臺灣博碩士論文加值系統

本研究主要目的是檢驗特徵值的不同資料結構屬性、特徵值數量，以及訓練期長度，對於個股股價趨勢預測準確度的影響。本研究應用深度學習的技術LSTM演算法為預測模型，以PCA算法篩選技術指標進行降維，並使用Word2Vect文字探勘技術處理非結構性資料的個股新聞，當作LSTM模型的預測特徵值，操作不同情境的實驗，據以檢驗它們對個別股票價格趨勢預測的影響。
實驗結果發現: 首先，以訓練期50日的特徵值得到的績效表現，比以訓練期60日的特徵值得到的績效表現較佳，顯示適當長度的訓練期是需要的。其次，特徵值數量使用越多的預測模型，未必會得到較好的預測結果，而使用PCA篩選特徵值確實能提升預測正確率。第三、在非結構化的資料中運用上漲下跌詞庫，所得到的新聞分數作為特徵值的預測準確度，高於以新聞向量當特徵值的預測準確度，且在台積電(2317)與鴻海(2330)兩檔固票的測試皆有79.59%與78.95%良好準確率。最後，以非結構化的新聞分數結合結構化且降維的技術指標，進行預測個股股價漲跌趨勢表現是最佳，實驗標的皆有近90%的高準確度，在交易實務上已達實際上線應用水準。

The main purpose of this study is to examine the influence of different data structure attributes, the number of eigenvalues, and the length of the training period on the accuracy of individual stock price trend prediction. In this study, the deep learning technique, of the LSTM algorithm, is used as the predictive model, and the PCA algorithm is adopted to screen the technical indicators for dimensionality reduction, moreover, Word2Vect text search technology is used to process the non-structural data of stock news, which is adopted as the predicted feature value of the LSTM model. Situational experiments are based on testing their impact on individual stock price trend forecasts.
The experimental results show that: Firstly, the performance obtained by the eigenvalues of the training period of 50 days is better than the performance of the eigenvalues of the training period of 60 days, and consequently the training period of the appropriate length is significant. Secondly, more prediction models used in the number of eigenvalues, may not necessarily generate better prediction results, and using PCA to filter eigenvalues can indeed improve the prediction accuracy. Thirdly, using the rising lexicon in unstructured data to obtain news scores, the eigenvalue prediction accuracy is higher than the prediction accuracy of the eigenvalues in the news vector. And in TSMC (2317) and Foxconn (2330), both grades of the ticket test demonstrate a good accuracy rate of 79.59% and 78.95%. Finally, unstructured news scores combined with structured and dimensionally reduced technical indicators best predict the rise and fall of individual stocks. The experimental targets present a high accuracy of nearly 90% that meets the standard for actual trading practice, within online trading applications.

目 錄 v
表次 vi
圖次 vii
第壹章 緒　論 1
第一節 研究背景與動機 1
第二節 研究目的 3
第三節 論文架構與流程圖 3
第貳章 文獻探討 4
第一節 技術分析 5
第二節 新聞文章與股價預測 11
第三節 主成分分析 (PRINCIPAL COMPONENT ANALYSIS) 12
第四節 WORD2VEC 15
第五節 長短期記憶神經網絡(LONG SHORT-TERM MEMORY) 17
第參章 研究設計 24
第一節 研究架構 24
第二節 研究變數與操作化 25
第三節 資料來源及資料預處理 29
第四節 實驗設計 34
第五節 績效評估 42
第六節 實驗環境 43
第肆章 實驗結果與分析 44
第一節 LSTM模型實驗結果 44
一、 台積電（L-2330） 44
二、 鴻海（L-2317） 47
第二節 PCA-LSTM模型實驗結果 50
一、 台積電（PL-2330） 50
二、 鴻海（PL-2317） 59
第三節 WORD2VEC-LSTM模型實驗結果 68
一、 台積電（WL-2330） 68
二、 鴻海（WL-2317） 70
第四節 PCA-WORD2VEC-LSTM模型實驗結果 72
一、 台積電（PWL-2330） 72
二、 鴻海（PWL -2317） 75
第五節 模型績效評估分析 78
第伍章 研究結論 81
第一節 研究結論 81
第二節 研究貢獻 86
第三節 研究限制 87
第四節 後續研究建議 87
第陸章 參考文獻 89
一、 中文部份： 89
二、 英文部份： 91
附錄一：台積電新聞資料 94
附錄二：鴻海新聞資料 95

