跳到主要內容

臺灣博碩士論文加值系統

(44.211.26.178) 您好!臺灣時間:2024/06/15 01:54
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:鄭淑燕
研究生(外文):CHENG, SHU-YEN
論文名稱:影響台灣金融類股股票報酬因素之研究
論文名稱(外文):A Study on the Determinants of the Financial Stock Returns in Taiwan
指導教授:陳建宏陳建宏引用關係
指導教授(外文):CHEN, CHIEN-HUNG
口試委員:陳建宏戴錦周林鳴琴
口試委員(外文):CHEN, CHIEN-HUNGDAI, JIN-JOULIN, MING-CHIN
口試日期:2019-07-16
學位類別:碩士
校院名稱:朝陽科技大學
系所名稱:財務金融系
學門:商業及管理學門
學類:財務金融學類
論文種類:學術論文
論文出版年:2019
畢業學年度:107
語文別:中文
論文頁數:38
中文關鍵詞:決策樹財務變數資料採礦股票報酬率
外文關鍵詞:Decision TreeFinancial VariablesData MiningStock Returns
相關次數:
  • 被引用被引用:2
  • 點閱點閱:400
  • 評分評分:
  • 下載下載:69
  • 收藏至我的研究室書目清單書目收藏:0
物價扶搖直上,薪資停滯國民所得下滑,增加家庭收入勢在必行,投資理財成為全民運動。若能運用財務變數,準確預測金融類股股票報酬率,對投資人來說:可降低風險提升獲利。本研究以台灣經濟新報資料庫為基礎,進行資料採礦,挑選10個條件屬性和1個決策屬性-股票報酬率。主要實證結果如下:(1)應用屬性選取,找出重要條件屬性為:每股盈餘、稅後淨利率、營收成長率、淨值成長率。(2)衡量各預測模型之準確率,不論有無屬性選取,皆以決策樹J48的準確率最高。(3)Naïve Bayes、IBK、J48 三種不同分類器,有屬性選取的模型準確率皆優於無屬性選取的模型。
This study conducts data mining to find the determinants of the financial stock returns in Taiwan. We select 10 financial ratios as conditional attributes and select stock return rate as decision attribute from the Taiwan Economic Journal. The main empirical results are as follows: (1) Apply attribute selection to find out the important conditional attributes are earnings per share, net profit after tax, revenue growth rate, and net asset value growth rate. (2) Measure the accuracy of each prediction model, with or without attribute selection, the decision tree J48 has the highest accuracy. (3)Among the three different classifiers: Naïve Bayes, IBK, and J48, the accuracy of the model with attribute selection is better than the model without attribute selection.
目 錄
摘要 I
ABSTRACT II
致 謝 III
目 錄 IV
表目錄 V
圖目錄 VI
第一章 緒論 1
第一節 研究背景 1
第二節 研究動機 2
第三節 研究目的 3
第四節 研究流程 4
第二章 文獻探討 6
第一節 財務報表 6
第二節 資料採礦 9
第三節 屬性選取-預處理技術 12
第四節 分類演算法 13
第三章 研究方法 22
第一節 研究範圍 22
第二節 研究步驟 23
第四章 實證分析 27
第一節 實證步驟 27
第二節 實證結果 28
第三節 小結 32
第五章 結論 33
參考文獻 34


表目錄
表2-1 資料採礦模式 11
表2-4 決策樹相關研究 17
表3-1 條件屬性資料型態表 26
表3-2 分類預測表 26
表 4-1 股票報酬率模型A評估結果 28
表 4-2 股票報酬率模型B評估結果 29
表 4-3 三種分類器的準確率比較 30
表 4-4 模型分類器差異值表 30


