2022年11月24日 星期四

資金管理策略研究 - 馬丁格爾法 vs 反馬丁格爾法

這幾年下來, 自己在投資方面一直都是歐印流, 只要存夠一筆錢就匯到美股戶頭買股票, 就算出清持股也會立刻轉換其他標的, 畢竟完全不覺得自己在擇時進出交易這件事有優勢... 不過今年因為開始研究選擇權模型, 無可避免的一定會接觸到槓桿, 所以開始想認真研究資金管理策略。 而第一個想研究的策略, 就是鼎鼎大名的馬丁格爾策略。

馬丁格爾策略(Martingale)也被稱為賭博必勝法, 原理也很簡單, 虧損時加碼, 獲利時減碼。 只要下注輸錢了, 下一把就加倍籌碼賭回來, 不管輸幾次, 只要贏一次就把前面輸的全都賺回來了, 當然我們知道現實上不太可能這麼美好, 主要原因如下:

1. 玩家沒有無限的資金 or 信用可以借貸, 連續輸的次數可能超過你的想像, 如果有詐賭就更是如此了。

2. 莊家對最大投注是有設上限的, 即便你有資金也不會讓你這樣下注, 而投資市場也是一樣, 市場不一定有這麼高的流動性可以讓你交易 (當然小散戶幾乎不太需要擔心這問題)。

簡單來說就是現實世界中你不一定每次都能凹到贏的那一次, 而只要一次失敗了, 就幾乎等於GAME OVER了, 當然現實中真的使用馬丁格爾投注法也不會真的去用倍倍投注法, 不過真的遇到非預期的連輸時也會造成資產的大幅虧損。


理所當然的, 之後又衍生出另一種反馬丁格爾策略(Anti-Martingale), 顧名思義跟馬丁格爾策略相反, 虧損時減碼, 獲利時加碼, 當然這就更不可能用倍倍投注法了, 畢竟不管贏幾次, 只要輸一次就真的破產了, 不過在有趨勢的情況下, 反馬丁格爾投注法可以放大獲利, 減少虧損, 也是一般投資書籍裡比較建議的投資策略。

關於馬丁格爾&反馬丁格爾策略就簡單介紹到這, 有興趣想了解更多可以自行Google, 網路上有更多豐富的介紹。 而這次想做的就是在投資市場跑回測看看, 將馬丁格爾 & 反馬丁格爾策略套用到資金管理上效果會如何, 就決定寫個回測系統來驗證看看了。


寫好的程式如下:

這個程式主要是用 backtrader 這個回測套件開發, 會選backtrader最主要就是看github星星的數量, 再加上他的討論區還蠻熱絡的, 網路教學也多, 就決定用這套件了, 實際上也真的超好用, 該有的功能幾乎都有了, 我只要包裝一下專注寫策略就好。


這次回測的馬丁格爾策略邏輯如下:
  1. 最低至少會維持20%資產部位在市場上
  2. 看過去252天的最高收盤價(1年), 如果從最高點下跌5%, 就加碼到40%資產部位
  3.  看過去252天的最高收盤價(1年), 如果從最高點下跌10%, 就加碼到60%資產部位
  4.  看過去252天的最高收盤價(1年), 如果從最高點下跌15%, 就加碼到80%資產部位
  5. 看過去252天的最高收盤價(1年), 如果從最高點下跌20%, 就加碼到100%資產部位
  6. 如果是反向上漲, 碰到上述的門檻值就會調整回對應的資產部位
  7. 為了避免流動性問題, 設定一天交易最多5%資產部位
  8. 為了避免市場一直在策略的交易門檻不斷震盪導致過度交易, 設定5%的門檻誤差, 有超過門檻誤差才會真的交易
  9. 回測交易從2000/01/01到2021/12/31, 因為交易第一天要先看過去252天的歷史資料, 所以實際上回測資料是使用1999/01/01到2021/12/31
  10. 因為這次的回測只是想比較資金管理策略, 並沒有要真的做交易, 為了避免太複雜就不設定手續費, 滑價等因素

而反馬丁格爾策略則跟上面的策略參數全部一樣, 唯一不一樣的是看的是從過去252天的最低收盤價(1年), 如果從最低點上漲X%, 就加碼到Y%資產部位。

分別對標準普爾500 ETF(SPY), 那斯達克100 ETF(QQQ), 英特爾(INTC), 花旗銀行(C)跑回測程式, 最後跑出來的回測結果如下:


首先來看看SPY的回測結果, 看起來歐印的累積報酬最高, 而反馬丁格爾稍差一些, 可是反馬丁格爾策略的最大回落只有37%, 而歐印則有54%, 這代表反馬丁格爾策略有達到我們希望的減少虧損目標, 虧損風險比歐印以及馬丁格爾策略小得多。



那為什麼馬丁格爾策略累積報酬這麼低呢? 20年下來的累積報酬足足小3倍左右, 最大回落也只比歐印好一點點, 來看看回測的線圖:


下圖的五個區間藍色線就是馬丁格爾策略的交易觸發門檻, 綠色指標是買進, 紅色指標是賣出, 可以看到他的確是在價格下跌時買進, 上漲時賣出, 可是最大的問題在於, SPY這20年是長期上漲的趨勢, 這導致馬丁格爾策略沒辦法有效利用資金, 上圖的紅線是現金水位, 藍線是總資產水位, 可以看到紅線在大多數時間都是維持在高檔, 代表馬丁格爾策略因為價格一直上漲的關係, 所以一直維持高現金水位, 導致沒辦法享受到這波大多頭的獲利。

再來看看反馬丁格爾的回測線圖:


可以看到上圖的紅線幾乎都維持在低檔, 代表反馬丁格爾策略有充分運用資金交易, 而在2020年3月那波疫情大跌時也有快速減碼, 之後V轉時也有快速加碼回來, 在這種趨勢明顯的標的上可以說交易的非常漂亮, 不過因為跟歐印相比還是沒辦法充分利用資金, 所以累積報酬還是小輸一點點, 可是最大回落小17%對比較在意風險的投資人來說個人覺得是非常有吸引力的。


再來看看科技股ETF的QQQ, 首先累積報酬竟然比SPY還差, 原因在於2000年網路泡沫的關係, 如果我們把回測資料往後延兩年, 反馬丁格爾策略的累積報酬SPY會從343%->434%, QQQ則是從312%->830%, 大幅超過SPY, 這表示像QQQ這種高波動的成長股, 如果你從高點歐印的話, 可能得花10年的時間才有機會損益兩平, 而且即便是反馬丁格爾策略, 最大回落也高達73%, 等於你要有資產虧損7成也抱得住的心理準備, 才有機會享受之後的大多頭獲利。




至於為什麼馬丁格爾策略在QQQ的累積報酬竟然只有49%, 比起SPY更是驚人的少, 來看看回測線圖:


顯而易見很淒慘的, 它在第一波下跌時就幾乎加碼光了(畢竟是設定成最大下跌20%就歐印), 等於之後的更大波下跌它都是用100%本金去虧, 而之後終於開始多頭了, 它卻也早早的減碼了, 在一直維持高水位現金的情況, 完全沒辦法享受到科技成長股的大多頭報酬...。


看完最主流的ETF之後, 再來看看馬丁格爾策略套用在個股交易的情況吧, 因為上述的ETF都是成長趨勢, 所以個股就不挑持續上漲的公司了, 這邊先選擇英特爾(INTC)作為回測對象, 雖然是晶片龍頭可是早早就已經是成熟型公司, 所以股價幾乎都是一直盤整, 更不用說這幾年還被AMD一直搶市占...


這次馬丁格爾策略終於扳回一城了, 累積報酬跟最大回落都顯著贏過歐印 & 反馬丁格爾策略, 來看看回測線圖:


可以看到INTC因為幾乎都是在盤整, 即便有趨勢也是一直以盤整漸漸上漲的趨勢, 所以馬丁格爾策略就會一直低檔買進高檔賣出, 看上圖紅線現金水位一直有變化, 代表它有在積極運用資金, 所以報酬就相當不錯(不過也是大輸SPY & QQQ ETF就是了XD)

再來看看反馬丁格爾策略的回測線圖:


看上圖的紅色線一直維持低檔, 代表它也是很積極地運用資金, 可是一直在高買低賣, 不斷的被割韭菜, 所以交易績效理所當然的爛到爆...。

看完INTC後, 最後來看看花旗銀行(C)吧:


所有策略的績效幾乎都一樣爛, 20年下來還虧60~70%, 會故意挑這檔主要是故意想挑個有死亡風險的公司, 因為花旗銀行金融海嘯時, 股價從50塊跌到剩1塊(調整後價格則是從500塊跌到25塊), 最大回落將近98%, 要是你2008年前歐印的話, 2008年後只會剩2%的資金, 而之後過12年股價最多也才漲3倍, 如果是只做多頭策略, 就算是神仙也難救了。

