臺灣博碩士論文加值系統

　　股票市場之高報酬伴隨著高風險，欲有效控制投資風險必須從市場分析中著手。技術分析主要研究由歷史交易資訊所組成的各式技術指標，提供買賣訊號給投資人做為進出場時機的參考。然而，各技術指標常有使用上之限制，必須多項指標配合研判，那麼究竟該參考多少指標才能準確研判買賣時機呢？在本研究中，希望將各項指標整合並發展一有效的選時投資策略。
　　本研究將台灣50指數型基金（代號：0050）之歷史交易資訊換算為多項技術指標，再運用多變量分析及類神經網路進行整合。使用因素分析從多項指標中萃取出具有高解釋能力之共同因素，配合集群分析及區別分析對於價格所屬趨勢建立鑑別函數；另將共同因素引進倒傳遞類神經網路配合動態學習法訓練模型以建構買賣決策。最後再搭配融資融券餘額、三大法人買賣超及期現貨基差之變化，整合市場各面向之資訊，提供本研究之買賣決策。結果顯示使用本研究之方法套用在一段空頭行情中，能擷取出多個波段進行放空回補之動作而得到較高之投資報酬率。

　　The high returns is the benefit in stock markets but associated with high risk. To control the risk, the investment analysis is required. Technical analysis is a useful tool to provide the signals to enter or exist a trade by various technical indicators calculated from the historical transaction information. However, there are some restrictions on the usage of every indicator. To avoid the mistakes in deciding the timing of trading, considered multiple indicators is recommended. But how many the indicators would be enough in judging the timing? In this study, an integrated time-choosing investment strategy is proposed.
　　The Taiwan Top 50 ETF（Code：0050）is illustrated as a target in this study. Apply factor analysis to extract the common factors from bunches of technical indicators. Then build a discriminant function for the trend of price with cluster analysis and discriminant analysis. Also, use the common factors to construct trading decision model with back-propagation network and dynamic training method. Finally, the balance of margin, the net buy/sell of Institutional investors and basis in futures market are joined together to provide a trading strategy. The result shows, with the method in this study, can capture more short-selling time points in a bear market and get a higher rate of return than the benchmark.

目　錄

目　錄 I
表目錄 III
圖目錄 IV
第一章 緒論 1
第一節 研究動機與背景 1
第二節 研究目的 2
第三節 研究範圍與對象 2
第四節 研究流程 3
第二章 理論基礎與文獻探討 5
第一節 股票價格分析理論 5
第二節 相關文獻探討 22
第三章 研究方法 25
第一節 研究架構 25
第二節 統計方法 26
第三節 類神經網路 31
第四節 市場籌碼變動 36
第五節 期貨基差交易策略 38
第四章 實證研究 41
第一節 因素分析 41
第二節 二階段集群分析 43
第三節 區別分析 48
第四節 倒傳遞類神經網路 53
第五節 市場籌碼變動 56
第六節 期貨基差變化 58
第七節 整合性投資策略 59
第五章 結論與建議 62
第一節 研究結論 62
第二節 後續研究建議 63
第三節 研究限制 64
參考文獻 65

