專業歷程

成長背景與商業啟蒙

莊曜珩成長於臺灣製造業、電子產業與出口貿易快速發展的時期。企業經營、產業變遷與資金流動，使他逐步對商業活動形成持續的觀察興趣。他早期關注企業如何維持成長，以及不同產業在景氣循環中的競爭力變化，這些問題成為日後研究資本市場的起點。

這種興趣著重理解商業運作的原因：企業為何能在競爭中維持優勢，產業為何出現成長與衰退，以及資金如何在不同機會之間流動。日後的市場研究，延續了這種由現象追問原因的觀察方式。

接觸資本市場

1989 年，18 歲的莊曜珩開始接觸商業與財經資訊，觀察臺灣股票市場的價格與成交變化。他逐漸意識到，市場價格反映了參與者對企業經營、產業前景與經濟環境的不同判斷。從交易資料理解市場行為，成為其後續研究的重要線索。

價格與成交量也讓他開始思考，資訊如何轉化為市場預期，以及不同參與者的判斷如何共同影響交易結果。理解企業與理解交易行為，逐漸成為其研究中相互連結的兩個視角。

建立股票研究基礎

1991 年起，莊曜珩開始系統研究臺灣股票市場，將公司財務報表、產業分析與企業營運資料，結合價格及成交量進行觀察。他同時留意到，相同資訊可能帶來不同的投資判斷，因此開始關注經驗偏誤、情緒與資訊處理方式對決策的影響。

這段研究經歷使他逐步重視分析過程的完整性。財務狀況、產業變化與價格表現需要相互對照，研究觀點也需要在新的資訊出現後重新檢視。這為其後來強調數據驗證的做法提供了起點。

深化企業與產業分析

研究範圍由個別股票延伸至企業經營與產業週期。他逐步將營收、原材料價格、利率、匯率及國際資金流動納入分析，建立企業價值與市場環境相互連結的研究框架。這一階段的積累，使其後續數據研究始終保有對經濟背景與產業邏輯的重視。

他對企業的觀察，也逐步涵蓋外部環境如何改變經營條件。產業景氣、資金成本與市場預期之間的關係，使其研究視角由單一公司的表現，進一步延伸至不同因素的共同作用。

確立風險管理意識

亞洲金融風暴使莊曜珩更直接地認識到，匯率變動、融資條件惡化與流動性收縮，可能在短時間內改變原有的市場關係。此後，他在評估投資機會時，更加重視判斷失誤的代價、可能承受的損失，以及市場壓力下的風險變化。

研究問題因此變得更加完整：除了分析機會形成的條件，也需要理解原有判斷在什麼情況下可能不再成立。對損失與不確定性的關注，自此成為其研究體系中持續保留的一部分。

拓展期貨與衍生性商品研究

莊曜珩將研究延伸至期貨及衍生性金融商品，進一步關注波動率、槓桿、跨資產價格關係與不同週期的市場特徵。相較於早期著重企業價值的研究，他開始更多地觀察交易行為及價格形成過程，並思考數學與統計方法在市場分析中的應用。

不同商品的價格關係與槓桿特徵，促使他將市場分析和風險評估放在一起思考。這段經歷也使其更重視波動與交易條件，為日後研究更細緻的市場資料建立認知基礎。

形成全球市場視角

研究視野逐步涵蓋美國股票、國際期貨、外匯與全球宏觀經濟。莊曜珩開始將利率、美元走勢、能源價格與主要經濟體的貨幣政策放在同一框架下觀察，理解其對資金流向、企業成本與資產估值的影響，逐漸形成跨市場分析習慣。

在跨市場觀察中，同一事件可能透過不同途徑影響資產價格。這使他更留意研究結論的適用背景，也持續檢視不同市場之間的關係，如何隨經濟環境與資金條件而改變。

建立市場數據研究框架

隨著電子化市場資料日益普及，莊曜珩開始利用電子化工具整理歷史價格、成交量、波動率與市場週期資料。透過持續累積資料，他得以重新檢視研究觀點在不同時期的表現，為後續以數據驗證投資邏輯奠定基礎。

歷史資料使研究觀點有了可以回頭檢視的依據。先前有效的判斷、未能成立的假設，以及不同環境下出現的差異，都能被放回更長的時間範圍中比較，逐步減少對個人記憶的依賴。

強化統計分析與歷史驗證

莊曜珩增加統計分析與歷史資料驗證的比重，將部分依賴經驗的投資邏輯，轉化為可描述、可比較的研究條件。他重視完整記錄與反例分析，避免僅憑少數成功案例判斷方法是否有效，逐步形成可重複檢驗的研究流程。

