臺灣博碩士論文加值系統

股票市場的走勢一直是許多民眾所關注的話題，而對於股票市場上股價因素的漲跌，有許多投資人希望對於未來股票價格進行準確預測，但股價受到很多因素；包含人為因素、政治因素、總體經濟環境因素、消息面或是其他未知因素的影響，使得許多相關研究的模型準確率無法令人滿意。

Data mining技術應用於預測的延革已經很久，而過去研究使用的方法包含基因演算法(Genetic Algorithms)、類神經網路(Artificial Neural Network，ANN)、決策樹演算法(Decision Tree Algorithms)、支援向量機(Support Vector Machine)等等均有學者應用於建立股價預測模型，近年來決策樹演算法成為在股價預測的議題中受歡迎的一種，研究顯示也有不錯的效果。

本研究應用決策樹演算法於台灣集中及櫃檯市場之類股股價的預測，研究目標為台灣50類股，研究期間為西元2002年5月2日起至2010年3月31日止。

實驗結果發現，以決策樹演算法結合個股技術指標及籌碼指標變數建立的股價漲跌預測模型之投資報酬率，可與在同期間之投信基金報酬率之排名獲得不錯的成效，同時領先相同期間之大盤指數漲幅。

The trend of stock market is a subject to be concerned by most people. Many investors expect to predict the stock price, which is affected by lot of factors, such as human interference, political issue, macro-economic or other unknown factors. Therefore the accuracy of some related models cannot be satisfied by people who concern.

Some methods applied to establish the stock price forecasting model by scholars, including Genetic Algorithms(GA), Artificial Neural Network(ANN), decision tree algorithms, SVM(Support Vector Machine) and so on. However, data mining technology has been used to forecast for a long time. Recently, decision tree algorithms become a popular one in the study of the stock price prediction and the study has shown good results.

This research applies decision tree algorithm to forecast the stock price of listed and OTC market in Taiwan. The target of research is to study TSEC Taiwan 50 sectors during the period from 2nd May 2002 to 31st March 2010. Experimental results show that the ROI (return on investment) of the stock price index prediction model established by combining the decision tree algorithm with the technical and counter indexes variables of stock can get a good result comparing to the ranking of the return on ROI of Trust Fund in the same period; and also ahead to the increase of market index during the same time period.

本文目錄

摘要 I
Abstract II
致謝辭 III
表目錄 VI
圖目錄 IX
第一章 緒論 1
1.1 研究背景與研究目的 1
1.2 研究方法與步驟 2
1.3 研究範圍及限制 2
1.4 研究架構 3
第二章 文獻探討 6
2.1 股價走勢分析方法 6
2.1.1 基本面分析法 6
2.1.2 技術面分析法 7
2.1.3 訊息面分析法 10
2.1.4 籌碼面分析法 11
2.2 資料探勘(Data mining)的意義與其應用 11
2.2.1 資料探勘定義 11
2.2.2 常見的資料探勘技術 12
2.3 股價預測工具相關研究 13
2.4 決策樹演算法(Decision Tree Algorithms) 15
2.5 資料探勘應用於股價預測方面之文獻整理 18
第三章 研究方法與研究設計 23
3.1 研究架構 23
3.2 資料來源及處理 25
3.2.1 股價原始資料欄位 25
3.2.2 資料前處理 26
3.2.3 訓練、測試資料集 29
3.3 建構以決策樹為工具的預測模型方法 29
3.3.1 決策樹的工具軟體 29
3.3.2 驗證方式及評估準則 30
第四章 實驗分析及比較 34
4.1 投資趨勢選擇方式 34
4.1.1 訓練決策樹模型 34
4.1.2 測試結果及比較 37
4.2 測試資料-階段一 41
4.2.1 訓練決策樹模型 41
4.2.2 測試結果及比較 43
4.2.3 同期間大盤及投信基金績效報酬率 47
4.3 測試資料-階段二 48
4.3.1 訓練決策樹模型 48
4.3.2 測試結果及比較 50
4.3.3 同期間大盤及投信基金績效報酬率 54
4.4 測試資料-階段三 55
4.4.1 訓練決策樹模型 55
4.4.2 測試結果及比較 57
4.4.3 同期間大盤及投信基金績效報酬率 60
4.5 實驗數據總結 61
第五章 結論 62
5.1 結論 62
5.2 未來研究方向 63
5.2.1 使用不同之指標 63
5.2.2 投資利潤的選擇 63
5.2.3 其他個股之研究 63
5.2.4 其他國家股市 63
附錄A.4 9檔個股之預測規則範例-投資趨勢選擇階段 65
附錄B. 49檔個股之預測規則範例-階段一 66
附錄C. 49檔個股之預測規則範例-階段二 67
附錄D. 49檔個股之預測規則範例-階段三 68
參考文獻 69
中文部份 69
英文部份 70

