韓國股市（日K）資料擷取模組，主要針對 KRX（韓國交易所）旗下的 KOSPI 與 KOSDAQ 普通股。程式設計上延續日本篇的「單一 Cell 完成」哲學，並加入 pykrx 清單擷
這一篇介紹的是日本股市（日K）資料擷取模組，主要針對東京證券交易所（TSE）掛牌的普通股。程式由 AI 生成，我負責測試與整合，設計上延續中國篇的「單一 Cell 完成」哲學，並加入多輪預篩、批次下載、單檔補救與續跑機制。
🧠 程式功能亮點與模組設計
這份模組具備以下特色：
✅ 清單來源優先
📈 香港股市數據自動下載器 - 完整功能介紹
這是一個專為香港股市 (HKEX) 設計的自動化數據下載工具,能夠從 Yahoo Finance 批量下載股票日K線數據,並具備智能續跑和數據驗證功能。
🎯 核心特色
1️⃣ 官方數據源 + 智能篩選
📋 數據來源:從香港交易所 (HKEX
在這一篇，我要介紹的是中國股市（日K）資料擷取模組，主要針對上海證券交易所（SSE）與深圳證券交易所（SZSE）上市的 A 股公司。這份程式碼由 AI 生成，設計上延續台灣、香港、美國篇的核心邏輯，但中國篇有一個非常實用的特色：
✅ 只需一個 Cell，就能完成清單擷取、預篩、下載、驗證與狀態管理
這一篇介紹的是美股日K資料擷取模組。程式由 AI 生成，我負責測試與整合，目標是打造一套具備「清單解析 → 預篩 → 批次下載 → 單檔補救 → 斷點續跑 → 資料驗證」的完整流程。
🧠 功能亮點與模組設計
這份美股模組延續了香港篇的設計理念，並加入多執行緒預篩與批次下載補救機制，具備以下特色
《台灣股市產業清單擷取模組》
在打造六國股市資料擷取系統的過程中，台灣市場是最值得優先處理的模組之一。除了資料來源穩定、格式清晰，台灣股市還具備一項獨特優勢：官方網站直接提供上市、上櫃、興櫃的完整產業分類清單，而且可以透過 pandas.read_html() 一鍵解析。
這篇文章將帶你一步步建
A 股飆股，不是慢慢長，是「暴衝型天花板」
如果說：
台灣：穩定型飆股市場（越飆越靠趨勢）
美國：長坡厚雪市場（爆發反而少）
那麼 中國 A 股 完全是另一個宇宙：
A 股的飆股，是「暴衝型」的。
而且暴衝完，行情往往就結束了。2020–2025 六年的全部 A 股強勢股（≥30%）資料
股市實戰裡，最難的不是「買在最低」，而是手上股票已經漲 100% 了，現在到底要不要賣？尤其當這檔股是**年中噴上100%**時，你會不會擔心「再不賣會吐回去」？還是賭它繼續飛，變成2倍、3倍甚至10倍怪物股？
這篇文章用六個市場（TW / US / HK / JP / KR / CN）× 202
############################################################
# 市場：TW —— 全體佔比表
############################################################
| 市場
同樣是「追高到 +100%」的股票，港股最適合「賭它再飛一段」。
📌 統計口徑（非常重要）
本文所有機率，皆以「單一年份」為獨立宇宙。
也就是說：以「2021 年港股」為例，本研究只看 2021/1/1–2021/12/31 這一年度內的走勢。
「≥100%」代表該股票在當年度內，最高漲幅
（2020–2023 × 追高 100–199% × 3 年後報酬 & 勝率）
這篇是 六個市場 20,000+ 追高樣本 的極簡版結論。
想看詳細分箱表、勝率、風險分布的，文末有連結。
🥇 圖 1：六國《追高 1 倍後三年生存率》排行榜
（2020–2023 追高 100–199% →
### 2020 年追高 → 累積報酬與勝率統計 (相較於追高價)
| 追高區間 | 檔數 | 2021年累積報酬(%) | 2022年累積報酬(%) | 2023年累積報酬(%) | 2024年累積報酬(%) | 2025年累積報酬(%
📌 韓國：高 β 市場裡，追高是最典型的「韭菜位」
先講一句總結版：
韓國的超級飆股，長線命運跟中國／香港比較像，
不是日本那種「大盤多頭會慢慢來救你」。
1～2 倍追高有時還能緩慢減傷， 但 3 倍以上幾乎整片都是 -50%～-90% 的長期修正。
下面分年度拆給讀者看。
🔵 2
### 2020 年追高 → 累積報酬與勝率統計 (相較於追高價)
| 追高區間 | 檔數 | 2021年累積報酬(%) | 2022年累積報酬(%) | 2023年累積報酬(%) | 2024年累積報酬(%) | 2025年累積報酬(%)
📌 日本：結構性多頭裡，追高還是會痛 —— 但不像中港那麼絕望
先講整體氣氛：
2020～2024 所有「漲 100% 以上」的追高樣本，大多數 短期還是會被修理。
但跟中國、香港比起來，日本有一個很大的差別：
從 2022 起，日本有明顯的結構性多頭，
所以「追 1～2 倍」的人，後面
### 2020 年追高 → 累積報酬與勝率統計 (相較於追高價)
| 追高區間 | 檔數 | 2021年累積報酬(%) | 2022年累積報酬(%) | 2023年累積報酬(%) | 2024年累積報酬(%) | 2025年累積報酬(%)
A 股飆股，不是慢慢長，是「暴衝型天花板」
如果說：
台灣：穩定型飆股市場（越飆越靠趨勢）
美國：長坡厚雪市場（爆發反而少）
那麼 中國 A 股 完全是另一個宇宙：
A 股的飆股，是「暴衝型」的。
而且暴衝完，行情往往就結束了。2020–2025 六年的全部 A 股強勢股（≥30%）資料
股市實戰裡，最難的不是「買在最低」，而是手上股票已經漲 100% 了，現在到底要不要賣？尤其當這檔股是**年中噴上100%**時，你會不會擔心「再不賣會吐回去」？還是賭它繼續飛，變成2倍、3倍甚至10倍怪物股？
這篇文章用六個市場（TW / US / HK / JP / KR / CN）× 202
############################################################
# 市場：TW —— 全體佔比表
############################################################
| 市場
同樣是「追高到 +100%」的股票，港股最適合「賭它再飛一段」。
📌 統計口徑（非常重要）
本文所有機率，皆以「單一年份」為獨立宇宙。
也就是說：以「2021 年港股」為例，本研究只看 2021/1/1–2021/12/31 這一年度內的走勢。
「≥100%」代表該股票在當年度內，最高漲幅
（2020–2023 × 追高 100–199% × 3 年後報酬 & 勝率）
這篇是 六個市場 20,000+ 追高樣本 的極簡版結論。
想看詳細分箱表、勝率、風險分布的，文末有連結。
🥇 圖 1：六國《追高 1 倍後三年生存率》排行榜
（2020–2023 追高 100–199% →
### 2020 年追高 → 累積報酬與勝率統計 (相較於追高價)
| 追高區間 | 檔數 | 2021年累積報酬(%) | 2022年累積報酬(%) | 2023年累積報酬(%) | 2024年累積報酬(%) | 2025年累積報酬(%
📌 韓國：高 β 市場裡，追高是最典型的「韭菜位」
先講一句總結版：
韓國的超級飆股，長線命運跟中國／香港比較像，
不是日本那種「大盤多頭會慢慢來救你」。
1～2 倍追高有時還能緩慢減傷， 但 3 倍以上幾乎整片都是 -50%～-90% 的長期修正。
下面分年度拆給讀者看。
🔵 2
### 2020 年追高 → 累積報酬與勝率統計 (相較於追高價)
| 追高區間 | 檔數 | 2021年累積報酬(%) | 2022年累積報酬(%) | 2023年累積報酬(%) | 2024年累積報酬(%) | 2025年累積報酬(%)
📌 日本：結構性多頭裡，追高還是會痛 —— 但不像中港那麼絕望
先講整體氣氛：
2020～2024 所有「漲 100% 以上」的追高樣本，大多數 短期還是會被修理。
但跟中國、香港比起來，日本有一個很大的差別：
從 2022 起，日本有明顯的結構性多頭，
所以「追 1～2 倍」的人，後面
### 2020 年追高 → 累積報酬與勝率統計 (相較於追高價)
| 追高區間 | 檔數 | 2021年累積報酬(%) | 2022年累積報酬(%) | 2023年累積報酬(%) | 2024年累積報酬(%) | 2025年累積報酬(%)
在 2020 年的市場氛圍下，營收翻倍的利多公告似乎成了短線資金「獲利了結」的絕佳機會。數據顯示，這一年不僅沒有 PEAD（公告後漂移）效應，反而出現了顯著的倒貨現象。
一、 資訊不對稱診斷：極短線的先行卡位
先行指標分析：T-1 週均值 1.46%，偏度 1.464。雖然樣本數較小，但右尾/左
2021 年的營收公告效應與其他年度完全不同。在資金氾濫的背景下，營收爆發（YoY > 100%）並非在公告當刻結束，而是引發了更為恐怖的後續追價潮。透過「偏度」與「高峰態」的追蹤，我們能看見當時市場是如何定價這些爆炸性成長。
一、 資訊不對稱診斷：主力的「慢動作」佈局
領先指標分析：T-1 月
當市場處於空頭格局時，營收爆發往往被視為「最後的反彈」或是「利多不漲」的陷阱。透過量化指標，我們能看見在 2022 年，資金對營收利多的反應變得極其短促且謹慎。
一、 資訊不對稱診斷：主力佈局的「縮頭」現象
資訊外流的時滯：T-1 月的偏度僅 0.928，遠低於其他年份。但到了 T-1 週，偏度
2020 年，台股的投資邏輯經歷了從「流動性危機」到「基本面復甦」的劇烈轉換。在資金極度寬鬆的背景下，營收能維持爆發（YoY > 100%）的公司，成為市場情緒修復後的首選。透過數據觀察，我們可以發現這一年營收爆發規律對股價的影響力極為強勁。
一、 相關性分析：頻率即強度的體現
在 2020 年
在 2023 年，當營收首度出現 YoY 突破 100% 的信號時，市場不僅提前反應，且公告後的續航力是近年來最強的一年。透過不對稱數據指標，我們能看見資金在 AI 轉型年是如何瘋狂追逐成長。
一、 資訊不對稱診斷：主力佈局的「共識」
極端顯著的預期心理：T-1 月的偏度值高達 7.563，且峰
在 2024 年，當一間公司營收首度翻倍時，市場的反應並非隨機，而是呈現出一套高度不對稱的規律。透過偏度（Skewness）與峰度（Kurtosis）的變化，我們能看見資金流動的真跡。
一、 資訊不對稱診斷：主力佈局的狂熱
驚人的偏度與峰度：T-1 月的偏度高達 8.459，峰度更達到 139.
