臺灣博碩士論文加值系統

本研究致力於探討比特幣（Bitcoin）與真實世界中的連動性，並以全球股價指數中具有代表性的16個股價指數進行分析，研究發現，比特幣在VIX > 35的期間，與股價指數標普500、那斯達克指數、阿根廷指數（MERVAL）、日經225（Nikkei 225）指數與台灣加權指數（TSEC weighted index）有高度的相關性，相關係數皆高於0.85以上。因此進一步以線性回歸與支持向量回歸進行數值的預測，發現比特幣在VIX > 35的期間，線性回歸（Linear Regression Model）與支持向量回歸（Support Vector Regression）的預測表現，優於VIX ≤ 35的期間的預測表現。因此本研究認為比特幣在VIX > 35的期間，應更關注於全球股市的表現所帶給比特幣的衝擊。
另一方面，在VIX ≤ 35的期間，比特幣與真實世界的連動性相對較小，因此本研究以比特幣一小時的開高低收資料，計算出技術指標，並以10種機器學習分類器方法，進行比特幣漲跌的預測，經過10次的交叉驗證，最好的預測分類器為Gradient Boosting與AdaBoost，平均的預測率為0.75。
因此，本研究將比特幣的買賣決策分為普通時期（VIX ≤ 35）與恐慌時期（VIX > 35）。當普通時期，買賣比特幣的策略可使用比特幣的資料來進行漲跌的預測；當恐慌時期，則可使用股市指數的價格資料，進行比特幣的價格預測。

The study aims to discuss the linkage between Bitcoin and the Real-world by analyzing 16 stock price indices representing the global stock price index. The research found that Bitcoin comparison with the stock price index during the period of VIX > 35. S&P500, Nasdaq index, MERVAL, Nikkei 225 index, and Taiwan weighted index are positively correlated, and the correlation coefficients are all higher than 0.85. Therefore, the study uses linear regression and support vector regression for numerical prediction and found that during the VIX > 35, linear regression and support vector regression's prediction performance is better than VIX ≤ 35 the forecast performance. Therefore, this study believes that during the period of VIX > 35, Bitcoin should pay more attention to the impact of global stock market performance on Bitcoin.
On the other hand, during VIX ≤ 35, the linkage between Bitcoin and the real world is relatively small. Therefore, this research uses Bitcoin's one-hour opening and closing data to calculate technical indicators and classify them with ten machine learning types. The method is to predict the rise and fall of Bitcoin. After ten cross-validations, the best predictive classifiers are Gradient Boosting and AdaBoost, with an average prediction rate of 0.75.
Therefore, this research divides Bitcoin buying and selling decisions into regular periods (VIX ≤ 35) and panic periods VIX > 35. In the regular period, buying and selling decisions can use bitcoin data to predict the rise and fall in the future; in the panic period, the stock index data can forecast bitcoin's price.

