臺灣博碩士論文加值系統

本研究想要找出一個適合投資的時間點和投資標的，每次總統選舉後短時間內股票上漲機率較高，因此本研究決定了此期間和此事件，期望研究能找出良好的進行投資標的的篩選模型。
本研究從過去的研究中找出被證明有效的各個變數作為本研究的輸入變數在經過變數篩選後做類神經網路的預測。除此之外，本研究還試著以事件研究法確認總統選舉事件對股票市場具有重大影響力之後，以選舉這段時間做研究希望能夠因此獲得更佳預測能力。並使用選舉前15天為限制盡可能的做變數的蒐集，以用來預測選後15天的股價。
本研究預測結果好壞主要歸因於變數選擇的好壞，在三種篩選方法中逐步迴歸的預測結果較不佳。而剩下的主成份分析和隨機森林兩個辦法中，主成份分析以80％主成份做出優於90％主成份的結果但皆略差於原始的模型，並沒加強預測能力的效果；隨機森林則整體皆優於主成份分析甚至超越未經篩選變數模型，是本次研究中最佳的預測模型。

This study wants to find a suitable time point for investment and investment targets, in view of a short period of time after the presidential election stock prices rose higher, so this study determines the period and the event, expect to find good screening of investment targets screening model.
In this study, we found all the variables that have been proved to be effective from the past studies as the input variables of this study. After the selection of variables, we make neural network prediction. In addition, this study also tried to use event research to confirm that the presidential election has a significant impact on the stock market. After the event research method used to confirm that the presidential election has a significant impact on the stock market. The study conducted during the election period, hoping to obtain better forecasting ability. Use the 15 days prior to the election as a restriction to do the collection of variables as much as possible that used to predict the election 15 days after the stock price.
The results of this study are mainly due to the good or bad predictors of the variables. The predictions result of stepwise regression in the three screening methods is bad. The remaining principal component analysis and random forest two methods, the principal component analysis to 80% of the main components to make better than 90% of the main components of the results are slightly worse than the original model, did not enhance the effect of predicting ability. The random forest is better than the principal component analysis and even beyond the unscreened variable model, which is the best prediction model in this study.

誌謝 2
摘要 3
Abstract 4
第一章 緒論 7
1.1 研究背景與動機 7
1.2 研究目的 10
1.3 章節概述 11
1.4 研究流程 12
第二章 文獻探討 13
2.1 事件研究法介紹 13
2.1.1 事件研究法 13
2.1.2 事件研究法相關研究 16
2.2 變數篩選方法 18
2.2.1 主成分分析法 18
2.2.2 隨機森林分類法 20
2.2.3 逐步迴歸法 22
2.3 類神經網路介紹 24
2.4 股價預測模型的相關研究 29
第三章 研究方法 33
3.1 研究樣本及變數選取 33
3.1.1 樣本選取及描述 33
3.1.2 變數選取 34
3.1.3 研究架構圖 37
3.2 倒傳遞網路 38
3.3 事件研究法 40
3.4 技術指標計算 41
第四章 實證過程與結果分析 42
4.1 資料的取得和處理 42
4.2 事件研究法 45
4.3 倒傳遞類神經網路模式的建立 49
4.3.1 未經過變數篩選的倒傳遞類神經網路模式 52
4.3.2 逐步迴歸-倒傳遞類神經網路模式 53
4.3.3 主成分分析-倒傳遞類神經網路模式 55
4.3.4 隨機森林-倒傳遞類神經網路模式 59
4.4 後續探討 64
4.4.1 模型優劣 64
4.4.2 模型、變數優劣變數篩選—去離群值 65
4.4.3 2016年股市預測 68
4.4.4 去除特定產業 70
第五章 結論與建議 71
5.1 結論 71
5.2 研究討論 72
5.3 研究限制 72
5.4 建議 72
參考文獻 73