在台股中，我們常看到營收公告 YoY 衝破 100% 的那一刻，股價已經漲了一大波。這究竟是「主力先行」，還是市場的「效率反應」？透過 2025 年 715 檔初次爆發樣本的統計，我們發現了隱藏在偏度與峰度背後的獲利真相。
一、 資訊不對稱診斷：主力提早佈局了嗎？
從數據來看，資訊外流的特徵極其
2021 年，台股見證了許多傳產與電子股的營收從 YoY 100% 起跳。對於投資人而言，這一年是「基本面量化」最有效的一年。數據顯示，當爆發次數形成「趨勢」時，報酬率的增長幅度會變得非常驚人。
一、 相關性分析：頻率與回報的高度正相關
在 2021 年，「爆發次數」與各項報酬指標呈現顯著的強正
2022 年，台股經歷了系統性的估值修正。當市場多數標的都在下跌時，投資人最想知道的是：營收爆發（YoY > 100%）能否成為股價的避風港？透過量化數據，我們發現在空頭年，「爆發次數」帶來的優勢變得非常不穩定。
一、 相關性分析：脆弱的關聯性
在 2022 年，「爆發次數」與回報的相關性顯著弱
2023 年，台股揮別了 2022 年的陰霾，資金開始尋找具備「實質成長」與「轉機題材」的標的。在這一年的數據中，我們發現營收爆發（YoY > 100%）的次數，對於股價的推升力道呈現出非常有趣的規律，並非次數越多就絕對保證最高回報。
一、 相關性分析：並非線性成長，而是「區間效應」
觀察 20
在 2020 年的市場氛圍下，營收翻倍的利多公告似乎成了短線資金「獲利了結」的絕佳機會。數據顯示，這一年不僅沒有 PEAD（公告後漂移）效應，反而出現了顯著的倒貨現象。
一、 資訊不對稱診斷：極短線的先行卡位
先行指標分析：T-1 週均值 1.46%，偏度 1.464。雖然樣本數較小，但右尾/左
2021 年的營收公告效應與其他年度完全不同。在資金氾濫的背景下，營收爆發（YoY > 100%）並非在公告當刻結束，而是引發了更為恐怖的後續追價潮。透過「偏度」與「高峰態」的追蹤，我們能看見當時市場是如何定價這些爆炸性成長。
一、 資訊不對稱診斷：主力的「慢動作」佈局
領先指標分析：T-1 月
當市場處於空頭格局時，營收爆發往往被視為「最後的反彈」或是「利多不漲」的陷阱。透過量化指標，我們能看見在 2022 年，資金對營收利多的反應變得極其短促且謹慎。
一、 資訊不對稱診斷：主力佈局的「縮頭」現象
資訊外流的時滯：T-1 月的偏度僅 0.928，遠低於其他年份。但到了 T-1 週，偏度
2020 年，台股的投資邏輯經歷了從「流動性危機」到「基本面復甦」的劇烈轉換。在資金極度寬鬆的背景下，營收能維持爆發（YoY > 100%）的公司，成為市場情緒修復後的首選。透過數據觀察，我們可以發現這一年營收爆發規律對股價的影響力極為強勁。
一、 相關性分析：頻率即強度的體現
在 2020 年
在 2023 年，當營收首度出現 YoY 突破 100% 的信號時，市場不僅提前反應，且公告後的續航力是近年來最強的一年。透過不對稱數據指標，我們能看見資金在 AI 轉型年是如何瘋狂追逐成長。
一、 資訊不對稱診斷：主力佈局的「共識」
極端顯著的預期心理：T-1 月的偏度值高達 7.563，且峰
在 2024 年，當一間公司營收首度翻倍時，市場的反應並非隨機，而是呈現出一套高度不對稱的規律。透過偏度（Skewness）與峰度（Kurtosis）的變化，我們能看見資金流動的真跡。
一、 資訊不對稱診斷：主力佈局的狂熱
驚人的偏度與峰度：T-1 月的偏度高達 8.459，峰度更達到 139.