壹、中文部份
【1】王友珊 (1998)，「台股指數期貨與現貨價格之動態關連性」，國防管理學院資源管理研究所碩士論文。
【2】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。
【3】尤明偉 (2001)，「應用類神經網路於股票技術指標聚類與預測分析之研究」，義守大學工業管理研究所碩士論文。
【4】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。
【5】李惠妍 (2003)，「類神經網路與迴歸模式在台股指數期貨預測之研究
」，國立成功大學高階管理在職專班碩士論文。
【6】杜金龍 (2002)，技術分析在台灣股市應用的訣竅，財訊出版社。
【7】吳宗正 (2010)，投資技術分析(七版)，華泰文化事業股份有限公司。
【8】吳姿瑤 (2005)，「國內開放式股票型基金在分類與預測模型比較之研究」，國立成功大學統計學研究所碩士論文。
【9】陳家隆 (2002)，「運用統計方法與人工智慧技術建構整合性投資策略」，國立成功大學統計學研究所碩士論文。
【10】陳順宇 (2005)，多變量分析(四版) ，華泰文化事業股份有限公司。
【11】彭美玲 (2005)，「本國銀行經營績效之實證研究」，商管科技季刊，第六卷第一期，頁137~163。
【12】彭昭英 (2007)，SAS與統計分析(十四版)，儒林圖書有限公司。
【13】黃綺年 (2004)，「統計方法與類神經網路應用於國內開放式股票型基金投資績效分類及投資報酬率預測之研究」，國立成功大學統計學研究所碩士論文。
【14】葉怡成 (2003)，應用類神經網路，儒林圖書有限公司。
【15】葉怡成 (2003)，類神經網路模式：應用與實作，儒林圖書有限公司。
【16】葉鳳琴 (2003)，「三大法人投資行為與加權股價指數互動關係之探討
」，淡江大學財務金融學系碩士在職專班碩士論文。
【17】楊雅琰 (2010)，「運用國內開放型股票基金建構分類與預測模式」，國立成功大學統計學研究所碩士論文。
【18】蔡正修 (2007)，「台灣上市電子類股價指數走勢預測之研究」，國立成功大學統計學研究所碩士論文。
貳、外文部份
【1】Edwards, R.D. ＆ Magee, J. (1992), Technical Analysis of Stock Trends (6th ed.), Boston, J. Magee Inc.
【2】Eugene F.F. (1970), “Efficient Capital Markets: A review of Theory and Empirical Work, The Journal of Finance, Vol. 25, No. 2, pp. 383~417.
【3】Fernandez-Rodrıguez, F., Gonzalez-Martel, C. ＆ Sosvilla-Rivero, S. (2000), “On the profitability of technical trading rules based on artificial neural networks: Evidence from the Madrid stock market, Economics Letters, Vol. 69, Iss. 1, pp. 89~94.
【4】Gencay R. (1998), “The Predictability of Security Returns with Simple Technical Trading Rules, Journal of Empirical Finance, Vol. 5, Iss. 4, pp. 347~359.
【5】George S.S. Jr. ＆ Young Y. (1992), “Applying Artificial Neural Networks to Investment Analysis, Financial Analysis Journal, Vol. 48, No.5, pp. 78~80.
【6】Grudnitski, G. ＆ Osburn, L. (1993), “Forecasting S＆P and Gold Futures Prices: An Application of Neural Networks, Journal of Futures Markets, Vol. 13, Iss. 6, pp. 631~643.
【7】Hung, S.T., Liang, T. P. and Liu, W. C. (1996), “Intergrating Arbitrage Pricing Theory and Artificial Neural Networks to Support Portfolio Management, Decision Support Systems, Vol. 18, pp. 301~316.
【8】McMenamin, J.S. (1997), “Why Not Pi? A Primer on Neural Networks for Forecasting, Journal of Business Forecasting ＆ Systems, Vol. 16, Iss. 3, pp. 17~22.
【9】Mizuno, H., Kosaka, M., Yajima, H. ＆ Komoda, N. (1998), “Appliction of Neural Network to Technical Analysis of Stock Market Prediction, Studies in Informatics and Control, Vol. 7, Iss. 2, pp. 111~120.
【10】Joy, O.M., ＆ Tollefson, J.O. (1975), “On the Financial Application of Discriminant Analysis, Journal of Financial and Quantitative Analysis, pp. 723~739.
【11】Richard A.J. ＆ Dean W.W. (2007), Applied Multivariate Statistical Analysis (6th ed.), Pearson Education International.
【12】Kimoto, T. ＆ Asakawa, K. (1990), “Stock Market Prediction System with Modular Neural Networks, IEEE New York, NY, USA.
【13】Zemake, S. (1999), “Nonlinear index prediction, Physica, Vol. 269, Iss 1, pp. 177~183.