RapidMiner 誕生於德國多特蒙德工業大學，開創於人工智慧部門，無須編程且能高速運算，對於工業生產、製造、銷售等方面跨行業的優勢有: 1.優化能源成本、2.提高產量、3.自動化日常任務、4.優化供應鏈、5.賦予公民數據科學家權力、6.更好地預測需求。台灣股市的產業結構在九零年代時以傳統產業達 60％、金融業 37％為最多而電子製造產業只占2％。現在台灣股市的產業結構電子製造產業已上升到67%，而電子製造產業優化能源成本的需求費常強烈，選擇台灣股市作為研究標的相較於日本股市超過 7 成、香港股市超過 9 成為第三級產業更具代表性。本研究擷取公開資訊加權股價指數選取臺灣證券交易所提供之資料日期（2019 年 1 月 2 日）作為模擬交易期間之起始日，並以最近資料（2021 年 12 月29 日）作為取樣期間的終止日。並以布林通道線 B-Band 出現做多與做空訊號模擬交易，對比以 RapidMiner 建構之 ARIMA 預測模型模擬交易。結果顯示 ARIMA預測模型獲利狀況優於布林通道線 B-Band 之指標。

RapidMiner was born at the Technical University of Dortmund, Germany, and was founded in the department of artificial intelligence. It does not require programming and can perform high-speed operations. The advantages of cross-industry in industrial production, manufacturing, and sales are: 1.Optimize energy costs, 2.Increase production, 3.Automation Daily tasks, 4.Optimizing the supply chain, 5.Empowering citizen data scientists, 6.Better forecasting demand. In the 1990s, the industrial structure of Taiwan's stock market was dominated by traditional industries with 60%, financial industry with 37%, and electronic manufacturing industry with only 2%. At present, the industrial structure of the Taiwan stock market has risen to 67% of the electronics manufacturing industry, and the electronics manufacturing industry has a strong need to optimize energy costs. The Taiwan stock market is selected as the research target, which is more than 70% compared with the Japanese stock market and the Hong Kong stock market with more than 90%. Class industries are more representative.This research extracts public information weighted stock price index and selects the date of data provided by the Taiwan Stock Exchange (January 2, 2019) as the starting date of the simulated trading period, and the most recent data (December 29, 2021) as the sampling period The expiration date. And use the Bollinger Band (B-Band) to simulate trading with long and short signals, and compare the simulated trading with the ARIMA forecast model constructed by RapidMiner. The results show that the profitability of the ARIMA forecasting model is better than that of the B-Band.

摘 要 iv
Abstract v
致 謝 vi
目 錄 vii
表 次 viii
圖 次 ix
第壹章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 4
第三節 研究架構與流程 5
第貳章 文獻探討 6
第一節 時間序列與布林通道線發展演進 6
第二節 時間序列模型(ARIMA) 9
第三節 布林通道線(B-Band) 9
第四節 時間序列模型(ARIMA)的相關研究 13
第五節 布林通道(BBand)的相關研究 19
第六節 RapidMiner 介紹與 ARIMA 模型建立 25
第参章 研究設計與方法 30
第一節 研究對象 30
第二節 交易決策法則與參數設定 31
第三節 研究假設 32
第四節 績效之衡量指標 32
第五節 個案研討 34
第肆章 實證結果與分析 35
第一節 空頭比較策略之模擬操作 35
第二節 多頭比較策略之模擬操作 40
第伍章 結論與建議 45
參考文獻 47