在台股中，我們常看到營收公告 YoY 衝破 100% 的那一刻，股價已經漲了一大波。這究竟是「主力先行」，還是市場的「效率反應」？透過 2025 年 715 檔初次爆發樣本的統計，我們發現了隱藏在偏度與峰度背後的獲利真相。
一、 資訊不對稱診斷：主力提早佈局了嗎？
從數據來看，資訊外流的特徵極其
2021 年，台股見證了許多傳產與電子股的營收從 YoY 100% 起跳。對於投資人而言，這一年是「基本面量化」最有效的一年。數據顯示，當爆發次數形成「趨勢」時，報酬率的增長幅度會變得非常驚人。
一、 相關性分析：頻率與回報的高度正相關
在 2021 年，「爆發次數」與各項報酬指標呈現顯著的強正
2022 年，台股經歷了系統性的估值修正。當市場多數標的都在下跌時，投資人最想知道的是：營收爆發（YoY > 100%）能否成為股價的避風港？透過量化數據，我們發現在空頭年，「爆發次數」帶來的優勢變得非常不穩定。
一、 相關性分析：脆弱的關聯性
在 2022 年，「爆發次數」與回報的相關性顯著弱
2023 年，台股揮別了 2022 年的陰霾，資金開始尋找具備「實質成長」與「轉機題材」的標的。在這一年的數據中，我們發現營收爆發（YoY > 100%）的次數，對於股價的推升力道呈現出非常有趣的規律，並非次數越多就絕對保證最高回報。
一、 相關性分析：並非線性成長，而是「區間效應」
觀察 20
在開始使用 Alpha-Data-Cleaning-Lab 之前，我們需要先準備好它的「大腦」（AI Token）以及「實驗室環境」（Streamlit）。以下是詳細的設定步驟：
1. 取得 AI 的大腦：申請 API Token
這個專案支援多種 AI 模型，你可以根據需求選擇 OpenAI
這個專案不只是單純的數據看板，它更像是一個**「AI 虛擬交易室」**。以下是各個核心頁面的功能介紹：
1. 🌎 全球強勢股監測 (Global_Trend.py)
這是專案的主儀表板，提供宏觀視角。
一鍵同步六國數據：整合 Google Drive API，自動下載台灣 (TW)、美國 (
這份專案 global-stock-data-warehouse 是 stock-reminder-bot 的進階資料後援庫。如果說之前的 Bot 是「傳令兵」，這套系統就是「軍械庫」，負責儲存、同步全球市場（台、美、港）的歷史數據。
在進行量化分析或技術指標篩選時，「資料的穩定性」是成敗關鍵。
前言
在建置「全球股市數據倉庫 (global-stock-data-warehouse)」時，自動化流程（GitHub Actions）是核心心臟。許多讀者在設定環境變數時常感到困惑。本篇將跳過基本的通知設定（如 Resend 或 Telegram），直接切入最重要的兩大核心變數，並分享一個能幫
在開始使用 Alpha-Data-Cleaning-Lab 之前，我們需要先準備好它的「大腦」（AI Token）以及「實驗室環境」（Streamlit）。以下是詳細的設定步驟：
1. 取得 AI 的大腦：申請 API Token
這個專案支援多種 AI 模型，你可以根據需求選擇 OpenAI
這個專案不只是單純的數據看板，它更像是一個**「AI 虛擬交易室」**。以下是各個核心頁面的功能介紹：
1. 🌎 全球強勢股監測 (Global_Trend.py)
這是專案的主儀表板，提供宏觀視角。
一鍵同步六國數據：整合 Google Drive API，自動下載台灣 (TW)、美國 (
這份專案 global-stock-data-warehouse 是 stock-reminder-bot 的進階資料後援庫。如果說之前的 Bot 是「傳令兵」，這套系統就是「軍械庫」，負責儲存、同步全球市場（台、美、港）的歷史數據。
在進行量化分析或技術指標篩選時，「資料的穩定性」是成敗關鍵。
前言
在建置「全球股市數據倉庫 (global-stock-data-warehouse)」時，自動化流程（GitHub Actions）是核心心臟。許多讀者在設定環境變數時常感到困惑。本篇將跳過基本的通知設定（如 Resend 或 Telegram），直接切入最重要的兩大核心變數，並分享一個能幫
序幕：量化的痛苦
(時間：2050 年冬季。地點：全民數據紅利中心（PDC）總部大樓。)
(鏡頭：特寫 PDC 冰冷大樓上方，一句巨大的、冰冷的標語閃爍著藍光。)
「若痛苦能被量化，
那麼人們會跪在地上哭喊求自願成為數位虐待的數據供體。」
(這句話如同一道詛咒，揭示了這個體系的最終本質。)
📘 技術指標的覺醒（篇章二）
📖 第一天
只有一筆紀錄，什麼都算不出來。
市場像一片空白，沒有方向，也沒有記憶。
📖 第三天
資料開始連成線。
三日均線與三日均量誕生了，市場開始有了趨勢的影子。
📖 第五天
五日均線與五日均量誕生了。
短期趨勢開始清晰，市場的一週節奏浮
陳啟明（總結）：
「你看見了嗎？無論是報酬率、累積漲跌幅，還是五日均線、KD 指標，這些欄位的誕生，都基於一個不變的真理：『一筆一筆交易的累積，時間維度的延伸。』」
「更關鍵的是：這些欄位對所有人都是一樣的！一個地區，同一檔股票，只會有一組 KD 指標。然而，全世界的 AI 公司和交易員，卻每天
📖 第一天
只有一筆紀錄，什麼都算不出來。
市場像一片空白，沒有方向，也沒有記憶。
📖 第二天：一日漲跌幅的誕生
市場出現了第二筆紀錄。我們第一次可以往前看，也可以往後看。
未來一日報酬 和 過去一日漲幅（日角度）誕生了。
📖 第三天：連續性的建立
資料開始有了連續性。我
💡 從技術細節到人性痛點：AI 應用的核心橋樑
當我們談論 AI 時，常陷入模型、算力、程式碼等技術細節。然而，要讓 AI 真正推廣、讓大眾接受、企業投資、社會共感，我們需要的不是技術本身，而是一個「打中人類痛點的應用場景」。
這個場景，就是——
🔥 量化（Quantification）：
序幕：量化的痛苦
(時間：2050 年冬季。地點：全民數據紅利中心（PDC）總部大樓。)
(鏡頭：特寫 PDC 冰冷大樓上方，一句巨大的、冰冷的標語閃爍著藍光。)
「若痛苦能被量化，
那麼人們會跪在地上哭喊求自願成為數位虐待的數據供體。」
(這句話如同一道詛咒，揭示了這個體系的最終本質。)
📘 技術指標的覺醒（篇章二）
📖 第一天
只有一筆紀錄，什麼都算不出來。
市場像一片空白，沒有方向，也沒有記憶。
📖 第三天
資料開始連成線。
三日均線與三日均量誕生了，市場開始有了趨勢的影子。
📖 第五天
五日均線與五日均量誕生了。
短期趨勢開始清晰，市場的一週節奏浮
陳啟明（總結）：
「你看見了嗎？無論是報酬率、累積漲跌幅，還是五日均線、KD 指標，這些欄位的誕生，都基於一個不變的真理：『一筆一筆交易的累積，時間維度的延伸。』」
「更關鍵的是：這些欄位對所有人都是一樣的！一個地區，同一檔股票，只會有一組 KD 指標。然而，全世界的 AI 公司和交易員，卻每天
📖 第一天
只有一筆紀錄，什麼都算不出來。
市場像一片空白，沒有方向，也沒有記憶。
📖 第二天：一日漲跌幅的誕生
市場出現了第二筆紀錄。我們第一次可以往前看，也可以往後看。
未來一日報酬 和 過去一日漲幅（日角度）誕生了。
📖 第三天：連續性的建立
資料開始有了連續性。我
💡 從技術細節到人性痛點：AI 應用的核心橋樑
當我們談論 AI 時，常陷入模型、算力、程式碼等技術細節。然而，要讓 AI 真正推廣、讓大眾接受、企業投資、社會共感，我們需要的不是技術本身，而是一個「打中人類痛點的應用場景」。
這個場景，就是——
🔥 量化（Quantification）：
同樣是飆股，為什麼六個國家的爆法完全不同？
如果你同時看台股、美股、港股、中國、日本、韓國，你會發現：
這六個市場的飆股，不是「同一種東西」，
而是六種完全不同的生物。有的市場靠火箭式噴發，
有的市場靠悶燒式突破， 有的市場靠長期厚趨勢， 有的市場靠一年內「某一個月」決定勝負， 還有市場根本
港股強勢股的真相：不是暴衝，也不是慢慢漲，而是「不太動」
如果美股是「長坡厚雪」市場，
台股是「慢慢長」市場， 中國 A 股是「事件暴衝」市場，
那麼香港股市（HKEX）是完全另一種動物：
這是一個漲不快，也不太爆，甚至很少有飆股的市場。
你眼中的港股，也許是：
恆生指數永遠走不動、科技
韓國飆股的真相：不是「暴衝市場」，是「火山市場」
如果美國是長坡厚雪、
台灣是慢慢漲、 日本是悶燒突破型、 中國是火箭噴發型、 香港是低爆發市場——
