臺灣博碩士論文加值系統

證券市場相對於固定收益市場有著高風險高報酬的特性，其中屬於被動式投資的ETF商品，可追蹤標的指數之表現，除可達到分散風險的目的外，也可獲取與標的指數表現相近的報酬，近期隨著台灣加權股價指數屢創新高，此商品吸引了廣泛投資人的注意。
本文嘗試使用時間序列分析法中的向量自我迴歸模型，以及人工智慧中的深度學習方法，以費城半導體指數、那斯達克指數、芝加哥期貨交易所波動率指數、韓國綜合指數與台灣50 ETF歷史收盤價來預測台灣50 ETF次日收盤價，在採用相同變數的情況下比較兩者的預測能力，在2020/10/21至2021/04/20的預測期間，觀察RMSE兩者並無差異，若以預測之結果進行模擬當沖交易，向量自我迴歸模型的獲利表現優於深度學習方法；但觀察第一個月短期內的表現，深度學習方法則優於向量自我迴歸模型。

One major difference between the fixed-income and stock markets is the risk involved in investing in each. On the stock market, the passive investing product ETFs were originally constructed to provide investors with a single security that would track an index. In essence, ETFs enable investors to buy and sell all of the securities that make up the underlying index . Recently, as TAIEX reached history high record, more and more investors profit from ETFs .
The objective of this thesis is to compare the prediction performances of vector autoregressive (VAR) model which is widely used in time series analysis and deep learning method. Both of two models use the same input variables including the PHLX Semiconductor Index and NASDAQ Index, Chicago Board Options Exchange Volatility Index, KOSPI and the historical closing price of Taiwan 50 ETF to predict the closing price of Taiwan 50 ETF on next day. Using the root mean squared error (RMSE) as assessment criterion, both models have the same predictions performance under predictions period from 21 October 2020 to 20 April 2021. If the predicted result is used to the day trading, the profit of vector autoregressive model is better. But the deep learning method better perform under the first month of predictions period.

第1章、 緒論.................... 1
1.1、 研究背景.................... 1
1.2、 研究動機與目的.................... 2
1.3、 研究架構.................... 3
第2章、 文獻探討.................... 5
2.1、 國際股市對台股的影響.................... 5
2.1.1 .國外相關文獻.................... 5
2.1.2 .國內相關文獻.................... 7
2.2、 類神經網路方法於股市之預測.................... 8
2.2.1 .國外文獻.................... 9
2.2.2 .國內文獻.................... 10
第3章、 研究方法.................... 12
3.1、 ETF商品.................... 12
3.2、 時間序列分析.................... 13
3.2.1. 單根檢定.................... 13
3.2.2. 向量自我迴歸模型.................... 15
3.2.3. 選取最適落後期.................... 16
3.3、 類神經網路模型.................... 16
3.3.1. 單層感知器.................... 16
3.3.2. 多層感知器.................... 18
3.3.3. 倒傳遞演算法.................... 21
3.3.4. 遞迴神經網路.................... 22
3.3.5. 長短期記憶(Long Short Term Memory, LSTM).................... 24
第4章、 實證研究結果.................... 27
4.1 、資料來源與處理說明.................... 27
4.2 、單根檢定實證結果.................... 28
4.3 、向量自我迴歸模型估計與預測結果.................... 34
4.4 、深度學習實驗平台.................... 37
4.5 、深度學習模型設計與實驗結果.................... 38
4.6 、向量自我迴歸模型與LSTM+DNN模型預測結果之比較.................... 42
第5章、 結論.................... 47
5.1、 總結.................... 47
5.2、 建議.................... 48
參考文獻.................... 49

