臺灣博碩士論文加值系統

在現今的股票市場中，技術分析能提供投資者較明確的買賣點訊號。倘若從效率市場假說的角度來看，若該假說成立會使技術分析方式無效，但目前在許多文獻支持下，證實臺灣的股票市場並不符合效率市場假說，因此股票投資者能以技術分析作為股票買賣的參考依據，並有機會藉此方法獲取報酬。過往的股票漲跌預測研究大多是以單一個股資料進行學習並據此預測個股股價未來走向，本研究的做法則是納入其他相關公司股票的股價資訊，提取出相關的股票後搭配技術指標以深度學習技術進行模型訓練，最後再進行個股未來1日股價漲跌之預估。
本研究蒐集了臺灣從2015年6月起至2021年4月止與美國從2015年6月至2017年12月止的上市公司股價數據資料，以5種不同的天數單位、6種不同股價走勢相似的公司數量以及4種不同的相關性分析，總共120種組合進行深度學習預測股價未來一日走勢，研究中進行股價未來走勢預測的對象有臺灣的元大寶來臺灣卓越50證券投資信託基金（最佳準確率71.9%）與臺灣加權股價指數（最佳準確率72.1%），以及美國的標準普爾500指數（最佳準確率69.0%）、道瓊工業平均指數（最佳準確率71.5%）、那斯達克綜合指數（最佳準確率69.0%）、紐約證券交易所總和指數（最佳準確率68.8%）與羅素指數（最佳準確率67.2%），根據最終的數據結果顯示，本研究相較於其他現有的文獻預測結果有更高的準確度。

Many papers suggest that Taiwan's stock market does not conform to the efficient market hypothesis, so stock investors can use technical analysis as a reference for stock trading. In this study, we extract the relevant stocks with technical indicators and use deep learning techniques to predict the future stock prices of individual stocks.
This study collected stock price data of listed companies in Taiwan from June 2015 to April 2021 and in the U.S. from June 2015 to December 2017. A total of 120 combinations were used for deep learning to predict stock prices, including 5 units of days, 6 numbers of companies with similar stock price trends, and 4 correlations.
Yuanta/P-shares Taiwan Top 50 ETF (best accuracy 71.9%), Taiwan SE Weighted Index (best accuracy 72.1%), S&P 500 (best accuracy 69.0%), Dow Jones Industrial Average (best accuracy 71.5%), Nasdaq Composite (best accuracy 69.0%), NYSE Composite Index (best accuracy 68.8%) and Russell Index (best accuracy 67.2%) were the subjects used to predict stock prices of this study, and the final data showed higher accuracy than other literature.

中文摘要..............................i
英文摘要..............................ii
誌謝..............................iii
目錄..............................iv
表目錄..............................v
圖目錄..............................viii
第一章 緒論..............................1
1.1 研究背景與動機..............................1
1.2 研究目的..............................1
1.3 研究架構..............................2
第二章 文獻探討..............................3
2.1 效率市場與技術分析之文獻..............................3
2.2 臺灣股票運用深度學習之相關文獻..............................4
2.3 國外股票運用深度學習之相關文獻..............................5
第三章 相關知識..............................7
3.1 效率市場假說..............................7
3.2 技術分析與技術指標..............................7
3.3 相關性分析..............................11
3.4 類神經網路..............................15
第四章 研究方法..............................17
4.1 研究資料蒐集與前處理..............................17
4.2 特徵變數選擇..............................18
4.3 資料處理與歸一化..............................22
4.4 相關性分析..............................23
4.5 模型架構..............................26
第五章 實驗結果..............................31
5.1 評估方法..............................31
5.2 作業環境與模型參數..............................32
5.3 臺灣股票模型分析..............................33
5.4 美國股票模型分析..............................48
5.5 臺灣與美國股票模型結果分析..............................81
5.6 最佳結果分析方式..............................83
第六章 結論..............................85
參考文獻..............................86
英文論文大綱..............................88

