【#Podcast更新了】
#菜雞變司機
EP5：基本面分析資料來源與工具公開!! 菜雞也能贏專業投資人
🎙️ Podcast 連結：https://gamma.soci.vip/
✍🏻 搭配文章：專業投資人不見得比散戶有資訊優勢！散戶可以做基本面分析的資料來源與工具
https://gamma.to/notes/lVEJymAaJWjsvPz4L1PS
🔖 在這個章節中，Gamma 將列出基本面分析的主要資訊來源，這些資訊源包含了買方分析師以及基金經理人在進行大部位操作時會參考的資料。儘管某些資料對於散戶來說較難取得，但在面對投資決策時，Gamma 認為散戶也需要讓自己針對每一支個股越了解越好，且你會想要加以利用這些資訊來做出投資的決策。
🔖 10-Q / 10-K:
在正常的情況下，10-Q 和 10-K 會給你一間公司所揭露的財務數字，查看 10-Q 和 10-K 的主要目的就是為了讓你可以針對一家公司建立自己的財務預測模型。
10-Q / 10-K：每間公司必須回報給 SEC (美國證管會) 的季度財務數字報告（不需經由審計）；10-K 則是每一年度的財務數字報告（須經由審計）
🔖 S1:
S1 是美國的公司在透過 IPO 上市前所要繳交的文件，SPAC 的對應文件則是叫 S4。S1 會揭露的內容比 10-K/10-Q 的範圍還要廣上許多，除了財務數據外，S1 裡會有事業總覽、事業關鍵風險、產業動態、市場分析、競爭態勢、管理層結構和補助激勵政策....等的詳細內容，比起其他資料，S1 應該要給你最多你必須要知道的企業實情與事實，通常也會比賣方的分析報告所提供的資訊還多，事實上，賣方的報告很多都是直接從 S1 複製貼上的。
另一個我們在 S1 最常關注的焦點是過去 8 季的季度財務數字細節，要上市的公司可以選擇要不要揭露每個季度詳細的財務數字，這些數字是在建立合理的財務模型時是絕對必要的關鍵數據。
🔖 第三方資料:
可以被用來預估一家公司營收的第三方資料會是投資人非常強大的工具，目前專業量化基金之間也為了爭奪這種第三方資料的專利買斷權而爭的頭破血流（買斷這些資料來產生資訊優勢創造超額報酬）。在消費者面向的企業，信用卡資料會是在增加營收預測準確性上最有利的第三方資料，還有其他的第三方資料像是網頁流量、app 下載次數/排行、app 的互動率....等等。
🔖 賣方研究報告:
賣方研究通常只對不想花時間自己做功課的懶人有用，好的賣方分析師往往會提供關於 S1、10-K / 10-Q、業務概覽、第三方資料（雖然資訊範疇通常遠比買方收到的資料小的多）和關鍵論點的良好總結。「認為賣方分析師具有特殊的洞見或更獨特的數據來源」是很多散戶時常誤解的地方，他們的報告通常都沒有這些資訊優勢，賣方研究員的工作，就是將 1000 個買方研究員的研究負擔全部集中到一個賣方研究員身上，這樣買方分析人員就可以依靠賣方分析師的某些研究來減輕其分析的負擔。
🔖 財報發布電話會議 / 券商主辦的會議 / 投資人日:
電話會議在兩個方面很有用。一方面這是直接從管理團隊了解個股交易狀況的最佳途徑，如果管理層是誠實的（他們也應該誠實，否則他們要為誤導投資人負責），電話會議內容是最好的資訊來源。一流的管理團隊可以針對投資人的疑慮來做出解釋與回應，這就是一間好的管理團隊如何主導公司交易論述的方式，來讓該股免於該股的交易論述被賣方分析師所主導。
🔖 專家會議 (Expert calls):
買方分析師可能不是每個產業領域的專家，因此買方分析師要分析超出其專業知識的公司時，他們會傾向於依賴所謂的「專家網絡」來尋求與該領域的專家進行交流。雖然與專家會議的次數往往是衡量買方投資人對一間公司進行盡職調查 (DD) 的衡量標準，但專家會議的實際價值卻非常令人存疑。常見的笑話是專家會議要嘛太有用而可能被視為內線交易，要嘛太籠統而沒辦法做為參考依據。
🔖 通路調查 (Channel checks):
賣方和買方分析師都會在供應鏈中建立一些業內人士 (供應商、分銷商) 的人脈網絡，他們可以在與他們交流的時候理解產業或公司的發展趨勢。通常散戶是無法取得這些人脈資源的，如果散戶可以找到合適的人並與之交流，這可能就是一個合理的超額報酬來源。如果你可以開發自己的人脈網絡以進行通路調查，那將成為你的重要優勢。
