撰股機器人：打造 Python 股票機器人

課程完整開課說明（2025/4/15 更新）

目前我們已完成所有課程的內容上架，時數長達 45 小時，詳情請見最新公告。

同學們在學習時，若有遇到任何問題，都歡迎加入我們的 Discord 群組討論，或於 Hahow 的問題討論區留言，我們將會盡速為同學解答，預祝各位學習順利！

課程緣起

光靠腦力根本不足以應付投資成功所需要的精密計算。 —威廉‧伯恩斯坦＜投資金律>

「金融投資」是現代人重視且重要的議題，透過各種資訊，像股價變化、公司財報、市場資訊、媒體報導與社群討論與各種股價與技術指標，搭配數學統計、資料分析等方法進而優化投資策略，一直是大家所追求的目標。

然而，面對這些數量龐大且快速產生的資訊以及各種技術時，光靠腦力將難以應付，如何利用電腦程式的幫助，取得資訊，分析資料，並結合相關技術製作成自己的分析機器人，即是這堂課的主要目的。

使用程式設計於金融分析的原因有很多，一些常見的好處如下：

1. 大量數據的分析：使用程式進行分析，可以有效地分析大量數據，並且較快速地得出結果。
2. 提高分析精確度：程式可以通過應用統計學原理和機器學習算法等技術，提高分析的精確度和可靠性。
3. 增強投資效率：程式化分析比人工分析更快速，可以更快地發現投資機會和風險，從而提高投資效率。
4. 移除情感因素：程式進行分析時，不受人的情感因素的影響，更符合客觀分析的原則。
5. 儲存和檢索數據：程式可以方便地儲存和檢索數據，以便今後再次利用。

程式語言的種類非常多，Java、C、C++、Python 等都是非常熱門的程式語言，然而不同的語言適合開發的環境與應用不盡相同，因此需要依據不同的狀況選擇適合的程式語言。Python 因為語法簡單明確，且又有許多豐富的模組支援，因此在這幾年熱門的應用，像是自動爬蟲、資料分析、機器學習與 AI 人工智慧等，皆是大家使用 Python 開發的環境與應用。因此這堂課也會使用 Python 這個程式語言。

當使用大量的資料儲存或是處理，同時需要不同應用程式（例如網頁程式），需要架設資料存取或帳號管理的伺服器，然而伺服器的架設過程十分繁瑣；雲端平台即是提供藉由網路遠端存取的服務，提供雲端運算、虛擬系統等服務，像是微軟的 Azure、亞馬遜的 AWS 或是 Google 的 Google Cloud Platform（GCP），皆是這樣的雲端平台，讓使用者不用煩惱伺服器架設。

其中，Firebase 是 Google 的一套適合手機與網頁應用程式的開發平台，提供應用程式的後端服務平台 Backed-as-a-Service（BaaS），像是即時資料庫、資料儲存、帳號管理等應用程式常用且需要的服務，皆可以透過事先定義好的程式 API 存取使用這些功能。

其中像是 iOS、Android、JavaScript 和 Python 等環境與程式語言皆有對應的模組可以使用。這堂課將使用 Python 結合 Firebase 的服務將金融應用相關資料儲存於雲端，除了可用 Python 其他像是資料分析、人工智慧等模組分析資料，也可輕易將資料結果呈現在不同的應用程式上面。

許多技術的學習，像是機器學習與人工智慧的學習，大多會使用範例資料來進行技術的學習，然而在實際的應用上，如何取得所需的資料以及該取得什麼樣的資料才是有幫助的，將會是其中一個需要解決的問題。