中文摘要 i
英文摘要 ii
誌謝 iii
目錄 iv
表目錄 vi
圖目錄 vii
符號說明 ix
壹、緒論 1
一、 研究背景 1
二、 研究問題 3
三、 研究動機 4
四、 研究目的 5
貳、文獻探討 6
一、 比特幣概述 6
二、 比特幣與其他加密貨幣 6
三、 比特幣與其他經濟數據的關係 7
四、 比特幣在交易所的套利 8
五、 定義真實世界 8
六、 預測金融數據的相關研究 8
七、 比特幣的價格預測 12
參、研究方法 15
一、 研究架構 15
二、 R語言簡介 16
三、 PYTHON簡介 18
四、 資料來源 19
五、 皮爾森相關係數（PEARSON CORRELATION COEFFICIENT） 23
六、 技術指標計算 24
七、 極值正規化（MIN-MAX NORMALIZATION） 25
八、 線性回歸模型（LINEAR REGRESSION MODEL） 26
九、 支持向量機（SUPPORT VECTOR MACHINE） 27
十、 支持向量回歸（SUPPORT VECTOR REGRESSION） 28
十一、 機器學習分類器 32
十二、 平均絕對誤差（MAE）與均方根誤差（RMSE） 35
十三、 混淆矩陣（CONFUSION MATRIX） 35
十四、 活動圖（CONFUSION MATRIX） 37
肆、實證結果 39
一、 相關係數分析 39
二、 統計摘要 40
三、 線性回歸模型 42
四、 時間對照表 43
五、 假說檢定 44
六、 決定係數 45
七、 比較普通時期與恐慌時期的連動性 46
八、 相關係數分析──以VIX指數區隔 49
九、 漲跌方向分析──以VIX指數區隔 52
十、 SVR與LR預測不同時期的比特幣價格 53
十一、 時間差預測 77
十二、 機器學習分類器預測比特幣漲跌 97
十三、 決策分析 104
伍、結論與建議 105
一、 研究結論 105
二、 研究限制 107
三、 後續研究的建議 107
參考文獻 108

 
表目錄
表 1 股市指數代碼對照 20
表 2 比特幣特徵值（日資料） 21
表 3 輸出值（日資料） 21
表 4 比特幣特徵值（小時） 22
表 5 輸出值（小時） 22
表 6 技術指標SMA的說明 25
表 7 混淆矩陣 36
表 8 活動圖的圖例說明 37
表 9 比特幣與全球股價指數之統計摘要 40
表 10 回歸模型摘要 43
表 11 時間對照表 43
表 12 比特幣與股價指數漲跌方向在不同時期的表現 52
表 13 資料筆數 58
表 14 預測效果（線性回歸） 58
表 15 預測效果（SVR） 62
表 16 預測效果2（線性回歸） 66
表 17 預測效果2（支援向量機） 70
表 18 線性回歸預測整理 75
表 19 支持向量回歸預測整理 76
表 20 比特幣與標普500資料集 78
表 21 比特幣與標普500指數的相關係數 78
表 22 比特幣與標普500指數支持向量回歸模型評估 80
表 23 比特幣與那斯達克資料集 81
表 24 比特幣與那斯達克指數的相關係數 82
表 25 比特幣與那斯達克指數支持向量回歸模型評估 84
表 26 比特幣與阿根廷資料集 85
表 27 比特幣與阿根廷指數的相關係數 86
表 28 比特幣與阿根廷指數支持向量回歸模型評估 88
表 29 比特幣與日經225資料集 89
表 30 比特幣與日經225指數的相關係數 90
表 31 比特幣與日經225指數支持向量回歸模型評估 92
表 32 比特幣與台灣加權資料集 93
表 33 比特幣與台灣加權指數的相關係數 94
表 34 比特幣與台灣加權指數支持向量回歸模型評估 96
表 35 分類器預測效果排行榜 102

圖目錄
圖 1 比特幣的價格與成交量 2
圖 2 道瓊工業指數與比特幣的價格走勢 3
圖 3 恐慌指數與比特幣 4
圖 4 預測股價的數據集分布 9
圖 5 預測金融標的之比重 9
圖 6 預測股價採用的特徵值來源 10
圖 7 預測結果之比重 10
圖 8 預測模型的比重 11
圖 9 最佳化方法的比重 11
圖 10 評估模型方法的比重 12
圖 11 研究架構 16
圖 12 SVR的支持向量 28
圖 13 SVR模型：以那斯達克指數預測比特幣為例 31
圖 14 比特幣與股市指數的相關係數矩陣 39
圖 15 各個股市指數的箱型圖 40
圖 16 VIX長條圖 41
圖 17 VIX箱型圖 41
圖 18 比特幣與VIX指數的雙座標價格 46
圖 19 計算比特幣與股價指數在VIX不同時的相關係數 47
圖 20 畫出VIX在數值多少時，相關係數最大 48
圖 21 VIX與股價指數的相關係數變化 48
圖 22 比特幣與股市指數的相關係數矩陣（VIX ≤ 35 ） 50