表目錄

表2.1 資料探勘在股價預測應用–以類神經網路之文獻整理 18
表2.2 資料探勘在股價預測應用–以決策樹演算法之文獻整理 19
表2.3 資料探勘在股價預測應用–以其他演算法之文獻整理 21
表3.1 處理前欄位名稱 25
表3.2 處理後欄位名稱 26
表3.3 報酬率級距分類表 28
表3.4 處理後欄位名稱 28
表3.5 投資趨勢選擇時間軸示意圖 30
表3.6 階段一時間軸示意圖 30
表3.7 階段二時間軸示意圖 30
表3.8 階段三時間軸示意圖 30
表3.9 決策樹模型訓練、預測及應用區間 31
表4.1 08/7預測做多個股 37
表4.2 08/7預測放空個股 37
表4.3 08/8預測做多個股 37
表4.4 08/8預測放空個股 37
表4.5 08/9預測做多個股 37
表4.6 08/9 預測放空個股 38
表4.7 08/10 預測做多個股 38
表4.8 08/10 預測放空個股 38
表4.9 08/11 預測做多個股 38
表4.10 08/11 預測放空個股 39
表4.11 以類別資料筆數多者投資為投資策略 39
表4.12 以類別資料筆數少者投資為投資策略 40
表4.13 09/1預測做多個股 43
表4.14 09/1預測放空個股 43
表4.15 09/2預測做多個股 44
表4.16 09/2預測放空個股 44
表4.17 09/3預測做多個股 44
表4.18 09/3預測放空個股 44
表4.19 09/4預測做多個股 45
表4.20 09/4預測放空個股 45
表4.21 09/5預測做多個股 45
表4.22 09/5預測放空個股 45
表4.23 類別資料筆數多者投資為投資策略之報酬率 46
表4.23 類別資料筆數多者投資為投資策略之報酬率 46
表4.24 類別資料筆數少者投資為投資策略之報酬率 46
表4.25 階段一-大盤及投信基金報酬率 48
表4.26 09/6預測做多個股 51
表4.27 09/6預測放空個股 51
表4.28 09/7預測做多個股 51
表4.29 09/7預測放空個股 51
表4.30 09/8預測做多個股 51
表4.31 09/8預測放空個股 51
表4.32 09/9預測做多個股 52
表4.33 09/9預測放空個股 52
表4.34 09/10預測做多個股 52
表4.35 09/10預測放空個股 52
表4.36 類別資料筆數多者投資為投資策略之報酬率 52
表4.37 類別資料筆數少者投資為投資策略之報酬率 53
表4.38 階段二-大盤及投信基金報酬率 54
表4.39 09/11預測做多個股 57
表4.40 09/11預測放空個股 57
表4.41 09/12預測做多個股 57
表4.42 09/12預測放空個股 57
表4.43 10/1預測做多個股 57
表4.44 10/1預測放空個股 57
表4.45 10/2預測做多個股 58
表4.46 10/2預測放空個股 58
表4.47 10/3預測做多個股 58
表4.48 10/3預測放空個股 58
表4.49 類別資料筆數多者投資為投資策略之報酬率 58
表4.50 類別資料筆數少者投資為投資策略之報酬率 59
表4.51 階段三-大盤及投信基金報酬率 60
表4.52 三階段結果比較 61

圖目錄

圖1.1 研究流程 5
圖2.1 2301光寶科KD線型圖 8
圖2.2 2301光寶科MACD/DIF線型圖 9
圖2.3 2301光寶科RSI線型圖 10
圖2.4 外出打爾夫球的條件及資料集 17
圖2.5 是否外出打爾夫球的分類決策樹 17
圖3.1 研究架構圖 24
圖3.2 近二年來基金績效排名 32
圖4.1 投資趨勢選擇方式-模糊矩陣 35
圖4.2 投資趨勢選擇方式-決策樹模型 36
圖4.3 投資趨勢選擇方式-範例規則 36
圖4.4 階段一-模糊矩陣 42
圖4.5 階段一-決策樹模型 43
圖4.6 階段一-決策規則-放空 43
圖4.7 階段二-模糊矩陣 49
圖4.8 階段二-決策樹模型 50
圖4.9 階段二-決策規則-做多 50
圖4.10 階段三-模糊矩陣 55
圖4.11 階段三-決策樹模型 56
圖4.12 階段三-決策規則-做多 57
圖A-1 南亞決策樹 65
圖A-2 南亞規則 65
圖A-3 南電決策樹 65
圖A-4 南電規則 65
圖A-5 國泰金決策樹 65
圖A-6 國泰金規則 65
圖B-1 力成決策樹 66
圖B-2 力成規則 66
圖B-3 中信金決策樹 66
圖B-4 中信金規則 66
圖B-5 中華電決策樹 66
圖B-6 中華電規則 66
圖C-1 元大金決策樹 67
圖C-2 元大金規則 67
圖C-3 友達決策樹 67
圖C-4 友達規則 67
圖C-5 台肥決策樹 67
圖C-6 台肥規則 67
圖D-1 正新測試集 68
圖D-2 正新規則 68
圖D-3 永豐金決策樹 68
圖D-4 永豐金規則 68
圖D-5 宏達電決策樹 68
圖D-6 宏達電規則 68

