臺灣博碩士論文加值系統

經濟過程不斷在熱絡與低迷中循環，而股市也在這之循環中不斷起伏，在台灣，股市的熱絡程度一直有增無減，不管以基本面、技術面、籌碼面來預測的投資者都大有人在，隨著科技的日新月異，投資人取得資訊的管道變得更多更容易。但對於這龐大的資料數據中如何篩選出有助於判斷股市預測的訊息在近幾年來成為一個值得探討的議題，因此希望藉由資料探勘能夠挖掘出有助於我們判斷股市預測的訊息。本研究將觀測期間區分為全部觀測期間、下跌期間、上漲期間、盤整期間並依照有無特徵萃取進行最近鄰近法、倒傳遞類神經、線性迴歸、支援向量機四種資料探勘技術以及灰預測來進行預測。實驗結果顯示，以預測月平均指數來看，以特徵萃取後的資料在盤整期間，以線性迴歸預測可得到較小平方絕對誤差177.693，以未特徵萃取的資料在上漲期間以支援向量機預測可得到較小相對絕對誤差 21.07%，及同樣於上漲期間由未特徵萃取的資料以倒傳遞類神經預測可得到較小相對平方根誤差 21.46%。灰預測部分，在預測月平均指數或預測月底指數時，盤整期間的平方絕對誤差與均方根誤差誤差皆較小，全部期間來預測時則以相對絕對誤差與相對平方根誤差較小，因此當股市處於盤整期間時，使用總體經濟變數來預測台灣股票加權指數較為適合。

Economy experiences boom-and-bust cycle, and stock prices, in the meantime, rise and decline in this business cycle. There has been steadily growing enthusiasm towards stock market trading in Taiwan. Investors can base their prediction of stock prices on the fundamental analysis, the technical analysis, or the central tendency of the stock holders; there is no shortage of followers of any of the above analyses. With the rapid development of technology, investors have more and easier access to information. However, how to select from such huge data useful information so as to decide and judge market prediction has recently become an issue worth exploring. Therefore, I hope to find out information useful for deciding and judging market prediction by using data mining techniques. This paper classifies the observation periods as follows: the whole observation period, the period of declining stock prices, the period of rising stock prices, and the correction period. Depending on the feature extraction, this paper also applies gray prediction, and applies four kinds of data mining techniques to predict, including the methods of nearest neighbor, back-propagation neural network, linear regression, and support vector machine. The results are as follows: to predict the monthly average index, using linear regression to analyze data with feature extraction during the correction period, we get a smaller squared absolute error of 177.693; using support vector machine to analyze data without feature extraction during the period of rising stock prices, we get a smaller relative absolute error of 21.07%; and using back-propagation neural network to analyze data without feature extraction during the period of rising stock prices, we get a smaller root mean squared error of 21.46%. As for grey prediction, whether predicting the monthly average index or month-end index, both the mean-absolute error and root mean squared error are smaller during the correction period, whereas the relative absolute error and root relative squared error are smaller in the whole observation period. In conclusion, during the correction period of stock market, using macroeconomic indicators to predict Taiwan’s weighted security index is more appropriate.

摘要 I
Abstract II
誌謝 III
目錄 IV
表目錄 VI
圖目錄 VII
第一章、緒論 1
第一節、研究背景 1
第二節、研究動機與目的 2
第三節、研究架構 3
第二章、相關理論與文獻回顧 6
第一節、總體經濟及景氣指標與股市相關文獻 6
第二節、資料探勘技術 9
第三節、灰色系統理論及相關文獻 12
第三章、研究方法與樣本資料 15
第一節、資料來源及變數 15
第二節、資料前處理及資料探勘 19
第三節、績效評估方法 29
第四章、實證結果 32
第一節、敘述性統計與觀測期間區分及特徵萃取 33
第二節、實證結果分析 37
第五章、結論與建議 46
第一節、結論 46
參考文獻 49








表目錄
表2-1 經建會景氣重要指標及構成項目 8
表4-1 全樣本敘述統計 33
表4-2 全部期間之月平均指數預測結果 37
表4-3 下跌期間之月平均指數預測結果 38
表4-4 上漲期間之月平均指數預測結果 39
表4-5 盤整期間之月平均指數預測結果 40
表4-6 全部期間之月底指數預測結果 41
表4-8 上漲期間月底指數預測結果 43
表4-9 盤整期間月底指數預測結果 44
表4-10 GM(1,1)月平均指數預測結果 45
表4-11 GM(1,1)月底指數預測結果 45

