臺灣博碩士論文加值系統

台股市場逾八成的組成分子屬於自然人，相對於法人，他們是較不具專業知識的一群，因此台股市場的效率性一直是一個值得探討的題目。本研究將使用技術分析的方法，利用過去兩年內的資料，來驗證台股的效率性。已過類似的研究大部份存在著幾個特色：利用單一或兩兩指標驗證指標有用性、預測單一標的物、不同參數設定預測不同標的物、及事前過濾訓練及測試資料等，如此結果並不能反映真實的情況。本研究將採用著不同於上述的實驗設計。過去的實驗證明模糊決策樹相較於一般的決策樹，更適合於連續性資料的分類(鄭永模，1993)，而量化的技術分析指標屬於連續性數值。因此本研究籂選出台灣上市公司中，股本及週轉率較高的八檔個股，透過模糊決策樹來建立個股隔日預測漲跌模型，並使用更客觀的方法來測試模型的有用性。最後得到的結果證明，在預測準確率上顯著優於隨機漫步模式，並且在報酬率上亦能優於買進持有策略。

Taiwan stock market exists a special feature that over 80% of participants are natural persons while only 20% are legal persons. Compared to the latter, natural persons own less expertise in stock trading. Thus the effectiveness of the local stock market is an interesting subject for research. In this paper, we will try to find out an answer through the using of technical analysis on the past two years trading data to see if it can gain benefit in investment.Most of the similar research in past exist some problems, which either use only single or a pair of technical indices for prediction, predict only a specific stock, or filter out unwanted training and testing data in preprocessing, etc. Thus their results may not really reflect the effectiveness of the market. In this paper, we will adopt a different way of experiment design to conduct the test.Past research has shown that a fuzzy decision tree outperforms a normal crisp decision tree in data classification when there are numerical attributes in the target domain to be classified (Y.M. Jeng, 1993). Since most of the technical indices are expressed in terms of numerical values, we therefore choose it as the tool to generate rules from the eight largest stocks out of the local stock market that have the largest capitals and highest turnover rate. The trees are evaluated with more objective criteria and used to predict the up or down of the stock prices in the next day. The experimental results show that the created fuzzy trees have a better predictive accuracy than a random walk, and the investment rewards based on the trees are much better than the buy-and- hold policy.

第一章 緒論1
第一節 研究背景與動機1
第二節 研究目的4
第三節 研究方法與步驟5
第四節 研究限制7
第五節 論文架構7
第六節 使用工具8
第二章 文獻探討9
第一節 技術分析簡介10
第二節 國內外技術分析之實證研究23
第三節 效率市場假說27
第四節 ID3決策樹29
第五節 模糊理論31
第六節 模糊決策樹33
第七節 資料探勘(Data Mining)37
第三章 模型建立40
第一節 選股準則及參數設定40
第二節 模糊決策樹的建立42
第三節 模糊決策樹的選擇及參數設定44
第四章 實驗結果與分析45
第一節 實驗設計45
第二節 實驗結果與分析47
第五章 結論與未來研究方向56
第一節 結論56
第二節 未來研究方向及建議59
參考文獻62
附 錄68

1.黃怡芬(2001)，「道氏理論、濾嘴法則與買入持有策略在台灣股市投資績效之比較」，國立成功大學企業管理研究所碩士論文
2.魯秉釣(2001)，「技術分析於台灣股票市場的運用 ─ 移動平均線與均量指標」，私立東海大學管理研究所碩士論文
3.鐘仁甫(2001)，「技術分析簡單法則於台灣電子個股之應用」，私立東海大學管理研究所碩士論文
4.謝佳雄(2001)，「相對強弱指標(RSI)與隨機相對強弱指標(SRSI)在台灣股市之實證研究」，私立淡江大學財務金融研究所碩士論文
