跳到主要內容

臺灣博碩士論文加值系統

(35.175.191.36) 您好!臺灣時間:2021/07/30 19:08
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:吳禹潼
研究生(外文):Yu-Tung Wu
論文名稱:以資料探勘法驗證股價的可預測性
論文名稱(外文):Apply Data Mining on the Predictability of Stock Price
指導教授:呂麒麟呂麒麟引用關係吳樹欉吳樹欉引用關係
學位類別:碩士
校院名稱:國立虎尾科技大學
系所名稱:經營管理研究所
學門:商業及管理學門
學類:其他商業及管理學類
論文種類:學術論文
論文出版年:2009
畢業學年度:97
語文別:中文
論文頁數:86
中文關鍵詞:決策樹類神經網路基本分析技術分析股權結構
外文關鍵詞:Artificial Neural NetworkDecision TreeFundamental AnalysisTechnical AnalysisOwnership Structure
相關次數:
  • 被引用被引用:1
  • 點閱點閱:747
  • 評分評分:
  • 下載下載:6
  • 收藏至我的研究室書目清單書目收藏:2
過去預測股價的指標大致上可分為基本分析指標與技術分析指標兩種,近年來發現股權結構也有顯著的價格影響能力,卻少有研究將股權結構與價格相關指標結合對台灣股價預測做探討。本研究同時納入基本分析指標、技術分析指標與股權結構指標對股價做預測,研判是否能更準確的預測股價變動前的準則或徵兆,同時並使用近年來廣泛運用在預測上面的資料探勘技術,驗證是否能藉由新技術來提高股票變動前的預測能力並歸納其規則性,以作為投資人在選購企業股票與時點上之評估依據。實證結果顯示,決策樹與類神經網路在不同時點下,決策樹在大漲前五天的準確率優於前ㄧ天及當天,類神經網路則相反,因此同時使用決策樹與類神經網路做預測,最有利於投資人擬訂較正確的選股策略。
The literature of predict stock price can be broadly divided into the fundamental analysis and technical analysis. In recent years ownership structure found has significant impact on the stock price, but only few study discuss ownership structure and stock predict indicators together to forecast the price change in Taiwan. This research incorporate the indicators of fundamental analysis, technical analysis and ownership structure to predict the stock price change. I employ draw Data Mining Technology, which were widely used in prediction, to confirm that we can use it to enhance the ability of forecast before price change. This study shows that Decision Tree and Artificial Neural Network in Data Mining have different effect on time. Decision Tree has better accuracy at the day before the price rise, Artificial Neural Network vice versa. It’s more advantage for investors to make the investment decisions with both Decision Tree and Artificial Neural Network at the same time.
中文摘要……………………………………………………………………..…..i
英文摘要…….…………………………………………………………....……..ii
誌謝……………………………………………………………………………. iii
目錄……………………………………………………………………………. iv
表目錄……………………………………………………………………...........v
圖目錄………………………………………………………………………..... vi
一、緒論……………………………………………………………….........…..1
1.1 研究背景與動機……………………………………….………….......1
1.2 研究目的………………………………………………………..…......4
1.3 研究範圍與架構…………………………………................................4
二、文獻探討……………………………………………….………….……….6
2.1 資料探勘………………………………………………….…………...6
2.2 類神經網路…………………………………………………….……...8
2.3 決策樹………………………………………………….…………….24
2.4 以基本分析為變數的相關文獻………………………….………….32
2.5 以技術分析為變數的相關文獻………………………………….….35
2.6 以股權結構為變數的相關文獻……………………………….…….38
三、研究方法…………………………………………..……………………...44
3.1 樣本選取………………………………………………….………….44
3.2 指標變數說明…………………………….………………………….48
3.3 研究設計………………………………….………………………….66
四、實證結果………………………………………………………..…...……68