為了開發股票分析機器人，課程將會帶領大家取得相關的資料，包含股價資料、重大訊息、媒體報導與社群討論等資訊，進行後續的分析；取得資料的方式可分為透過應用程式介面 API （Application Programming Interface）或是開發網路爬蟲取得。若能透過 API 或是檔案資料，取得像是 JSON 或 CSV 等有架構的資料，將是優先選擇；然而當無法透過 API 取得資料時，就必須開發爬蟲取得資料。只要能夠透過網頁瀏覽器所瀏覽的資料皆能夠透過網路爬蟲所取得，根據網頁形式的不同又可以分為分析 HTML 原始碼與自動控制瀏覽器兩種爬蟲。這個課程將會使用 API 與兩種不同的爬蟲取得分析機器人所需要的資料。

身為投資人，你的工作目標，就是找到好的事業。挑選好股票的基本原則並不難了解。 —派特‧多爾西＜故事真規則：晉升專業投資人的五項金律＞

在投資的決策參考上，有許多金融指標常被大家參考，其中可分為技術面、基本面、籌碼面或是總體經濟面等方向。在這堂課將會介紹常用的技術指標，像是均線、K線、KD 與 MACD 等指標，也會介紹基本面、籌碼面與總經面等相關資訊，並利用 Python 的模組取得相關資料。

然而除了金融指標，個股也會有公司重大訊息、媒體報導或是社群討論等資料，我們將用自然語言分析的方法，利用 AI 相關技術，例如 BERT、ChatGPT 等進行像是中文斷詞與重要字詞的統計，以及將這些語句利用情緒分析瞭解正負面的結果，進而對於投資決策有所幫助。

情緒是交易者最有用的工具之—。 —約翰・拖尼＜無名金融怪傑：隱藏在市場深處的超級交易人＞

使用情緒分析可以帶給金融投資以下幾項好處：

1. 加深對市場的了解：情緒分析可以提供關於大眾情緒的洞察，這些情緒會影響市場的走勢，因此了解市場的情緒狀態有助於更好地理解市場。
2. 提前預測市場走勢：情緒分析可以預測市場走勢，例如，當市場情緒變得悲觀時，可能會預期市場下跌；當市場情緒變得積極時，可能會預期市場上漲。
3. 增加投資策略的準確性：情緒分析可以提供投資者更多的資訊，從而提高投資策略的準確性。
4. 增加投資者的信心：當市場情緒變得積極時，投資者的信心可能會增加，進而採取更大的風險。當市場情緒變得悲觀時，投資者的信心可能會降低，進而減少風險。

在這個課程，會使用 Python 的網頁應用程式框架，透過雲端平台的存取，將自己的分析的結果呈現在網頁中。這當中將會呈現自己追蹤的個股指數、技術指標以及經過 AI 分析的各種策略結果與圖形，像是社群討論、重大訊息的情緒指數，中文詞彙的擷取與關鍵字文字雲等。除此之外，透過 Firebase 所提供的功能，當所監測的條件達到時，像是特定股價、特定條件與重大訊息等，即時自動在網頁應用上呈現通知，達成股票分析機器人的目標。

除此之外，當募資條件滿足時，我們將呈現手機 App 自動通知（包含 iOS 與 Android 兩種版本）與 LINE Bot 訊息自動通知等功能。

【學習力 UP 1】Discord 聊天語音群組直播教學！

提升程式能力的方式之一，就是積極參社群討論，與他人交流或是分享經驗，因此我們成立 Discord 社群，除了 Python 之外，也參與像是 AI 繪圖，ChatGPT 的使用討論，以及各種與程式相關的有趣話題。除此之外，也將不定時在上面展開直播，補充各種新增功能與分享程式新知，並更即時的透過語音的方式彼此交流！

【學習力 UP 2】 LINE 群組與 FB 粉絲專頁共學！

除了 Discord 語音群組之外，有也 LINE openChat 與 FB 粉絲專頁，即時發佈例如直播訊息等公告，也可詢問包含 Python 的各種課程與程式學習的相關問題，作業與操作，同學們也可彼此互動練習，增加熟悉度喔！

