因為臺指選擇權這個金融商品，有很多優點、很吸引人，再加上近幾年來，有很多學者利用資料探勘的技術於財務領域的研究上，都有收到不錯的成效，所以促使我有一個動機，即想要利用資料探勘的技術支援向量迴歸、核的偏最小二乘迴歸，來克服與金融有關的時間序列問題，然後來對相當受歡迎的臺指選擇權進行研究，而本研究的研究目的為，想要去找尋一些可以提供給投資人更多資訊的模型，即利用支援向量迴歸、核的偏最小乘二乘迴歸來對臺指選擇權的價格進行預測，而這些預測出來的資訊，是可以幫助投資人來從事對他們最有利的投資決策，以增加獲利的機率，並降低相對風險，即根據所預測出來的臺指選擇權價格來進行所謂的套利，即買低賣高的動作。實證結果發現：「1」在方向上預測得比較準的模型，其所預測出來的預測值，並沒有比較靠近實際值；「2」所預測出來的預測值，比較靠近實際值的模型，其在方向上並沒有預測得比較準；「3」如果投資人比較想知道明天之實際值的水準，則應該採用KPLSR這個模型來作為輔助的工具，以加以研判；「4」如果投資人比較想知道明天之實際值的變動方向，則應該採用SVR這個模型來作為輔助的工具，以加以研判；「5」因為如果投資人可以藉由模型來研判明天之實際值的變動方向，則他們就可以藉由買進或賣出來賺取套利，所以對於投資人而言，他們比較在意的是明天之實際值的變動方向，而不是模型的預測值跟實際值是多麼地靠近，所以就實用的價值來講，SVR這個模型的價值是比較高的。

Because TXO has many merits, it is attractive. In recent years, many scholars have applied the technology of data mining in financial domain. Many researchers have proved that the technology of data Ming is effective. On the basis of above reasons, I have a motive. I want to use support vector regression or kernel partial least squares regression to overcome problems of time series. Problems of time series are with respect to finance. Then, I engage in the research to quite popular TXO. The purpose of this research is that I want to search some model which can give an investor more information. Namely I want to use support vector regression or kernel partial least squares regression to predict TXO’s price. The information of prediction is advantageous to an investor. An investor can use the information to make advantageous investment decision. Thus it can increase probability of making a profit and decrease the relative risk. Namely according to TXO’s prediction price, an investor can adopt advantageous transaction strategy to implement arbitrage. Empirical results are as follows: [1] When the model is accurate at the variation direction, predictive value of the model is not closer to actual value. [2] When predictive value of the model is closer to actual value, the model is not accurate at the variation direction. [3] If an investor wants to know level of tomorrow’s actual value much, he should adopt KPLSR model as auxiliary tool to make a decision. [4] If an investor want to know variation direction of tomorrow’s actual value much, he should adopt SVR model as auxiliary tool to make a decision. [5] If an investor can know variation direction f tomorrow’s actual value by using model, he can earn arbitrage profit by buying or selling TXO. Thus, an investor cares about variation direction of tomorrow’s actual value much. An investor does not care predictive value which is closer to actual value. For practical value, the SVR model is higher than the KPLSR model.

Keywords： support vector regression(SVR), kernel partial least squares regression(KPLSR), TAIEX options(TXO)