4.1 以技術指標、股權結構指標和股價相關指標為輸入變…………..68
4.2 以基本指標為輸入變數………………………………………....…..73
五、結論與建議…………………………………………………..………...…78
5.1 結論…………………………………………………….…..……..….78
5.2 建議………………………………………………………...……..….79
參考文獻……………………………………………………………….………81
ㄧ、中文部分
1.李明黎(2006),第一次股票低買高賣就上手(技術面+籌碼篇),易博士文化出版:城邦文化發行。
2.陳共,周升業,吳曉求(2001),證劵投資分析,五南圖書出版公司。
3.林傑斌,劉明德,陳湘(2002),資料採掘與OLAP理論與實務,文魁出版與發行。
4.孫惠民(2007),資料採掘理論與實務規劃手冊,文魁出版與發行。
5.葉怡成(1997),應用類神經網路,儒林出版,初版。
6.葉怡成(2001),類神經網路模式應用與實作,儒林出版,第七版。
7.葉怡成(2003),類神經網路模式應用與實作,儒林出版,第八版。
8.蘇木春、張孝德(2002),機器學習:類神經網路、模糊系統以及基因演算法則,全華出版。
9. 江蘇人民出版社翻譯(1999),聰明的投資人,江蘇人民出版社。
10.臺灣證劵交易所網站,http://www.twse.com.tw/ch/。
11.王秋萍 (2008),類神經網路於美國SPDRs價格與趨勢預測模式之應用,國立台中技術學院事業經營所碩士論文。
12.李雅君(2000),資料擷取在財務報表上的運用:台灣地區電子上市公司報酬之預測,朝陽科技大學財務金融研究所碩士論文。
13.李岳桓(2000),融資融券餘額、成交量對股價報酬率影響之研究,國立台北大學企業管理學系碩士論文。
14.林澤利(2006),從技術指標探討台灣股市效率之研究-以台灣五十指數成份股為例,私立東吳大學經濟學研究所碩士論文。
15.林婉茹(2004),類神經網路於台灣50指數ETF價格預測與交易策略之應用,私立輔仁大學金融研究所碩士論文。
16.吳精展(2004),外資持股比率與持股比率變動對股價之影響,國立中正大學財務金融研究所碩士論文。
17.吳貝芬(2005),外資買賣超與成交量對台股報酬率與波動性之影響,南華大學財務管理研究所碩士論文。
18.邱秋婷、陳稼興(2007),屬性導向方法應用於證劵交易相對關係規則之挖掘,中央大學資訊管理研究所碩士論文。
19.柯永仁(2000),外資與自營商買賣超行為對股價影響效果之探討,國立中央大學企業管理研究所碩士論文。
20.施正宏(2004),結合總體經濟指標及個股財報資料以預測個股漲跌-以台灣電子類股為例,私立中原大學資訊管理學系碩士論文。
21.胡家麒(1998),外資、投信法人投資機構買賣超與證劵股股價報酬率互動關係之實證研究,國立中興大學企業管理研究所碩士論文。
22.陳稼興、顏明慧(2001),基本面選股之回測實證分析,貨幣觀測與信用評等,32,90-99。
23.陳彥豪(2002) ,外資與投信法人持股比率變化對股價報酬率影響之研究─以上市電子股為例,國立中山大學財務管理學研究所碩士論文。
24.陳應慶(2004),應用技術分析指標於台灣股票市場加權指數買進時機切入之實證研究─以RSI、MACD及DIF為技術指標,私立佛光人文社會學院管理學研究所碩士論文。
25.陳國玄(2004),人工神經網路與統計方法運用於台灣上市電子類股價指數預測與分類之研究,國立成功大學統計學研究所碩士論文。
26.陳啟浩(2008),應用人工智慧於新生兒聽力障礙輔助鑑別診斷之研究,國立虎尾科技大學工業工程與管理研究所碩士論文。
27.連珮君 (2004),外資買賣行為對臺灣股市影響之實證研究,私立中國文化大學國際貿易學系碩士論文。
28.黃柏樟(2004),使用決策樹方法發掘連續數值屬性多區間分類規則,成功大學資訊管理所碩士論文。
29.張嘉宏(1995),台灣股票市場加權股價指數與融資餘額、融劵餘額之關係研究,私立東海大學企業管理研究所碩士論文。
30.張政一(2001),類神經網路於有價證劵預測股價及漲跌之研究,私立文化大學國際企業管理研究所碩士論文。
31.張百棧、王彥文、楊雯寧(2004),混合式預測模式之發展-預測台灣股價指數之波動,工業工程學刊,21(4),358-368。
32.鄒杰夫 (2008),台灣上市類股股價預測模型之研究-倒傳遞類神經網路模型之應用,私立玄奘大學財務金融學系碩士論文。
33.楊憲國(2002) ,以類神經網路推導路口交通事故成因與改善之研究,私立逢甲大學交通工程與管理學研究所碩士論文。
34.楊宗彥(2003),運用類神經網路與決策樹技術預測股票報酬率,私立逢甲大學企業管理學研究所碩士論文。
35.趙永昱(2002),技術分析法則在股市擇時之實證研究,國立中山大學財務管理學系碩士在職專班論文。
36.鄭忠樑(2002),運用分類樹於股價報酬率預測之研究,私立元智大學資訊管理學研究所碩士論文。
37.蔡安燦(2005),運用基因演算法以補助股票市場投資人判斷進場時間之研究,國立台灣科技大學資訊管理系碩士論文。
38.蔡建成(2007),運用資料探勘技術進行選股決策,國立高雄應用科技大學商務經營管理所碩士論文。
39.歐陽平(2002),以遺傳演化類神經網路對初次上市公司股票建構價格預測模式--以上市公司電子股為例,私立東吳大學經濟學系碩士論文。
40.簡旭生(2005),類神經網路規則之萃取-以上市公司財務績效預測為例,國防管理學院資源管理研究所碩士論文。
41.謝昇龍(2006),台灣股票市場效率化趨勢之研究,私立淡江大學企業管理學在職專班碩士論文。
42.蘇鵲翎(2000),散戶與法人投資行為對股票報酬率與週轉率影響之探討-以台灣上市電子股為例,國立台灣大學財務金融學碩士論文。
43.蘇明南(2001),移動平均線法則應用於台灣股市之實證研究,私立淡江大學財務金融學系金融碩士班碩士論文。

二、英文部分
1. Armano, G., Marchesi, M. and Murru, A. (2005). A hybrid genetic-neural architecture for stock indexes forecasting. Information Sciences, 170, 3-33.