那麼韓國是什麼？
寫完這篇你會很清楚：
韓國不是常常噴，但一旦噴起來，是六國第二兇。
韓國市場的飆股，不是「跳一下」，
是那種：
平常
日本強勢股的真相：外表很穩，但內心超會「悶燒式爆發」
多數台灣投資人對日本股市的刻板印象是：
「日本很穩、很悶、不太會暴衝。」
但當我把 2020–2025 年 所有年度漲幅 ≥30% 的日本股票 整個抓下來分析後，我發現：
日本不是不會爆，只是爆的方式跟其他市場很不一樣。
不像美股那種「
美股飆股的真正形狀：不是爆，是「長上去」
台灣投資人每天看美股，每天都在問：
「美股飆股是不是都靠幾個大噴月？」
「一年 100% 的報酬，是被某個瘋狂月份拉上去的嗎？」以前我也以為 FAANG、AI 概念、半導體大牛股，
都是靠某一兩個重大事件、財報暴衝、爆量缺口，一次把年漲幅拉到 100
2020
### 1. 極端爆發股分佈統計 (單月貢獻度 $\ge 70\%$): 命中 180 檔 (佔總體：29.17%)
| 最終漲幅區間 | 區間總樣本數 | 70%~79% 貢獻 (檔/佔總比) | 80%~89% 貢獻 (檔/佔總比) | $\ge 90\%$ 貢獻 (檔/佔總比) |
100% 飆股不是靠爆，而是靠「長時間發酵」
台股投資人最常問的一個問題：
「飆股到底是靠哪一月爆噴上去？」
我的直覺曾經以為：
100%、200%、300% 的飆股，應該都靠一兩個大爆衝的月份把報酬灌上去。
但今年我把台灣 2020–2025 所有 年漲幅 ≥30% 強勢股 全部拆成 1
同樣是飆股，為什麼六個國家的爆法完全不同？
如果你同時看台股、美股、港股、中國、日本、韓國，你會發現：
這六個市場的飆股，不是「同一種東西」，
而是六種完全不同的生物。有的市場靠火箭式噴發，
有的市場靠悶燒式突破， 有的市場靠長期厚趨勢， 有的市場靠一年內「某一個月」決定勝負， 還有市場根本
港股強勢股的真相：不是暴衝，也不是慢慢漲，而是「不太動」
如果美股是「長坡厚雪」市場，
台股是「慢慢長」市場， 中國 A 股是「事件暴衝」市場，
那麼香港股市（HKEX）是完全另一種動物：
這是一個漲不快，也不太爆，甚至很少有飆股的市場。
你眼中的港股，也許是：
恆生指數永遠走不動、科技
韓國飆股的真相：不是「暴衝市場」，是「火山市場」
如果美國是長坡厚雪、
台灣是慢慢漲、 日本是悶燒突破型、 中國是火箭噴發型、 香港是低爆發市場——
那麼韓國是什麼？
寫完這篇你會很清楚：
韓國不是常常噴，但一旦噴起來，是六國第二兇。
韓國市場的飆股，不是「跳一下」，
是那種：
平常
日本強勢股的真相：外表很穩，但內心超會「悶燒式爆發」
多數台灣投資人對日本股市的刻板印象是：
「日本很穩、很悶、不太會暴衝。」
但當我把 2020–2025 年 所有年度漲幅 ≥30% 的日本股票 整個抓下來分析後，我發現：
日本不是不會爆，只是爆的方式跟其他市場很不一樣。
不像美股那種「
美股飆股的真正形狀：不是爆，是「長上去」
台灣投資人每天看美股，每天都在問：
「美股飆股是不是都靠幾個大噴月？」
「一年 100% 的報酬，是被某個瘋狂月份拉上去的嗎？」以前我也以為 FAANG、AI 概念、半導體大牛股，
都是靠某一兩個重大事件、財報暴衝、爆量缺口，一次把年漲幅拉到 100
2020
### 1. 極端爆發股分佈統計 (單月貢獻度 $\ge 70\%$): 命中 180 檔 (佔總體：29.17%)
| 最終漲幅區間 | 區間總樣本數 | 70%~79% 貢獻 (檔/佔總比) | 80%~89% 貢獻 (檔/佔總比) | $\ge 90\%$ 貢獻 (檔/佔總比) |
100% 飆股不是靠爆，而是靠「長時間發酵」
台股投資人最常問的一個問題：
「飆股到底是靠哪一月爆噴上去？」
我的直覺曾經以為：
100%、200%、300% 的飆股，應該都靠一兩個大爆衝的月份把報酬灌上去。
但今年我把台灣 2020–2025 所有 年漲幅 ≥30% 強勢股 全部拆成 1
這篇文章是我在全職工作之外，用業餘時間整理、測試、撰寫的技術教學。從資料擷取邏輯、模組設計、到程式碼驗證，每一段都希望能幫助你更透明地理解市場資料與量化流程。
如果你覺得這篇內容對你有幫助，或單純喜歡這種風格，歡迎用一杯咖啡的價格（39 元）支持我繼續創作。你的打賞不只是鼓勵，更是讓我有動力持續更
這篇文章是我在全職工作之外，用業餘時間整理、測試、撰寫的技術教學。從資料擷取邏輯、模組設計、到程式碼驗證，每一段都希望能幫助你更透明地理解市場資料與量化流程。
如果你覺得這篇內容對你有幫助，或單純喜歡這種風格，歡迎用一杯咖啡的價格（39 元）支持我繼續創作。你的打賞不只是鼓勵，更是讓我有動力持續更
這篇文章是我在全職工作之外，用業餘時間整理、測試、撰寫的技術教學。從資料擷取邏輯、模組設計、到程式碼驗證，每一段都希望能幫助你更透明地理解市場資料與量化流程。
如果你覺得這篇內容對你有幫助，或單純喜歡這種風格，歡迎用一杯咖啡的價格（39 元）支持我繼續創作。你的打賞不只是鼓勵，更是讓我有動力持續更
這篇文章是我在全職工作之外，用業餘時間整理、測試、撰寫的技術教學。從資料擷取邏輯、模組設計、到程式碼驗證，每一段都希望能幫助你更透明地理解市場資料與量化流程。
如果你覺得這篇內容對你有幫助，或單純喜歡這種風格，歡迎用一杯咖啡的價格（39 元）支持我繼續創作。你的打賞不只是鼓勵，更是讓我有動力持續更
這篇文章是我在全職工作之外，用業餘時間整理、測試、撰寫的技術教學。從資料擷取邏輯、模組設計、到程式碼驗證，每一段都希望能幫助你更透明地理解市場資料與量化流程。
如果你覺得這篇內容對你有幫助，或單純喜歡這種風格，歡迎用一杯咖啡的價格（39 元）支持我繼續創作。你的打賞不只是鼓勵，更是讓我有動力持續更
這篇文章是我在全職工作之外，用業餘時間整理、測試、撰寫的技術教學。從資料擷取邏輯、模組設計、到程式碼驗證，每一段都希望能幫助你更透明地理解市場資料與量化流程。
如果你覺得這篇內容對你有幫助，或單純喜歡這種風格，歡迎用一杯咖啡的價格（39 元）支持我繼續創作。你的打賞不只是鼓勵，更是讓我有動力持續更
（系列文順序：TW → US → JP → KR → HK → CN → 綜合篇）
🎯 前言：一套模型，看懂六個市場的靈魂
經過前六篇，我們已經看到：
台股：中度集中
美股：最走趨勢
日股：最平均
韓股：最暴衝
港股：最靠單月救命
A 股：最明確的「大月主導型」
如果把它們全部
（六國系列文順序：TW → US → JP → KR → HK → CN → 六國總整篇）
📌 前言
你一定聽過一句話：
「A 股只會暴漲暴跌。」
但這句話到底準不準？
到底是不是「一根月K爆噴，全年報酬直接鎖定」？
我把 2020～2025 所有 A 股年漲幅 ≥30% 的個股
（六國系列文順序：TW → US → JP → KR → HK → CN → 六國總整篇）
📌 前言
如果你覺得「韓國已經夠誇張了」，
那香港會讓你看到另一種極端。
我把 2020～2025 所有年漲幅 ≥30% 的港股
全部用月K拆開來後，出現兩個結論：
✅ 1. 香港的月K集中
（系列文順序：TW → US → JP → KR → HK → CN → 六國總整篇）
📌 前言
如果說：
日本是「最平均」
美國是「最走趨勢」
台灣是「中度集中型」
那麼韓國就是：
六國中最瘋狂、最極端、最靠單月暴衝的市場。
我把 2020～2025 年所有年漲幅 ≥30% 的
（六國系列文順序：TW → US → JP → KR → HK → CN → 六國總整篇）
📌 前言
如果說美股已經算是「最平均、最穩定」的市場，
那你可能還沒看過日本。
把 2020～2025 所有最終年漲幅 ≥30% 的日本股票
全部拆成月K貢獻度之後，我得到一個令人意外的結果：
（六國系列文順序：TW → US → JP → KR → HK → CN → 六國總整篇）
📌 前言
如果說台灣是「中度集中型市場」，那你以為美股會更極端？
像特斯拉、NVDA、META 這種飆到天上去的股票，是不是都靠某幾個月暴衝？
結果，實際把 2020～2025 全部年漲幅 ≥30
📌 前言：
你一定聽過一句話：
「台股的飆股都是靠一兩根大月K拉上去的。」
但這句話究竟是真的？還是只是散戶的直覺？
我這次花了很多時間，把 2020～2025 年間，所有台股最終年漲幅 ≥30% 的股票
全部用 月K 重新拆解：
每一檔飆股，到底有幾％是靠「單一月份」貢獻的？
月內
