臺灣博碩士論文加值系統

隨著資訊的便利，網路的發達，投資人資訊取得更為快速，過去常經由報紙、新聞、投顧，甚至是小道消息進行操作的時代已經過去了，相較於過去，現在投資人擁有更多的資訊，能夠理解數據、判斷數據並且利用數據已經是新的趨勢，而投資人都期望著能夠預測未來走勢，但市場變化多端，任何一個事件都將產生變化，因此投資人大多都無功而返，而投資人了解了指數預測的困難度，而進而試圖利用市場消息在市場上低買高賣，但在網路普及的現今，消息都輾轉他人之手，無法透過消息獲利，而投資人需要利用龐大的數據進行判斷，但如何使龐大的數據幫助投資人做判斷將是一大難題。
模糊決策樹(Fuzzy Decision Tree)是結合模糊理論和決策樹的新演算法，而在近年陸續被廣泛使用，以少數資料便能產生規則進行判斷，對於股市的瞬息萬變，模糊決策樹能只需要少許資料變能做判斷，透過不斷的修正，進而達成預測準確的目的，本研究使用模糊決策樹來預測未來指數走勢發現預測點數方面誤差甚大，預測漲跌情形也不甚理想只有57.4%的準確率，但經過筆者改變原本變數，並設計為新的模型，模型預測準確率高達93.44%，其中的判斷規則由過去走勢所產生，所形成的規則庫幫助投資人做出投資決策，進而能適時且靈活的改變交易策略。

In the past, investors with limited information to make investment decisions, but with Internet facilities and information made easily, the original investment decision is no longer available. So investors must use a lot of information to make investment decisions. However, with all the news on the market affect investment decisions, investors tend to be influenced by messages and make transactions, often resulting in a loss, investors therefore disappear from the market. Today, the use of large amounts of data analysis has become a trend, but in the course of the analysis still has many problems.

Fuzzy decision tree is a combination of fuzzy theory and decision tree. It has been widely used in recent years. Fuzzy decision tree can be generated from a small amount of data in the rules. Apply to the rapid changes in the stock market can correct the error quickly, and reached the purpose of accurate prediction.

In this study, the fuzzy decision tree to predict the future movement of the Index found that the prediction error is very large number of points. Change the situation forecast only 57.4%. In the present, in this study, the author changed the original variables, and designed for the new model.

Prediction accuracy of the model is 93.44%. The trends are from the previous judgments rule, we expected to help investors make correct investment decisions and able to make right trading strategies immediately.

目錄…………………………………………………………………………VI
圖目錄………………………………………………………………….……..VII
第一章 緒論.........................................................................................................1
第一節 研究動機........................................................................................ 2
第二節 研究目的........................................................................................ 3
第三節 研究流程........................................................................................ 5
第二章 文獻探討.................................................................................................7
第一節 預測股價指數或股價之相關研究.................................................7
第二節 預測變數探討.............................................................................. 11
第三章 研究方法...............................................................................................13
第一節 模糊理論.......................................................................................13
第二節 模糊聚類分析...............................................................................20
第三節 模糊決策樹...................................................................................26
第四節 指數預測模型設計……………………………………………...30
第四章 實證結果...............................................................................................32
第一節 變數選取.......................................................................................32
第二節 模型預測結果及分析...................................................................40
第三節 漲跌方向預測模型設定...............................................................42
第四節 漲跌方向預測模型預測結果與分析...........................................47
第五節 分類矩陣績效評估.......................................................................48
第六節 模型延伸及績效評量...................................................................51
第五章 結論.......................................................................................................54
參考文獻.............................................................................................................57
中文文獻.....................................................................................................57
英文文獻.....................................................................................................60
 
表目錄
表3-1 實證模型之設計..................................................................................... 30
表4-1 RMSE和MAE預測結果........................................................................39
表4-2 模型預測誤差值與準確率......................................................................42
表4-3 新模型預測誤差值與準確率..................................................................47
表4-4 混淆矩陣分類表......................................................................................48
表4-5 Model-H混淆矩陣.................................................................................49
表4-6 Model-I混淆矩陣...................................................................................49
表4-7 Model-J混淆矩陣..................................................................................50
表4-8 模型延伸類別結果................................................................................51
表4-9 模型延伸差點預測結果........................................................................53