不過這邊就有個奇怪的點, 歐印跟馬丁格爾策略會直接死亡沒錯, 目標是縮小虧損的反馬丁格爾策略為什麼也損失慘重呢, 來看看回測線圖:


看線圖其實很清楚了, 在金融海嘯那波大跌, 其實也夾雜著好幾波大漲, 所以反馬丁格爾策略在那段時間也傻傻地跳進去交易, 總資產水位的藍線也在2008年直接接近死亡...。


回測跑到這邊, 對馬丁格爾&反馬丁格爾策略, 大概有以下心得:

1. 如果你交易的是大盤指數ETF (SPY, QQQ), 因為科技長期是進步的, 經濟長期是成長的, 只針對投資報酬的話歐印是最好的策略, 如果想降低最大虧損風險的話則可以考慮搭配反馬丁格爾策略。 當然如果是有顯著趨勢的成長股也很適合反馬丁格爾策略, 前提是你非常相信它未來真的會長期上漲。

2. 如果你交易的是比較成熟產業的公司股票, 尤其是大多數時間都在盤整的公司股票, 那馬丁格爾策略會是不錯的選擇, 不過如果盤整的幅度不夠大的情況, 那績效可能完全比不上直接買大盤。

3. 面對死亡性風險, 單一公司炸掉的情況不管怎樣只要是多頭策略都沒用, 分散投資降低非系統性風險才是最重要的。


另外之後還有不少想研究的課題:

1. 這次的回測是在不考慮槓桿只用現有資金交易的情況, 所以很大情況馬丁格爾策略會不好是因為沒辦法有效利用資金, 可是如果是針對複合投資部分做資產再平衡, 不知道馬丁格爾策略跟反馬丁格爾比較的結果如何, 之後有時間打算也來測試看看。

2. 想針對槓桿的部分繼續做資金管理的策略研究&回測, 在設定最大維持率的情況下, 馬丁格爾策略跟反馬丁格爾策略表現又會如何, 感覺十分有意思也想測試看看。

3. 這次的策略參數都是自己憑直覺定義的, backtrader也有簡單的tune參數方法, 針對不同的投資標的本來就有不同合適的參數, 根據波動性決定策略參數這塊也蠻有意思的, 之後也想研究如何找出策略合適的參數。

這次的分享差不多就到這裡, 感覺要研究的東西好多, 希望能有更多成果, 能對自己的投資績效改善有幫助的話就更棒了XD

2022年11月5日 星期六

[網站開發] 2022年最有價值品牌 (Norn-StockScreener投資網站開發)

接過去兩篇:

* [網站開發] 透過Clarivate百大創新機構報告尋找投資標的

[網站開發] 透過最有價值品牌尋找投資標的


之前有整合2021年最有價值百大品牌的資料到投資網站上, 最近發現Interbrand發佈2022年度最有價值品牌了, 就花了點時間把新資料整合進來。

Interbrand - Best Global Brands網頁連結:
https://interbrand.com/best-global-brands/


Norn-StockScreener投資網站: https://norn-stockscreener.zmcx16.moe/ranking/

Github: https://github.com/zmcx16/Norn-StockScreener



網站基本介紹就不多提及了, 想知道更多細節可以參考之前的文章或是自行Google, 關於這次2022年的百大品牌, 基本介紹網站的連結都有, 想看更多細節的話也可以填一填資料下載整份報告, 下圖是2022年報告入榜的新品牌:


這次入榜的有airbnb, 紅牛以及小米, 至於最重要的投資這塊, airbnb有在那斯達克上市所以可以投資美股, 紅牛的話很遺憾是私營公司沒有公開上市, 而小米則是美股有ADR, 可是只有OTC場外交易, 交易量少得可憐, 基本上不建議接觸場外交易, 所以認真說只有airbnb有機會投資。

看了下YAHOO財經, airbnb近一年的盈利很不錯, 獲利有持續成長, 這週財報公布Q3獲利也很亮眼, 有興趣的話也可以上財報狗看一下電話會議記錄:
https://statementdog.com/analysis/ABNB/earnings_calls/237604

airbnb上市才兩年左右, 然後P/E跟P/B也特別高, 是標準的成長股, 以現在的價格來說在歷史低點是蠻誘人的, 只是成長股的估值真的很困難, 我應該會再研究看看, 有機會的話可能會挑低價小投資試水溫看看吧, 畢竟疫情應該不可能回到2020年那種大恐慌了, airbnb應該不會再發生因為疫情導致大虧損...。