（系列文順序：TW → US → JP → KR → HK → CN → 綜合篇）
🎯 前言：一套模型，看懂六個市場的靈魂
經過前六篇，我們已經看到：
台股：中度集中
美股：最走趨勢
日股：最平均
韓股：最暴衝
港股：最靠單月救命
A 股：最明確的「大月主導型」
如果把它們全部
（六國系列文順序：TW → US → JP → KR → HK → CN → 六國總整篇）
📌 前言
你一定聽過一句話：
「A 股只會暴漲暴跌。」
但這句話到底準不準？
到底是不是「一根月K爆噴，全年報酬直接鎖定」？
我把 2020～2025 所有 A 股年漲幅 ≥30% 的個股
（六國系列文順序：TW → US → JP → KR → HK → CN → 六國總整篇）
📌 前言
如果你覺得「韓國已經夠誇張了」，
那香港會讓你看到另一種極端。
我把 2020～2025 所有年漲幅 ≥30% 的港股
全部用月K拆開來後，出現兩個結論：
✅ 1. 香港的月K集中
（系列文順序：TW → US → JP → KR → HK → CN → 六國總整篇）
📌 前言
如果說：
日本是「最平均」
美國是「最走趨勢」
台灣是「中度集中型」
那麼韓國就是：
六國中最瘋狂、最極端、最靠單月暴衝的市場。
我把 2020～2025 年所有年漲幅 ≥30% 的
（六國系列文順序：TW → US → JP → KR → HK → CN → 六國總整篇）
📌 前言
如果說美股已經算是「最平均、最穩定」的市場，
那你可能還沒看過日本。
把 2020～2025 所有最終年漲幅 ≥30% 的日本股票
全部拆成月K貢獻度之後，我得到一個令人意外的結果：
（六國系列文順序：TW → US → JP → KR → HK → CN → 六國總整篇）
📌 前言
如果說台灣是「中度集中型市場」，那你以為美股會更極端？
像特斯拉、NVDA、META 這種飆到天上去的股票，是不是都靠某幾個月暴衝？
結果，實際把 2020～2025 全部年漲幅 ≥30
📌 前言：
你一定聽過一句話：
「台股的飆股都是靠一兩根大月K拉上去的。」
但這句話究竟是真的？還是只是散戶的直覺？
我這次花了很多時間，把 2020～2025 年間，所有台股最終年漲幅 ≥30% 的股票
全部用 月K 重新拆解：
每一檔飆股，到底有幾％是靠「單一月份」貢獻的？
月內
六國飆股週期學：全球主升段最常在哪一週發生？
飆股不是天天漲，而是靠某幾週決定命運。
我們已經看完六個市場（台灣、日本、韓國、美國、香港、中國） 的六年週K貢獻度資料（2020–2025）。最終，我們把六國全部擺在一起，
就會得到一幅極罕見、極具學習價值的圖景：不同市場的飆股，其實有不同的「主
六國飆股週期學：政策比週期更重要的市場
飆股不是天天漲，而是靠某幾週決定命運。
但在中國市場，這句話必須改寫成：
飆股不是靠某幾週，而是靠「某一次政策」決定命運。
在台灣，主升段往往是一週；
在日本，是多次小爆發； 在韓國，是事件暴擊； 在美國，是長期趨勢； 在香港，是偶發暴衝；
而中國
六國飆股週期學：香港的飆股不是週期，而是「事件」
飆股不是天天漲，而是某幾週決定命運。
但香港不是這樣。
香港飆股不是週期，也不是趨勢 ——
而是「沉睡 50 週，只用 1 週決定一年」。
六國裡最特別的市場，不是台灣、日本、韓國、美國、中國。
而是：
一年 52 週裡，有 1 週爆炸
飆股不是天天漲，而是靠某幾週決勝負。
在韓國市場，這句話甚至可以再極端一點：
韓國飆股不是靠某幾週，是靠「某一週」決定整個命運。
如果日本是活火山、台股是火山爆發，
那韓國就是：
「火山直接爆到你臉上。」
這篇文章，是根據韓國股市 2020–2025 所有強勢股（全年漲幅 ≥30%）
飆股不是天天漲，而是某幾週決定命運。
不過在美國市場，這句話要稍微改一下： 飆股不是靠某一週，而是靠許多週的慢慢堆積。
如果說台灣飆股像「突然噴火」，
那美國飆股更像是一條「持續推進的火焰」—— 慢，但穩，而且不太會突然來個 50% 的周K 大噴出。
這篇文章整理的是美國市場 2020–20
飆股不是天天漲，而是某幾週決定命運。
一檔 1 年漲 100%、200% 的台股強勢股，真正把報酬「推到位」的，其實只是一兩週，甚至一週就決勝負。這篇文章，是我針對台灣市場 2020–2025 的全部強勢股（全年漲幅 ≥30%）做的「周K 貢獻度」研究。
換句話說：
一檔強勢股的年度報酬，有多
六國飆股週期學：全球主升段最常在哪一週發生？
飆股不是天天漲，而是靠某幾週決定命運。
我們已經看完六個市場（台灣、日本、韓國、美國、香港、中國） 的六年週K貢獻度資料（2020–2025）。最終，我們把六國全部擺在一起，
就會得到一幅極罕見、極具學習價值的圖景：不同市場的飆股，其實有不同的「主
六國飆股週期學：政策比週期更重要的市場
飆股不是天天漲，而是靠某幾週決定命運。
但在中國市場，這句話必須改寫成：
飆股不是靠某幾週，而是靠「某一次政策」決定命運。
在台灣，主升段往往是一週；
在日本，是多次小爆發； 在韓國，是事件暴擊； 在美國，是長期趨勢； 在香港，是偶發暴衝；
而中國
六國飆股週期學：香港的飆股不是週期，而是「事件」
飆股不是天天漲，而是某幾週決定命運。
但香港不是這樣。
香港飆股不是週期，也不是趨勢 ——
而是「沉睡 50 週，只用 1 週決定一年」。
六國裡最特別的市場，不是台灣、日本、韓國、美國、中國。
而是：
一年 52 週裡，有 1 週爆炸
飆股不是天天漲，而是靠某幾週決勝負。
在韓國市場，這句話甚至可以再極端一點：
韓國飆股不是靠某幾週，是靠「某一週」決定整個命運。
如果日本是活火山、台股是火山爆發，
那韓國就是：
「火山直接爆到你臉上。」
這篇文章，是根據韓國股市 2020–2025 所有強勢股（全年漲幅 ≥30%）
飆股不是天天漲，而是某幾週決定命運。
不過在美國市場，這句話要稍微改一下： 飆股不是靠某一週，而是靠許多週的慢慢堆積。
如果說台灣飆股像「突然噴火」，
那美國飆股更像是一條「持續推進的火焰」—— 慢，但穩，而且不太會突然來個 50% 的周K 大噴出。
這篇文章整理的是美國市場 2020–20
飆股不是天天漲，而是某幾週決定命運。
一檔 1 年漲 100%、200% 的台股強勢股，真正把報酬「推到位」的，其實只是一兩週，甚至一週就決勝負。這篇文章，是我針對台灣市場 2020–2025 的全部強勢股（全年漲幅 ≥30%）做的「周K 貢獻度」研究。
換句話說：
一檔強勢股的年度報酬，有多
📌 前言：日本沒有 ±10% 限制，但實務上真的存在「漲停板」
許多人以為日本沒有漲跌幅限制，因此不會像台灣或中國那樣出現「漲停鎖死」的情況。
但實務上完全不是這樣。
日本交易所雖然沒有統一的 ±10% 規則，但有更複雜、影響更大的制度：
🔶 東京證券交易所「特別気配（Special Q
這篇統整 2020～2025（截至 2025/11/07） 六年間、超過 270 萬筆台股日 K 後，
整理出的 「台股漲停板產業分布 × 年度輪動」最完整版本。
這篇結合了兩大視角：
🔵（A）六年合併：哪個產業天生最「會出漲停」？
這一段回答的是：
哪些產業的「漲停密度」最高？
（2020/01/01 ～ 2025/11/07，全市場母體）
本篇延續前一篇「四大開盤漲停型態行為分析」，
但不再重複定義與分類規則。 這裏純粹展示 週K、月K、年K 三個層級的分布差異，
讓你能一眼看出：
哪些漲停型態在弱勢周期佔比高？
哪些型態在強勢周期明顯增加？
哪些型態是「大波
（2020–2025 全市場母體，統計截至：2025-11-07，原始 Markdown，含免責聲明）
不同漲停型態（LU_Type4）在不同報酬強弱區間中呈現明顯差異。
本篇一次整合 週K × 月K × 年K 三個層級，
讓你直接看出：
哪些型態主導一般 K 線？
哪些型態在爆發行情中占
（2020–2025．資料截止至 2025/11/07）
本篇是我在整理 2020–2025 全市場漲停板資料時，意外發現的一個非常有趣現象：
並不是每一種漲停板，都值得追。
不同開盤型態，其後續 1 日、5 日表現，差距竟然大到「可以當策略」的等級。
傳統的漲停研究通常只看：
「是否鎖住
暴衝 K 序列統計：韓股主升段的真正結構（2020–20251107 實證）
以下內容 完全使用韓國統計資料（2020–20251107）。
沒有模擬資料、沒有使用任何外部檔案，只依照你提供的真實數據整理。
① 韓國漲停序列：