圖 23 比特幣與股市指數的相關係數矩陣（VIX > 35 ） 51
圖 24 缺失值視覺化 53
圖 25 缺失值刪除視覺化 54
圖 26 相關係數矩陣 55
圖 27 相關係數矩陣（普通時期） 56
圖 28 相關係數矩陣（恐慌時期） 57
圖 29 資料分割方法 58
圖 30 真實與預測的比較圖（訓練 , 線性回歸） 59
圖 31 真實與預測的比較圖（測試 , 線性回歸） 60
圖 32 真實與預測的比較圖（驗證 , 線性回歸） 61
圖 33 真實與預測的比較圖（全部 , 線性回歸） 62
圖 34 真實與預測的比較圖（訓練 , 支援向量機） 63
圖 35 真實與預測的比較圖（測試 , 支援向量機） 64
圖 36 真實與預測的比較圖（驗證 , 支援向量機） 65
圖 37 真實與預測的比較圖（全部 , 支援向量機） 66
圖 38 真實與預測的比較圖2（訓練 , 線性回歸） 67
圖 39 真實與預測的比較圖2（測試 , 線性回歸） 68
圖 40 真實與預測的比較圖2（驗證 , 線性回歸） 69
圖 41 真實與預測的比較圖2（全部 , 線性回歸） 70
圖 42 真實與預測的比較圖2（訓練 , 支援向量機） 71
圖 43 真實與預測的比較圖2（測試 , 支援向量機） 72
圖 44 真實與預測的比較圖2（驗證 , 支援向量機） 73
圖 45 真實與預測的比較圖2（全部 , 支援向量機） 74
圖 46 比特幣與標普500指數原始資料集 78
圖 47 比特幣與那斯達克指數原始資料集 82
圖 48 比特幣與阿根廷指數原始資料集 86
圖 49 比特幣與日經225指數原始資料集 90
圖 50 比特幣與台灣加權指數原始資料集 94
圖 51 統計摘要（小時資料） 97
圖 52 比特幣成交量的資料分布 98
圖 53 比特幣收盤價與SMA的資料分布 98
圖 54 比特幣RSI與漲跌幅的資料分布 99
圖 55 比特幣預測漲或跌的資料分布 99
圖 56 原始資料集（一小時資料） 100
圖 57 分類器預測效果（箱型圖） 102
圖 58 特徵值重要性排行榜 103
圖 59 決策分析 104
 

[1]S. Nakamoto, “Bitcoin: A peer-to-peer electronic cash system,” 2008.
[2]F. Glaser et al., “Bitcoin-asset or currency? revealing users' hidden intentions,” 2014.
[3]金融科技力 : FinTech測驗參考用書, 初版二刷. ed., 臺北市: 臺灣金融研訓院, 2019.
[4]I. M. Sifat, A. Mohamad, and M. S. B. Mohamed Shariff, “Lead-Lag relationship between Bitcoin and Ethereum: Evidence from hourly and daily data,” Research in International Business and Finance, vol. 50, pp. 306-321, 2019/12/01/, 2019.
[5]J. M. Griffin, and A. J. T. J. o. F. Shams, “Is Bitcoin Really Untethered?,” The Journal of Finance, vol. 75, no. 4, pp. 1913-1964, 2020.
[6]吳仲平, “比特幣價格與總體經濟變數之關聯性,” 經濟學研究所, 國立臺灣大學, 台北市, 2018.
[7]陳羿熏, “當市場恐慌指數變高時比特幣是否還為臺灣加權股價指數的避險工具？,” 企業管理系研究所, 國立中正大學, 嘉義縣, 2020.
[8]C. D. Mariana, I. A. Ekaputra, and Z. A. J. F. r. l. Husodo, “Are Bitcoin and Ethereum safe-havens for stocks during the COVID-19 pandemic?,” Finance research letters, pp. 101798, 2020.
[9]胡容華, “比特幣跨境價差交易,” 財務金融研究所, 中原大學, 桃園縣, 2017.
[10]I. Makarov, and A. J. J. o. F. E. Schoar, “Trading and arbitrage in cryptocurrency markets,” vol. 135, no. 2, pp. 293-319, 2020.