🔖 接觸企業管理層的管道 (Corporate Access):
賣方和買方分析師對會與上市企業的 IR Director、CFO 和其他管理層成員建立關係，來討論該司的業務發展狀況，但是美國的 SEC 強制企業在揭露任何新的資訊時必須要公開給其他所有的投資人該資訊，這也讓管理層其實不太願意對任何投資人討論任何又意義的新資訊，也因為如此，只要散戶有追蹤電話會議、券商會議、投資人日的內容，在這塊其實不會有明顯的資訊劣勢。
#各項詳細內容於於文中與Podcast
數據分析師工作內容 在 [心得] 2018夏_學士畢業數據分析面試分享- 看板Soft_Job 的推薦與評價
各位大神安安
本版上面關於數據分析(data analyst)相關工作經驗分享偏少
前兩個月剛好面試了幾間公司
公司類型為新創居多，沒有保險金融、電信業及製造業
在此分享一下面試經驗，也歡迎大家互相討論
提醒:文長慎入
Medium好讀版:https://bit.ly/2M7dKWF
文章會針對
˙背景及經驗介紹
˙履歷投遞
˙面試過程及結果
˙結論
四個部分分享
˙背景及經驗
私校數學系畢業(非理工強校)，在校成績普通，沒有被當，但有暑修物理。。。
大三開始接觸數據分析，開始學習python及R語言，python學了一學期，大概就是迴圈、
判斷式等基礎語法；稍微了解爬蟲抓取技巧，但不深入。R語言起初也只是自行摸索，對
於資料整理及統計模型並不上手。
大四學校課程，使用R語言，開始了解資料處理及模型使用，大四下在新創公司的數據分
析部門實習，實習期間做過3個專案(包含獨立專案及合作專案)，真正使用R處理資料及分
析。
畢業後，因某些因素，留在學校當助教，負責微積分、統計演習課(非數學本科系)，基本
上沒有產出，只有自己摸索python，主要有看了幾個課程
．政大MOOC課程_成為python數據分析達人的第一堂課(這個是免費的線上課程)
．Hahow_Python 資料分析＆機器學習入門(這個要錢，當時候募資時購入，很詳細還有
medium的課程檔案可以看)
2018上半年，投履歷前3個月左右，有跟朋友合作專案，主要負責爬蟲及機器學習的
coding部分。算是這年來主要的產出……..吧。
◎實際自評
會使用R語言及python完成獨立專案，包含網路爬蟲、數據前處理，SQL搜尋及操作、模型
建立，視覺化報告。
○能夠使用python串接API，每日自動化整理資料，並上傳SQL。
○模型使用上基本的回歸分類、k-means分群、sklearn套件包，都操作過，但並不會DL(例
如tensorflow)。
○分析經驗以數值統計分析為主，缺少文字探勘的經驗。
○視覺化部分，ggplot2、matplotlib都算熟悉。
○對於簡報製作也稍微有點概念。
˙履歷投遞
◎履歷部分
基本的中文履歷，以及硬生出來的英文CV，整理過去製作過的專案(包含大學零零落落的
報告們)放在雲端，還有把部分程式碼上傳至github，最後建立了linkedin，然後就打開
104開始撒履歷了。
◎目標公司
本身對於金融業沒有興趣，對保險投資也沒太大研究，然後不想穿西裝上班。另外傳統產
業(大公司)也不是我首選，畢竟制度規定很死，我也不是很喜歡。所以差不多就剩下科技
業與新創團隊了，主要來說之前也待過新創公司，所以對新創的氛圍比較熟悉。
就這樣打開104，搜尋 數據分析 就會跑出很多職缺，Title是數據分析師、資料分析師都
會點進去看。條件部分，主要就看期望的工作年資，1-3年我都會投。再來看技術方面，
只要有寫到使用python、R就會投。
關於職位內容，求職網都是寫個大概：數據清理、數據探勘、分析報告、視覺化呈現、機
器學習、深度學習，真的要實際聊過才會比較清楚此職位定位在哪，工作內容是啥。
◎其他
除了104以外還有使用Yourator這裡都是新創公司，相對的也比較多外商公司，在這裡就
算是投中文履歷過去，HR或公司回信也都是英文，但相對的幾乎投過去都能得到回信或面
試邀約。
˙面試及結果
(依面試順序寫)
1.傳統食品業(主力在大陸市場)＿數據分析師