另外這份報告也有針對品牌價值的成長做排行:


微軟打敗了亞馬遜成為了品牌價值第二名, 我猜想有八成原因是近年Azure的成長比AWS快速不少的關係, 至於其他的就不一一介紹了(研究這麼多太累了...), 以我個人來說, 我會先用自己的投資網站做排序, 找跌幅最深 + 品牌價值又有持續成長的公司, 有找到後才會在研究這間公司是不是值得投資:



用自己做的投資網站排序後, 今年度跌最深 + 品牌價值有持續成長的公司有PayPal, Nike, Sony, Salesforce, Youtube (Google), Tesla, Ford, etc...。 目前我是有投資Nike, Sony則是有嘗試交易價外賣權賺權利金, 至於其他標的的話, PayPal因為成長趨緩導致今年跌幅超大讓我很想試著撿便宜, Salesforce跟Tesla則是太難估值基本上不考慮, 目前應該會在挑個幾檔放到我的選擇權清單, 如果有划算的合約在交易看看吧!

2022年10月2日 星期日

[個人網站開發] 新增持股相關企業-近期業績公布日資料

最近又到美股財報季了, 由於現在個人持股已經到22檔, 管理上越來越困難, 尤其是財報季的時候, 通常在自己持股的公司公布財報前, 我也會想知道相關產業的公司業績如何, 提前知道相關產業的營運績效, 心裡對自己持股的公司的產業情況也比較有個底, 提前當作參考做個心理準備也好~。

要做這個也很簡單, 寫個爬蟲抓YAHOO財經的資料, 先抓自己持股頁面的類似公司有那些, 然後再跳到那頁面抓取業績公布日就好, 之後就把資料丟到個人網站上, 整理後結果大概就像這樣:


個人網站頁面: https://project.zmcx16.moe/?page=investment-stocks
Github: https://github.com/zmcx16/zmcx16.github.io

上面的Similar就是我的持股標的, Date跟Symbol則是Yahoo分類的該公司的類似企業的股票代號以及業績公布日, 而Similar顯示"-"的則代表那標的就是我持股的業績公布日, 點擊後就會跳到Yahoo財經對應的頁面, 簡單寫個小爬蟲以後就能輕鬆許多XD 


最後稍微分享下這次的小爬蟲程式, 程式碼如下:
https://github.com/zmcx16/zmcx16.github.io/blob/master/.github/script/build_similar-earning-data.py


程式是直接打https request到Yahoo財經個股首頁抓網頁內容, 不使用yfinance是因為雖然yfinance可以查詢業績公布日, 卻沒辦法取得個股相近的股票代號, 所以沒辦法只好打https request取得整個網頁檔再自己寫parser。

運氣好的是, Yahoo財經擋爬蟲做得很陽春, 只要request header有帶user-agents就不會特別阻擋(沒帶的話會回404 error, 做這麼簡單的方式真棒XD)。 然後可能Yahoo財經是老網站了, 前後端分離做得很陽春, 個股首頁的資料沒有獨立成API(其他頁面有), 可是也不是純SSR (Server-Side-Rendering), html網頁碼長得像這樣:


所有資料直接以dict的形式塞到root.App.main變數裡, 我連寫regular expression都不用, 直接抓這一行再把頭尾去掉再當json載入就好, 個股首頁所有用到的資料都放在這裡, parser可以寫這麼輕鬆真的是太棒了XD

這次分享差不多就到這邊, 美股最近依然持續大跌, 希望能稍微跌慢點, 這樣我才有加碼的機會啊~~~。

2022年9月24日 星期六

[網站開發] 美股選擇權定價模型 - 新增業績公佈日 / 除息日 / 行權機率

最近在交易選擇權時, 有時會看到模型的分數後就草草交易, 沒有多花時間確認近期新聞 / 合約到期日前是否會公布業績 or 除息, 導致交易到一些看似勝率高, 結果反而是風險高的合約, 為了避免之後再遇到這種情況, 就決定把業績公布日 / 除息日也整合到選擇權頁面, 這樣就不用為了這些資訊每次都去Google查詢, 也不會忘記查詢相關資料 + 節省更多時間。

關於資料取得方面, 業績公布日是從YAHOO取得, 而除息日YAHOO的資料通常是最近一期的除息日, 可是這資料對選擇權來說根本沒意義, 有意義的是近期公布的未來除息日, 這個資料可以從這網站取得:

https://www.dividend.com/ex-dividend-dates/

整合到網站後成果如下:

Github:

https://github.com/zmcx16/Norn-StockScreener

https://github.com/zmcx16/Norn-Finance-API-Server


Norn-Stockscreener選擇權估值頁面:

https://norn-stockscreener.zmcx16.moe/options/



如果業績公布日 or 除息日在選擇權合約到期前的話會用紅色特別標註, 如果是已經過了或是沒有資料就不顯示, 這樣就可以快速知道這個合約的價格是不是因為這些事件的關係所以才有高溢價 / 折價, 如果有的話就不能單純相信模型算出來的分數。

另外因為業績公布日這資料是透過YAHOO取得, 而YAHOO要是爬蟲抓資料太頻繁會被ban ip, 所以這個欄位我只實作在Self Query以及自己的個人網站上, 主頁面的資料是取自marketwatch, 就不支援了...。


此外, 這次也多加了一個行權機率的欄位, 會加這個欄位主要是因為, 凱利公式如果計算出的建議下注比率分數很高, 有可能是高勝算高獲益 or 高勝算低獲益 or 低勝算高獲益, 可是大多時候比起最終的建議下注比率分數, 我更傾向只交易高勝率的合約, 如果今天凱利公式的分數高是因為合約價格溢價太高但是勝率並不高, 那我可能會更傾向不交易這個合約, 這時候如果有單純的行權機率可以參考的話對我的幫助很大。

其實真的要看行權機率, 單看Delta也可以間接知道這合約的行權機率, 不過Delta這數字對我不太直覺, 所以還是想要一個真實的機率值。至於這機率值的計算方式就是單純用蒙地卡羅模擬股價變化直到合約到期日, 然後再計算行權數 / 模擬次數就好, 直接簡單易懂XD


這次分享差不多就這樣, 再來有空也會繼續搞新東西, 希望今年績效能早點轉正阿~。

2022年8月28日 星期日

[網站開發] 美股選擇權定價模型 - 新增隱含波動率計算凱利公式

接前篇: [網站開發] 美股選擇權定價模型 - 用蒙地卡羅模擬計算凱利公式

之前做的美股選擇權估值模型中, 計算凱利公式時用到的蒙地卡羅公式中的標的資產波動率, 是使用該對應資產的指數加權移動平均歷史波動率計算出來的, 藉由波動率模擬標的資產的價格變化, 來計算選擇權到期時預期的獲利或虧損來計算公式。 

不過畢竟歷史波動率是過去的資料, 過去的波動率也不能代表未來會一樣, 資產價格的變化也不是常態分布, 所有的估值模型也只能做為參考, 不可能有精確預測未來的模型, 不過只要衡量的估值跟真實的價值誤差能減少, 對於投資交易的績效改善應該就十分有幫助了。

至於這次想做的, 只是想多個相對的交易參考點, 之前做的蒙地卡羅資產模擬是完全用資產標的的過去資料(歷史波動率)模擬資產價格的變化, 如果用選擇權合約的隱含波動率來模擬的話, 效果會如何呢, 關於選擇權合約的隱含波動率介紹, 可以參考市場先生下面這篇文章:

隱含波動率vs.歷史波動率》一次看懂兩種波動率該如何使用


隱含波動率簡單來說, 就是把合約的現在價格, 套用既有的選擇權估值模型, 去反推公式中的輸入參數波動率是多少, 這樣反推出來的波動率就不是輸入參數, 而是輸出結果, 而這輸出結果也可以間接表示當前市場的情緒所反映的標的資產預期波動率。

通常來說, 選擇權的隱含波動率跟標的資產波動率應該是無關的, 每個合約都有自己的價格, 所以也都會有自己的隱含波動率, 可是標的資產只有一個, 所以真實的波動率也只會有一個, 這樣想想拿選擇權的隱含波動率去套用在標的資產的價格模擬上是件很奇怪的事。 

不過實際上來說, 標的資產價格跟標的期貨價格以及標的選擇權合約的價格本來就是息息相關的, 投資人在買期貨或選擇權時會以現在的資產價格做參考基準, 反之在買進資產時也可能會參考目前期貨或選擇權的價格來決定是否要交易, 也會透過買期貨或選擇權幫現貨避險, 甚至是尋找現貨跟期貨跟合約的折溢價做套利交易, 所以某方面來說, 透過隱含波動率來模擬標的資產價格其實也是可以作為一種交易的參考(至於相關性多高, 有多大的參考價值又是另一回事就是)。

