跳到主要內容

用 Antigravity CLI 開發一個監控台積電台股與美股的儀表板

 前言:

偶然在 Youtube 上看到一個即時監控台積電(TSMC)的頻道, 我立刻截圖, 如下圖:


想利用 Antigravity CLI 做一個類似的功能, 因此把這張截圖請 agy cli 幫忙完成, 果然不到幾分鐘就完成了。

後來, 我又加了幾個功能:

1. 新增了一個 Competitor Pulse 區塊, 加入美股的 Intel 與韓股的 Samsung.

2. 新增了美股或台股交易期間, 每三分鐘更新即時行情(agy cli 自動幫我在非交易期間, 每五分鐘更新一次。)

3. 原本只有顯示台股與美股交易時間的區塊, 我請 agy cli 幫我放台股的大盤指數與櫃買指數, 與美股的紐約證券指數, Nasdaq 指數及費城半導體指數。

結果如下圖:


整個過程花了不到三小時就完成了, Vibe coding 實在太厲害了。

我也請 agy cli 根據這次的開發幫我寫一個針對有 python 程式設計者寫一個 Blog, 結果如下:

# 🚀 從零打造「台積電 ADR 跨國套利監控儀表板」:Python 實戰與大盤指數 API 踩坑記

大家好!身為一個關注台股與美股的投資人/開發者,你是否曾想過即時監控**台積電(2330.TW)**與其在美股發行的 **TSMC ADR(TSM)** 之間的折溢價(跨國套利空間)?

今天這篇文章將帶領大家使用 Python,從零開始打造一個**極具科技感、支援交易時間與非交易時間雙模式更新、並整合美台關鍵大盤指數**的網頁儀表板。

這篇文章特別適合**具備基本 Python 開發經驗**,想嘗試金融 API 串接、自動化背景排程,或是對前端 CSS 排版感興趣的朋友!

---

## 💡 為什麼要監控 TSMC ADR 折溢價?

台積電(2330)普通股在台灣上市,而 TSM ADR 則在美國紐約證交所(NYSE)交易。兩者有著 **1 單位 ADR = 5 股普通股** 的固定換算比例。
由於兩地交易時間不同,加上匯率波動,美股 ADR 的價格換算回台幣後,往往與台股有著數個百分點的「折溢價差」(通常 ADR 會有溢價)。這個價差往往是隔天台股開盤時的重要指標!

我們的公式非常簡單:
1. **ADR 折算台幣價** = $\frac{\text{ADR 收盤價 (USD)} \times \text{匯率}}{5}$
2. **折溢價 %** = $\frac{\text{ADR 折算台幣價} - \text{台股收盤價}}{\text{台股收盤價}} \times 100\%$

---

## 🛠️ 技術挑戰與架構設計

我們希望這個監控系統不只是「跑一次就結束」的腳本,而是一個**可以 24 小時不間斷運行、自動偵測開收盤時間、並定時更新網頁**的常駐服務。

我們設計了以下三個主要機制:
1. **時區與開盤狀態自動偵測**:自動判定台北時間與紐約時間是否處於交易時段。
2. **雙模式定時更新(Dual-Mode Daemon)**
* **開盤期間**:每 3 分鐘請求一次 API,抓取最新報價,並更新網頁。
* **收盤期間**:每 5 分鐘執行一次,**但不調用 yfinance API**(避免被 Yahoo 限流),而是讀取本地快取 JSON 數據,僅**更新網頁右上角的「編譯時間」**,呈現系統依然在運作。
3. **大盤指數與自製 API 串接**:除了個股,我們還需要台股加權指數、美國 Nasdaq、費半、NYSE 指數,以及台灣的**櫃買指數 (TPEx)**

---

## 💣 踩坑實錄:櫃買指數 (TPEx) 去哪了?

在開發過程中,我們遇到了一個巨大的坑:**Yahoo Finance (`yfinance`) 對於台灣櫃買指數(代碼 `^TWOII`)的支援極度不穩定**,常常回傳空值或找不到代碼。

### 解決方案:直連櫃買中心官方 OpenAPI
既然第三方庫不給力,我們就直接找官方!我們查到了台灣櫃買中心提供的免費 OpenAPI:
* **端點**`https://www.tpex.org.tw/openapi/v1/tpex_index`

然而,直接用 Python `requests` 呼叫時會遇到 SSL 憑證錯誤(`SSLCertVerificationError`)。這是因為政府單位的 SSL 憑證鏈可能缺少了部分根憑證。