六年平均 96.6% 漲停只有一天
年份 序列長度
（含 2025 年統計至 11 月 7 日）
① 六年合併結構、② 年度差異、③ 一字漲停 vs 普通漲停。
⭐ PART 1：六年合併（2020–2025.11.07）
「連板越多 → 隔日越強」在六年合併資料裡非常明確。
連板數 樣本數 隔日平均(%) 隔日勝率(%)
AI 統計 × AI 生成｜
（統計區間：2020–2025，更新至 2025/11/07）
📌 前言｜台股短線文化的「數據寫實版」
本篇內容由 AI 模型根據 2020–2025 的台股漲停板統計資料進行彙整與生成，
以最直接、最客觀、最無偏的方式，呈現六年來台股短線結構的真實面貌。
🛡️【免責聲明】
本文內容基於 2020–2025 年市場統計資料，並由 AI 依據該資料分析撰寫。 不構成投資建議或未來預測。操作請依個人風險評估為準。
⭐ 前言：為何「連板」比「漲停」更重要？
漲停只代表 一天很強。
連板才代表 市場願意反覆確認強度。
一檔股票能封 2 板、3 板
🛡️【免責聲明】
本文內容基於 2020–2025 年市場統計資料，並由 AI 依據該資料分析撰寫。 不構成投資建議或未來預測。操作請依個人風險評估為準。
⭐ 前言：什麼是一字板？它為何比一般漲停更重要？
“一字板”，指股票 從開盤到收盤都被封死在漲停價，
K 線呈現一條「直線」，完全沒
📌 前言：日本沒有 ±10% 限制，但實務上真的存在「漲停板」
許多人以為日本沒有漲跌幅限制，因此不會像台灣或中國那樣出現「漲停鎖死」的情況。
但實務上完全不是這樣。
日本交易所雖然沒有統一的 ±10% 規則，但有更複雜、影響更大的制度：
🔶 東京證券交易所「特別気配（Special Q
這篇統整 2020～2025（截至 2025/11/07） 六年間、超過 270 萬筆台股日 K 後，
整理出的 「台股漲停板產業分布 × 年度輪動」最完整版本。
這篇結合了兩大視角：
🔵（A）六年合併：哪個產業天生最「會出漲停」？
這一段回答的是：
哪些產業的「漲停密度」最高？
（2020/01/01 ～ 2025/11/07，全市場母體）
本篇延續前一篇「四大開盤漲停型態行為分析」，
但不再重複定義與分類規則。 這裏純粹展示 週K、月K、年K 三個層級的分布差異，
讓你能一眼看出：
哪些漲停型態在弱勢周期佔比高？
哪些型態在強勢周期明顯增加？
哪些型態是「大波
（2020–2025 全市場母體，統計截至：2025-11-07，原始 Markdown，含免責聲明）
不同漲停型態（LU_Type4）在不同報酬強弱區間中呈現明顯差異。
本篇一次整合 週K × 月K × 年K 三個層級，
讓你直接看出：
哪些型態主導一般 K 線？
哪些型態在爆發行情中占
（2020–2025．資料截止至 2025/11/07）
本篇是我在整理 2020–2025 全市場漲停板資料時，意外發現的一個非常有趣現象：
並不是每一種漲停板，都值得追。
不同開盤型態，其後續 1 日、5 日表現，差距竟然大到「可以當策略」的等級。
傳統的漲停研究通常只看：
「是否鎖住
暴衝 K 序列統計：韓股主升段的真正結構（2020–20251107 實證）
以下內容 完全使用韓國統計資料（2020–20251107）。
沒有模擬資料、沒有使用任何外部檔案，只依照你提供的真實數據整理。
① 韓國漲停序列：
六年平均 96.6% 漲停只有一天
年份 序列長度
（含 2025 年統計至 11 月 7 日）
① 六年合併結構、② 年度差異、③ 一字漲停 vs 普通漲停。
⭐ PART 1：六年合併（2020–2025.11.07）
「連板越多 → 隔日越強」在六年合併資料裡非常明確。
連板數 樣本數 隔日平均(%) 隔日勝率(%)
AI 統計 × AI 生成｜
（統計區間：2020–2025，更新至 2025/11/07）
📌 前言｜台股短線文化的「數據寫實版」
本篇內容由 AI 模型根據 2020–2025 的台股漲停板統計資料進行彙整與生成，
以最直接、最客觀、最無偏的方式，呈現六年來台股短線結構的真實面貌。
🛡️【免責聲明】
本文內容基於 2020–2025 年市場統計資料，並由 AI 依據該資料分析撰寫。 不構成投資建議或未來預測。操作請依個人風險評估為準。
⭐ 前言：為何「連板」比「漲停」更重要？
漲停只代表 一天很強。
連板才代表 市場願意反覆確認強度。
一檔股票能封 2 板、3 板
🛡️【免責聲明】
本文內容基於 2020–2025 年市場統計資料，並由 AI 依據該資料分析撰寫。 不構成投資建議或未來預測。操作請依個人風險評估為準。
⭐ 前言：什麼是一字板？它為何比一般漲停更重要？
“一字板”，指股票 從開盤到收盤都被封死在漲停價，
K 線呈現一條「直線」，完全沒
前言：你賺到的是「口袋裡的錢」，還是「曾經看過的數字」？
在量化回測中，我們常面臨一個選擇：該用「收盤價」看實際績效，還是用「最高價」看策略的天花板？
過去 StockRevenueLab 預設使用年底收盤價，這很穩健，但有時會讓我們忽略了標的在年度中的爆發力。今天，我正式推出「年K計價模式動態
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」
這份 probability.py（對應網址中的 /probability 頁面）是 StockRevenueLab 專案中最具備「量化統計」靈魂的單元。它的核心目的不是看單一公司的表現，而是找出統計勝率：如果一家公司一年內營收爆發 5 次，它年度漲幅翻倍的機率是多少？
一、 研究動機：別再盲目
🔗 StockRevenueLab 資源傳送門
🚀 立即開啟：StockRevenueLab 線上儀表板 （無需安裝，點擊即可直接操作互動圖表）
📂 GitHub 完整專案原始碼 （包含 app.py 核心邏輯與所有環境設定檔）
🐍 Google Colab 自動化抓取程式碼 （一鍵開
前言
這篇文章將分享如何利用 Python 工具，自動化從公開資訊觀測站（MOPS）與 Yahoo Finance 抓取台灣市場（上市、上櫃、興櫃）的月營收財報與歷史股價。我們將建立一個本地端資料庫，並將其同步至免費的雲端資料庫 Supabase，作為後續視覺化分析的基礎。
步驟一：準備開發環
前言：你賺到的是「口袋裡的錢」，還是「曾經看過的數字」？
在量化回測中，我們常面臨一個選擇：該用「收盤價」看實際績效，還是用「最高價」看策略的天花板？
過去 StockRevenueLab 預設使用年底收盤價，這很穩健，但有時會讓我們忽略了標的在年度中的爆發力。今天，我正式推出「年K計價模式動態
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」
這份 probability.py（對應網址中的 /probability 頁面）是 StockRevenueLab 專案中最具備「量化統計」靈魂的單元。它的核心目的不是看單一公司的表現，而是找出統計勝率：如果一家公司一年內營收爆發 5 次，它年度漲幅翻倍的機率是多少？
一、 研究動機：別再盲目
🔗 StockRevenueLab 資源傳送門
🚀 立即開啟：StockRevenueLab 線上儀表板 （無需安裝，點擊即可直接操作互動圖表）
📂 GitHub 完整專案原始碼 （包含 app.py 核心邏輯與所有環境設定檔）
🐍 Google Colab 自動化抓取程式碼 （一鍵開
前言
這篇文章將分享如何利用 Python 工具，自動化從公開資訊觀測站（MOPS）與 Yahoo Finance 抓取台灣市場（上市、上櫃、興櫃）的月營收財報與歷史股價。我們將建立一個本地端資料庫，並將其同步至免費的雲端資料庫 Supabase，作為後續視覺化分析的基礎。
步驟一：準備開發環
很多人會說：
「隔日沖只要沒死，後面就會賺回來。」
但數據不是這樣講故事的。
這一段我們刻意只看 NoFail（未死樣本），不混進 Fail_1、假鎖或上影線，
只回答一個問題：
如果你今天活下來，這一筆交易「真的值得你後面繼續撐嗎？」
為什麼只看 NoFail？
因為：
Fail
這不是經驗談。
這是用 2020–2025 年（截至 2025 年 11 月初） 的台股日K資料，
實際統計出來的 60,432 筆隔日沖樣本，
要講的不是操作技巧，
而是現實：
隔日沖本來就不是公平遊戲，
而是一場跟市場氣候對賭的機率戰。