圖目錄
圖1 ：論文架構圖.................... 4
圖2 ：單層感知器架構圖.................... 17
圖3 ：多層感知器示意圖....................18
圖4 ：倒傳遞演算法示意圖.................... 22
圖5 ：基本型 RNN 結構示意圖.................... 23
圖6 ：遺忘閘.................... 24
圖7 ：輸入閘.................... 25
圖8 ：輸出閘.................... 26
圖9 ：LSTM.................... 26
圖10 ：費城半導體指數(原始資料).................... 28
圖11 ：那斯達克指數(原始資料).................... 29
圖12 ：芝加哥期貨交易所波動率指數(原始資料).................... 29
圖13 ：南韓綜合指數(原始資料).................... 30
圖14 ：台灣 50 ETF(原始資料).................... 30
圖15 ：費城半導體指數(轉換後資料).................... 31
圖16 ：那斯達克指數(轉換後資料).................... 32
圖17 ：芝加哥期貨交易所波動率指數(轉換後資料).................... 32
圖18 ：南韓綜合指數(轉換後資料).................... 33
圖19 ：台灣 50 ETF(轉換後資料).................... 33
圖20 ：台灣 50ETF 預測值與實際值.................... 37
圖21 ：LSTM+DNN 流程圖.................... 40
圖22 ：台灣 50ETF 實際值與 VAR、LSTM+DNN 模型之預測值(一).................... 42
圖23 ：台灣 50ETF 實際值與 VAR、LSTM+DNN 模型之預測值(二).................... 44
圖24 ：不同區間 RMSE 折線圖.................... 45

表目錄
表1 ：原始資料 ADF 單根檢定結果.................... 31
表2 ：轉換後資料 ADF 單根檢定結果.................... 34
表3 ：各落後期 SIC(p) 值.................... 34
表4 ：向量自我迴歸模型 VAR(1)估計結果.................... 35
表5 ：VAR 模型 台灣 50ETF 預測值與 RMSE.................... 36
表6 ：各模型 RMSE 比較表.................... 39
表7 ：LSTM+DNN 模型-台灣 50ETF 預測值與 RMSE.................... 41
表8 ：不同區間 RMSE 比較表.................... 45
表9 ：模擬當沖交易之各期間累積獲利.................... 46