我們可以用以下代碼,安全地跳過憑證驗證來解決這個問題:

```python
import requests
import urllib3

def get_tpex_index():
try:
# 停用不安全請求警告,避免 Console 輸出大量 Warning
urllib3.disable_warnings(urllib3.exceptions.InsecureRequestWarning)
# verify=False 跳過 SSL 驗證,timeout 防止程式卡死
r = requests.get('https://www.tpex.org.tw/openapi/v1/tpex_index', verify=False, timeout=5)
data = r.json()
if data:
latest = data[-1] # 取得最新的一筆資料
close = float(latest["Close"])
change = float(latest["Change"])
prev_close = close - change
pct = (change / prev_close) * 100.0 if prev_close > 0 else 0.0
return close, pct
except Exception as e:
print(f"Warning fetching TPEx index: {e}")
return 0.0, 0.0
```

這段代碼成功幫助我們繞過了 Yahoo Finance 的缺失,直接獲取精準的櫃買指數與漲跌幅!

---

## ⚙️ 雙模式後台 Daemon 實作

為了讓背景服務更聰明地運行,我們在 `main` 函數中實作了時間檢測與快取切換邏輯:

```python
import time
import sys
from datetime import datetime
from zoneinfo import ZoneInfo

def check_tw_market_status(dt):
# 台灣開盤時間為週一至週五 09:00 - 13:30
if dt.weekday() < 5 and 9 * 60 <= dt.hour * 60 + dt.minute <= 13 * 60 + 30:
return "OPEN"
return "CLOSED"

def main():
if "--loop" in sys.argv:
print("常駐模式啟動中...")
while True:
dt_tw = datetime.now(ZoneInfo("Asia/Taipei"))
dt_ny = datetime.now(ZoneInfo("America/New_York"))
tw_status = check_tw_market_status(dt_tw)
us_status = check_us_market_status(dt_ny) # 同理判定美股
if tw_status == "OPEN" or us_status == "OPEN":
# 開盤時間:爬取 API 並更新快取
run_once(use_cache=False)
time.sleep(180) # 3 分鐘更新一次
else:
# 收盤時間:讀取快取僅更新網頁時間戳
run_once(use_cache=True)
time.sleep(300) # 5 分鐘重繪一次
```

這樣的設計保證了網頁能隨時反映監控服務的活躍狀態,又極具效率。

---

## 🎨 儀表板排版美學(CSS 亮點)

對於自動生成的網頁,我們採用了極具質感的**深藍科技風(Dark Mode)**。特別是中間下方的市場指數顯示區,我們使用了精準的 CSS 佈局:

```css
.market-status-card {
background-color: #0b1120;
border: 1px solid #1e293b;
border-radius: 12px;
padding: 15px 20px;
}

.market-indices {
display: flex;
flex-direction: column;
gap: 6px;
margin-top: 8px;
padding-left: 45px; /* 與國家標籤對齊,騰出左側空間 */
border-bottom: 1px dashed #1e293b; /* 虛線分隔 */
padding-bottom: 10px;
}

.index-item {
display: flex;
justify-content: space-between;
align-items: center;
font-size: 11px;
}

.index-value {
color: #f8fafc;
font-family: monospace; /* 數字使用等寬字型,避免跳動 */
font-weight: 700;
margin-left: auto;
margin-right: 15px;
}
```

這段樣式讓數值以 monospace 字型呈現,且將漲跌幅固定寬度靠右對齊,解決了常見網頁數據對不齊、數字寬度不同導致排版凌亂的問題。

---

## 📈 運行效果與總結

當你啟動此監控服務時:
* 終端機(Terminal)會漂亮地列出目前的換算價格與大盤狀態。
* 自動輸出的 HTML 網頁不僅能透過手機或電腦流暢瀏覽,更內含動態套利指針(SVG Gauge)、半導體供應鏈板塊(NVDA, AAPL 等),以及最新大盤表現。

在金融開發的路上,**「合理運用快取降低 API 消耗」**與**「直連官方 API 解決第三方庫失效」**是開發者必備的硬實力。希望這篇實戰筆記能對你有所啟發,歡迎動手自己玩玩看!