[11]张楠, and 北. 北京联合大学, 100083, “真实世界中的虚拟与虚拟世界中的真实,” 学习与探索, no. 2011年 06, pp. 50-52, 2011.
[12]B. M. Henrique, V. A. Sobreiro, and H. Kimura, “Literature review: Machine learning techniques applied to financial market prediction,” Expert Systems with Applications, vol. 124, pp. 226-251, 2019.
[13]黃宣凱, “事件因素對比特幣價格之影響,” 國際財務金融碩士在職專班, 國立臺北大學, 新北市, 2017.
[14]劉倫綱, “比特幣報酬率分析及預測,” 應用數學系研究所, 國立中山大學, 高雄市, 2018.
[15]D. H. Shen, A. Urquhart, and P. F. Wang, “Does twitter predict Bitcoin?,” Economics Letters, vol. 174, pp. 118-122, Jan, 2019.
[16]陳柔妤, “文字探勘與比特幣漲跌趨勢預測分析,” 金融與國際企業學系金融碩士班, 輔仁大學, 新北市, 2019.
[17]I. Madan, S. Saluja, and A. M. Zhao, “Automated bitcoin trading via machine learning algorithms,” vol. 20, 2015.
[18]S. McNally, J. Roche, and S. Caton, "Predicting the Price of Bitcoin Using Machine Learning," Proceedings - 26th Euromicro International Conference on Parallel, Distributed, and Network-Based Processing, PDP 2018. pp. 339-343.
[19]T. Phaladisailoed, and T. Numnonda, "Machine learning models comparison for bitcoin price prediction," Proceedings of 2018 10th International Conference on Information Technology and Electrical Engineering: Smart Technology for Better Society, ICITEE 2018. pp. 506-511.
[20]P. V. Rane, and S. N. Dhage, "Systematic Erudition of Bitcoin Price Prediction using Machine Learning Techniques," 2019 5th International Conference on Advanced Computing and Communication Systems, ICACCS 2019. pp. 594-598.
[21]Z. Chen, C. Li, and W. Sun, “Bitcoin price prediction using machine learning: An approach to sample dimension engineering,” Journal of Computational and Applied Mathematics, vol. 365, 2020.
[22]J. A. Ryan et al., “Package ‘quantmod’,” 2020.
[23]J. J. h. c. r.-p. o. w. p. T. T. p. Ulrich, “Package TTR: Technical trading Rules. CRAN Repository,” 2018.
[24]A. Zeileis et al., “Package ‘zoo’,” 2020.
[25]L. Torgo, and M. L. J. C. R. A. N. Torgo, “Package ‘DMwR’,” 2013.
[26]H. Wickham, W. Chang, and M. H. J. C. E. D. V. U. t. G. o. G. V. Wickham, “Package ‘ggplot2’,” vol. 2, no. 1, pp. 1-189, 2016.
[27]T. Wei et al., “Package ‘corrplot’,” vol. 56, no. 316, pp. e24, 2017.
[28]B. G. Peterson et al., “Package ‘PerformanceAnalytics’,” 2018.
[29]H. Wickham et al., “dplyr: A Grammar of Data Manipulation. R package version 0.4. 3,” 2015.
[30]D. Meyer et al., “e1071: Misc functions of the Department of Statistics (e1071), TU Wien,” vol. 1, no. 3, 2014.
[31]M. Kuhn et al., “Package ‘caret’,” 2015.
[32]賈俊平, 統計學 : 基於R的應用, 初版 ed., p.^pp. 335～338, 臺北市: 五南, 2017.
[33]J. Han, J. Pei, and M. Kamber, Data mining: concepts and techniques: Elsevier, 2011.
[34]S.-H. Hsu et al., “A two-stage architecture for stock price forecasting by integrating self-organizing map and support vector regression,” Expert Systems with Applications, vol. 36, no. 4, pp. 7947-7951, 2009/05/01/, 2009.
[35]L. J. M. l. Breiman, “Random forests,” vol. 45, no. 1, pp. 5-32, 2001.