一、什麼是「隔日沖」？本研究怎麼定義？
這不是經驗談，而是數據體檢。
本文使用 2020 年至 2025 年 11 月初 的台股日K資料，共 60,432 筆隔日沖樣本（Overnight Trading after Limit-Up），用數據驗證：隔日沖是否真能賺錢？哪一年最危險？什麼年景根本不該碰？
一、什麼是隔日沖？（What
很多人會說：
「隔日沖只要沒死，後面就會賺回來。」
但數據不是這樣講故事的。
這一段我們刻意只看 NoFail（未死樣本），不混進 Fail_1、假鎖或上影線，
只回答一個問題：
如果你今天活下來，這一筆交易「真的值得你後面繼續撐嗎？」
為什麼只看 NoFail？
因為：
Fail
這不是經驗談。
這是用 2020–2025 年（截至 2025 年 11 月初） 的台股日K資料，
實際統計出來的 60,432 筆隔日沖樣本，
要講的不是操作技巧，
而是現實：
隔日沖本來就不是公平遊戲，
而是一場跟市場氣候對賭的機率戰。
一、什麼是「隔日沖」？本研究怎麼定義？
這不是經驗談，而是數據體檢。
本文使用 2020 年至 2025 年 11 月初 的台股日K資料，共 60,432 筆隔日沖樣本（Overnight Trading after Limit-Up），用數據驗證：隔日沖是否真能賺錢？哪一年最危險？什麼年景根本不該碰？
一、什麼是隔日沖？（What
✅ 這篇不是在聊 AI 模型，是在聊一件更重要的事：「資料怎麼給」
很多人學 AI 的第一件事不是寫模型，而是：
「我有一個 Excel 檔，可以丟給 AI 幫我分析嗎？」
老實說，我一開始也是這樣做的。
直到跑了一段時間後，我才發現：
✅ AI 準不準，跟你給它「什麼格式」的資料，有
✅ 這篇不是在聊 AI 模型，是在聊一件更重要的事：「資料怎麼給」
很多人學 AI 的第一件事不是寫模型，而是：
「我有一個 Excel 檔，可以丟給 AI 幫我分析嗎？」
老實說，我一開始也是這樣做的。
直到跑了一段時間後，我才發現：
✅ AI 準不準，跟你給它「什麼格式」的資料，有
第一章：申請 Google Sheets API (最難的部分)
建立專案：進入 Google Cloud Console。https://console.cloud.google.com/
2.啟用 API：搜尋並啟用 Google Sheets API
點選下圖中的Google Shee
這份程式碼是獨立於 Bot 框架運行的核心模組，負責數據獲取、指標計算、訊號判斷，以及 Sheets 的批量更新。
1. 指標實作與依賴管理 (Indicators & Dependencies)
純 Python 指標實作：
目標： 徹底擺脫 TA-Lib 這個 C 擴展庫，確保 Docke
這個模組提供了穩健的數學計算和訊號判斷框架，確保 Bot 能夠精確地處理數據、判斷趨勢，並管理警報狀態。
1. 核心數學與趨勢分析 (Core Math & Trend Logic)
calculate_slope(series) (線性回歸斜率):
目標： 計算均線 (MA) 在最近 5 根
bot.py這份程式碼是您複雜監控系統的最終穩定版本，採用 python-telegram-bot v20+ 框架實現跨市場的自動化技術指標警報。
1. 核心組件與初始化 (Initialization)
模組與變數導入：
目標： 建立程式運行的基礎環境。
關鍵技術： pytz (處理時區)
背景
幾年前我曾經寫過一個 LINE Bot，部署在 Heroku，用來傳送股票技術指標的提醒訊息。 不過後來 Heroku 開始收費，加上我專注在回測策略，這個版本就暫停維護了。
最近我重新出發，利用 AI 技術與更穩定的雲端平台，打造了新一代的提醒系統： Telegram Bot + Goo
第一章：申請 Google Sheets API (最難的部分)
建立專案：進入 Google Cloud Console。https://console.cloud.google.com/
2.啟用 API：搜尋並啟用 Google Sheets API
點選下圖中的Google Shee
這份程式碼是獨立於 Bot 框架運行的核心模組，負責數據獲取、指標計算、訊號判斷，以及 Sheets 的批量更新。
1. 指標實作與依賴管理 (Indicators & Dependencies)
純 Python 指標實作：
目標： 徹底擺脫 TA-Lib 這個 C 擴展庫，確保 Docke
這個模組提供了穩健的數學計算和訊號判斷框架，確保 Bot 能夠精確地處理數據、判斷趨勢，並管理警報狀態。
1. 核心數學與趨勢分析 (Core Math & Trend Logic)
calculate_slope(series) (線性回歸斜率):
目標： 計算均線 (MA) 在最近 5 根
bot.py這份程式碼是您複雜監控系統的最終穩定版本，採用 python-telegram-bot v20+ 框架實現跨市場的自動化技術指標警報。
1. 核心組件與初始化 (Initialization)
模組與變數導入：
目標： 建立程式運行的基礎環境。
關鍵技術： pytz (處理時區)
背景
幾年前我曾經寫過一個 LINE Bot，部署在 Heroku，用來傳送股票技術指標的提醒訊息。 不過後來 Heroku 開始收費，加上我專注在回測策略，這個版本就暫停維護了。
最近我重新出發，利用 AI 技術與更穩定的雲端平台，打造了新一代的提醒系統： Telegram Bot + Goo
📊 六國紅三兵（52 週）對照表
「紅三兵不是聖杯。它在日本最有效，在美台表現中性，在中港韓則可能反而有害。」
📊 六國 × 純紅三兵 Three White Soldiers（52 週）對照表
===============================
一、為什麼要「挑紅三兵」？
很多教科書都會說：
「連續三根紅 K 的紅三兵，是多頭強烈訊號。」
但真實世界裡，你一定遇過這種狀況：
三根週 K 紅到發亮，成交量放大
散戶一窩蜂衝進去
結果再來一年不是腰斬，就是套在半山腰
所以我這次做了一件事：
不是只看「有沒有紅三兵」，而是把紅三兵
一、前言：紅三兵真的那麼神嗎？
很多技術分析的書都會說：
「連續三根紅 K 的紅三兵，是強烈多頭訊號。」
聽起來超香：
只要看到三根紅 K，就好像行情保證繼續噴。
但如果我們不要看幾張經典範例圖，而是把它丟進大樣本回測呢？
這篇就是用你已經跑好的資料，
直接檢驗六個市場（台、美、港、日
結論一句話：
純顏色的「紅三兵」 / 相關型態，不是萬國通用聖杯。
在 日本、美國、台灣，這些「連續紅K型態」長期抱一年，還算「偏友善」，只是報酬溫和。
在 香港、韓國，同樣型態變成「在下跌趨勢裡的反彈雜訊」，一年後的中位數幾乎都是負的。
中國則卡在中間：平均有賺，但是中位數接近 0，代表「
📊 六國紅三兵（52 週）對照表
「紅三兵不是聖杯。它在日本最有效，在美台表現中性，在中港韓則可能反而有害。」
📊 六國 × 純紅三兵 Three White Soldiers（52 週）對照表
===============================
一、為什麼要「挑紅三兵」？
很多教科書都會說：
「連續三根紅 K 的紅三兵，是多頭強烈訊號。」
但真實世界裡，你一定遇過這種狀況：
三根週 K 紅到發亮，成交量放大
散戶一窩蜂衝進去
結果再來一年不是腰斬，就是套在半山腰
所以我這次做了一件事：
不是只看「有沒有紅三兵」，而是把紅三兵
一、前言：紅三兵真的那麼神嗎？
很多技術分析的書都會說：
「連續三根紅 K 的紅三兵，是強烈多頭訊號。」
聽起來超香：
只要看到三根紅 K，就好像行情保證繼續噴。
但如果我們不要看幾張經典範例圖，而是把它丟進大樣本回測呢？
這篇就是用你已經跑好的資料，
直接檢驗六個市場（台、美、港、日
結論一句話：
純顏色的「紅三兵」 / 相關型態，不是萬國通用聖杯。
在 日本、美國、台灣，這些「連續紅K型態」長期抱一年，還算「偏友善」，只是報酬溫和。
在 香港、韓國，同樣型態變成「在下跌趨勢裡的反彈雜訊」，一年後的中位數幾乎都是負的。
中國則卡在中間：平均有賺，但是中位數接近 0，代表「
前言：12/23 的意外發現