○面試
人資接洽後約面試，面試當天先考了30分鐘術科筆試，筆試內容為手寫SQL code(差點以
為我在考資管系期中考xdd)，四大題都是 join 、 group by 等合併資料表，然後
where 篩選條件，最後是SQL計算。老實說，超級久沒有寫SQL，更何況是手寫，就只能憑
著印象瞎寫，勉強把四題掰完。
面試前兩關是一對一，最後一關是部門主管+單位主管兩人，第一關是同單位不同部門的
課長，主要了解我過去的專案經驗，還有我對數據分析的了解及概念。還有介紹了主要這
個單位的工作內容及工作分配。
主要分成兩個部門，一個是商業分析，比較偏重於商業應用分析，對程式能力要求較低，
主要就是會SQL撈資料。另一個是我投遞的數據應用，包括了DB處理、數據分析、數據應
用，三個課。然後大概跟我介紹過去做過的一些專案分析；這部分有談論到機器學習的部
分，得到的回答是，公司高層目前還無法接受，他們過去有嘗試使用ML的分析，但高層比
較相信傳統統計分析方法。(我有朋友過去也去應徵此單位的管理職缺，大約比我早三個
月左右，卻因為對ML較不熟悉，而被砲轟；這件事也讓我們很困惑)
第二關是我應徵的部門主管，主要跟我確認我對哪一塊比較有興趣，也大概聊了一下對於
資料處理、整理的概念；以及講了職位的工作內容，主要是以撈SQL整理資料，做ETL為主
的工作。所以一直跟我強調，會一直進行數據蒐集(可能半年或一年以上)，才會進行分析
；也有提到剛剛術科SQL寫的還不錯(這部分其實超驚訝，畢竟我超久沒寫SQL)。最後有聊
到pay的部分，當下也開給我，但有說，最後核定要以人資公布為主。
本以為面試到這邊告一個段落，結果，第三關，單位主管進來，氣場很強大，主要也是問
我對於資料處理的概念，以及數據分析跟商業模式之間的關係；談話中，了解到公司決策
很注重是商業概念，數據分析是輔助決策。本以為在這邊會被電得很慘，但也頗和平的結
束。
○結果
約莫一個禮拜後，就接到人資打來，稍微了解一下狀況，還有了解可工作時間，就發
offer過來了。
2.軟體公司(主力做校務分析系統)＿大數據資料管理師 (Data Scientist)
○面試
第一次過去，主要看了我的履歷，從中問了一些我的經驗，也讓我問問題了解公司的工作
，模式大概就是互相問對方問題的感覺，大概了解公司是微軟代理商，負責賣軟體，漸漸
往開發公司系統，配合企業需求去建置系統，最後發展到協助大專院校進行校務分析。然
後，也表示，公司主要使用Power Bi ，如果進來之後要學會，還有提到，公司有微軟的
資源，可供學習(畢竟是經銷商)，最後就說會約下次面談。結束後，看名片上網搜尋一下
，才發現是公司負責人(CEO的感覺)面試我，難怪名片上沒有Title。
二面，是由部門PM面試，感覺是香港人，講話口音不像是台灣人，針對我實習時的專案，
大概給了我一點建議，表示做的分析對象都是人，變因很大，對公司來說不會是好的研究
主題。最後有談到會讀大量paper，然後說我的英文能力可能不夠好。
○結果
無聲卡，接近兩周的時間，我還有寄信過去詢問，但也沒有消息。
3.區塊鍊交易平台(台灣的新創公司，混合式去中心化的交易平台)＿ Data Analyst 數
據分析師
○程式測驗
履歷丟過去後，mail寄過來就是csv檔跟測驗說明，資料是給你一間交易所的交易紀錄
(200Mb，差不多170萬筆資料)，請你針對題目分析，並製作報告。題目主要是要看能不能
從中找到高頻交易對手或交易機器人等。
做完之後，丟過去會再決定能不能過去報告分析結果及面試。(但其實看超快，早上寄出
去，下午就打來跟我約面試時間了)
○面試及結果
本來以為要報告，還頗緊張，但因為主管開會，沒有報告到；但有提到報告部分做的不錯
，簡單易懂，也看的出來是有美編過，就由人資主管直接與我面談。公司正要成立data部
門，所以在招聘leader，也必須對區塊鍊有深入研究，大概就知道沒有望了。人資主管也
有詢問，如果是以pt的方式願不願意，也說明人事部分也還在規劃，所以也不排除未來再
通知我。
4.廣告代理商＿資料分析師
面試前有上求職天眼通，稍微了解一下這間公司，負評不少(大概是說公司流動很快，還
有會以罰錢逞罰員工?!)