1.王百祿，2006，ARIMA 與適應性 SVM 之混合模型於股市指數預測之研究，成功大學，碩士論文。
2.江沛勳，2014，布林通道策略成效分析─以台灣 50 成分股為例，成功大學，碩士論文。
3.余奇潔，2012，美元兌新台幣匯率預測 ARIMA 與 SVM 之應用，高雄應用科技大學，碩士論文。
4.李宗翰，2013，運用 ARIMA 與向量自我廻歸模式探討新竹科學園區半導體產值預測，交通大學，碩士論文。
5.李培煜，2020，時間序列模型 ARIMA 與深度學習 LSTM 預測模型之比較以台灣股票市場為例，東吳大學，碩士倫文。
6.林楓淳，2006，結合 ARIMA 與支援向量迴歸於財務時間序列預測模式之建構(以新加坡交易所日經 225 指數期貨為例)，輔仁大學，碩士論文。
7.林雪蓮，2010，台灣電信產業營收淨額與營運資金供需預測之研究-X-12-ARIMA模型之應用，台北大學，碩士論文。
8.侯素英，2018，台股指數震盪區間預測之研究-ARIMA 時間序列模型之應用，台北大學，碩士論文。
9.洪麗芳，2018，超額報酬及布林通道策略績效研究─以台灣股市為例，東海大學，碩士在職專班論文。
10.倪雅倫，2021，時間序列分析 通過應用 ARIMA 和 GARCH 模型來預測匯率波動的可行性，虎尾科技大學，碩士論文。
11.陳玉明，2019，應用 ARIMA 及計算智能方法以預測三大植物油期貨價格，輔仁大學，碩士論文。
12.曾美鳳，2018，ARIMA 模式應用於股價預測之研究，臺灣海洋大學，碩士論文。
13.黃郁佳，2018，布林通道交易策略之研究-以台灣中型 100 指數為例，東海大學，碩士在職專班論文。
14.黃柏崴，李童宇，2019，不懂程式也能學會的大數據分析術使用 RapidMiner，初版，旗標科技，台北。
15.董鍾祥，2013，圖解 B-Band 指標，初版，寰宇出版，台北。
16.劉洺宏，2019，漲跌停次日之布林通道策略分析 -以臺灣股市為例，雲林科技大學，碩士論文。
17.蔡宏賓，2016，使用遺傳演算法於 RSI、BBAND、內外盤比指標探討股價淨值比之報酬，高雄應用科技大學，碩士論文。
18.蔡明翰，2008，應用 ARIMA 與 GARCH 模式於台灣運輸產業股價之預測，交通大學，碩士論文。
19.聶淑媛，2019，時間序列分析發展簡史，初版，科學出版社，北京。
20.Agung B. Prasetijo, Takdir A. Saputro, Ike P. Windasari & Yudi E.Windarto,2017,Buy/Sell Signal Detection in Stock Trading with Bollinger Bands and Parabolic SAR with Web Application for Proofing Trading Strategy, ICITACEE, Semarang, Indonesia,18-19 Oct, 2017.
21. Audrius Kabasinskas & Ugnius Macys,2010, Calibration of Bollinger Bands
Parameters for Trading Strategy Development in the Baltic Stock Market, Kaunas
University of Technology.
22. Ayodele A. Adebiyi、Aderemi O. Adewumi & Charles K. Ayo,2014, Stock Price
Prediction Using the ARIMA Model, 2014 UKSim-AMSS 16th International Conference
on Computer Modelling and Simulation, Cambridge, UK, 26-28 March,2014.
23. Hsien-Ming Chou and Tsai-Lun Cho,2020, Effects of Slope Coefficients and Bollinger Bands on Short-term Investment, Advances in Management & Applied Economics, Vol. 10, No. 2, 2020, 101-112, March.
24. Jeffrey E Jarrett & Eric Kyper 2011, ARIMA Modeling With Intervention to
Forecast and Analyze Chinese Stock Prices, IntechOpen, 30 Apr 2011.
25. M.P.Clements & D.F.Hendry, 1998,Forecasting Economic Time Series, Cambridge
University Press, Cambridge.
26. Nitin Merh、Vinod P. Saxena & Kamal Raj Pardasani,2010, A comparison between
Hybrid Approaches of ANN and ARIMA for Indian Stock Trend Forecasting, Business
Intelligence Journal, Vol.3 No.2, 2010, 23-43, July.
27. Ping-Feng Pai & Chih-Sheng Lin,2003, A hybrid ARIMA and support vector machines model in stock price forecasting, Elsevier, Omega 33, 2005, 497-505, December.
28. Prapanna Mondal、Labani Shit & Saptarsi Goswami,2014, Study of Effectiveness of Time Series Modeling (Arima) in Forecasting Stock Prices, International Journal of Computer Science, Engineering and Applications (IJCSEA), Vol.4, No.2, 2014, 13-29, April.
29. Shaozhen Chen、Bangqian Zhang、Gengjian Zhou & Qiaoxu Qin,2018, Bollinger
Bands Trading Strategy Based on Wavelet Analysis, Applied Economics and Finance, Vol. 5, No.3, 2018, 49-58, May.