 
圖目錄
圖1-1 研究架構流程圖........................................................................................6
圖3-1 以集合表現的方式..................................................................................14
圖3-2 四種常用得隸屬函數..............................................................................18
圖3-3 Regular聚類分析圖...............................................................................21
圖3-4 K-means聚類分析步驟1.......................................................................23
圖3-5 K-means聚類分析步驟2.......................................................................22
圖3-6 K-means聚類分析步驟3.......................................................................24
圖3-7 K-means聚類分析步驟4.......................................................................24
圖3-8 利用K-means隸屬函數分割模式空間...................................................26
圖3-9 決策樹範例..............................................................................................27
圖3-10 模糊決策樹建立過程圖........................................................................29

一、中文文獻
1.林美鳳、梁嘉紋、金成隆(2010)。公司股權結構與外資持股關係之研究。中山管理評論。18(1)。101-142。
2.丁誌魰、曾富敏(2005)。以向量自我迴歸模式探討臺灣股價、成交量、融資融券與法人進出之關聯性。真理財經學報。13，43-74。
3.陳筱琪、徐作聖、曾國雄(2005)。可能性灰色預測及模糊回歸於台灣股市加權指數之預測分析。資訊管理學報。12(1)。195-213。
4.王健安(2001)。年度競賽觀點下共同基金經理人風險調整行為之研究，風險管理學報。3(2)。47-83。
5.李春安、賴藝文(2005)。股市劇烈變動區間台灣股票市場與本國機構投資人從眾行為之研究。台灣管理學刊。5(2)。231-268。
6.王建聰、闕河士(2006)。股價波動性、融券賣空限制與定價績效-SGX-DT摩根台股與TAIFE台股指數期貨之實證。 交大管理學報。26(2)。91-122。
7.余尚武、吳嘉欽(2000)。股價指數期貨對股票市場波動性的影響。企業管理學報。47。135-160。
8.余尚武、黃雅蘭(2003)。台灣股價指數期貨套利之研究：類神經網路與灰色理論之應用。電子商務學報。5(2)。87-115。
9.樓禎祺、何培基(2003)。股價移動平均線之理論與實證-以台灣股市模擬投資操作為例。5、6合刊。27-52。
10.薛舜仁(2004) 。專業外資(QFII)買賣超與我國股市、期貨市場的關聯性研究。正修學報。17。189-208。
11.蕭朝興、黃聖棠、黃聖志(2008)。臺灣股市外資之投資行為。商管科技季刊。9(4)。547-573。
12.許溪南、徐守德、郭玟秀、鄭麗慧(2007)。外資介入對台股指數與指數期貨正逆價差之影響。經濟研究。43(1)。65-91。
13.劉定焜、施能仁(1998)。台灣股價指數期貨之避險操作-灰色滾動模式預測。灰色系統學刊。1(2)。101-121。
14.周宗南、王惠娟(2007)。應用灰色預測與演化式類神經網路建構台灣加權股價指數之預測模式。朝陽學報。12。89-106。
15.胡宜中、陳筱琪、徐作聖、曾國雄 (2005)。可能性灰色預測及模糊迴歸於台灣股市加權指數之預測與分析。資訊管理學報。12(1)。195-213。
16.陳淑玲、吳安琪、費業勳(2011)。臺灣股票市場技術指標之研究─不同頻率資料績效比較。東海管理評論特刊。12(1)。187-226。
17.莊家彰、管中閔(2005)。台灣與美國股市價量關係的分量迴歸分析。經濟論文 。33(4)。379-404。
18.薛舜仁(2004)。專業外資(QFII)買賣超與我國股市、期貨市場的關聯性研究。正修學報。17。189-208。
19.張育維(2013)。改良式類神經網路預測模式於股價預測之研究。北商學報。23。1-18。
20.陳若暉、鄭誌逸、高啟勛(2013)。大中華貨幣單一化與經濟指標之探討－以模糊類神經和ARIMAX-GARCH模型之應用。中原企管評論。11(2)。29-53。
21.李俊賢、江泰緯(2013)。混合複數類神經模糊與自動回歸差分平均移動方法之智慧型時間序列預測模型。電子商務學報。15(1)。137-158。
22.趙李英記(2015)。灰色系統、模糊粗燥集合理論、濾網形成權變法運用於投資中國策略之選擇權複製評估。多國籍企業管理評論。9(1)。1-26。
23.蔡瑞煌、邱奕德、劉曦敏(1996)。應用理解神經網路系統于臺灣股價指數之分析及預測。中興經濟學系。34(2)。171-200。
24.李允中、王小璠、蘇木春（2011）。模糊理論及其應用（第三版）。新北市：全華書局。
25.孫宗瀛、楊英魁（2005）。Fuzzy控制:理論、實作與應用（第二版）。台北：全華書局。
26.阮亨中、吳柏林(2000）。模糊數學與統計應用（初版）。台北：俊傑書局。
27.馮國臣（2007）。模糊理論:基礎與應用（初版）。新北市中和：新文京開發。
