臺灣博碩士論文加值系統

投資股票市場一直是吸引許多人爭相投入的經濟活動，不論是主力或
是散戶在投資時都不斷努力的擷取各種資訊、做出各種的分析；就只為希
望能預測出最適當的投資標的，以期能在股票市場中獲得最大的利潤。
在國內外已有許多學者投入股市預測的研究，過去股市預測的研究多
用時間序列或是多變量數值分析的方法，近來由於人工智慧的進展，已經
有越來越多的研究嘗試用不同的人工智慧方法來預測股市，例如以支持向
量機來進行股市的預測。
在本研究中以結合支持向量機及自我組織映射圖之股市預測方法進
行股市預測；並以七個股市指標資料進行實證，得到優於單純只使用支持
向量機所得到的預測結果。
關鍵詞：支持向量機、股市預測

目錄
摘要 ……………………………………………………… I
誌謝 ……………………………………………………… II
目錄 ……………………………………………………… III
圖目錄與表目錄 ………………………………………… V
第一章 緒論 ……………………………………………… 1
1.1 研究背景與動機 …………………………………………… 1
1.2 研究目的 …………………………………………………… 2
第二章 股市預測相關文獻探討 ………………………… 3
2.1、人工智慧方法預測股價 ………………………………… 3
2.2、股價走勢預測的相關學說 ……………………………… 7
2.2.1、基本分析 ……………………………………………… 7
2.2.2、隨機漫步理論 ………………………………………… 8
2.2.3、技術分析 ……………………………………………… 8
2.3、移動平均線(Moving Average) ………………………… 9
2.4 自我組織映射圖 …………………………………………… 10
2.5 支持向量機 ………………………………………………… 13
2.6 支持向量迴歸 ……………………………………………… 13
第三章 實驗設計 ………………………………………… 17
3.1 資料集 ……………………………………………………… 17
3.2 資料前處理 ………………………………………………… 22
3.3 實驗流程 …………………………………………………… 23
3.4 實驗分析 …………………………………………………… 26
第四章 實驗結果 ………………………………………… 28
第五章 結論及未來研究方向 …………………………… 33
5.1 結論 ……………………………………………… 33
5.2 未來研究方向 …………………………………… 33
參考文獻 ………………………………………………… 35

圖目錄與表目錄
圖1、SOM網路連結圖 ……………………………………………… 11
圖2、SOM演算法 …………………………………………………… 12
圖3、近似函數 …………………………………………………… 14
圖4、LIBSVM實驗流程圖 ………………………………………… 23
圖5、LIBSVM + GHSOM實驗流程圖 ……………………………… 25
圖6、NMSE統計量折線圖 ………………………………………… 29
圖7、MAE統計量折線圖 …………………………………………… 30
圖8、DS 統計量折線圖 …………………………………………… 31
圖9、WDS統計量折線圖 …………………………………………… 32
表1、人工智慧相關股價預測文獻整理 …………………………… 4
表2、移動平均線相關文獻 ………………………………………… 9
表3、GICS 產業分類系統 ………………………………………… 17
表4、各國股市資料取樣區間及資料筆數 ……………………… 21
表5、自變數和應變數的定義 …………………………………… 22
表6、GHSOM參數 …………………………………………………… 24
表7、模型評估的統計量 ………………………………………… 26
表8、SVM 與SOM + SVM 之預測結果比較 ……………………… 28