Python 是一個簡單易學的程式語言，被廣泛應用於科學計算、資料分析、人工智慧、網路爬蟲等領域。Python 可以在不同作業系統中執行，也有許多不同的開發環境，包含 Python 內建的開發與學習環境（Integrated Development and Learning Environment, IDLE）、Anaconda、Jupyter Notebook、Google Colab等等。

章節 1：Python 介紹與執行環境

此章節將介紹 Python 的特點、應用領域，以及執行環境的安裝與使用方法。

章節 2：Python 數值、型態與運算

此章節將說明 Python 中變數使用、數值型態、算術運算、比較運算、邏輯運算、型態轉換、字串的基本使用，同時也呈現內建函數 print 將變數與字串輸出與格式化設定、與數學相關的內建函數。接著會說明如何引用 Python 中模組，同時使用數學運算的模組 math，進行像是開根號等常見的數學運算。

章節 3：流程控制

此章節將說明 Python 的流程控制操作，包括條件判斷和迴圈，可以幫助控制程式的執行流程。其中條件判斷使用 if、elif 和 else 這三個關鍵字，可以根據不同的條件判斷執行不同的程式碼塊；而迴圈則包括 for 和 while 兩種，可以重複執行程式碼塊，達到一定的目的。for 迴圈通常用於對一個序列（如字串）中的元素進行操作，而 while 迴圈則可以根據特定的條件重複執行程式碼塊，直到條件不成立為止。熟練掌握 Python 的流程控制可以讓程式更加靈活，進而提高開發效率。

章節 4：函數

函數是一段可以反覆使用的程式碼區塊，它可以接收一些輸入（參數），並進行一些處理，最後產生輸出。當程式需要多次使用相同的處理邏輯時，使用函數可以大大提高程式碼的重複利用性和可讀性，以及降低開發和維護成本。我們將說明如何定義和使用 Python 中的函數、參數傳遞與回傳、函數副作用（side effect）、參數的預設值、位置參數、關鍵字參數以及參數的有效區域與匿名函數 Lambda 等。

章節 5：類別

Python 是一種物件導向的程式語言，這個章節將說明其含意與用法。類別可以看作是一個模板或藍圖，用來創建物件。在類別中，可以定義屬性（類似於變數）和方法（類似於函數）。屬性用於存儲物件的狀態，而方法用於定義物件的行為。我們將說明如何定義與使用 Python 的類別與物件，並通過實例化類別來創建物件後，使用該物件的屬性和方法，其中含包含了屬於物件或是類別的屬性與方法、繼承的使用與 Python 中類別的特殊方法。

章節 6：字串

字串是指一串的文字符號，可以使用單引號或雙引號來表示。Python 使用索引值（index）與切片（slicing）來取出單一個字元或是部分長度的子字串。字串類別中有許多內建的字串函數來處理字串，例如計算長度的 len、處理大小寫的 upper、lower 等。除此之外，還可以利用正規表示法（Regular expression, regex）的方式，找尋符合規則的字串，章節 6 將介紹 Python 字串與正規表示法，以及其各種使用方法。

資料結構是一種組織和存儲資料的方式，它可以使這些資料更有效地被處理和操作。在 Python 兩種最基礎且常用的資料結構分別為串列 （list）與字典（dictionary）。

章節 7 - 串列

串列可用來儲存一連串的元素，並且透過與字串一樣方式的索引值與切片來存取這些元素。list 中的元素可以是任何 Python 物件，也可以包含不同型別的元素。list 可以進行追加、插入、刪除等操作，也可以進行排序、反轉等多種操作。在章節 7 將說明串列的各種操作方法。

章節 8 - 字典

此章節將介紹字典這個資料結構，字典是集結一對鍵-值（key-value pairs）的資料結構。使用 dictionary 可以方便地根據鍵來查找對應的值，並且可以通過添加、刪除和修改鍵值對來動態地調整數據。