5.謝玉華(1999)，「以拔靴複製法檢驗技術分析交易策略」，私立銘傳大學金融學研究所碩士論文
6.洪志豪(1999)，「技術指標KD、MACD、RSI與WMS%R之操作績效實證」，國立台灣大學國際企業學研究所碩士論文
7.李紹綸(1999)，「知識發掘在信用卡之應用」，私立淡江大學資訊工程研究所碩士論文
8.陳健全(1998)，「台灣股市技術分析之實證研究」，國立台灣大學商學研究所碩士論文
9.方定傑(1998)，「應用歸納學習法股票波段買賣操作之研究」，國立成功大學工業工程管理研究所碩士論文
10.林良炤(1997)，「KD技術指標應用在台灣股市之實證研究」，國立台灣大學商學研究所碩士論文
11.洪美慧(1997)，「技術分析應用於台灣股市之研究－移動平均線、乖離率指標與相對強弱指標之評估」，私立東海大學管理研究所碩士論文
12.邱美珍(1996)，「決策樹學習法中連續屬性之分類研究」，私立中原大學資訊工程研究所碩士論文
13.辜麗娟(1996)，「台灣股市技術分析之實證研究」，私立淡水大學金融研究所碩士論文
14.盧廷當(1996)，「以參考成交量之濾嘴法則檢定資本市場弱式效率性－台灣股票市場之實證研究」，國立交通大學管理科學研究所碩士論文
15.董茲莉(1995)，「由技術分析效果驗證我國股市效率性」，國立中山大學企業管理研究所碩士論文
16.潘效黎(1995)，「以技術面投資策略分析台灣股市」，國立成功大學統計研究所碩士論文
17.黃天佑(1994)，「模糊熵決策樹歸納學習法」，國立中山大學資訊管理研究所碩士論文
18.周怡芳(1994)，「以KD線投資策略分析台灣股市」，國立成功大學統計研究所碩士論文
19.翁龍翔(1994)，「各國股市技術分析的有效性」，國立台灣大學財務金融研究所碩士論文
20.高梓森(1994)，「台灣股市技術分析之實證研究」，國立台灣大學財務金融研究所碩士論文
21.鄭淑貞(1994)，「台灣股票市場弱式效率性實證研究－濾嘴法則之應用」，國立台灣工業技術學院管理技術研究所企業管理學程碩士論文
22.鄭永模(1993)，「應用模糊理論之決策樹歸納學習法」，國立中山大學資訊管理研究所碩士論文
23.杜金龍(1993)，「技術指標在台灣股市應用的訣竅」，非凡出版社
24.關寅麟(1993)，「技術分析投資報酬率一致性之研究－台灣股市的實證」，私立東海大學企業管理研究碩士論文
25.闕頌廉(1992)，「應用模糊數學」，科技圖書股份有限公司
26.方國榮(1991)，「證券投資最適決策指標之研究－技術面分析」，國立台灣大學商學研究所碩士論文
27.蘇子龍(1991)，「證券市場技術分析指標有效性之探討：以乖離率、威廉指標為例」，國立中山大學企業管理研究所碩士論文
28.陳信強(1990)，「技術指標決策之效益評估－台灣股票市場之實證研究」，政治大學企業管理研究碩士論文
29.詹益慶(1990)，「隨機漫步在台灣股票市場之實證研究，移動平均線投資法則之應用」，國立台灣工業技術學院工程技術研究所工業管理技術學程碩士論文
30.蔡宜龍(1990)，「台灣股票市場技術分析指標有效性之衡量」，國立成功大學工業管理所碩士論文
31.賴勝章(1990)，「台灣股票市場弱式效率性實證研究：以技術分析檢驗」，國立台灣大學商學研究所碩士論文
32.林宗永(1989)，「證券投資技術分析指標獲利性之實證研究」，國立政治大學企業管理研究所碩士論文
33.徐瑞隆(1989)，「技術分析之收益性與市場的有效性之研究」，國立成功大學工業管理研究所碩士論文
34.葉日武(1987)，「以技術分析研判股票市場進出時機之效果」，國立政治大學企業管理研究所碩士論文
35.李惠宏(1985)，「台灣股票市場弱式效率性之實證研究－技術面分析」，國立中山大學企業管理研究所碩士論文
36.陳昇(1985)，「濾嘴法則與股票市場效率性檢定」，國立交通大學管理科學研究所碩士論文
37.Alexander, S. S., (1961), “Price Movements in Speculative Markets: Trends or Random Walks,” pp199-218, in P. Cootner, ed: The Random Character of Stock Market Prices
38.Alexander, S. S., (1964), “Price Movements in Speculative Markets: Trends or Random Walks, ” Vol. 2, pp338-372, in P. Cootner, ed: The Random Character of Stock Market Prices
39.Berry, M. and Linoff, G., (1997) “Data Mining Techniques: for Marketing, Sales, and Customer Support,” John Wiley & Sons
40.Bohan, J., (1981), “Relative Strength: Further Positive Evidence,” The Journal of Portfolio Management, Fall, pp36-39
41.Braun, H. and Chandlar, S. S., (1987) “Predicting Stock Market Behavior through Rule Induction: an Application of the Learning-from-Example Approach, “Decision Science, Vol. 18 No. 3, pp415-429
42.Brock, W., Josef, L. and Blake L., (1992), “Simple Technical Trading Rules and the Stochastic Properties of Stock Returns,” Journal of Finance, Vol 47, pp1731-1764
43.Cootner, P., (1964), “The Random Character of Stock Market Prices,” MIT, Cambridge, MA