中文部分
1. 翁龍翔，各國股市技術分析的有效性，台灣大學財務金融研究所碩士論文，
民國83年。
2. 周怡芳，以KD 線投資策略分析台灣股市，成功大學統計研究所碩士論文，民
國83年。
3. 高梓森，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，民國83年。
4. 鄭淑貞，台灣股票市場弱式效率性實證研究─過濾法則之應用，台灣工業技
術學院管理技術研究所企業管理技術學程碩士論文，民國83年。
5. 董茲莉，由技術分析效果驗證我國股市效率性，中山大學企業管理研究所碩
士論文，民國84年。
6. 李政芳，應用類神經網路與模糊德菲法於股票預測模式建立之研究，高雄工
學院管科所碩士論文，民85年。
7. 陳明杰，基因演算擇時策略在台灣股市的實證研究，雲林科技大學企業管理
研究所碩士論文，民國86年。
8. 黃永成，應用遺傳演算法與模糊神經網路於股票預測模式之研究，高雄工學
院管理科學研究碩士論文，民國86年。
9. 洪美慧，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，東海大學管理究所碩士論文，民國86年。
10.賴宏祺，技術分析有效性之研究，中興大學企業管理研究所碩士論文，民國
86年。
11.吳宗正，技資技術分析，華泰文化事業股份有限公司，民國87年。
12.陳照憲，基因演算法技術交易法則-臺灣股市實證研究，雲林科技大學財金
所碩士論文，民國87年。
13.陳建全，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，
民國87年。
14.林宗永，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，民88年。
15.林維垣， 有關對調適與演化機制的再審思--在財務時間序列資料中應用的統
計分析，國立政治大學經濟學系博士論文，民國89年
16.吳孟儒，以輸入資訊內涵觀點構建台灣股價指數類神經網路預測模式之研
究，義守大學管理科學研究所碩士論文，民國89年。
17.蔡尚儒，台灣店頭市場技術分析的實證研究，中正大學財務金融所碩士論文，
民國89年。
18.楊家維，技術分析用於當沖之有效性研究—台灣股市之實證分析，台北大學
36
經濟研究所碩士論文，民國89年。
19.林耀堂，遺傳程式規劃於股市擇時交易策略之應用，中央大學資訊管理研究
所碩士論文，民國90年。
20.周慶華，整合基因演算法及類神經網路於現貨開盤指數之預測-以新加坡交易
所摩根台股指數期貨為例，輔仁大學金融研究所碩士論文，民國90年。
21.黃怡芬，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，
成功大學企業管理研究所碩士論文，民國90年。
22.蔡瀚賢，成交量放大訊號及技術指標綜合策略在台灣股市之實證研究，成功
大學企業管理學系碩士論文，民國90年。
23.杜金龍，技術指標在台灣股市應用的訣竅，財訊，民國91年。
24.李惠妍，類神經網路與迴歸模式在台股指數期貨預測之研究，國立成功大學
企業管理學系(EMBA)專班 民國92年
25.廖高賢，使用基因程式規劃預測股票買賣時機，國立中正大學資訊管理學系
民國93年
26.陳志龍，運用類神經網路與技術指標預測股票型基金漲跌及交易時機之研究
－以臺灣50指數股票型基金為例 朝陽科技大學資訊管理系碩士班 民國95
年
英文部分
1. Cowles, A., 1934, “Can stock market forecasters forecast?”,
Econometrica,1(3),309-324.
2. Alexander, S. S., 1962, “Price Movements in Speculative Markets: Trend or
Random Walks”, Industrial Management Review, 2, 7-26.
3. Graham B., Dodd D. L. and Cottle S., 1962, “Security Analysis ： Principles and
Techniques”, McGraw－Hill, New York.
4. Alexander, S. S., 1964, ”Price Movements in Speculative Markets: Trend or
Random Walks“, Industrial Management Review, 5, .25-46.
5. Cootner, P.H., 1964, “The Random Character of Stock Market Prices”, MIT Press,
Cambridge.
6. Fama, E. F., 1965, ”The Behavior of Stock Market Prices”, Journal of Business,
38, 34-105.
7. Edwards, R.D. and J. Magee, Jr., 1966, “Technical Analysis of Stock Trends“, 5th
rev. ed., Springfield, Mass.
8. Levy, R.A., 1967, “Relative Strength as a Criterion for Investment Selection”,
Journal of Finance, 22, .595-610.
9. Holland, J.H., 1975, “Adaptation in Natural and Artificial System“, University of
Michigan Press.
37
10. Glickstein, D. A. and Wubbels, R.E., 1983., “Dow Theory is Alive and Well”,
Journal of Portfolio Management, .28-32.
11. Sweeny, R. J, 1988, “Some New Filter Rule Test: Methods and Results”, Journal
of Financial and Quantitative Analysis, 23,.285-300.
12. Glodberg, D.E., 1989, “Genetic Algorithm in Search, Optimization and Machine
Learning”, Addison Wesley, Reading.
13. Kimoto, T. and Asakwa, K., 1990, ”Stock Market Predication System with
Modular Networks”, IJCNN-90-Wash, I, 1-6.
14. Sweeny, R. J., 1990, “Evidence on Short-term Trading Strategies”Journal of
Portfolio Management, 20-26.
15. Bauer, R.J, 1994, “Genetic Algorithms and Investment Strategies”, John Wiley &
Sons, NY.
16. V.N. Vapnik, 1995, “The Nature of Statistical Learning Theory”, New York,
Springer-Verlag.
17. Kendall, M.G. , 1996 , “The Analysis of Economic Time Series, Part I: Prices.”,
Journal of the Royal Statistical Society, 11-25.
18. Kuo R. J., Chen, C. H. and Hwang Y.C.,1998, ” An intelligent stock trading
decision support system through integration of genetic algorithm based fuzzy
neural network and artificial neural network”, Fuzzy Sets and Systems ,21-45.
19. Allen, F., and Karjalainen, 1999, R., ”Using Genetic Algorithms to Find technical
Trading Rules”, Journal of Finance Economics, 51, .245-271.
20. M. Thomason, 1999, ”The practitioner methods and tool”, Journal of
Computational Intelligence in Finance，Vol. 7，No.3，pp. 36-45.
21. Shazly E., Mona R. and Hassan E., 1999, “Forecasting currency prices using a
genetically evolved neural network architecture“, International Review of
Financial-Analysis, 8(1), 67.
22. Kim K., and Han I., 2000, “Genetic algorithms approach to feature discretization
in artificial neural networks for the prediction of stock price index”, Expert
Systems with Applications,19,125-132.
23. Malkiel, B. G.., 2000, “A Random Walk Down Wall Street-Including A Life-cycle
To Personal Investing”, W.W. Norton & Company, NY
24. Francis Eng Hock Tay and Li Juan Cao, 2001, ”Improved financial time series
forecasting by combining Support Vector Machines with self-organizing feature
map”, Intelligent Data Analysis 5 339-354.
25. Lam K.C., THMAS T. H., YUEN R.K., LO S.M. & CONRAD T.C.W., 2001,
“Using an adaptive genetic algorithms to improve construction finance decisions”,
Engineering, Construction and Architectural Management, 8(1), 31-45.
26. Phua, Hoh P. K., Ming Daohua, Lin Weidon, 2001, “Neural Network With
38
Genetically Evolution Algorithms for Stocks Prediction”, Asia-Pacific Journal of
Operation Research, 18(1) 103-108.
27. Nam, K., Pyun, C. S., and Avard, S. L., 2001, “Asymmetric Reverting Behavior of
Short-Horizon Stock Returns: An Evidence of Stock Market Overreaction”,
Journal of Banking and Finance, Vol. 25, pp. 807-824.
28. Yoshio, I., Hideaki, K. K., and Toshifumi, T., 2004, “The winner–loser effect in
Japanese stock returns”, Japan and the World Economy, Vol.16, Issue 4, pp. 471-4.
29. Jobman, D., 2006, “Has Technical Analysis Kept up with the (Dow) Jones?”,
Futures, 35(3), 50-53.