目錄
第一章 緒論 1
1.1 研究背景 1
1.1.1研究背景about臺指選擇權 1
1.1.2研究背景about資料探勘 4
1.1.3研究背景about時間序列 6
1.2研究動機 8
1.3研究目的 9
1.4 研究架構 10
1.5 本研究的流程圖 12
第二章 文獻探討與臺指選擇權的介紹 13
2.1 臺指選擇權的介紹 13
2.2 支援向量機的財務應用 17
2.2.1 SVC的財務應用 20
2.2.2 SVR的財務應用 26
2.3 與類神經網路有關的混合模型 35
2.4 特徵萃取 36
2.4.1 KPCA 38
2.4.2 KPLS 41
2.5 KPLSR 45
第三章 研究方法與相關說明 52
3.1 研究期間與資料的探討 52
3.2 變數說明 57
3.2.1臺灣之股價指數的技術指標的介紹 57
3.2.2臺指選擇權之技術指標的介紹 73
3.3 支援向量迴歸的研究方法 79
3.4 核函數 87
3.4.1模式分析的核方法 87
3.4.2核函數的介紹 88
3.4.3非線性變换的觀念 88
3.4.4任何滿足Mercer條件的函數，皆可以被拿來當作核函數 89
3.4.5以下為一些核函數的例子 89
3.4.6對於核函數之選取的觀點 90
3.4.7對於核函數之參數的選取觀點 91
3.4.8須依不同的情況來選擇適當的核函數與核函數的參數 91
3.4.9對於支援向量迴歸而言，需由研究者來自行決定的參數 92
3.4.10核函數的引入成功地解決了哪些問題 92
3.5 偏最小二乘回歸的研究方法 93
3.6 核偏最小二乘回歸的研究方法 99
3.7 研究設計 104
第四章 實證結果與分析 111
4.1 敘述性統計 111
4.1.1統計測量數 111
4.1.2變數間的相關係數矩陣 114
4.2 實證結果 117
4.2.1在使用SVR或KPLSR的技術情況下，其實證結果的圖about C 118
4.2.2在使用SVR或KPLSR的技術情況下，其實證結果的圖about P 126
4.2.3衡量模型之配適程度的指標 134
4.2.4在使用SVR或KPLSR的技術情況下，其實證結果的表about C 136
4.2.5在使用SVR或KPLSR的技術情況下，其實證結果的表about P 138
4.3 實證結果的分析 141
4.3.1表中所呈現出來的結果 141
4.3.2結果之成因的探討 142
第五章 結論與探討 144
5.1 研究限制 144
5.2 結論 147
5.3 研究貢獻 148
5.4 建議 150
參考文獻 156
中文部分 156
英文部分 158
附錄 164
附表4.1.2.(1) 變數間的相關係數矩陣 164

圖次
圖1.5.(1)：本研究的流程 12
圖3.3.(1)：損失函數 81
圖3.3.(2)：加入了ε-不敏感損失函數和鬆弛變數的支援向量迴歸 82
圖3.3.(3)：加入了ε-不敏感損失函數和鬆弛變數的支援向量迴歸 83
圖3.4.3.(1)：轉換原始的輸入資料於高維度空間，使可線性地分割 88
圖3.5.(1)：轉換原始的輸入資料於高維度空間，使可線性地分割 89
圖3.6.(1)：核偏最小二乘迴歸的執行流程 103
圖3.7.(1)：執行SVR技術的程式流程圖 109
圖3.7.(2)：執行KPLSR技術的程式流程圖 110
圖4.2.1.(1)：在使用SVR的技術情況下，其實證結果的about 7000C 118
圖4.2.1.(2)：在使用KPLSR的技術情況下，其實證結果的圖about 7000C 118
圖4.2.1.(3)：在使用SVR的技術情況下，其實證結果的圖about 7200C 119
圖4.2.1.(4)：在使用KPLSR的技術情況下，其實證結果的圖about 7200C 119
圖4.2.1.(5)：在使用SVR的技術情況下，其實證結果的圖about 7400C 120

圖4.2.1.(6)：在使用KPLSR的技術情況下，其實證結果的圖about 7400C 120
圖4.2.1.(7)：在使用SVR的技術情況下，其實證結果的圖about 7600C 121
圖4.2.1.(8)：在使用SVR的技術情況下，其實證結果的圖about 7600C 121
圖4.2.1.(9)：在使用SVR的技術情況下，其實證結果的圖about 7800C 122
圖4.2.1.(10)：在使用KPLSR的技術情況下，其實證結果的圖about 7800C 122
圖4.2.1.(11)：在使用SVR的技術情況下，其實證結果的圖about 8000C 123
圖4.2.1.(12)：在使用KPLSR的技術情況下，其實證結果的圖about 8000C 123
圖4.2.1.(13)：在使用SVR的技術情況下，其實證結果的圖about 8400C 124
圖4.2.1.(14)：在使用KPLSR的技術情況下，其實證結果的圖about 8400C 124
圖4.2.1.(15)：在使用SVR的技術情況下，其實證結果的圖about 8800C 125

