股票交易為一個國家最重要的資本市場之一，而股價更是反應了企業之價值，因此股票交易市場之榮枯不僅影響了企業之籌資管道，也會對經濟發展造成影響。隨著世界各國經濟的起伏以及政治的演變，如何掌握住股票交易市場無規則波動般的漲跌之需求，達到準確的預測，降低未來投資風險，是值得深度去探討之研究問題。由於人工智慧可以依照市場環境的變化，藉由資訊科技的協助，不斷調整模型各樣變數與係數，並以電腦找尋出最適當的解答，可大幅減少運算及處理時間，並幫助使用者快速參考資訊，進而做出適當決策，因此人工智慧可說是現今研究證券市場預測之主流。本研究嘗試結合案例式推理（Case-Base Reasoning）之分群權重法與支持向量機(SVM; Support Vector Machine)分類方法作為主要研究工具，期望藉由此一學習性的工具，準確預測出股票之趨勢性，提供買家較為有利的資訊平台，並使資訊更進一步透明化，降低未來投資風險，讓買家可以明確掌握住市場走向，獲得應得的利潤。而本研究主要分為三個階段，第一階段為資料前處理的部份，透過逐步迴歸篩選因子，找出影響股價之重要因子；第二階段將透過案例式推理方式，找出各重要因子之權重值後，求得案例之相似矩陣後，再進行資料的分群，以增加分類之準確性；最後階段將結合支持向量機分類法，分別對不同的群組之案例資料，進行分類模式之建立。經實驗結果顯示本研究所發展的CBRSVM方法，相較其它方法不僅能提昇預測股價波動的準確率，亦能提供給投資者作為股價買賣點決策之參考。

Stock trading is one of most important capital markets. The corresponding stock price reflects the value of enterprises. Therefore, the prosperity of stock trading market not only influences the money recruitment not only affects the economic development. Following the rapid economic growth and political changes, mastering the stock market fluctuation forecasting becomes a valuable topics, which deserves we conduct such a research. This forecasting model integrates a data clustering technique with Case Based Reasoning (CBR) weighted clustering and classification with Support Vector Machine (SVM) to construct a decision-making system based on historical data and technical indexes. First, a step-wise regression (SRA) method is applied to select the most important factors from the set of inputs. Next, a case base reasoning weighted clustering method is adopted to divide the case base into a smaller case. Within each case, a more homogeneous data are grouped into together. Therefore, these data can be more effectively react to the current stock price movement. Finally, the support vector machine derives the best decision from each case. Through a series of experimental tests, the CBRSVM outperforms other forecasting methods. It is the highest among the literature published up to present. The Hit-ratio (buy or sell) of the future stock price movement can be applied to help investors to make better decision in trading stocks.

摘要 I
Abstract II
誌謝 III
目錄 IV
表目錄 VIII
圖目錄 IX
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 3
1.3 研究方法 4
1.4 研究架構與流程 4
第二章 文獻探討 7
2.1 股價分析方法 7
2.1.1基本分析法（Fundamental Analysis） 8
2.1.2 技術分析法（Technical Analysis） 9
2.1.3技術分析於股價預測之研究 10
2.2 案例式推理 11
2.2.1 案例式推理的運作流程 12
2.2.2 案例式推理的優缺點 13
2.2.3 案例式推理之相關文獻 14
2.3 支持向量機分類法 15
2.3.1 支持向量機之概念 15
2.3.2 支持向量機之相關文獻 21
2.4 傳統分類法簡介 21
2.4.1 K最鄰近分類法簡介 22
2.4.2 貝氏學習分類法簡介 23
第三章 問題定義與描述 25
3.1 研究資料說明 25
3.2 研究變數說明 26
3.2.1 技術指標 26
3.2.2 其他指標 31
3.3 輸出值之判斷 32
3.4 預測準確率之績效評估 32
3.5 投資獲利之評估 33
第四章 研究方法 34
4.1 逐步迴歸因子篩選 36
4.2 案例式推理 36
4.3 支持向量機分類法之預測模式 38
4.3 CBRSVM範例 41
第五章 實驗結果與分析 46
5.1逐步迴歸篩選因子 46
5.2 案例式推理之重要因子設定 50
5.3 CBRSVM與傳統分類法比較 51
5.3.1 Google 51
5.3.2 IBM 53
5.3.3 GM 55
5.3.4 S&P500 57
5.3.5 結語 59
第六章 結論與建議 64
6.1 研究結論 64
6.2 後續研究與建議 65
參考文獻 67
附錄A 案例式推理 71
A. 1 權重距離矩陣 71
A. 2 相似矩陣 72
A. 3相似矩陣 73
A. 4 根據第一階段最後權重值求得的結果，以及公式4.1及公式4.2，令 74
A. 5 75
A. 6 重覆運算，直到 ，或完成重覆執行限定的次數為止。 76
A. 7 分群數之決定 77
附錄B 逐步迴歸技術分析 78
B.1 Model Summary變數代碼表 78
B.2 Model Summary-Google 79
B.3 Model Summary-IBM 80
B.4 Model Summary-GM 81
B.5 Model Summary-S&P500 82
附錄C 24全因子實驗設計 83
C.1 Google實驗設計結果 83
C.2 IBM實驗設計結果 84
C.3 GM實驗設計結果 85
C.4 S&P500實驗設計結果 86

