資料載入處理中...
跳到主要內容
臺灣博碩士論文加值系統
English
|
Mobile
免費會員
登入
|
註冊
切換版面粉紅色
切換版面綠色
切換版面橘色
切換版面淡藍色
切換版面黃色
切換版面藍色
功能切換導覽列
訪客IP:216.73.216.130
字體大小:
字級大小SCRIPT,如您的瀏覽器不支援,IE6請利用鍵盤按住ALT鍵 + V → X → (G)最大(L)較大(M)中(S)較小(A)小,來選擇適合您的文字大小,如為IE7或Firefoxy瀏覽器則可利用鍵盤 Ctrl + (+)放大 (-)縮小來改變字型大小。
字體大小變更功能,需開啟瀏覽器的JAVASCRIPT功能
:::
詳目顯示
recordfocus
第 1 筆 / 共 1 筆
/1
頁
論文基本資料
摘要
外文摘要
目次
參考文獻
電子全文
QR Code
本論文永久網址
:
複製永久網址
Twitter
研究生:
王麗媛
研究生(外文):
WANG, LI-YUAN
論文名稱:
類神經網路於技術指標之評估-以台灣加權指數為例
論文名稱(外文):
Neural Network on Evaluation of Technical Indicators - An example of TAIEX
指導教授:
吳昌憲
指導教授(外文):
WU, CHANG-SHIANN
口試委員:
吳昌憲
、
張春明
、
王秀鑾
口試委員(外文):
WU, CHANG-SHIANN
、
CHANG, CHUN-MING
、
WANG, SHIOW-LUAN
口試日期:
2024-07-22
學位類別:
碩士
校院名稱:
國立虎尾科技大學
系所名稱:
資訊管理系碩士在職專班
學門:
電算機學門
學類:
電算機一般學類
論文種類:
學術論文
論文出版年:
2024
畢業學年度:
112
語文別:
中文
論文頁數:
59
中文關鍵詞:
深度學習
、
機器學習
、
類神經網絡
外文關鍵詞:
Deep Learning
、
Machine Learning
、
Neural Networks
相關次數:
被引用:0
點閱:44
評分:
下載:0
書目收藏:1
在2020年疫情引發的全球經濟衰退中,各國央行紛紛採取寬鬆貨幣政策,導致自2021年第2季度起,全球物價開始攀升,通貨膨脹壓力日益加劇。投資者的行為往往受情緒影響,出現過度自信與處分效應等現象。基於此背景,本研究利用人工智慧技術,構建機器學習模型,以預測台灣加權股價指數的短期趨勢,旨在幫助投資者在資訊不完全的情況下做出理性決策,避免追高殺低,實現最佳投資報酬率並減少虧損。
研究方法包括蒐集台灣證券交易所和台灣期貨交易所提供的2010年12月10日至2024年5月31日的每日加權指數數據,涵蓋開盤指數、收盤指數、最高指數、最低指數及成交量、選擇權交易量比率和美元兌新台幣匯率等。同時,配合技術分析指標(KDJ)和籌碼分析指標(PUT/CALL),並應用門控循環單元(GRU)與長短期記憶(LSTM)循環神經網路演算法,從這些數據中挖掘出與台灣加權股價指數走勢的關鍵因子,進而準確預測其漲跌點數。
經實驗結果驗證,本研究所使用LSTM和GRU及Dense的結合模型能夠有效地預測台灣加權股價指數的變動,也證實了技術分析指標在股市預測中的價值。
In the wake of the global economic recession triggered by the 2020 pandemic, central banks around the world adopted loose monetary policies, leading to a surge in global prices from the second quarter of 2021 onward, intensifying inflationary pressures. Investors' behaviors are often influenced by emotions, exhibiting phenomena such as overconfidence and the disposition effect. Against this backdrop, this study employs artificial intelligence techniques to construct machine learning models to predict the short-term trends of the Taiwan Weighted Index. The aim is to assist investors in making rational decisions despite incomplete information, thereby avoiding buying at high prices and selling at low prices, achieving optimal investment returns, and minimizing losses.
The research methodology includes the collection of daily Taiwan Weighted Index data from December 10, 2010, to May 31, 2024, provided by the Taiwan Stock Exchange and the Taiwan Futures Exchange. This data encompasses opening index, closing index, highest index, lowest index, trading volume, options trading volume ratio, and the exchange rate of USD to TWD. In addition, technical analysis indicators (KDJ) and chip analysis indicators (PUT/CALL) are incorporated. The study applies Gated Recurrent Units (GRU) and Long Short-Term Memory (LSTM) recurrent neural network algorithms to uncover key factors influencing the Taiwan Weighted Index trends from this data, thereby accurately predicting its rise and fall points.
Experimental results verify that the combined model using LSTM, GRU, and Dense layers can effectively predict the fluctuations of the Taiwan Weighted Index. This also substantiates the value of technical analysis indicators in stock market forecasting.