2. Al-Oaheri, H., Zamoon, S., Hassanien, A. E. and Abraham, A. (2008). Rough set generating prediction rules for stock price movement. working paper.
3. Berry, M. and Linoff, G. (1997). Data mining techniques:for marketing, sales, and customer support. Wiley Computer.
4. Frawley, W. J. , Piatetsky-Shapiro, G. and Matheus, D. (1991). Knowledge discovery in databases : an overview. Knowledge Discovery in Databases, AAAI / MIT Press, 1-30.
5. Fayyad, U. M., Shapiro, G. P., Smyth, P. and Uthrusamy, R. (1996). Advances in knowledge discovery and dara Mining. AAAI / MIT Press.
6. Grupe, F. H. and Owrang, M. M. (1995). Database mining discovering new knowledge and cooperative advantage. Information Systems Management, 12, 26-31.
7. Gunasekarage, A. and Power, D. M. (2001).The profitability of moving average trading rules in South Asian markets. Emerging Markets Review, 2, 17-33.
8. Harman, G., Parameswaran, P. and Witt (2000). Shares, bonds, or cash? asset allocation in the new economy using CART. Salomon Smith Barney Quantitative Analysis.
9. Han, Jiawei and Kamber, M. (2001). Data Mining : Concepts and Techniques. Mogan Kaufmann Publishers.
10. Kim, E. H. and Singal, V. (1994). Opening up of stock market : lessons from and for emerging economics. University of Michigan Press.
11. Klassen, M. (2005).Investigation of some technical indexes in stock forecasting using neural networks. Myungsook Klassen is with the computer science department , California Lutheran Oaks, CA, 91360, USA.
12. Khan, A. U., Motwani, M., Sharma, S., Khan, A. S. and Pandey, M. (2007).Stock rate prediction using backpropagation algorithm:results with different number of hidden layers. Journal of Software Engineering, 1(1), 13-21.
13. Khan, A. U., Bandopadhyaya, T. K. and Sharma, S. (2008). Genetic algorithm based backpropagation neural network performs better than backpropagation neural network in stock rates prediction. International Journal of Computer Science and Network Security, 8(7), 162-166.
14. Lam, M. (2004). Neural network techniques for financial performance prediction: integr567-581567-581g fundamental and technical analysis. Decision Support Systems, 37, 567-581.
15. Martikainen, T. (1993). Stock returns and classification pattern of firm-specific financial variables:empirical evidence with finish data. Journal of Business Finance and Accounting. 20(4), 537-558.
16. Mizuno, H., Kosaka, M., Yajima, H. and Komoda, N. (1998). Appliction of neural network to technical analysis of stock market prediction. Studies in Informatics and Control, 7(3), 111-120.
17. Nunez-Letamendia, L.(2002). Trading systems designed by genetic algorithms. Managerial Finance, 28, 87-106.
18. Ou, J. A. and Penman, S. H. (1989). Accounting measurement, price-earning ratio, and the information content of security prices. Journal of Accounting Research, 12, 111-152.
19. Quinlan, J. Ross. (1993). C4.5 programs for machine learning. Mogan Kaufmann Publishers.
20. Skouras, S. (2001).Financial returns and efficiency as seen by an artificial technical analyst. Journal of Economic Dynamics & Control, 25, 213-244.
21. Sorensen, E. H., Miller, K. L. and Ooi, C. K. (2000). The decision tree approach to stock selection - an evolving tree model performs the best. Journal of Portfolio Management, 27(1), 42-52.
22. Vellido, A., Lisboa, P. J. G. and Vaughan, J. (1999). Neural networks in business : a survey of applications (1992-1998). Expert Systems with Applications, 17, 51-70.
23. Wong, W., Chew, B. and Sikorski, D. (2001). Can the forecasts generated from E/P ratio and bond yield be used to beat stock markets? Multinational Finance Jourmal, 5, 59-86.
24. Wang, X., Phua, P. K. H. and Lin, W. (2003).Stock market prediction using neural networks:does trading volume help in short-term prediction?. Proceedings of the International Joint Conference, 4, 2438-2442.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top