*有任何想法或問題,歡迎在下方留言討論!*

留言

這個網誌中的熱門文章

用 NotebookLM AI 打造 Pikmin 蘑菇重生計算機

有玩《Pikmin Bloom》的玩家都知道,遊戲中的大蘑菇(例如「一般 神秘蘑菇」或「一般 紅色蘑菇」)被推毀後需要一段時間才會重生 。為了精準掌握下一次搶菇的時機,我決定透過 NotebookLM 的協助, 動手寫一個小工具:只要上傳包含挑戰剩餘時間(如「剩下20 分 47 秒」或「剩下1 小時 1 分 58 秒」)的遊戲截圖 ,系統就能自動推算出精確到秒的重生時間。 一開始我只上傳了一張 Pikmin 打菇的截圖, AI 就根據我的要求自動根據左上角的系統時間與圖中剩餘時間等資訊, 告訴我要安裝相關 OCR 套件, 並開發出第一個版本的程式, 這個程式已經大致完成了我的需求, 但離實用還有一小段距離, 所以在持續改進的開發過程中,我遇到了幾個有趣且經典的技術挑戰(對於這些影線處理, OCR, 圖片 EXIF info 等知識, 我是沒有太多的經驗, 但在 AI 一步一步的引導下完成了我的需求),在此與大家分享:  一、 影像預處理:拯救低迷的 OCR 辨識率 一開始,我直接將遊戲截圖丟給 Tesseract OCR 引擎,但辨識結果慘不忍睹。原因是遊戲畫面背景太過複雜(充滿草地、花朵與蘑菇發光特效) ,且文字是白色的。 為了解決這個問題,AI 引入了 OpenCV 進行影像預處理。先將圖片精準裁切,只保留左下角的血條與時間區域,接著轉為灰階並放大兩倍,最後使用二值化(經過測試閾值 200 得到不錯的效果)並反轉顏色。這個步驟成功將複雜的畫面轉換成 Tesseract 最容易辨識的「白底黑字」,大幅提升了準確率, 但在做更多的不同截圖的測試, 閾值 200 並不能成功轉換成 OCR 能辨識的黑白圖, 因此我請 AI 調整成以 200 為基礎, 如果辨識失敗, 在調整成 210, 190, 220, 180 如果都失敗才判定無法辨識(下圖是調整後的圖形)。  二、 對抗 OCR 的奇妙誤判與高容錯 Regex 解決了影像問題,接著是文字解析。遊戲字體中的無襯線數字「1」非常容易被誤判為英文字母 l、I、直線 |,甚至在辨識「1 小時」時被讀成 ]小時 。 為此,我設計了一套高容錯率的正規表達式 (Regex):(?:([0-9lIi|\]\[]+)\s*小?\s*時\s*)?(?:([0-9lIi|\]\[]+)\s*分\s*)?([0-9lIi...

用 Antigravity CLI 將截圖中的表格轉換成可編輯的 xlsx

下午參加了一個證券公司辦的線上講座, 用我很熟悉的 Webex, 主題是: "AI算力引路、應用爆發台股5萬點財富超前部署!", 講座內容很豐富, 講者也分享了幾個券商研究部門的分析資料, 如下圖: 我看了想之後再研究分析一下, 當下立刻截圖, 想說之後再手動鍵入 google sheets (是的我沒花錢買 Microsoft Excel), 後續講者又分享的好幾個不同的表格, 我也儘可能的都截圖下來。 會議結束後, 看到好多個截圖, 裡面有密密麻麻的資料, 突然想到如果用 AI 來幫我轉成可編輯的 google sheets 應該會很快完成, 順便也試試 AI 的圖形辨識能力。 因此我就用了 Antigravity CLI 下了一句 prompt: " 請幫我把此目錄下的 PNG 檔案內容的表格轉換成 google sheets 的格式, 每個 PNG 產生一個對應的 google sheets. " 果然在一連串的 yes confirm 後, 就幫我都轉好了, 同時他還幫我寫好了一支程式。 Antigravity 不是去呼叫 Gemini api 幫我把一個一個的截圖(PNG格式)轉成 google sheets 的檔案, 而是幫我寫的一支程式, 並且幫我把他們輸出成為 xlsx 與 csv 格式。 比較特別的是我原本以為這支程式是先用 OCR library 去辨識我給的截圖, 但我去看了程式, 原來他已經將辨識後的文字直接放在程式中的陣列中, 然後用 library 轉成我要的格式, 所以有可能是圖形辨識的部分, 還是用雲端的 Gemini, 得到的資料才用地端的程式輸出成我要的格式。 輸出的效果非常的不錯, 我簡單的比對一下, 內容都正確, 以下是輸出的結果: 全覽圖轉換的效果也很不錯: 下次你如果也有大量的會議截圖, 你也可以利用 AI 來幫你轉成你方便處理的格式, 沒有一定要用 Antigravity CLI, OpenAI, Anthorpic 也都有類似的工具可以幫你完成。