圖4.2.1.(16)：在使用KPLSR的技術情況下，其實證結果的圖about 8800C 125
圖4.2.2.(1)：在使用SVR的技術情況下，其實證結果的圖about 7000P 126
圖4.2.2.(2)：在使用KPLSR的技術情況下，其實證結果的圖about 7000P 126
圖4.2.2.(3)：在使用SVR的技術情況下，其實證結果的圖about 7200P 127
圖4.2.2.(4)：在使用KPLSR的技術情況下，其實證結果的圖about 7200P 127
圖4.2.2.(5)：在使用SVR的技術情況下，其實證結果的圖about 7400P 128
圖4.2.2.(6)：在使用KPLSR的技術情況下，其實證結果的圖about 7400P 128
圖4.2.2.(7)：在使用SVR的技術情況下，其實證結果的圖about 7600P 129
圖4.2.2.(8)：在使用KPLSR的技術情況下，其實證結果的圖about 7600P 129
圖4.2.2.(9)：在使用SVR的技術情況下，其實證結果的圖about 7800P 130

圖4.2.2.(10)：在使用KPLSR的技術情況下，其實證結果的圖about 7800P 130
圖4.2.2.(11)：在使用SVR的技術情況下，其實證結果的圖about 8000P 131
圖4.2.2.(12)：在使用KPLSR的技術情況下，其實證結果的圖about 8000P 131
圖4.2.2.(13)：在使用SVR的技術情況下，其實證結果的圖about 8400P 132
圖4.2.2.(14)：在使用KPLSR的技術情況下，其實證結果的圖about 8400P 132
圖4.2.2.(15)：在使用SVR的技術情況下，其實證結果的圖about 8800P 133
圖4.2.2.(16)：在使用KPLSR的技術情況下，其實證結果的圖about 8800P 133

表次
表1.1.1.(1)：臺指選擇權的交易量統計表 2
表1.1.1.(2)：相較於股票和期貨而言，臺指選擇權到底好在哪裡 3
表2.1.(1)：臺灣期貨交易所股份有限公司的「臺灣證券交易股價指數選擇權契約規格」 13
表2.2.(1)：類神經網路和支援向量迴歸的比較 18
表3.1.(1)：臺指選擇權之每日交易行情的資料來源 53
表3.1.(2)：臺灣的股價指數&與臺灣連動較激烈之國家的股指數的資料來源 54
表3.1.(3)：臺灣的股價指數期貨&與臺灣連動較激烈之國家股價
指數期貨的資料來源 55
表3.1.(4)：臺灣之股價指數的技術指標的資料來源 55
表3.1.(5)：臺指選擇權的技術指標的資料來源 56
表3.2.1.(1)：股價指數之技術指標的公式 66
表3.2.2.(1)：臺指選擇權之技術指標的公式 76
表3.7.(1)：執行滾動預測的步驟 106
表3.7.(2)：本研究所執行之單步預測的過程 107
表4.1.1.(1)：各國之股價指數與股價指數期貨的敘述統計 111
表4.1.2.(1)：相關係數矩陣中之變數的放法 114
表4.2.3.(1)：模型之配適程度的指標公式 135
表4.2.4.(1)：在使用SVR或KPLSR的技術情況下，其實證結果的表about C 136
表4.2.5.(1)：在使用SVR或KPLSR的技術情況下，其實證結果的表about P 138

參考文獻
中文部分
郭輝、劉賀平(2005)，基於核的偏最小二乘特徵提取的最小二乘支持向量機迴歸方法，信息與控制，34
楊輝華、王行愚、王勇、何倩(2005)，基於KPLS的網路入侵特徵抽取及檢測方法控制與決策，20
王華忠、俞金壽(2005)，核函數方法在丙烯腈收率軟測量建模中的應用，華東理工大學學報，31
白裔峰、肖建、於龍(2007)，分塊核偏最小二乘法，西南交通大學學報，42
郭輝、劉賀平、王玲(2006)，基於最小二乘支持向量機對偶優化问题的核偏最小二乘，北京科技大學學報，28
蔣紅衛、夏結來、張春霞、李園(2007)，核偏最小二乖迴歸及其在醫學中的應用，中國衛生統計，24
王凱立、李昀薇(2004)，台股指數現貨、期貨與選擇權市場交互動態關聯之探討，東海大學國際貿易學系碩士論文，未出版，台中縣
張嘉成(2006)，第一次投資台指選擇權就上手(修訂版)，易博士出版社
喀什蘭若(2000)，K線圖指術指標，經史子集出版社
張真卿(1999)，股市技術分析操作勝典，台灣廣廈出版集團
高惠璇(2002)，兩個多重相關變量組的統計分析(偏最小二乘迴歸與PLS過程)，數理統計與管理，21