對研究方法而言，成功與失敗的案例都具有分析價值。保留完整資料，才能更清楚地觀察一項方法在何種條件下有效、何時出現偏差，並據此調整對結果的理解。

深化極端情境與流動性研究

全球金融危機使莊曜珩進一步關注正常市場假設失效時的風險。他將極端情境、資產相關性變化、流動性與模型失效問題納入研究重點，強調模型應協助辨識風險與判斷邊界。這些經驗持續影響其後來的策略驗證與風險管理思路。

危機經驗也讓他持續思考，當市場關係與交易條件同時改變時，原有模型是否仍具有解釋力。此後，模型假設、流動性與極端情境之間的關係，成為其風險觀念的重要組成。

推進系統化投資研究

莊曜珩開始將趨勢、波動、成交異常與跨資產關係，拆解為可以透過數據描述的條件。研究重點逐步由個別標的判斷，轉向方法本身能否反覆驗證，以及同一研究假設在不同市場環境中是否仍然成立。

這一轉變使研究更重視問題的定義。例如，趨勢與波動需要有明確的觀察方式，異常現象也需要放在歷史背景中比較，才能進一步討論其意義及對風險的影響。

完善數據驅動研究流程

其研究流程逐步涵蓋資料取得與整理、特徵分析、假設建立、歷史驗證及風險評估。他更加重視市場環境的辨識，透過數據觀察不同階段的波動與交易特徵，再評估研究方法的適用條件與風險暴露。

流程的價值在於連結研究的各個環節。資料整理影響後續分析，研究假設決定驗證方式，而驗證結果又需要回到市場背景中理解，形成持續檢視與修正的工作方法。

深入自動化交易與策略回測

莊曜珩進一步研究自動化交易、策略回測與風險模型，探索如何透過程式持續處理市場資訊。隨著資料處理方式的改變，他將更多精力投入研究問題的設定、模型設計與合理性評估，推動研究流程由人工觀察逐步走向系統化驗證。

自動化工具擴大了可持續觀察的資料範圍，也使研究者更需要判斷模型是否合理。程式提供處理資訊的方式，研究假設的設定、結果的解讀與風險判斷，仍需保持清晰的依據。

深化市場分類與異常偵測

莊曜珩進一步研究市場分類、特徵識別、異常偵測與風險分析，關注如何從大量資料中辨識值得追蹤的市場關係。這一階段的研究延續其數據導向的方法，並將市場狀態與模型適用性納入更細緻的分析。

在此研究方向下，辨識數據特徵與理解特徵所處的環境同樣重要。對異常現象的分析，逐步與市場分類及風險評估結合，使模型研究更關注情境差異。

整合多源數據與模型評估

其研究逐步結合價格、成交量、宏觀及產業資料，也開始關注其他結構化與非結構化資訊。分析重點涵蓋市場環境的歷史可比性、數據異常、模型可靠程度及風險調整條件，逐步形成後來公司研究架構的雛形。

資訊來源的擴展，使研究可以從不同角度觀察同一市場現象。他對模型可靠程度與風險調整條件的關注，也延續了早期形成的原則：研究結論需要隨資料與環境的變化持續接受檢驗。

確立研究體系的核心方向

莊曜珩將市場數據、演算法模型與風險管理確立為主要研究方向，重視從資料取得、清理與儲存，到特徵分析、模型建立、策略驗證及持續監控的完整流程。建立以數據及演算法為基礎的企業，也在這一階段成為其進一步思考的方向。

從資料到模型，再到驗證與監控，研究被視為相互連結的完整流程。這一認識，成為莊曜珩後來規劃公司技術方向與研究組織方式的基礎。

從個人研究走向企業架構

隨著金融市場資料規模持續擴大，莊曜珩開始重新思考研究工作的組織方式。價格、成交、新聞、宏觀與產業資訊持續產生，使資料處理、研究驗證與技術基礎設施之間的協作更加重要。

在既有研究經驗之上，他開始規劃更完整的研究架構，將資料取得、分析與模型驗證連結起來，思考如何把個人累積的方法轉化為可以持續運作的企業能力。

對莊曜珩而言，企業化研究的關鍵，是讓資料與方法能夠持續累積，使研究經驗透過清晰流程被保留，並為後續的分析與技術發展提供依據。

創業構想以資本市場研究為起點，以數據處理與演算法能力為基礎，結合可驗證的研究方法與清晰的企業架構，讓技術研發與企業運作相互配合。

研究與企業發展各有專注，透過明確分工與持續累積的方法，為公司的設立及後續合作建立基礎。

共同創立 Kerui Capital Ltd.