中文部份
1. 白炳豐、林國平、王正賢，橢圓形模糊系統於台灣股市股價預測之應用，Journal of the Chinese Institute of Industrial Engineers, Vol. 21, No. 2, pp. 146-155，2004。

2. 施正宏，台灣上市電子公司財務危機預警模式，中原大學資訊管理研究所碩士論文，民國93年。

3. 張正一，類神經網路於有價證券預測股價及漲跌之研究，中國文化大學國際企業管理研究所碩士論文，民國89年。

4. 江亭毅，股市投資決策支援系統，國立中正大學會計與資訊科技研究所碩士論文，民國96年。

5. 陳俊達、王台平、劉昭麟，以文件分類技術預測股價趨勢，第十九屆自然語言與語音處理研討會論文集 (ROCLING XIX)，P.347‒361，民國96年。

6. 鄒杰夫，台灣上市類股股價預測模型之研究-倒傳遞類神經網路模型之應用，私立玄奘大學財務金融學系碩士論文，民國97年。

7. 林國平，模糊類神經系統於股市股價預測之應用，大葉大學工業工程系碩士論文，民國91年。

8. 吳聲昌，以資料探勘技術於台灣股票市場尋找低風險投資組合之研究，民國95年。

9. Benjamin,G.& David,D.(1946)，證券分析(Security Analysis)，寰宇財金，黃嘉斌譯，初版，民國91年。

10. 寶來證券網站 http://www.polaris.com.tw/

11. 台灣證券交易所網站 http://www.twse.com.tw/

12. 奇摩理財/基金 http://tw.money.yahoo.com/fund

13. 南山人壽 http://www.nanshanlife.com.tw/

英文部份
1. Kimoto, T. & Asakawa, K.(1990), Stock market prediction system with modular neural networks, IJCNN, Vol.1, P.1-6

2. Brownstone, D. (1995), Using percentage accuracy to measure neural network predictions in Stock Market movement, Neurocomputing 10 , P.237-250

3. Myoung-Jong Kim , Sung-Hwan Min and Ingoo Han(2006), An evolutionary approach to the combination of multiple classifiers to predict a stock price index, Expert Systems with Applications 31, P.241–247

4. Muh-Cherng Wu, Sheng-Yu Lin & Chia-Hsin Lin(2006), An effective application of decision tree to stock trading, Expert Systems with Applications 31, P.270–274

5. Jar-Long Wang & Shu-Hui Chan(2006), Stock market trading rule discovery using two-layer bias decision tree, Expert Systems with Applications 30, P. 605–611

6. Takahashi, T., Tamada, R. & Nagasaka, K.(1998), Multiple line-segments regression for stock prices and long-range forecasting system by neural networks, Proceedings of SICE Annual Conference, P.1127-1132

7. Chi-Lin Lu & Ta-Cheng Chen.(2009), A study of applying data mining approach to the information disclosure for Taiwan's stock market investors, Expert Systems with Applications 36, P.3536–3542

8. Chenn-Jung Huang, Dian-Xiu Yang & Yi-Ta Chuang(2008), Application of wrapper approach and composite classifier to the stock trend prediction, Expert Systems with Applications 34, P.2870–2878

9. Karthik Chandra, D., Ravi, V & Bose, I.(2009), Failure prediction of dotcom companies using hybrid intelligent techniques, Expert Systems with Applications 36, P.4830–4837

10. Irma Becerra-Fernandeza, Stelios H. Zanakis & Steven Walczak(2002), Knowledge discovery techniques for predicting country investment Risk, Computers & Industrial Engineering 43 ,P.787–800

11. Wei-Sen Chen & Yin-Kuan Du(2009), Using neural networks and data mining techniques for the financial distress prediction model, Expert Systems with Applications 36, P.4075–4086

12. Qinghua Wen, Zehong Yang, Yixu Song & Peifa Jia(2009), Automatic stock decision support system based on box theory and SVM algorithm, Expert Systems with Applications 37, P.1015-1022

13. Depei Bao & Zehong Yang(2008), Intelligent stock trading system by turning point confirming and probabilistic reasoning, Expert Systems with Applications 34 , P.620–627