二、英文文獻
1.Bekkar, M. & Djemaa, H.K.(2013) .Evaluation measures for models assessment over imbalanced data sets. Journal of Information Engineering and Applications.3(10).27-39.
2.Enke , D. & Mehdiyev , N.(2013). Stock market prediction using a combination, Intelligent automation & Soft computing of stepwise regression analysis, Differential evolution-based fuzzy clustering, and a fuzzy inference neural network. Intelligent Automation & Soft Computing. 19(4). 636-648.
3.Freund ,S. & Webb ,G. P. (1999).Recent growth in NASDAQ trading volume and ITS relation to market volatility . The Journal of Financial Research. 22(4). 489-501.
4.Fama, E. F.(1965). The behavior of stock market prices. Journal of Business. 38(1). 34-105.
5.Fernandez , A & Jesus , M.J. & Herrera , F.(2008). Hierarchical fuzzy rule based classification systems with genetic rule selection for imbalanced data-sets. International Journal of Approximate Reasoning. 50(3).561–577.
6.Guillaume , J. & Charnomordic , B.(2004). Generating an interpretable family of fuzzy partitions from data. IEEE Transactions on Fuzzy Systems.12(3). 324 – 335.
7.Hu , W.S. & Chan , Y.H. (1998).An empirical study of the impact of stock index futures on the spot stock price volatility of the Nikkei 225 Index and S&P 500 index. Chung Yuan Journal.26(4).21 – 33.
8.Hamed , I. M. & Hussein ,A. S. & Tolba , M. F. (2012).An intelligent model for stock market prediction. International Journal of Computational Intelligence Systems. 5(4). 639-652.
9.Jarrett , J. E. & Schilling, J (2008).Daily variation and predicting stock market returns for the frankfurter borse (stock market).Journal of Business Economics and Management.9(3).189-198
10.Kbir, M.A. & Benkirane, H. & Maalmi, K. & Benslimane, R.(2000). Hierarchical fuzzy partition for pattern classification with fuzzy if-then rules. Pattern Recognition Letters. 21. 503-509.
11.Quinlan, J.R.(1986). Induction of decision trees.Machine Learning. 1. 81–106.
12.Weber, R. (1992).Fuzzy-id3 a class of methods for automatic knowledge acquisition. 2nd International Conference on Fuzzy Logic and Neural Networks.265–268.
13.Tsao, C.T. (2013). Evaluating investment values of commercial bank stocks using a fuzzy TOPSIS approach. Journal of Information and Optimization Sciences. 24(2).373-396
14.Umano, M. & Okamoto, H. & Hatono, I. & Tamura, H. & Kawachi, F. & Umedzu, S. & Kinoshita, J. (1994). Fuzzy decision trees by fuzzy ID3 algorithm and its application to diagnosis systems. Proceedings of the Third IEEE Conference.(3).2113–2118.
15.Yuan, Y. and Shaw, M.(1995). Induction of fuzzy decision tree.Fuzzy Sets and Systems.69.125–139.
16.Zadeh , L. A. (1965). Fuzzy sets. Information and Control. 8. 338-353.