在 12/23 的例行數據同步中，我發現了一個嚴重的問題：中國（CN）與日本（JP）股市的數據完整度大幅下降。經過分析，主因是 GitHub Actions 的出口 IP 請求過於頻繁，觸發了 Yahoo Finance 的流量防護（Rate Limit），導致大量數
如果你正在使用 GitHub Actions 或是 Python 腳本開發自己的台股監控系統（例如參考 taiwan-stock-monitor 專案），「如何把報表寄到電子信箱」通常是最後一哩路。
市面上有很多郵件發送服務（如 Gmail SMTP），但設定繁瑣且安全性限制多。今天推薦這款開發者
一、為什麼需要 3x3 矩陣？避開單一指標的盲點
在海量的全球股市數據中，投資人最常犯的錯誤是「只看加權指數」或「只看單一均線」。然而，指數的漲跌往往被權值股（如美股的 Mag 7 或台股的台積電）所掩蓋。
為了看清市場整體的「健康程度」，我開發了這套 3x3 分佈矩陣分析引擎：
橫向維度（時
一、全球數據對接的挑戰：不只是 API 而已
在開發這套監控系統時，最耗時的往往不是寫分析邏輯，而是如何穩定地獲取不同市場的數據。每個國家的證券代碼格式、上市清單獲取方式，甚至是字體編碼都大不相同。
在週末的 48 小時內，我針對各國特性選擇了最適合的「數據引擎」：
台股 (TW)：直接對接證
一、為什麼我要做這件事？
在股市投資中，「市場寬度」與「動能分布」是判斷多空趨勢的關鍵指標。然而，要同時掃描全球六大市場（美、台、港、中、日、韓）數萬檔標的，往往需要昂貴的伺服器與龐大的運算時間。
這個週末，我給自己設定了一個課題：能不能在「零伺服器成本」的前提下，建構出一套工業級的自動化監控管
本專案設計為利用 GitHub Actions 實現完全自動化的股票數據爬取、分析與郵件報表發送。以下是設定步驟與執行邏輯的詳細說明。
什麼是 GitHub Actions？
GitHub Actions 是一個持續整合/持續部署 (CI/CD) 工具，它可以讓你自動化軟體開發工作流程。在本
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
前言：12/23 的意外發現
在 12/23 的例行數據同步中，我發現了一個嚴重的問題：中國（CN）與日本（JP）股市的數據完整度大幅下降。經過分析，主因是 GitHub Actions 的出口 IP 請求過於頻繁，觸發了 Yahoo Finance 的流量防護（Rate Limit），導致大量數
如果你正在使用 GitHub Actions 或是 Python 腳本開發自己的台股監控系統（例如參考 taiwan-stock-monitor 專案），「如何把報表寄到電子信箱」通常是最後一哩路。
市面上有很多郵件發送服務（如 Gmail SMTP），但設定繁瑣且安全性限制多。今天推薦這款開發者
一、為什麼需要 3x3 矩陣？避開單一指標的盲點
在海量的全球股市數據中，投資人最常犯的錯誤是「只看加權指數」或「只看單一均線」。然而，指數的漲跌往往被權值股（如美股的 Mag 7 或台股的台積電）所掩蓋。
為了看清市場整體的「健康程度」，我開發了這套 3x3 分佈矩陣分析引擎：
橫向維度（時
一、全球數據對接的挑戰：不只是 API 而已
在開發這套監控系統時，最耗時的往往不是寫分析邏輯，而是如何穩定地獲取不同市場的數據。每個國家的證券代碼格式、上市清單獲取方式，甚至是字體編碼都大不相同。
在週末的 48 小時內，我針對各國特性選擇了最適合的「數據引擎」：
台股 (TW)：直接對接證
一、為什麼我要做這件事？
在股市投資中，「市場寬度」與「動能分布」是判斷多空趨勢的關鍵指標。然而，要同時掃描全球六大市場（美、台、港、中、日、韓）數萬檔標的，往往需要昂貴的伺服器與龐大的運算時間。
這個週末，我給自己設定了一個課題：能不能在「零伺服器成本」的前提下，建構出一套工業級的自動化監控管
本專案設計為利用 GitHub Actions 實現完全自動化的股票數據爬取、分析與郵件報表發送。以下是設定步驟與執行邏輯的詳細說明。
什麼是 GitHub Actions？
GitHub Actions 是一個持續整合/持續部署 (CI/CD) 工具，它可以讓你自動化軟體開發工作流程。在本
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
📈 前情提要：讓「程式交易」像玩遊戲一樣簡單！
投資界的「武功秘笈」：程式交易的困境
你是否曾經夢想過，找到一個穩賺不賠的股市策略，就像武俠小說裡的「武功秘笈」一樣？
在現代投資界，這個「秘笈」就叫做程式交易 (量化交易)。它的核心是：把你的投資想法（例如：「當股價跌到某個點，就該買進」）寫
場景：全民數據紅利中心（PDC）總部大樓附近的私人會所，一間豪華包廂。
包廂內瀰漫著雪茄的醇厚氣味和高級威士忌的酒氣。巨大的落地窗被厚重的絲絨窗簾半掩著，只留下微弱的光線，讓氣氛顯得既奢華又隱晦。
房間中央是一張長長的紅木會議桌，坐著幾位在電視上才能見到的政府高官、一位西裝筆挺的立委委員，以
📈 前情提要：讓「程式交易」像玩遊戲一樣簡單！
投資界的「武功秘笈」：程式交易的困境
你是否曾經夢想過，找到一個穩賺不賠的股市策略，就像武俠小說裡的「武功秘笈」一樣？
在現代投資界，這個「秘笈」就叫做程式交易 (量化交易)。它的核心是：把你的投資想法（例如：「當股價跌到某個點，就該買進」）寫
場景：全民數據紅利中心（PDC）總部大樓附近的私人會所，一間豪華包廂。
包廂內瀰漫著雪茄的醇厚氣味和高級威士忌的酒氣。巨大的落地窗被厚重的絲絨窗簾半掩著，只留下微弱的光線，讓氣氛顯得既奢華又隱晦。
房間中央是一張長長的紅木會議桌，坐著幾位在電視上才能見到的政府高官、一位西裝筆挺的立委委員，以
—— Global-Stock-Feature-Engine 的 KR 資料下載機制解析
📌 本文聚焦於 韓國市場（KR）的資料取得困境與解決方案，並簡要說明 main.py 如何協調全球六個市場的同步流程。
❓ 問題背景：GitHub Actions 無法直接抓韓股清單
在自動化流程中，
Demo 系統說明：本系統為展示「特徵工程」與「策略回測」概念的教學工具。受限於 GitHub 硬體資源與儲存空間，目前僅提供 2024-2025 年的歷史數據。完整的生產級系統可擴展至更長時間週期與即時數據。
📌 系統簡介
全球股市特徵引擎是一套結合技術分析與量化回測的策略篩選系統，幫助投
—— Global-Stock-Feature-Engine 的 KR 資料下載機制解析
📌 本文聚焦於 韓國市場（KR）的資料取得困境與解決方案，並簡要說明 main.py 如何協調全球六個市場的同步流程。
❓ 問題背景：GitHub Actions 無法直接抓韓股清單
在自動化流程中，
Demo 系統說明：本系統為展示「特徵工程」與「策略回測」概念的教學工具。受限於 GitHub 硬體資源與儲存空間，目前僅提供 2024-2025 年的歷史數據。完整的生產級系統可擴展至更長時間週期與即時數據。
📌 系統簡介
全球股市特徵引擎是一套結合技術分析與量化回測的策略篩選系統，幫助投
準備好您的 Google 帳號，並將第一篇提到的 simplemaps_uszips_basicv1.80.zip 準備好，我們開始吧！
第一步：環境初始化與資料庫上傳
在執行任何程式碼之前，請先開啟 Google Colab 新筆記本，並將下載好的美國郵編資料庫 ZIP 檔直接拖曳上傳至左側的
💡 為什麼會有這款程式？
這一切的起因，其實是在滑抖音（TikTok）時，看到不少人在推銷外貿獲客軟體，聲稱能一鍵抓取全美商家資料。當時我就在想：「這套邏輯，能不能靠我自己與 AI 的協作開發出來？」
經過實驗，我成功開發出了這套**爬蟲版（Scraper）**系統。我不選擇官方 API 版，
準備好您的 Google 帳號，並將第一篇提到的 simplemaps_uszips_basicv1.80.zip 準備好，我們開始吧！
第一步：環境初始化與資料庫上傳
在執行任何程式碼之前，請先開啟 Google Colab 新筆記本，並將下載好的美國郵編資料庫 ZIP 檔直接拖曳上傳至左側的
💡 為什麼會有這款程式？
這一切的起因，其實是在滑抖音（TikTok）時，看到不少人在推銷外貿獲客軟體，聲稱能一鍵抓取全美商家資料。當時我就在想：「這套邏輯，能不能靠我自己與 AI 的協作開發出來？」
經過實驗，我成功開發出了這套**爬蟲版（Scraper）**系統。我不選擇官方 API 版，