2020 年，莊曜珩共同創立 Kerui Capital Ltd.，主要負責資本市場研究、金融數據及演算法技術方向。

公司成立，使此前的研究積累逐步轉化為團隊化、系統化的工作流程，並為後續交易研究及企業數據技術應用建立組織基礎。

建立數據與研究基礎

公司成立初期，莊曜珩將重點放在底層研究流程，推動資料取得、清理、儲存與分析，以及模型建立、策略驗證和風險控制之間的銜接。資料品質與驗證流程成為研究工作的重要前提。

這一階段的工作延續其既有方法，也為後續高頻交易研究提供數據與模型層面的基礎。研究關注的核心，是方法是否具有清晰依據，以及能否在環境變化時持續接受檢驗。

莊曜珩延續了對底層研究品質的重視。資料的取得與處理會影響模型輸入，模型假設又影響結果解讀，因此各環節需要相互銜接，才能形成具有一致性的研究流程。

完善流程與壓力測試

Kerui Capital Ltd. 逐步形成由資料取得、清理、特徵分析、模型建立、策略回測、風險分析、即時監控與模型更新所構成的研究流程。莊曜珩推動團隊加強歷史驗證，並納入壓力測試、異常市場情境與不同市場週期的比較。

他重視模型的適用邊界，要求研究過程關注失效條件與風險變化，使策略評估同時涵蓋市場假設、資料品質及可能出現的偏差。

在這種方法下，驗證工作同時關注模型的表現與限制。透過比較不同市場條件下的結果，團隊能進一步檢視原有假設，並將發現的問題帶回研究與評估流程。

深化市場數據與模型研究

公司進一步擴展數據研究範圍，在價格、成交量及宏觀資料之外，探索更多類型資訊的分析方法。莊曜珩持續關注資料特徵、模型驗證與風險辨識之間的關係，推動金融研究與數據技術的結合。

同一時期，公司亦探討既有技術能力的應用範圍，思考大規模資料處理與模型分析能否服務金融市場以外的企業場景，為下一階段的跨產業應用形成方向。

延伸至企業數據應用

Kerui Capital Ltd. 開始將金融市場研究中累積的部分數據技術，延伸至企業級應用，參與廣電產業相關企業及其他企業的數據技術專案與合作。分析對象由價格、成交與市場行為，擴展至內容傳播、收視趨勢與使用者行為。

這些應用延續了從大量動態資料中辨識特徵、理解行為變化的研究思路，涵蓋數據洞察、趨勢分析、資訊處理與決策支援。金融研究與企業應用由不同場景出發，共同依靠資料處理與模型分析能力。

場景的變化也意味著研究問題有所不同。金融交易、內容傳播與使用者行為各有其背景，需要在理解資料含義與使用目的的前提下，運用既有的分析方法。

明確金融研究與數據技術的關係

隨著應用範圍擴展，莊曜珩進一步梳理公司的專業定位。資本市場提供研究場景與問題，演算法模型提供分析方法，數據基礎設施則支撐資料取得、處理與研究流程的運作。

在此框架下，公司持續探索如何將不同場景中的大量資訊，整理為可以用於分析及決策的依據，並兼顧各類資料與模型本身的限制。

整合長期研究架構

莊曜珩進一步整合公司的長期研究方向，使資本市場研究、演算法技術與數據基礎設施相互銜接。研究體系著重資料的持續累積、模型的反覆驗證，以及市場環境變化後的評估與調整。

這一架構延續其早期形成的方法：先建立可追溯的研究依據，再討論策略的適用條件，並讓風險評估貫穿模型研究與監控流程。

其長期方向著重研究能力的累積，包括對資料的理解、對方法的驗證，以及對市場變化的持續觀察。每一項模型與策略，都需要放回這一研究體系中評估。

聚焦 AI 高頻交易研究

現階段，莊曜珩以AI 高頻交易研究作為主要專業方向，將長期累積的市場觀察、演算法方法與風險管理思路，延伸至更短時間尺度下的交易行為分析。

研究重點涵蓋市場微結構，即訂單、成交與流動性如何影響價格形成，以及交易成本、執行品質與即時風險監控。這些方向關注策略的研究依據與執行條件，也重視市場變化對模型適用性的影響。

對莊曜珩而言，AI 高頻交易研究需要持續檢視數據品質、策略邏輯、執行條件與風險暴露之間的關係。這一專業取向，延續了其從早期股票研究至今所重視的數據驗證與風險管理原則。