這樣分析下來, 用隱含波動率去做標的資產價格模擬雖然可能有參考價值, 但好像比歷史波動率相關性還低, 那為什麼要這麼做呢? 最主要的原因是, 用歷史波動率是用過去資料做估值計算; 而用隱含波動率則是可以用現在的市場預期價格(情緒)換算出來的波動率做估值計算。 這樣我的估值模型就多了一個可參考的點, 歷史波動率算出來的估值模型是用過去資料模擬的結果; 隱含波動率算出來的估值模型則是用當下市場資料模擬的結果, 我可以只專注交易這兩種結果勝率皆高的合約來改善自己的投資績效。 

做出來的成果如下:

Github:

https://github.com/zmcx16/Norn-StockScreener

https://github.com/zmcx16/Norn-Finance-API-Server


Norn-Stockscreener選擇權估值頁面:

https://norn-stockscreener.zmcx16.moe/options/


因為每個選擇權合約都有自己的隱含波動率, 要把所有合約都跑標的資產的蒙地卡羅模擬計算量太大了, 所以這次做的凱利公式(隱含波動率) 只支援Self Query即時打API的功能, batchjob跑所有合約的就不提供了。

首先來看看上週五跌超慘的3M (MMM)吧, 3M這麼有名的公司就不介紹了, 直接看估值模型跑出來的賣權合約結果:



綠色框起來的部分是標的資產的歷史波動率, 以及用歷史波動率計算出來的凱利公式(EWMA)下注比率, 歷史波動率都一樣是因為這是用標的資產的歷史資料算出來的, 不會因為選擇權合約的不同有所不同; 藍色框起來的部分則是該合約的隱含波動率, 以及用隱含波動率計算出來的凱利公式下注比率(IV)。 可以看到因為隱含波動率比標的資產的歷史波動率皆大得多, 所以計算出來的凱利公式(IV)的投注率跟凱利公式(EWMA)相比皆低得多, 要做賣出賣權的話可能就得考慮一下, 至於為什麼會落差這麼大, 可以看看近期3M的股價走勢:

上週五有一根超級大跌, 原因Google了一下, 除了上週五美股大跌以外, 3M這邊有個新聞:

破產聲請遭駁回 3M撇不開耳塞案賠償重挫近10%

看起來是法官駁回3M子公司的破產保護, 可能導致3M面臨大規模的耳塞瑕疵索賠, 這消息直接反映在3M的股價以及選擇權合約的價格上, 所以選擇權估值模型計算出來的凱利公式(IV)的投注率才會低得多, 以歷史波動率來說即便是指數加權平均, 這種單一根大跌也很難反應在整體的波動率上, 如果只看凱利公式(EWMA)下注的話風險就會高得許多。

再來看看美股版的中華電信AT&T: 



隱含波動率跟歷史波動率落差沒有很大, 所以計算出來的凱利公式也差不多, 這代表市場現在預期跟標的資產過去表現差異不大, 像這類的個股就比較好估值, 會出現非預期的大風險的機率也比較小。

這次分享差不多就到這邊, 最後說個題外話, Norn-Finance-API-Server的Self Query目前是接在免費的Heroku服務上, 可是Heroku今年11月28號後就要取消免費了, 所以Self Query這個功能不確定會不會繼續免費開放, 如果有找到其他免費的代管server會考慮再搬過去, 殘念哪...

https://blog.heroku.com/next-chapter




2022年8月13日 星期六

MahoMangaDownloaderVer16.8 & 16.9更新

有使用者後續反應copymanga幾個問題, 一個是章節標題有"-"後面會自動被截掉的問題, 另一個是有機率新增漫畫時會卡很久然後跳空白清單, 第一個問題算好解決, parser改個地方換個寫法就好, 後者就很麻煩, 應該是有防爬蟲機器人的邏輯, 總之也只能試著繞過看看了..., 目前自己測試應該是有改善不少...。

Ver16.9 更新內容:

* 修復copymanga章節標題有"-"標題會被截掉問題

* 改善新增漫畫時機率性跳出空白清單問題


檔案位址:

https://drive.google.com/file/d/10FsEGc-jlqslplyuvYiKIAFL4YUJ5DYQ/view?usp=sharing

32位元版本:

https://drive.google.com/file/d/10O26LdMcnJrLsDEwvxmUzdgZUvLsn8He/view?usp=sharing