[1]鄭宇喬，2015，”常用技術指標之實證分析—以臺灣股票市場為例，國立虎尾科技大學”，經營管理系，碩士論文。
[2]謝麗津，2020，”以技術分析指標對台指期貨買賣點決策之研究:以移動平均線、MACD 指標為例”，國立彰化師範大學，財務金融系，碩士論文。
[3]彭紀霖，2021，”林通道交易策略以台灣五十成分股為例”，南臺科技大學，財務金融系，碩士論文。
[4]黃興治，2019，”利用籌碼面與技術面找出合適的投資策略-以陸股ETF為例，私立真理大學”，財務金融系，碩士論文。
[5]王品軒，2021，”交易策略驗證及相關改良” ，國立中正大學，財務金融系，碩士論文。
[6]林科呈，2020，”布林通道策略投資臺股績效實證分析”，國立高雄科技大學，金融資訊系，碩士論文。
[7]簡壬申，2017，”類神經網路在股票預測之獲利可能性研究-以臺灣50成分股為例”，國立雲林科技大學，財務金融系，碩士論文。
[8]黃焜烽，2018，”利用深度類神經網路模型預測臺灣股價指數走勢，國立台北科技大學”，金融與合作經營學系，碩士論文。
[9]林逸青，2019，”以深度學習建構股預測模型：以臺灣股票市場為例”，國立臺中科技大學，財務金融系，碩士論文。
[10]施育霖，2019，”以機器學習方法預測股價：以台股金融類股為案例”，國立中興大學，資訊管理系，碩士論文。
[11]黃生豪，2020，”基於LSTM深度學習預測ETF50市場趨勢並結合交易策略之實證分析”，國立高雄科技大學，金融資訊系，碩士論文。
[12]Day M. Y., Cheng T. K. and Li J. G., 2018, ”AI Robo-Advisor with Big Data Analytics for Financial Services”, IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining, 1027-1031, October.
[13]Lin B. S., Chu W. T. and Wang C. M., 2018, “Application of Stock Analysis Using Deep Learning”, International Congress on Advanced Applied Informatics, 612-617, April.
[14]Khare K., et al., 2017, “Short term stock price prediction using deep learning”, IEEE International Conference on Recent Trends in Electronics, Information & Communication Technology, 482-486, January.
[15]Hoseinzade E. and Haratizadeh S., 2019, “CNNpred: CNN-based stock market prediction using a diverse set of variables”, Expert Systems with Applications, 129, 273-285, September.
[16]Eapen J., Bein D. and Verma A., 2019, “Novel Deep Learning Model with CNN and Bi-Directional LSTM for Improved Stock Market Index Prediction”, IEEE 9th Annual Computing and Communication Workshop and Conference, 0264-0270, March.
[17]Alsubaie Y., Hindi E. K. and Alsalman H., 2019, ”Cost-Sensitive Prediction of Stock Price Direction: Selection of Technical Indicators”, IEEE Access, 7, 146876-146892, October.
[18]Zhang X., et al., 2018, ”Stock Market Prediction via Multi-Source Multiple Instance Learning”, IEEE Access, 6, 50720-50728, September.
[19]Huang C. S.，2018，”卷積神經網-CNN運算流程”，檢自：https://chih-sheng-huang821.medium.com/%E5%8D%B7%E7%A9%8D%E7%A5%9E%E7%B6%93%E7%B6%B2%E8%B7%AF-convolutional-neural-network-cnn-cnn%E9%81%8B%E7%AE%97%E6%B5%81%E7%A8%8B-ecaec240a631
[20]Bahrudin Hrnjica, 2019, ”In depth LSTM Implementation using CNTK on .NET platform.”, Retrieved from https://hrnjica.net/2019/04/08/in-depth-lstm-implementation-using-cntk-on-net-platform/
[21]FinMind 金融 X 大數據，檢自：https://finmindtrade.com/
[22]臺灣證券交易所，檢自：https://www.twse.com.tw/zh/
[23]臺灣期貨交易所，檢自：https://www.taifex.com.tw/cht/index
[24]證券櫃檯買賣中心，檢自：https://www.tpex.org.tw/web/
[25]公開資料觀測站，檢自：https://mops.twse.com.tw/mops/web/index
[26]油價資訊管理與分析系統，檢自：https://www2.moeaboe.gov.tw/oil102/oil2017/newmain.asp
[27]英為財情，檢自：https://www.investing.com/
[28]OFX，檢自：https://www.ofx.com/en-au/