○面試
直接由部門主管面試，一開始稍微介紹廣告業的運作模式，及資料部門做的工作。就直接
進入專業問題，針對我過去做過的專案開始詢問，問得非常深入，都是統計解釋及演算法
部分；例如：羅吉斯回歸中OR勝算比的解釋、k-means的演算過程、計算中心距離的方法(
歐式距離等等)。沒想到會得如此深入，我回答某些部分也不是很有把握。但最後主管卻
說回答得還不錯，觀念沒有太大問題，然後說這些模型可能不適合公司分析，進來之後會
看其他paper學其他模型，還有一開始進來要學spark、hadoop等分散式計算方法(感覺起
來，應該是蠻能學到東西的吧?!)。最後有聊到pay的部分，並說明試用期會扣3k這樣。
○結果
回去大概兩三天就收到offer letter了，薪資也是當下討論到的。
5.新創行銷平台＿data engineer
○面試
從面試邀約就是CEO直接跟我聯絡，第一次去也是互相了解公司運作方式，也對我過去的
經驗了解，並說明公司主要是以文字探勘為主，另外大多是分析國外論壇及部落格，所以
英文能力相對也很重要。最後就告訴我回去之後會有一個code challenge要回去做。
⊙Code challenge
給了200個網址，要你寫爬蟲程式抓取作者名字及其社群網站聯絡方式。
第二次面試，先大概聊到寫程式的過程及方法，都做出來了，所以應該也知道沒啥問題，
接著就和公司的data scientist了解實際工作內容及分析方法，大概了解之後會做些甚麼
。最後就是和CEO討論我主要可以做的工作及pay；主要來說公司data team 有人負責爬蟲
、有人負責文字分析，而我對數值分析比較有經驗，也希望我之後能處理這一塊，但當然
一開始也要我先熟悉公司分析的流程等。
○結果
二面最後就有討論了pay及on board時間，也有問我什麼時候能給回覆。回到家offer
letter就來了。
6.國內新創影音平台＿大數據分析工程師 (Big Data Analytics Engineer)
○測驗
在面試前一天早上才打電話來，告知我有一個專業測驗，要請我做，然後面試帶過去。有
三題，第一題是設計一份問卷的資料屬性，並針對此問卷看能夠分析什麼、第二題設計一
套推薦系統，並規劃流程，最後寫如何評估成效、第三題問公司發展AI會遇到甚麼難題。
問的問題很有深度，我個人覺得很偏向PM，要規劃流程，也要思考成效。
○面試
先由部門主管面試，主要是我在講我做過的專案及經驗，主管沒有給太多回饋。接著講公
司data部門工作內容，及接下來發展方向。再來是人資的深聊時間，主要針對個人特質的
部分詢問了很多，但就是人資會聊的部分。最後有談到大概2~3周，公司會有一個決定，
但如果沒有錄取，將不會另外通知
○結果
目前正在等待結果中，一個禮拜多過去，還未有消息。(如有消息將會更新
˙結論
先給結論數據部分：
約莫投遞：60間(包含104及yourator)
開信：30間
寄信聯絡：13間(包含回信請你填寫資料表，回傳之後沒有下文；還有二間履歷過去後
，收到感謝信)
面試邀約：6間(上面詳述)
拿到offer：3間
每階段差不多是50%機率，拿到offer是投遞的5%
實際統計下來，我覺得算非常好的結果，畢竟我這一年來的工作，其實並不算可以累計年
資，所以還是以一個新鮮人的身分求職，拿到的offer平均都是現在的N+5~N+7，其實還算
滿意。
實際公司對於技術面的要求，其實也不會因為學歷而有質疑(或許我不是面試金融、傳產
、電信，這幾個比較看重學歷的產業，但其實也有收到金融和電信的面試邀約)，只要有
專案經驗，把專案呈現給公司，其實大概也都能知道能力、技術到哪邊。公司寫要會使用
ML/DL，有可能是公司希望有這樣的技術能導入。以目前來說基本的分類分群回歸預測等
，還有基本的資料整理套件都要會使用(有面試時看github，就說:「你會pandas，我們
也要用到。」但其實這應該算基本的)
在104上打入 數據分析 或 資料分析 就會有很多工作跑出來，都可以投遞看看，能有面
試機會就去練刀，就當作了解該產業或者多去聽聽別的公司如何定義數據分析，或者公司
的數據團隊在做些甚麼；面試下來，每間公司要求的都不一樣，都一樣是data analytics
，但做的事情可能不一樣，又或者不少是要求有文字探勘經驗。
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 220.133.151.104
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1533087743.A.DF6.html
... <看更多>