摘 要..................................................i
Abstract...............................................ii
誌 謝..................................................iv
目 錄...................................................v
表 目 錄.............................................viii
圖 目 錄...............................................ix
第一章 緒論..............................................1
1.1 研究背景與動機.......................................1
1.2 研究問題與目標.......................................1
1.2.1 本研究主要關注以下幾個問題..........................1
1.2.2 研究目標包括.......................................1
第二章 文獻探討.........................................2
2.1 人工智慧(AI).......................................3
2.1.1 定義與範疇.........................................3
2.1.2 發展歷程...........................................3
2.1.3 生成式AI...........................................5
2.2 機器學習.............................................6
2.2.1 監督式學習.........................................7
2.2.2 非監督式學習.......................................7
2.2.3 強化學習...........................................7
2.3 深度學習.............................................8
2.3.1 深度學習的訓練......................................8
2.3.2 深度學習架構........................................9
2.4 類神經網路的基本概念與應用.............................10
2.4.1 類神經網路的結構....................................10
2.4.2 類神經網路的訓練....................................10
2.4.3 類神經網路在金融市場中的應用.........................10
2.5 技術指標的理論基礎及應用...............................10
2.5.1 指數移動平均線(Exponential Moving Average, EMA)....11
2.5.2 MACD指標(指數平滑異同移動平均線)....................11
2.5.3 隨機指標(KDJ).....................................11
2.6 類神經網路與技術指標在股票市場中的結合應用...............11
2.6.1 技術指標作為類神經網路的輸入特徵......................11
2.6.2 台灣加權指數的相關研究...............................12
2.7 LSTM與GRU模型.........................................12
2.7.1 LSTM模型............................................12
2.7.2 GRU模型.............................................12
2.7.3 LSTM與GRU的比較.....................................13
2.8 台灣加權股價指數期貨...................................13
2.9 台灣加權股價指數選擇權.................................13
2.9.1 台灣加權股價指數選擇權的特點..........................13
2.9.2 選擇權交易中的Put/Call比率...........................14
第3章 研究方法............................................15
3.1 資料來源..............................................16
3.2 資料前處理與特徵工程...................................17
3.2.1 合併資料............................................17
3.2.2 缺失值處理..........................................17
3.2.3 重複值處理..........................................20
3.2.4 異常值處理..........................................21
3.2.5 資料格式轉換........................................21
3.3 資料分割與標準化......................................22
3.4 模型選擇與建構........................................22
3.5 評估指標.............................................24
第四章 實驗與結果.........................................25
4.1 探索性資料分析........................................25
4.1.1 數據集概況..........................................25
4.1.2 市場趨勢分析........................................25
4.1.3 市場波動性分析......................................26
4.1.4 市場活絡性分析......................................27
4.1.5 特徵相關性分析......................................27
4.2 實驗設計.............................................29
4.2.1 範例—以LSTM模型預測個股股價.........................29
4.2.2 本實驗模型結構如下..................................34
4.2.3 模型訓練...........................................36
4.2.4 實驗結果...........................................39
4.3 結果分析.............................................49
第五章 結論與建議.........................................50
5.1 結論.................................................50
5.1.1 測試損失分析........................................50
5.1.2 平均絕對誤差分析.....................................50
5.1.3 R平方值分析..........................................50
5.1.4 Validation Loss 在Train Loss上方分析.................50
5.2 建議...................................................52
參 考 文 獻...............................................53
Extended Abstract........................................... 55
[1] 林光甫,2014,整合式資料探勘技術在預測股票市場應用之研究,東海大學工業工程與經營資訊學系研究所博士論文.
[2] 鄭建銘,2014,資料探勘對技術分析效益評估之探討--以台灣加權股票指數為例,華梵大學資訊管理學系研究所碩士論文.
[3] 林逸青,2019,以深度學習建構股價預測模型:以台灣股票市場為例,國立臺中科技大學財務金融系研究所碩士論文.
[4] 廖凡宇,2010,以類神經網路在股價預測之研究,國立虎尾科技大學資訊管理系研究所碩士論文.
[5] 陳雅昀,2020,基於RNN LSTM GRU 模型之比較--以電力需求預測為例,元智大學資訊管理學系研究所碩士論文.