一、 中文部份：
1. 施惠萍（1999）。結構係變化的偵測與其在技術分析中的應用。國立臺灣大學經濟學研究所碩士論文，台北市。 取自https://hdl.handle.net/11296/w73gvs
2. 洪志豪（1999）。技術指標KD、MACD、RSI與WMS%R之操作績效實證。國立臺灣大學國際企業學研究所碩士論文，台北市。 取自https://hdl.handle.net/11296/s72h6q
3. 張凱婷（2011）。應用支撐向量迴歸及模糊規則於股價買賣點之預測。元智大學資訊管理學系碩士論文，桃園縣。 取自https://hdl.handle.net/11296/kn53tg
4. 張曉青（2007）。建構智慧型線段切割法於股價買賣點之預測。元智大學工業工程與管理學系碩士論文，桃園縣。 取自https://hdl.handle.net/11296/37bpjn
5. 陳育信（2004）。以移動平均線(MA)與乖離率(Bias)檢測台指選擇權單一部位投資策略之績效。逢甲大學經營管理碩士在職專班碩士論文，台中市。 取自https://hdl.handle.net/11296/z4ymx2
6. 陳俊豪（2017）。利用卷積神經網路深度學習方法預測外匯走勢。國立臺灣大學經濟學研究所碩士論文，台北市。 取自https://hdl.handle.net/11296/2n2fqy
7. 陳鄢貞（2011）。以財務指標及技術指標建構股價預測模型－類神經網路模型之應用。國立臺北大學國際財務金融碩士在職專班碩士論文，新北市。 取自https://hdl.handle.net/11296/bsyff7
8. 黃美玲（2004）。整合模糊群聚分析與類神經模糊系統在股價預測應用之研究。淡江大學會計學系碩士論文，新北市。 取自https://hdl.handle.net/11296/87t4y7
9. 黃超彥（2010）。類神經網路及動態門檻值於股價轉折點之預測。元智大學資訊管理學系碩士論文，桃園縣。 取自https://hdl.handle.net/11296/wefqw2
10. 廖日昇(2012)。我的第一本圖解技術分析。台北市：我識出版社。
11. 趙永昱（2002）。技術分析交易法則在股市擇時之實證研究。國立中山大學財務管理學系研究所碩士論文，高雄市。 取自https://hdl.handle.net/11296/w2uva2
12. 鄭健毅（2010）。應用SVR支援向量迴歸模式來進行電子產業股價預測。明新科技大學工業工程與管理研究所碩士論文，新竹縣。 取自https://hdl.handle.net/11296/tbf589
13. 賴志銘（2009）。叢集式類神經網路在股價轉折點預測之應用。元智大學資訊管理學系碩士論文，桃園縣。 取自https://hdl.handle.net/11296/nnw493
14. 謝玉華（1999）。以拔靴複製法檢驗技術分析交易策略。銘傳大學金融研究所碩士論文，台北市。 取自https://hdl.handle.net/11296/skjk2m
15. 鍾任明（2005）。運用文字探勘於日內股價漲跌趨勢預測之研究。中原大學資訊管理研究所碩士論文，桃園縣。 取自https://hdl.handle.net/11296/u3w593
 
二、 英文部份：
1. Akita, R., Yoshihara, A., Matsubara, T., & Uehara, K. (2016). Deep learning for stock prediction using numerical and textual information. Paper presented at the Computer and Information Science (ICIS), 2016 IEEE/ACIS 15th International Conference on Information Science.
2. Bao, D., & Yang, Z. (2008). Intelligent stock trading system by turning point confirming and probabilistic reasoning. Expert Systems with Applications, 34(1), 620–627.
3. Chang, P.-C., Wang, D., & Zhou, C. (2012). A novel model by evolving partially connected neural network for stock price trend forecasting. Expert Systems with Applications, 39(1), 611–620.
4. F. E. James (1968). “Monthly Moving Averages an Effective Investment Tool? ” . Journal of Financial and Quantitative Analysis, 3(03), 315–326.
5. Gidófalvi, G. (2001). Using News Articles to Predict Stock Price Movements. Retrieved from https://pdfs.semanticscholar.org/c930/99d9d9ab9f869fdf6d6bf37bc6b9cf22d76f.pdf
6. Hadavandi, E., Shavandi, H., & Ghanbari, A. (2010). Integration of genetic fuzzy systems and artificial neural networks for stock price forecasting. Knowledge-Based Systems, 23(8), 800–808.
7. Heaton, J. B., Polson, N. G., & Witte, J. H. (2016). Deep learning in finance. arXiv preprint arXiv:1602.06561.
8. Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735-1780.
9. Horne, V., & G, G. (1967). The RandomWalk Theory: An Empirical Test. Financial Analysts Journal, 23(6), 87–92.
10. Kara, Y., Acar Boyacioglu, M., & Baykan, Ö. K. (2011). Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange. Expert Systems with Applications, 38(5), 5311–5319.
11. Lahmiri, S. (2014). Entropy-Based Technical Analysis Indicators Selection for International Stock Markets Fluctuations Prediction Using Support Vector Machines. Fluctuation and Noise Letters, 13(02), 1450013.
12. Mikolov, T., Sutskever, I., Chen, K., Corrado, G. S., & Dean, J. (2013). Distributed representations of words and phrases and their compositionality. In Advances in neural information processing systems (pp. 3111-3119).
13. Mittermayer, M. A. (2004, January). Forecasting intraday stock price trends with text mining techniques. In 37th Annual Hawaii International Conference on System Sciences, 2004. Proceedings of the IEEE. doi: 10.1109/HICSS.2004.1265201
14. Patel, J., Shah, S., Thakkar, P., & Kotecha, K. (2015). Predicting stock and stock price index movement using Trend Deterministic Data Preparation and machine learning techniques. Expert Systems with Applications, 42(1), 259–268.
15. Pruitt, S. W., & White, R. E. (1988). The CRISMA trading system. The Journal of Portfolio Management, 14(3), 55–58.
16. Schumaker, R. P., Zhang, Y., Huang, C.-N., & Chen, H. (2012). Evaluating sentiment in financial news articles. Decision Support Systems, 53(3), 458-464.
17. Wang, J., Hou, R., Wang, C., & Shen, L. (2016). Improved v -Support vector regression model based on variable selection and brain storm optimization for stock price forecasting. Applied Soft Computing, 49, 164–178.
18. Wuthrich, B., Cho, V., Leung, S., Permunetilleke, D., Sankaran, K., & Zhang, J. (1998, October). Daily stock market forecast from textual web data. In SMC'98 Conference Proceedings. 1998 IEEE International Conference on Systems, Man, and Cybernetics (Cat. No. 98CH36218) (Vol. 3, pp. 2720-2725). IEEE.