章節 9 - 檔案

我們透過打開、讀取、寫入等方式來處理檔案。使用 open() 函數可以開啟檔案，指定檔案的路徑和打開的模式。讀取檔案內容時，可以使用讀取一行的 readline() 或是讀取全部內容的 read() 函數。在處理完檔案後，需要使用 close() 函數關閉檔案，避免檔案未正確關閉。另外，Python 還提供了 with 關鍵字，可以在不需要手動關閉檔案的情況下進行檔案操作，使用 with 可以更簡潔和安全地進行檔案操作。

章節 10 - 資料格式

JSON 是一種常用的資料格式，用來儲存結構化的資料，而 CSV 則是一種用逗號分隔欄位的資料格式，章節 10 將介紹這兩種檔案格式，與使用 json 模組可以將 Python 物件轉換成 JSON 格式，反之亦然；使用 csv 模組可以讀取和寫入 CSV 檔案，並且可以控制欄位分隔符號、引號符號等設定。透過這些模組，我們可以方便地將資料以結構化的方式讀取進來、處理，或是將結果輸出成檔案。

章節 11 - 資料庫

資料庫可以儲存大量結構化資料，並提供快速、有效的資料存取，使得資料分析與處理更加方便。Python 可以透過套件連接多種資料庫，例如 SQLite, MySQL, PostgreSQL 等。首先需要安裝相關套件，再利用資料庫提供的 API 來執行 SQL 語句。章節 11 將介紹 SQL 語法，接著以 SQLite 為例使用 sqlite3 模組操作資料庫。

章節 12 - 錯誤處理

錯誤處理是一個程式設計重要的主題，因為當出現錯誤時，可以利用錯誤處理來確保程式的正確性。常見的錯誤包括語法錯誤、運行時錯誤和邏輯錯誤等。可以使用 try-except 語法來捕獲運行時的錯誤，try 區塊中的程式碼將先被執行，如果出現錯誤，則轉到 except 區塊中執行相應的處理程式碼。此外，還可以使用 finally 區塊來確保無論 try 塊中是否出現異常都需要執行的語法。

章節 13 - 模組

Python 中的模組是指在不同的 Python 檔案中撰寫的一組相關的函數、類別、變數等，可以在需要的地方進行引用。Python 內建與第三方的各種類別函數和庫都是以模組的形式提供功能，模組使得程式碼的組織結構更為清晰，並且可以更方便地進行這些程式碼的重複使用。章節 13 將說明模組的安裝與使用，以及建構自己的模組。

資料分析是 Python 最受歡迎的應用之一。資料分析可以幫助我們瞭解資料所代表的意義，並提供決策時的參考，Python 擁有豐富的資料分析函式庫，如 NumPy、Pandas、Matplotlib 。在 Python 中進行資料分析的過程通常包括數據讀取、數據清理、數據處理、數據分析和資料視覺化等步驟。

NumPy 是一個支援高維度陣列與矩陣的數學運算、數學線性代數、機率與統計的模組。

章節 14 - NumPy

此章節內容將分為以下幾個部分：

1. NumPy 簡介：NumPy 的安裝使用，與其基本介紹
2. NumPy 陣列基礎：NumPy 的基本資料結構為 n-dimension array（ndarray），這部分將說明 ndarray 的創建、基本屬性、索引與切片、形狀操作、與基本數學函數等。
3. NumPy 陣列進階：ndarray 的分割、合併、排序、收尋、技術與各種隨機函數等。
4. Numpy 統計機率：計算 ndarray 敘述統計（例如：平均、中位數、標準差等）、統計分佈（例如：均勻分佈、常態分佈）與隨機樣本抽樣等功能。
5. Numpy 文件輸出入：ndarray 讀取/寫入各種數據格式，如CSV、Excel等。