44.Corrado, C, J., and Lee, S. H., (1992), “Filter Rule Tests of the Economic Significance of Serial Dependencies in Daily Stock Returns,” Journal of Financial Research, Vol 15, pp369-387
45.Fama, E. F., (1970), “Efficient capital market: a view of theory and empirical work, ” Journal of Finance, Vol. 25, pp383-417
46.Gencay, R. and Thanasis, S., (1998), “Moving Average Rules, Volume and the Predictability of Security Returns with Feedforward Networks,” Journal of Forecasting, Vol 17, pp401-414
47.James, F. E., (1968), “Monthly Moving Averages — An Effective Investment Toll ?,” Journal of Financial and Quantitative Analysis September, pp315-326
48.Jeng , B. C. and Jeng Y. M., and Liang T. P., (1997), “FILM: a fuzzy inductive learning method for automated knowledge acquisition,” Decision Support Systems, Vol. 21, pp61-73
49.Jensen, M. C. and Bennington, G., (1970), “Random Walks and Technical Theories: Some Additional Evidences,” Journal of Finance, Vol 25, pp469-482
50.Levy, R. A., (1967), “Random Walks: Reality or Myth, “Finance Analysts Jouranl, Vol 23, pp69-77
51.Quinlan, J. R., (1986), “Introduction of Decision Trees,” Machine Learning, Vol.1, pp.81-106
52.Peter, C. and Pablo, H. and Rolf, S. and Jaap, V. and Alessandro, Z., (1997), “Discovering Data Mining From Concept to Implementation,” Prentice Hall PTR
53.Pruitt, S. W., and Richard E. W., (1988), “the CRISMA Trading System: Who Says Technical Analysis Can’t Beat the Market ?,” The Journal of Portfolio Management, Spring, pp55-58
54.Pruitt, S. W., and Richard E. W., (1989), “Exchange — traded Options and CRISMA Trading,” The Journal of Portfolio Management, Summer, pp55-56
55.Pruitt, S. W., and Richard E. W., (1992), “the CRISMA Trading System: The Next Five Years,” The Journal of Portfolio Management, Spring, pp22-25
56.Sullivan, Ryan, A. Timmermann, and White, H. (1999), “Data-Snooping, Technical Trading Rule Performance, and the Bootstrap,” Journal of Finance, Vol 54, pp1647-1691
57.Sweeney, R., (1988), “Some New Filter Rule Tests: Methods and Results,” Journal of Financial and Quantitative Analysis, Vol 23, pp285-300
58.Sweeney, R., (1990), “Evidence on Short-Term Trading Strategies,” Journal of Portfolio Management Fall, pp20-26
59.Szakmary, Andrew, W. N. Davidson III, and Schwarz, T. V. (1999), “Filter Tests in Nasdaq Stocks,” Finance Review, Vol 40, pp757-775
60.Van Horne, James C., George G. C. Parker, (1967), “The Random Walk Theory: An Empirical Text,” Financial Analyst’s Journal
61.Van Horne, James C., George G. C. Parker, (1968), “Technical Trading Rules: A Comment,” Financial Analyst’s Journal