1.李敏生(2000)，NASDAQ股市對於台灣股市報酬率與波動性的影響，交通大學經營管理研究所碩士論文
2.劉照群(2008)，美國費城半導體股市、台灣股市、台積電股價的關聯性之實證研究，臺北大學統計學系碩士論文
3.鎮明常 主持人(2012)，全球股市波動對台灣的影響，中正大學產業發展與預測研究中心
4.蔡正修(2007)，台灣上市電子類股價指數走勢預測之研究，成功大學統計學研究所碩士論文
5.朱正修(2004)，台灣股市與國際股市連動性之研究，成功大學統計學研究所碩士論文
6.陳志隆(2008)，國際主要股價指數連動性研究，東吳大學企業管理學系碩士在職專班碩士論文
7.陳寬旻(2013)，運用向量自我迴歸模型與最大交叉相關預測時間序列，政治大學統計學系碩士學位論文
8.連偉志(2011)，台灣股價指數時間序列之研究，交通大學管理學院碩士在職專班財務金融組碩士論文
9.游梓堯(2002)，美國股市與台灣股市關連性研究，國立台灣科技大學資訊管理研究所碩士論文。
10.姚志泯(2001)，費城半導體指數與美光股價對台灣電子股的影響，淡江大學管理科學研究所碩士論文。
11.盧寶春(2014)，恐慌指數對股市影響之研究：以台灣、日本及韓國為例，東海大學管理學院財務金融研究所碩士在職專班論文。
12.邱定鴻 (2017)，探討VIX恐慌指數與股價報酬之間的線性與非線性關係-以亞洲六國及美國股市為例，中正大學經濟系國際經濟學研究所碩士論文。
13.王春笙(1996)，以技術指標預測台灣股市股價漲跌之實證研究--以類神經網路與複迴歸模式建構，臺灣大學資訊管理研究所碩士論文。
14.陳家隆(2002)，運用統計方法與人工智慧技術建構整合性投資策略，成功大學統計學研究所碩士論文。
15.李惠妍(2003)，類神經網路與迴歸模式在台股指數期貨預測之研究，成功大學企業管理學系EMBA專班碩士論文。
16.林婉茹(2004)，類神經網路於台灣50指數ETF價格預測與交易策略之應用，輔仁大學金融研究所碩士論文。
17.薛淑如(2004)，應用類神經網路於股票價值之評估，國立彰化師範大學會計學系碩士論文。
18.吳嘉川(2009)，應用資料採礦技術於股市加權指數預測之研究，輔仁大學資訊管理學系碩士論文。
19.王鼎宏(2016)，使用機器學習方法預測加權指數之研究，成功大學經營管理碩士學位學程碩士論文。
20.鄭宇軒(2019)，以LSTM模型預測台指期貨日內價格，輔仁大學金融與國際企業學系金融碩士班碩士論文。
21.莊英瑋(2018)，基於遞迴神經網路於多重深度攝影機架構下之駕駛動作識別，中央大學通訊工程學系碩士論文。
22.蔡曜丞(2019)，基於遞迴神經網路之聲學回聲消除技術，中央大學通訊工程學系碩士論文
23.牟庭辰(2019)，基於遞迴神經網路於多重裝置下之硬舉動作辨識及應用，中央大學通訊工程學系碩士論文
24.林俊達(2018)，基於雙向遞迴神經網路之詞彙預測能力研究，臺灣科技大學資訊管理系碩士學位論文
25.謝豐旭(2020)，利用深度學習生成多軌音樂，臺灣海洋大學通訊與導航工程學系碩士論文
26.高惟禎(2019)，以多層感知器網路輔助液靜壓軸承節流器設計，動力機械工程學系碩士論文
27.郭芷綺(2020)，以機器學習法搜尋系外行星的研究，清華大學計算與建模科學研究所碩士論文
28.林佳姿(2020)，搭配類神經CNN、LSTM及DNN方法於高混合度之母音辨識，中興大學統計學研究所碩士學位論文
29.林恆毅(2020)，機器學習識別古典及量子自旋模型相態，政治大學理學院應用物理研究所碩士論文
30.R. Jesse McWaters, Lead Author (2018). The New Physics of Financial Services . World Economic Forum Report.
31.Jason Brownlee (2018). Deep Learning for Time Series Forecasting, Machine Learning Mastery Pty. Ltd., Australia.
32.Fama, E. (1970). Efficient Capital Market: A Review of Theory and Empirical Work. Journal of Finance, 25, 382-417.
33.Jegadeesh, N. & Titman, S. (1993). Returns to Buying Winners and Selling Losers : Implications for Stock Market Efficiency. The Journal of Finance, 48, No.1, pp.65-91.
34.Eun, C., & Shim, S. (1989). International Transmission of Stock Market Movements. The Journal of Financial and Quantitative Analysis, 24, 2, 241-256.
35.Ruzita Abdul-Rahim and Abu Hassan Shaari Mohd (2007). Stock Market Linkages in the ASEAN 5 Plus 3 Countries : An Analysis of Pre- and Post-Crisis. International Review of Business Research Papers, 3, 4, 1-9.
36.Liu, Y.A., Pan, MS. and Shieh, J. (1998). International transmission of stock price movements: Evidence from the U.S. and five Asian-Pacific markets. Journal of Economics and Finance, 22, 59-69
37.Benson and Kong(2019). The influence of U.S. equity returns on Asian-Pacific equity markets. Investment Management and Financial Innovations, 16(4), pp.46-60.
38.Baba, N.(1989). A new approach for finding the global minimum of error function of neural networks. Neural Networks, 2(5), 367-373.
39.Roman, J. and Jameel, A.(1996). Backpropagation and recurrent neural networks in financial analysis of multiple stock market returns, 29th Hawaii International Conference on System Sciences,2, 454-460.
40.Kimoto, T. & Asakawa, K.(1990). Stock Market Prediction System with Modular Neural Network. International Joint Conference on Neural Networks, 1-6.
41.Guresen, E., Kayakutlu, G. and Daim, T.U.(2011). Using artificial neural network models in stock market index prediction. Expert System with Applications, 38, 10389-10397。
42.Wang, Y.(2014). Stock price direction prediction by directly using prices data: an empirical study on the KOSPI and HIS. International Journal of Business Intelligence and Data Mining, 9(2), 145-160.