王慧菱, 譚醒朝, & 張曉芬. （2005）. SARS 疾病災難事件對台灣生技醫療產業股價影響之研究. 健康管理學刊, 3（2）, 99-119.
沈中華, & 李建然. （2000）. 事件研究法: 財務與會計實證研究必備. 華泰文化.
李惠妍. （2003）. 類神經網路與迴歸模式在台股指數期貨預測之研究. 成功大學高階管理碩士在職專班 （EMBA） 學位論文, 1-56.
李惠妍, 吳宗正, & 溫敏杰. （2006）. 迴歸模式與類神經網路在台股指數期貨預測之研究.
林惠娜, & 姜淑美. （2007）. 重大事件對台灣股匯市影響之研究-跳躍-擴散模型之應用. 朝陽商管評論, 6（2）, 29-55.
胡桂豪 （2013）應用資料探勘偵測盈餘管理. 2013. PhD Thesis.
連立川, & 葉怡成. （2008）. 以遺傳神經網路建構台灣股市買賣決策系統之研究. 資訊管理學報, 15（1）, 29-51.
凌明智. （2004）. 重大災難事件對股票市場之影響-以 SARS 疾病災難事件對台灣金融業為例, 國立高雄第一科技大學金融營運系碩士論文.
黃華山, & 邱一勳. （2005）. 類神經網路預測台灣 50 股價指數之研究. 資訊, 科技與社會學報, 5, 19-42.
陳清山， 陳信安， 郭章淵 （2007） 以類神經網路及主成份分析法探討臺中市中小學校舍耐震模式, 行政院國家科學委員會補助專題研究計畫
葉怡成. （2002）. 類神經網路模式應用與實作, 第七版, 儒林圖書有限公司.
葉怡成. （2002）. 應用類神經網路. 台北: 儒林圖書有限公司.
蔡穗馥, & 吳億亭. （2013）. 金融危機事件對台灣股票市場的報酬與波動性之影響. 東吳經濟商學學報, 81, 69-93.
Ballings, M., Van den Poel, D., Hespeels, N., & Gryp, R. （2015）. Evaluating multiple classifiers for stock price direction prediction. Expert Systems with Applications, 42（20）, 7046-7056.
Boehmer, E., Masumeci, J., & Poulsen, A. B. （1991）. Event-study methodology under conditions of event-induced variance. Journal of financial economics, 30（2）, 253-272.
Breiman, L. （2001）. Random forests. Machine Learning, 45 （1）, 5–32 .
Cheng, P., Quek, C., & Mah, M. L. （2007）. Predicting the impact of anticipatory action on US stock market—An event study using ANFIS （a neural fuzzy model）. Computational Intelligence, 23（2）, 117-141.
Kim, K. J. （2003）. Financial time series forecasting using support vector machines. Neurocomputing, 55（1）, 307-319.
Krauss, C.; Do, X.A.; Huck, N. （2017） Deep neural networks, gradient-boosted trees, random forests: Statistical arbitrage on the S&P 500. Eur. J. Oper. Res., 259, 689–702.
L.J. van der Maaten , E.O. Postma , H.J. van den Herik , （2009） Dimensionality reduction: a comparative review, J. Mach. Learn. Res. 10 （1-41） 66–71 .
Moritz, B. , & Zimmermann, T. （2014）. Deep conditional portfolio sorts: The relation between past and future stock returns . Working paper, Ludwig Maximilian Uni- versity Munich and Harvard University
Nicholas Apergis & Panagiotis G. Artikis, （2016）. Foreign Exchange Risk, Equity Risk Factors and Economic Growth, Atlantic Economic Journal, Springer;International Atlantic Economic Society, vol. 44（4）, pages 425-445, December.
Pantzalis, C., Stangeland, D. A., & Turtle, H. J. （2000）. Political elections and the resolution of uncertainty: the international evidence. Journal of banking & finance, 24（10）, 1575-1604.
Podsiadlo, M., & Rybinski, H. （2016）. Financial time series forecasting using rough sets with time-weighted rule voting. Expert Systems with Applications, 66, 219-233.
Tan, C. N. （1993, November）. Trading a NYSE-stock with a simple artificial neural network-based financial trading system. In Artificial Neural Networks and Expert Systems, 1993. Proceedings., First New Zealand International Two-Stream Conference on （pp. 294-295）. IEEE.
Wong, W. Y., & Hooy, C. W. （2016）. The Impact of Election on Stock Market Returns of Government-Owned Banks: The Case of Indonesia, Malaysia and Thailand. Asian Journal of Business and Accounting, 9（1）.
Zhong X., D. Enke （2017）. Forecasting daily stock market return using dimensionality reduction. Expert Systems with Applications, 67, pp. 126-139.
Zhong X., D. Enke （2017）. A comprehensive cluster and classification mining procedure for daily stock market return forecasting Neurocomputing, 267, pp. 152-168.