Pandas 常被用來處理像是表格形式的結構化資料並可以較簡單輕鬆的清理與轉換資料

章節 15 - Pandas

此章節分為以下幾個部分：

1. Pandas 簡介：Pandas 的安裝使用，與其基本介紹。
2. Pands 數據結構：Pandas 的兩種主要資料結構，Series 一維數據結構與 DataFrame 二維數據結構的創建、索引、選擇和修改數據。
3. 數據讀取與存儲：介紹如何從 Python 的串列與字典，與不同格式的數據，如 CSV、Excel、JSON 等相互轉換與存取。
4. 數據清洗與預處理：數據缺失值的清理、轉換與合併等功能。
5. 數據分析與統計：敘述統計、排序、資料分組、時間序列資料的分析與統計

資料視覺化是將資料以圖形的方式呈現出來，幫助我們更直觀地理解數據

章節 16 - 資料視覺化

此章節 將介紹資料視覺化，將使用 Matplotlib 模組來呈現製作各種圖形，包括折線圖、散佈圖、長條圖、直方圖、圓餅圖等，同時也包含標題、標籤、顏色與樣式等圖形組成原速與風格的變化。除了 Matplotlib 之外也將呈現 seaborn 這個基於 Matplotlib 為基礎，更容易且清晰的呈現資料統計圖形的模組。最後也將介紹 Pandas 內建的繪圖功能以及與 Matplotlib、seaborn 等模組等整合。

在投資的決策參考上，有許多金融指標常被大家參考，其中可分為技術面、基本面、籌碼面或是總體經濟面等方向。

章節 17 - 股價資料 API 與技術指標

此章節將說明如何透過 API 取得股票的股價資料，其中 API 為 Application Programming Interface 的縮寫，透過這個介面的設計，可以快速方便的利用程式或網路透過 API 的取得資料，可能為檔案形式或是程式模組，且通常都為有結構的資料格式，例如表格形式或是 JSON。這個章節將先從 API 的介紹開始，以及使用像是台灣證交所、yahoo finance、FinMind 等 API 取得股價資訊。取得這些股價資料後，將接著說明如何繪製相關的技術指標圖形，像是均線、K線、KD 與 MACD 等指標等。

章節 18 - 影響股票市場的資訊

除了股價指數與相關指標，章節 18 將介紹其餘的影響資訊，包含像是企業財物基本面的各種數值，EPS、P/E ratio等；總體經濟相關指數，像是通膨率、利率、就業狀況等；籌碼面像是三大法人買賣狀況等內容。我們將介紹說明如何看待這些指標，如何取得資料以及繪製相關圖形來呈現這些內容。

當資料無法透過 API 取得時，就可以使用網路爬蟲的技術取得資料，利用程式語言自動從網頁上獲取資料並加以分析後儲存，其應用包括但不限於：新聞資訊擷取、商品價格比較、網站結構分析、搜尋引擎爬取等凡是能夠利用瀏覽器瀏覽的資料，皆可利用網路爬從取得。網路爬蟲又可分為透過網路協定的請求直接取得網頁資料，以及透過瀏覽器的自動化控制，從互動式的網頁中取得資料，而這兩種方式最終都可以取得網頁的 html 原始碼，並在取得的過程中，對 html 加以分析，擷取期望獲取得資料。

章節 19 - 網路爬蟲

此章節將說明如何使用 requests 與 beautifulsoup 模組，分析 PTT 社群對於股市相關資料的討論，同時也將設計不同類型的文章分類方式，例如關鍵字文章搜尋、作者文章搜尋等特定文章爬蟲功能，並且這些資料儲存到資料庫。

章節 20 - 股市重大資訊爬蟲

此章節將使用 selenium 模組，搭配特定瀏覽器，自動化控制瀏覽器行為，像是表格填入，滑鼠按鈕點擊等行為，同時將以台灣證券交易所，個股重大訊息的網頁為例，取得重大訊息的內容，同時儲存成圖片儲存。