英文部分
Bernhard scholkopf,Alexander J.Smola(1998)，Learning with Kernels. Phd Thesis, GMD, Birlinghoven
Cheng, W., Wanger, L., and Lin, CH(1996)，Forecasting the 30-year US treasury bond with a system of neural networks， Journal of Computational Intelligence in Finance ， 1(4)，10-15
Cheng-Lung Huang and Cheng-Yi Tsai(2008)，A hybrid SOFM-SVR with a filter-based feature selection for stock market forecasting，Expert Systems with Applications
Cortes C and Vapnik, V. N , Support vector networks , Machine Leanrning 20, 273-297
Chenn-Jung Huang, Yi-Ta Chuang and Dian-Xiu Yang(2006)，Application of Wrapper Approach and SVM to the stock Trend Prediction，The 5th International Conference on Computational
Intelligence in Economics and Finance
C. C. Chang, C. J. Lin，LIBSVM: a library for
support vector machines， Technical Report, Department of Computer Science and Information Engineering, Nation Taiwan University,at http://www.csie.edu.tw/~cjlin/papers/libsvm.pdf
C. Campbell(2002) ，Kernel Methods: A survey of current techniques， Neurocomputing， 48，63-84
Deng-Yiv Chiu and Ping-Jie Chen(2008)，Dynamically exploring internal mechanism of stock market by fuzzy-based support vector machines with high dimension input space and genetic algorithm，Expert Systems with Applications
Francis E.H. Tay, Lijuan Cao(2001)，Application of support vector machines in financialtime series forecasting，Omega，29，309–317
Francis E.H. Tay, L.J. Cao(2002)，Modified support vector machines in financial time series forecasting，48，847-861
Gestel, T.V., B. Baesens, J. Suykens, M. Espinoza, D.E. Baestaens, J. Vanthienen, and B.D. Moor (2003)，Bankruptcy Prediction with Least Squares Support Vector Machine Classifiers，Internationalconference on Computational Intelligence for Financial Engineering，1-8
Haykin, S. (1999)，Neural networks: a comprehensive foundation， Englewood CliKs, NJ: Prentice Hall
HUANG, W., Y. NAKAMORI and S.Y.
WANG(2005)，Forecasting stock market movement direction with support vector machine，Computers & Operations Research，32， 2513-2522
Huseyin Ince, Theodore B. Trafalis(2006)，A Hybrid model for exchange rate prediction，42，1054-1062
Hyun-jung Kim , Kyung-shik Shin(2007)，A hybrid approach based on neural networks and genetic algorithms for detecting temporal patterns in stock markets，7，569-576
J. W. Hall, (1994)，Adaptive selection of U.S. stock with neural nets， In: GJ Deboeck (Eds.),Trading on the edge: neural, genetic, and fuzzy systems for chaotic financial markets, Wiley,New York
Jian Yang , Zhong Jin, Jing-yu Yang, David Zhang Alejandro F. Frangi(2004)，Essence of kernel Fisher discriminant: KPCA plus LDA，Pattern Recognition，37，2097-2100
Kyoung-jae Kim(2003)，Financial time series forecasting using support vector machines，Neurocomputing，55，307-319
K.P.Bennett and M.J.Embrechts(2003)，An Optimization Perspective on Kernel Partial Least Squares Regression, Computer & Systems Sciences，190，227-250
L. Hoegaerts, J.A.K. Suykens, J. Vandewalle, B. De Moor, KU Leuven(2003)，Kernel PLS variants for regression，European Symposium on Artificial Neural Networks Bruges (Belgium)，203-208
L. Hoegaerts, J.A.K. Suykens, J. Vandewalle, B. De Moor，Primal Space Sparse Kernel Partial Least
Squares
L.J. Cao,K.S. Chua,W.K. Chong,H.P. Lee and Q.M. Gu(2003)，A comparison of PCA, KPCA and ICA
for dimensionality reduction in support vector machine，Neurocomputing，55，321-336
N. Cristianii, C. Campell & J. S. Taylor(1999)，
