【量化分析】防禦型股票填權息探討

TEJ 台灣經濟新報

Published in

TEJ-API 金融資料分析

12 min readMar 23, 2022

簡易探討高殖利股填權息因素

Photo by Alexander Schimmeck on Unsplash

本文重點概要

文章難度：★☆☆☆☆
閱讀建議：本文簡單介紹使用Tej api 抓取資料探討除權息，關於除權息基本介紹，可參考【TEJ知識集】認識除權息&填權息。

前言

台灣人的投資人偏好具備高現金流的股票，也就是我們常提到的高殖利率股，且高殖利股也通常俱備低波動這樣的特性，也就是俗稱的低beta值。

beta值代表與大盤連動的相關性，大家所熟知的0050，beta值大概在於1左右，也能說明他能反映大盤的漲跌，高股息etf 0056，beta值介於0.75~1之間，說明了他的變動程度稍微較0050低一點，

近期地緣政治以及升息導致的股市不確定性加劇，進而造成最近的暴漲暴跌，雖然對於一般投資人最好的方式就是，減碼或是降低風險，然根據富達的研究報告，一個美國投資人只要錯失過去40年中報酬率最好的50天，你的資產將比完整留在市場中的投資人少了整整93%，所以或許選擇風險較低的股票是一個不錯的替代方案，近一個月裡面0050下跌了4%，然而0056上漲了1%左右，所以在動盪期間下或許選擇高殖利股票會比較保險嗎? 因此本文想藉由探討近五年的高殖利股的填權息狀況去進行分析，看是否適合使用beta指標去選擇高殖利率股填權息情況。

本文研究標的都選擇殖利率5%以上之各股，用以下三個指標去分類

Beta值
累積營收成長 (yoy)
Q1毛利率成長率(yoy)

編輯環境及模組需求

本文使用 Window10 並以 Spyder(anaconda31) 作為編輯器

###匯入套件##########數據分析三寶
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
#################TEJ
import tejapi
tejapi.ApiConfig.api_key = 'Your Key'
tejapi.ApiConfig.ignoretz = True

資料庫使用

證券屬性資料: 資料庫代碼為 (TWN/AIND)
股價報酬(日)-BETA:資料庫代碼為(TWN/ABETA)
證券交易資料表：上市(櫃)未調整股價(日)，資料代碼為(TWN/EWPRCD)。
上市(櫃)填權息資料庫:資料庫代碼為TWN/AREINT

資料處理

data=tejapi.get('TWN/EWNPRCSTD' ,chinese_column_name=True )
select=data["上市別"].unique()select=select[1:3]
condition =(data["上市別"].isin(select)) & ( data["證券種類名稱"]=="普通股" )
data=data[condition]
twid=data["證券碼"].to_list()

本段是選取所有的上市櫃證券代碼，以便放入填權息資料庫。

year='2017'  ######選擇年度 本年度選擇2017~2021
start= year+'-01-01'
end  = year+"-12-31"dividend=tejapi.get('TWN/AREINT' ,
            coid=twid,
            mdate={'gt':start,'lt':end},
            paginate=True,
            chinese_column_name=True)

接下來看dividend長怎麼樣

接下來我們需要Beta值，從資料庫選取，而我們資料都選自一個交易日約落在5 /10 號前後(公布4月營收)，大部分公司已經宣布發放股利，且第一季財報皆出來(截止日也在3/31 )。

start= year+'-05-09'
end=   year+"-05-11"
opts={'columns': ['coid','mdate', 'beta_1y']}
beta = tejapi.get('TWN/ABETA',
                  coid=twid,
            mdate={'gt':start,'lt':end},
            paginate=True,
            chinese_column_name=True
)
beta.set_index("證券代碼",inplace=True) #方便合併

接下來要取得殖利率，本益比等證券相關資料。

start= year+'-05-9'
end=   year+"-05-11"
getperatio=tejapi.get('TWN/APRCD' ,
                  coid=twid,
                  mdate={'gt':start,'lt':end},
                  paginate=True,
                  chinese_column_name=True )
getperatio.set_index("證券代碼",inplace=True)