[6] 王豐銓,2020,應用Lstm模型進行台灣股市的股價預測研究-以產業龍頭股為標的,國立台北教育大學理學院資訊科學系研究所碩士論文
[7] 黃昱程,2015,期貨與選擇權衍生性金融商品入門經典,台北:華泰出版社
[8] 三津村直貴,温政堯,2023,圖解AI人工智慧,台北:碁峰資訊股份有限公司
[9] 鄭宇喬,2015,常用技術指標之實證分析—以臺灣股票市場為例,雲林:國立虎尾科技大學
[10] 楊朝東,2021,人工智慧與深度學習,數位課程
[11] 李明昌,2021,巨量資料的分析工具,數位課程
[12] 周信宏,2022,機器學習實務,數位課程
[13] 陳振宇,2022,投資理財學:夢想金放大術,滾出人生的第一桶金,數位課程
[14] 台灣期貨交易所,期貨影音知識網,網址:https://learn.taifex.com.tw/index
[15] 台灣期貨交易所,期貨及選擇權數位學習網,網址:https://learn.taifex.com.tw/elearn/index-first.html
[16] EITCA學院,2023,使用Python 和 PyTorch構建神經網絡時我們需要導入哪些庫?,人工智能,8月
[17] EITCA學院,2023,學習率如何影響訓練過程?,人工智能
[18] 德卡拉揚納基斯,2024,激活函數是否只能透過階躍函數(結果為0或1)來實現,人工智能,EITCA學院
[19] 德卡拉揚納基斯,2024,激活函數是否在層的輸入或輸出資料上運行?,人工智能,EITCA學院
[20] 阿格涅斯卡 烏爾里希,2024,損失可以被視為衡量模型錯誤程度的標準嗎?,人工智能,EITCA學院
[21] 阿格涅斯卡 烏爾里希,2024,連續的隱藏層是否必須由與前面層的輸出相對應的輸入來表徵?,人工智能,EITCA學院
[22] EITCA學院,2024,為神經網路訓練提供完整的資料集比批量提供資料集更好嗎?,人工智能
[23] EITCA學院,2024,學習率和批量大小對於優化器有效最小化損失至關重要嗎?,人工智能
[24] 周秉誼,2016,淺談Deep Learning原理及應用,技術論壇,38期,9月
[25] 洪文斌,2020,人工智慧發展簡史,中台山月刋,246期,7月
[26] 洪文斌,2020,人工智慧常用技術簡介—機器學習篇,中台山月刋,249期,10月
[27] 楊達立,2024,生成式人工智慧—應用探討與未來展望,中台山月刋,290期,3月
[28] 張書元,2024,生成式人工智慧(Generative AI)在文本摘要的應用,技術論壇,6月
電子全文
(
網際網路公開日期:20260901
)
推文
當script無法執行時可按︰
推文
網路書籤
當script無法執行時可按︰
網路書籤
推薦
當script無法執行時可按︰
推薦
評分
當script無法執行時可按︰
評分
引用網址
當script無法執行時可按︰
引用網址
轉寄
當script無法執行時可按︰
轉寄
top
相關論文
相關期刊
熱門點閱論文
1.
以類神經網路在股價預測之研究
2.
以深度學習建構股價預測模型:以台灣股票市場為例
3.
基於RNN、LSTM、GRU模型之比較 -以電力需求預測為例
4.
應用LSTM模型進行台灣股市的股價預測研究以產業龍頭股為標的
5.
整合式資料探勘技術在預測股票市場應用之研究
6.
資料探勘對技術分析效益評估之探討-以台灣加權股票指數為例
7.
人工智慧在電子商務的應用
8.
時間序列ARIMA與深度學習LSTM預測模型之比較:以台灣股票市場為例
9.
應用機器學習機制於物件影像辨識之研究-以TensorFlow為例
10.
應用Tensorflow深度學習機制於影像辨識之研究—以中共軍機影像辨識為例
11.
應用機器視覺與深度學習於皮革表面瑕疵檢測
12.
應用深度學習預測區域住房平均價格—以台北市實價登錄為例
13.
使用卷積神經網路分類龍舌蘭品種
14.
深度卷積神經網路中池化層之分析及比較
15.
運用機器學習方法建構房價預測視覺化平台
無相關期刊
1.
中年人對於手機條碼載具使用意願之探討
2.
消費者對油車與油電混合車的購買意願之探討
3.
探討遊戲玩家對於線上課金之意圖
4.
探討ChatGPT持續使用意願之研究
5.
使用技術指標和皮爾森相關分析進行基於深度學習的股價預測-以台灣50為例
6.
以技術指標對股票市場預測研究
7.
基於技術指標結合變分模型與機器學習預測比特幣價格之研究
8.
職業駕駛交通事故特性之數據分析-以台北市為例
9.
使用Line Bot滿意度與忠誠度之研究
10.
雙重語言的翻譯路徑與時差: 以跨語世代詩人詹冰、陳千武的文學實踐為中心
11.
彰化縣國中特殊教育代理教師教學自我效能感之研究
12.
國小教師的人格特質、風險偏好與退休理財規劃之態度探討—以臺中市山城區域國小教師為例
13.
以科技接受模式探討ChatGPT之使用意圖
14.
聊天機器人之實作-生活一點通
15.
深度學習在股票技術指標圖形上之應用:針對年化報酬率之損失函數改良
簡易查詢
|
進階查詢
|