Dynamically adapting kernels in support vector Machines，Advances in Neural Information Processing Systems，1，204-210
ONGSRITRAKUL, P. and N. SOONTHORNPHISAJ(2003)，Apply decision tree and support vector regression to predict the gold price, Proceedings of the International Joint Conference on Neural Networks，4，2488-2492
Ping-Feng Pai, Chih-Sheng Lin(2005)，A hybrid
ARIMA and support vector machines model in stock price forecasting ，omega，33，497-505
Ping-Feng Pai, Wei-Chiang Hong , Chih-Shen Lin,
Chen-Tung Chen(2006)，A Hybrid Support Vector Machine Regression for Exchange Rate Prediction，Information and Management Sciences，17，19-32
Peiling Cui, Junhong Li, Guizeng Wang(2008)，
Improved kernel principal component analysis for fault detection，Expert Systems with Applications，34，1210-1219
P. T. Lin(2001)， Support vector regression:
systematic design and performance analysis， Unpublished Doctoral Dissertation, Department of Electronic Engineering, National Taiwan University of Science and Technology,
Roman Rosipal and Leonard J. Trejo(2001)，Kernel Partial Least Squares Regression in Reproducing Kernel Hilbert Space，Journal of Machine Learning Research ，2 ，97-123
Roman Rosipal，Kernel Partial Least Squares for Nonlinear Regression and Discrimination
S. Yaser, A. F. Atiya(1996)，Introduction to financial Forecasting， Applied Intelligence，6，205-13
Shian-Chang Huang ,Tung-Kuang Wu(2007)，Integrating GA-based time-scale feature extractions with SVMs for stock index forecasting，Expert Systems with Applications
S. Rännar, F. Lindgren, P. Geladi, and S. Wold.(1994)， A PLS kernel algorithm for data sets with many variables and fewer objects. Part 1: Theory and algorithm. ，Chemometrics and Intelligent Laboratory Systems，8，111–125
Thomason M.(1999)，The practitioner methods and tool ， Journal of computational Intelligence in Finance，7，36-45
Van, E. and Robert, J.(1997)， The application of neural networks in the forecasting of share
Price， Haymarket, VA, USA: Finance & Technology Publishing,
V. N. Vapnik(1995)，The nature of statistical learning theory, Springer, New York, USA
V. N. Vapnik, S. Golowich & A. Smola(1997)，Support vector method for function approximation,
regression estimation and signal processing，Advantage Neural Information Proceedings System Cambridge, MIT Press, USA，281-287,
Van GESTEL, Tony, et al.(2003)，A support vector machine approach to credit scoring， Bank en Financiewezen， 2，Pages 73-82.
Wun-Hwa Chen, Jen-Ying Shih(2006)，A study of taiwan’issuer credit rating system using support vector machines，Expert Systems with Applications，30，427-435
Wei Huang,Yoshiteru Nakamori, Shou-Yang Wang，Forecasting stock market movement direction with support vector machine，Computers & Operations Research
Yang, Z.R. (2003)，Support vector machines for company failure prediction，International conference on Computational Intelligence for Financial Engineering，47-54
Yong Xu, David Zhang, Fengxi Song, Jing-Yu Yang, Zhong Jing , Miao Li(2007)，A method for speeding up feature extraction based on KPCA，Neurocomputing，70，1056-1061
Yong Xu, David Zhang, Fengxi Song, Jing-Yu Yang, Zhong Jing, Miao Li(2007)，A method for speeding up feature extraction based on KPCA，Neurocomputing，70， 1056-1061
Zhan-Li Sun, De-Shuang Huang and Yiu-Ming Cheun(2005)，Extracting nonlinear features for multispectralimages by FCMC and KPCA，Digital Signal Processing 15, 331-346