1. Aamodt, A. and Plaza, E., “Case-Based Reasoning: Foundational Issue Methodological Variations and System”, Artificial Intelligence Communications, vol. 7, 1, pp.39-59, 1994.
2. Allen, B. P., “Case-based reasoning: business applications”, Communications of the ACM, vol. 37, pp.40–42, 1994.
3. Brieman, L., Friedman, J.H., Olshen, R.A., and Stone, C.J., “Wadsworth & Brooks”, Monterrey CA, 1984.
4. Cao, G., Shiu, S. C. K., and Wang, X., “A fuzzy-rough approach for the maintenance of distributed case-based reasoning systems”, Soft Computing, vol. 7, pp.491-499, 2003.
5. Chi, S. C., Chen, H. P., and C. H. Cheng, “A Forecasting Approach for Stock Index Future Using Grey Theory and Neural Networks” , IEEE International Joint Conference on Neural Networks, pp. 3850-3855, 1999.
6. Edwards, R. D., and Magee, J., “Technical Analysis of Stock Trends”, 8th edition, Amacom, 2001.
7. Hunt, J., “Case based diagnosis and repair of software faults”, Expert Systems, vol. 14, pp.15-23, 1997.
8. Joachims, T., “Text categorization with support vector machines: learning with many relevant features”, European Conference on Machine Learning, Chemnitz, Germany, pp. 137-142, 1998.
9. Kass, G. V., “An Exploratory Technique for Investigating Large Quantities of Categorical Data”, Journal of the Royal Statistical Society, Vol. 29, pp.119-127, 1980.
10. Kim, K. I., Jung, K., Park, S. H. and Kim, H. J., “Support vector machines for texture classification”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, pp. 1542-1550, 2002.
11. Kim, K. J. and Han, I., “Genetic Algorithms Approach to Feature Discretization in Artificial Neural Networks for The Prediction of Stock Price Index” , Expert Systems with Applications, vol. 19, pp.125-132, 2000.
12. Lee, J. W., “Stock Price Prediction Using Reinforcement Learning”, IEEE International Joint Conference on Neural Networks, pp.690-695, 2001.
13. Yu, L., Wang, S., Lai, K. K., “Mining Stock Market Tendency Using GA-Based Support Vector Machines”, LNCS 3828, pp.336-345, 2005.
14. Osuna, E., Freund, R., and Girosi, F., “Training support vector machines: a application to face detection”, IEEE Computer Vision and Pattern Recognition, pp. 130-136, 1997.
15. Pal, S. K. and Shiu, S. C. K., “Foundations of Soft Case-Based Reasoning”, Wiley-Interscience, 2004.
16. Quinlan, J. R. “C 4.5: Programs for machine learning”, The Morgan Kaufmann Series in Machine Learning, San Mateo, CA: Morgan Kaufmann , 1993.
17. Quinlan, J. R., “Induction of decision trees”, Machine Learning, Vol. 1, pp.81-106, 1979.
18. Schank, R.C. “Dynamic Memory: Theory of Reminding and Learning in Computers and People”, Cambridge University Press, 1983.
19. Shiu, S. C. K., Sun, C. H., Wang, X. Z., and Yeung, D. S., “Maintaining Case-Based Reasoning Systems Using Fuzzy Decision Trees”, LNAI, vol. 1898, pp.285-296, 2000.
20. Shiu, S. C. K., Yeung, D. S., Sun, C. H., and Wang, X. Z., “Transferring Case Knowledge To Adaptation Knowledge: An Approach for Case-Base Maintenance”, Computational Intelligence, vol. 17, pp.295-314, 2001.
21. Smyth, B., “Constructing Competent Case Based Reasoners: Theories, Tools and Techniques”, IJCAI, 1999.
22. 丁一賢、陳牧言，「資料探勘」滄海書局，民國九十四年。
23. 王正群，「使用案例式推理之股市投資決策支援系統設計與實作」，國立高雄應用科技大學金融資訊研究所，民國九十四年。
24. 王景南，「多類支向機之研究」，元智大學資訊管理學系碩士班，民國九十二年。
25. 呂奇傑，「支持向量機於資料探勘中分類模式之應用」，產業管理創新研討會，民國九十四年。
26. 杜金龍，最新技術指標在台灣股市應用的訣竅，財信出版社，民國九十七年。
27. 林筱榮，「使用支持向量機進行文字偵測」，元智大學資訊工程學系，民國九十七年。
28. 金庸，看盤選股秘笈，先見出版公司，民國八十六年。
29. 陳南光，「依學生偏好及學習狀態建構學習輔助者與知識協尋系統」，國立中央大學資訊工程研究所碩士論文，2000。
30. 黃婷湘，「專家判斷法建立案例式推理系統與類神經網路預測架構於個股漲跌趨勢之研究」，元智大學，工業工程與管理所碩士論文，民國九十五年。
31. 楊國樺，「結合隱藏式馬可夫模型與簡單貝氏網路分類器應用於入侵偵測系統」，臺灣科技大學，資訊工程學研究所碩士論文，民國九十五年。
32. 楊翔珍，「建構分群技術與演化式模糊決策樹於股價趨勢之預測」，元智大學，工業工程研究所碩士論文，民國九十六年。
33. 詹金凌，「整合碼蟻理論與案例式推理於知識管理之應用」，國立台北科技大學生產系統工程與管理研究所碩士論文，民國九十一年。
34. 潘宛玲，「運用案例式推理與演化式模糊決策樹於股價趨勢之研究」，元智大學，工業工程研究所碩士論文，民國九十七年。
35. 廖海崴，「機率性類免疫分類演算法之設計及應用」，元智大學，工業工程研究所碩士論文，民國九十六年。
36. 廖廣義，「以類神經網路預測股價指數漲跌」，元智大學，工業工程研究所碩士論文，民國八十八年。
37. 蔡依玲，「台灣股票市場報酬率之研究」，國立成功大學，統計系碩士論文，民國八十九年。