圖目錄
圖1-1 研究架構圖 5
圖2-1 資料探勘類型及其功能 11
圖3-1 主成份分析空間示意圖 20
圖3-2 二元線性分類示意圖 26
圖4-1 研究流程 32
圖4-2 特徵萃取-(1),(2) 35
圖4-3 特徵萃取-(3),(4) 35
圖4-4 特徵萃取-(5),(6) 36

參考文獻
一、中文文獻
1.李仁森(2014)，以灰預測方法應用於本國銀行有關BaselIII、資本適足率、第一類資本比率與普通股權益比率之研究—以某金融控股公司之子銀行為例，修平學報，(第29期)，頁27-49。
2.余尚武、盧瑞山、林盈成(2009)，應用動量權重及灰預測傅立葉殘差修正模型於台灣股票市場電子股之投資組合策略，電子商務學報，第11卷(1期)，頁259-286。
3.邱奕德、劉曦敏、蔡端煌(1996)，經濟研究，第34卷(第2期)，頁171-200。
4.陳啟斌、連文仁、李昆遠、 裴蕾(2004)，股票投資組合風險衡量模型精確度之評估，立德學報，第1卷(第2期)，頁34-48。
5.孫惠民(2008)，Web資料採掘技術經典，松崗電腦圖書有限公司。
6.陳耀茂、殷純淵(2004)，類神經網路PCNeuron，鼎茂圖書出版股份有限公司。
7.張齡松、羅俊 (1996)，股票操作學，證券出版社股份有限公司。
8.葉怡成(2006)，應用類神經網路，台北儒林圖書出版社。
9.溫坤禮、黃宜農、陳繁雄、李元秉、連志峰、賴家瑞(2002)，灰預測原理與應用，全華科技圖書股份有限公司。
10.溫坤禮、趙忠賢、張宏志、陳曉瑩、溫惠築(2009)，灰色理論臺北:五南。
11.廖述賢、溫志皓 (2009)，資料採礦與商業智慧，雙葉書廊。
12.廖述賢、溫志皓 (2012)，資料探勘理論與應用，新北市:博碩文化股分有限公司。
13.鄭美幸、詹志明(2002)，灰色理論與時間序列模型在匯率預測績效上之比較，台灣金融財務季刊，第3卷(第2期)，頁95-104。
14.鄧聚龍（2000），灰色系統理論與應用，臺北: 高立圖書。
15.蔣柏廷、陳俊益、張剛誠(2006)，以灰預測修正模型預測北美半導體B/B 值，第十一屆灰色系統理論與應用研討會。
16.劉祥熹、余登才(2012)，經濟研究，第48卷(第1期)，頁139-189。
17.蕭慧德，周萍芬、邱清顯(2008)，以支援向量機與羅吉斯迴歸進行企業危機診斷之比較，遠東學報第25卷(第2期)，頁333-342。

二、英文文獻
1.Dhakal, D., M. Kandil and Sharma,S, (1993), "Causality between the money supply and share prices: a VAR investigation." Quarterly Journal of Business and Economics,vol.32.3,pp.52-74.
2.Fama, Eugene F.,(1970), "Multiperiod consumption-investment decisions, " American Economic Review ,vol.60,pp.163-174.
3.Fabozzi, F. J. and Francis, J. C.（1977）, "Stability Tests for Alphas and Betasover Bull and Bear Market Conditions, " Journal of Finance,vol.32,pp.1093-1099.
4.Hardouvelis, G. A(1990), "Margin requirements, volatility, and the transitory component of stock prices, "American Economic Review, vol.80,pp.736-762.
5.Hastie, T., and Tibshirani, R., (1996),"Discriminant Adaptive Nearest Neighbor Classification, "IEEE Transactions on Pattern Analysis and Machine Intelligence,vol.18,6,pp.607-616.
6.Kaiser, H. F(1960), "The application of electronic computers to factor analysis. " Educational and Psychological Measurement, vol.20,pp.141-151.
7.Kimoto,T.and Asakwa,K.,(1990), "Stock Market Predication System with Modular Networks, "IJCNN,vol.1.pp.1-6.
8.McQueen, G. and Roley, V. V. (1993) "Stock Prices, News and Business Conditions, "Review of Financial Studies,vol.6.3.pp.683-707.
9.Officer, R. R., (1973), "The variability of the market factor of New York Stock exchange, " Journal of Business,vol.46.pp. 434-453.
10.Vapnik, V. N., (1995) "The nature of statistical learning theory. " New York: Springer-Verlag.
11.Witten, I. H., and Frank, E., (2000), "Data mining: practical machine learningtools and techniques with java implementations", San Francisco: Morgan Kaufmann.
12.Witten, I. H., and Frank, E.,(2005), Data Mining: Practical machine
learning tools and techniques (2nd ed.). San Francisco: Morgan Kaufmann.