這兩個章節的目的將為結合 Google 所提供的 BaaS 後端平台服務 — Firebase，建構 Python 網頁應用程式。

章節 21 - 雲端伺服器

此章節將從 Firebase 的簡介與使用開始，建立專案、透過 Python 中 Firebase 模組，使用 Firebase 像是身份驗證、即時資料庫與儲存空間等功能，同時將 API 與爬蟲所取得的資料，上傳至 Firebase 中，以便後續建立網頁應用程式或是手機 App 所使用。

章節 22 - 網頁應用程式

此章節我們將會使用 Python 的網路應用框架 Django，建立網頁應用程式，同時連結 Firebase，讀取爬蟲存放於 Firebase 中的資料，同時也可利用 Firebase 中的身份驗證等功能進行帳號管理。這個章節也將資料分析的結果、資料圖表、技術線圖與其他股市相關資料等內容，顯示在網頁應用中。

情緒分析通常可以幫助投資者了解市場情緒和投資者情緒，以便更好地進行風險管理和投資決策。

章節 23 - AI 社群情緒分析機器人

此章節，我們將會介紹 AI 應用中的自然語言分析（Natural Language Processing, NLP）中，如何產生情緒分析結果的概念與方法，接著使用預先訓練好的模型，像是 BERT 等經典模型，產生情緒分析的結果；最後將爬蟲所取得社群討論、重大訊息與新 聞報導等資料，產生情緒分析的結果，與前述章節資料分析等結果，一同呈現在網頁應用上，已幫助投資的決策。

章節 24 - 股票分析機器人

此章節將搭配 Firebase Cloud Function 與 Cloud Messaging 等功能達成即時通知訊息監控訊息的股票分析機器人的功能。Cloud Function 是一種無伺服器的後端解決方案，讓你可以在 Firebase 撰寫程式碼，監控事件的發生，當事件發生時，自動的執行這些 Cloud Function。監控的事件可以像是資料庫的修改、網頁的請求等行為，而觸發後也可以執行利用 Cloud Messaging 的功能，傳送通知到手機 App 或是網頁應用程式，進而將結果呈現在畫面上或是手機通知，讓使用者能夠即時反應。因此這個單元將會利用這些功能，完成監測當某些訊息、新聞、重大消息或是某個指標達到目標值時，進而將結果呈現在網頁應用上。除此之外，像是自然語言分析中的中文斷詞、關鍵字的產生、繪製文字雲圖示、或是情緒指數的監控等，也都是這章節包含的內容。

章節 25 - ChatGPT 情緒分析

ChatGPT 是由 OpenAI 所開發，於2022年十一月底所發布的的人工智慧聊天機器人程式模型，藉由網路上的大量的文字資料的訓練，再經由給予獎勵標籤後的再次訓練，以 GPT 模型為基礎文字聊天模型，發布初期就掀起熱潮。並在 2023 年三月中發布目前最新的版本 ChatGPT 4.0，有著更完善與更豐富的功能。除了文字聊天的功能，能夠進行像是程式開發與偵錯、各種文學作品等創作。在金融情緒分析上，經過測試，也能夠取得相較於其他語言分析模型，較為貼近金融領域的結果。

然而除了透過聊天的網頁應用，藉由 OpenAI 所提供的 Python API 與 ChatGPT 連接，可以將文字透過 Python 字串的方式與 ChatGPT 互動並取得回覆的結果，作為程式運行與分析的一部分資料。在這個章節，我們將利用聊天問答的方式，請 ChatGPT 回覆所爬取得文字訊息的情緒結果，並呈現在我們網頁應用上。

在章節 24 ，我們透過了 cloud function 與 cloud messaging 的方式，監看各種條件，當條件觸發後，能夠即時通知訊息的股票分析機器人。

章節 26 - iOS App 機器人

章節 27 - iOS App 與 Android App 機器人

這兩個章節，我們將會實作 iOS 與 Android 的 App，完成即時通知的功能。內容包含了怎麼與 Firebase 串接，基本的介面與程式操作，iOS 部分會使用 Swift，Android 則會使用 Kotlin，並且使用 iOS 與 Android 的開發環境與程式框架，同樣結合 Firebase，使用 cloud messaging 的方式完成不同系統的即時通知 App。