再來是取得財報資料，例如毛利率等

twid1=twid 
groups = []
while True:
    if len(twid1) >= 50:
        groups.append(twid1[:50])
        twid1 = twid1[50:]
    elif 0 <= len(twid1) < 50:
        groups.append(twid1)
        break

因為抓取財報為了避免一次抓取資料量過大，將其事先分組!

fin_data = pd.DataFrame()start=year+'-01-01'
end=  year+"-03-22"    ##抓取第一季
for group in groups:
    fin_data = fin_data.append(tejapi.get('TWN/EWIFINQ',
                  coid = group,
                  mdate={'gt':start,'lt':end},
                 
                  chinese_column_name = True,
                  paginate = True)).reset_index(drop=True)
fin_data.set_index("證券碼",inplace=True)

這樣就擁有第一季的財報了，再來是抓取累計月營收。

opts={'columns': ['coid','mdate','d0007']}start=year+'-04-30'
end=year+"-05-15"  
trade=tejapi.get('TWN/ASALE' ,
            coid=twid,
            mdate={'gt':start,'lt':end},
            opts=opts,
            paginate=True,
            chinese_column_name=True)   
trade.set_index("公司",inplace=True)

這樣我們就有所有我們想要的資料了，接下來就是把他合再一起了!

dividend["累計營收成長率%"]=trade["累計營收成長率%"]
dividend["股利殖利率-TSE"]=getperatio["股利殖利率-TSE" ]
dividend["現金股利率"]=getperatio["現金股利率" ]
dividend["營業毛利率"]=fin_data["營業毛利率"]
dividend["CAPM_Beta 一年"]=beta['CAPM_Beta 一年']
dividend["填權息(Y/N)"]=dividend["填權息(Y/N)"].apply(lambda x : 1 if x == "Y" else 0)  ###將y n變成0 或 1
dividend["填權息(Y/N)"].value_counts() 
dividend["本益比"]=getperatio["本益比-TSE" ]

接下來就是分析了，先找到當年5%殖利率的填權息比例與天數。

def count(x):
   a,b =  x["填權息(Y/N)"].value_counts()
   c=x["填權息天數"].mean()
   return f'填息機率 : {a/(a+b)}' , f'填息家數 : {a}' ,f'未填息家數 : {b}', f'填息天數 : {c}'###算出資料及裡面填權息天數 與機率
div5=dividend[dividend["股利殖利率-TSE"]>5]
count(div5)

2017年的殖利率>5%的股票填息機率為0.78，平均天數為46天。

def capmselect(df,b,c):
    yy=df[(df["股利殖利率-TSE"]>5)&(df["CAPM_Beta 一年"]>b)&(df["CAPM_Beta 一年"] < c)]
    return count(yy)def capmpeselect(df,b,c,d ):   ########條件增加月營收的yy=df[(df["股利殖利率-TSE"]>5)&(df["CAPM_Beta 一年"]>b)&(df["CAPM_Beta 一年"] < c)& (df["累計營收成長率%"] > d )]
    return count(yy)def ncapmpeselect(df,b,c,d ):  #####累計成長負的yy=df[(df["股利殖利率-TSE"]>5)&(df["CAPM_Beta 一年"]>b)&(df["CAPM_Beta 一年"] < c)& (df["累計營收成長率%"] < d )]
    return count(yy)def allcondition(a,b,c,d,e,f):  #累計營收正 毛利率成長正  allcondition=dividend[(dividend["股利殖利率-TSE"]>a)&(dividend["本益比"]<b)&(dividend["CAPM_Beta 一年"]>c)&
(dividend["CAPM_Beta 一年"]<d)&
(dividend["累計營收成長率%"]>e)&
(dividend["營業毛利成長率"]>f)]
    return count(allcondition)def nallcondition(a,b,c,d,e,f): #累計營收負 毛利率成長負  allcondition=dividend[(dividend["股利殖利率-TSE"]>a)&(dividend["CAPM_Beta 一年"]>c)&(dividend["CAPM_Beta 一年"]<d)&(dividend["累計營收成長率%"]< e)&(dividend["營業毛利成長率"]<f)]  return count(allcondition)