除了使用 App 作為即時通知之外，這個單元也將使用 Line Bot 相關的 API，能夠在 Line 中使用 Line BOT 發送通知訊息，同樣的結合Firebase 中的 cloud function 與 cloud messaging 監看想要監看的條件，達成自動訊息通知的功能。

👉 開課後：購課前問答與問題回覆最慢一週內為你解答
👉 作業批改：課程共預計設計 17 份作業，並期望於一週內批改完成
如作業量繳交龐大，將依序批改，預計一週內最少批改 10 人份的作業，若因數量較多造成批改延遲，還請稍多等待。

歡迎各位同學留下你的問題與繳交作業的成果，我們將盡力為你解答。也期待開課後留下你對於本課程的評價，期待同學們的五星好評 😁

plusForm（plus + platform）是以打造程式加值教學平台為目標的團隊，同時也是麥錫森智能（Mathison Intelligence）技術教學的主要部門。麥錫森智能除了開發程式教學課程，更卓力於與金融相關的技術研發上，利用數學統計、AI 技術、搭配不同優化策略，從龐大的數據與文字資料中，取得投資的參考策略與洞察未來方向；在 2022 年的暑假並帶領長庚大學資訊工程學系實習生，進行相關技術的研討與開發，並獲得當年度長庚大學工學院實習第二名的成績，而其成果內容，也會包含在此課程之中。

這個課程將由 Mathison Intelligence 執行長 Steve 授課，並由團隊成員協助製作包含 Python 與金融的教學內容；Steve 老師過往有許多程式教學經驗，目前在臺灣金融研訓院擔任程式課程講師，並榮獲 2022、2023 年菁英講師，同時協助研訓院製作「Bank 一杯 Java」與「Python 碼都可以」程式線上課程，今年同時也開設 ChatGPT 結合 Python 網路爬蟲、網頁框架與 Firebase 雲端平台的實體課程，讓金融從業人員更容易的掌握程式語言金融分析的技能；在 Hahow 也開設了「iOS 實用開發入門」與「跟著 PyPy 熊學 Python 系列」等課程，榮獲許多同學好評。

臺灣大學資訊工程學系博士，過往曾教授 iOS、Android、Java、Python 資料科學與 AI 機器學習等實體授課與線上課程製作，有多年的程式設計與教學經驗；亦輔導許多學生轉職就業、考取證照、取得相關學分與參加程式鑑定（Java、Python）及競賽（NPSC），C/C++、C# 也包含其中。

並且投入科技新創產業，以電腦科學與人工智慧之父 Alan Mathison Turing 為名，成立麥錫森智能科技（Mathison Intelligence），開發多項課程，希望利用自身過往的教學與程式學習經驗，用最平易近人的方式，帶領大家瞭解程式設計，分享過程中所會遭遇的難題與解決方式。

【學經歷】

• 臺灣大學資訊工程學系博士
• 麥錫森智能科技創辦人兼執行長
• 金融研訓院講師、金融研訓院 2022、2023 年菁英講師

• Hahow — 「iOS 實用開發入門」與「跟著 PyPy 熊學 Python 系列」課程
• 台灣金融研訓院 — 芬課師「Bank 一杯 Java」與「Python 碼都可以」課程
• 台灣金融研訓院 AI 系列課程，ChatGPT 的數據分析和預測實體課程

• 台灣金融研訓院 iOS、Android App，Python 爬蟲與資料分析，實體與線上實況課程

• 本課程以 Python 與獲得分析各種投資決策的參考資料，不同的分析方式與觀點將會產生不同的操作策略，並無法確保任何績效。
• 投資蘊含各種風險因素，請自行衡量並依個人狀況適當操作。
• 課程中使用之範例、分析結果與技術解說僅作為教學之用，不應被視為任何投資建議或指引。