圖目錄
圖1-1 研究流程圖 5
圖2-1 決策樹狀圖 15
圖3-1 分類模型研究流程圖 23
圖4-1 決策樹狀圖 31


英文文獻
1.Altman, N. S. (1992). An introduction to kernel and nearest-neighbor nonparametric regression. The American Statistician, 46(3), 175-185.
2.Berry, M. J., & Linoff, G. (1997). Data mining techniques: for marketing, sales, and customer support. John Wiley & Sons, Inc.
3.Chen, Y. S., Tsao, H. H., & Huang, C. H. (2017). Performance Evaluation of Comprehensive Function Classifiers: Taking Growth Rate Data as an Example. Applied Science and Management Research, 4(1), 61-70.
4.Chen, L. S., & Liu, C. C. (2015). Using feature selection approaches to identify crucial factors of mobile advertisements. In Proceedings of the International MultiConference of Engineers and Computer Scientists (Vol. 1).
5.Castro, P. A., & Von Zuben, F. J. (2010). Multi-objective feature selection using a Bayesian artificial immune system. International Journal of Intelligent Computing and Cybernetics, 3(2), 235-256.
6.Chandrashekar, G., & Sahin, F. (2014). A survey on feature selection methods. Computers & Electrical Engineering, 40(1), 16-28.
7.Debska, B., & Guzowska-Swider, B.(2011) Decision trees in selection of featured determined food quality. Analytica Chimica Acta, 705(1-2), 261-271.
8.Dubey, B. D., Sharman, M., & Shah, R. (2015). Comparative Study of Frequent Item Set in Data Mining, International Journal of Programming Languages and Applications, (IJPLA), Indora, India, 5(1), 1-8.
9.Noreen,E.W., Brewer P.C. ,& Garrison R. H.(2013) Garrison Managerial Accounting for Managers, 2E. McGraw-Hill.
10.Everitt, B. S., Landau, S., Leese, M. & Stahl, D.(2011)Miscellaneous Clustering Methods, in Cluster Analysis, 5th Edition, John Wiley & Sons, Ltd, Chichester, UK.
11.Gagliardi, F. (2011). Instance-based classifiers applied to medical databases: diagnosis and knowledge extraction. Artificial intelligence in medicine, 52(3), 123-139.
12.Han, J., Pei, J., & Kamber, M. (2011). Data mining: concepts and techniques. 3rd Edition, Elsevier.
13.James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning (Vol. 112). New York: springer.
14.Keerthika, G., & Priya, D. S. (2015) Feature Subset Evaluation and Classification using Naive Bayes Classifier, Journal of Network Communications and Emerging Technologies (JNCET), 1(1), 27-32.
15.Li, J., Sun, L., Zhang, Q., & Zhang, C. (2003). Application of native Bayes classifier to text classification. Journal of Harbin Engineering University, 24(1), 71-74.
16.Lin, W. C., Lu, Y. H., & Tsai, C. F. (2019). Feature selection in single and ensemble learning‐based bankruptcy prediction models. Expert Systems, 36(1), e12335.
17.Menzies, T. & Hu, Y., (2003) Data Mining For Very Busy People. IEEE Computer, October, 18-25.
18.Nigsch, F., Bender, A., van Buuren, B., Tissen, J., Nigsch, E., & Mitchell, J. B. (2006). Melting point prediction employing k-nearest neighbor algorithms and genetic parameter optimization. Journal of chemical information and modeling, 46(6), 2412-2422.
19.Ou, J. A., & Penman, S. H. (1989). Financial statement analysis and the prediction of stock returns. Journal of accounting and economics, 11(4), 295-329.
20.Peterson, L. E. (2009). K-nearest neighbor. Scholarpedia, 4(2), 1883.
21.Quinlan, J. R. (1979). Discovering Rules by Induction from Large Collections of Examples, 168-201. Expert Systems in the Micro Electronic Age: Edinburgh University Press.
22.Shamsuddin, S. N. W., Mat, N. S. F. N., & Makhtar, M. (2017). RELEVANT TEST SET USING FEATURE SELECTION ALGORITHM FOR EARLY DETECTION OF DYSLEXIA. Journal of Fundamental and Applied Sciences, 9(6S), 886-899.
23.Tayefi, M., Esmaeili, H., Karimian, M. S., Zadeh, A. A., Ebrahimi, M., Safarian, M., ... & Ghayour-Mobarhan, M. (2017). The application of a decision tree to establish the parameters associated with hypertension. Computer methods and programs in biomedicine, 139, 83-91.
24.Zhou, L., Si, Y. W., & Fujita, H. (2017). Predicting the listing statuses of Chinese-listed companies using decision trees combined with an improved filter feature selection method. Knowledge-Based Systems, 128, 93-101.

中文文獻
1.丁一賢、陳牧言(2005)。資料探勘。出版社:滄海。
2.甘堯昌 (2006)。以資料採礦技術探討影響個股績效之關鍵因素-以台灣上市個股為例。大同大學資訊經營研究所碩士論文。
3.李祖培 (2007)。財務報表分析,三民出版社。ISBN:9789571446226。
4.城田真琴 著,鐘慧真 譯 (2013),Big Data 大數據的獲利模式,經濟新潮社出版,台北市。
5.邱德修 (2005),商業銀行財務比率分析,世新大學管理學院經濟系碩士專班學位論文。
6.吳燕汶 (2005)。資料探勘技術在股價報酬率預測模式上的應用-以電子業為例,銘傳大學資訊管理研究所碩士論文。
7.帥嘉珍、陳杏枝 、陳耀斌 (2017)。網路算命使用者行為與特徵分析: 資料探勘技術之應用,調查研究─方法與應用,37: 97-154.
8.施寶駒 (2004)。建立電子業財務預測模式之研究,大葉大學事業經營研究所碩士論文。
9.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,中原大學資訊經營研究所碩士論文。
10.國立中央大學管理學院 (2015),ERP企業資源規劃與導論,碁峰出版社。
11.黃秀珍 (2015)。運用財務比率資料於上市公司股票盈餘之預測股盈餘與股價的預測,華夏科技大學資訊科技與管理研究所碩士論文。
12.黃勤明 (2008)。以籌碼面結合財務比率資訊探討企業財務危機預警模型之研究—以電子產業為例,銘傳大學資訊管理研究所碩士論文。
13.黃正和 (2016)。整合術性選取和資料離散雙技術之分類器績效評估-以上市公司財務資料營收成長率為例,華夏科技大學資訊科技與管理研究所碩士論文。
14.張云濤、龔玲 (2007)。資料探勘原理與技術,台北市:五南圖書出版股份有限公司。
15.葉怡成 (2008)。以分類、迴歸、聚類、關聯四種資料探勘方法建立選股模型─台灣股市之實證研究,中華大學資訊管理系碩士論文。
16.鄭丁旺(2014)。中級會計學。出版社:鄭丁旺。
17.簡禎富、李培瑞、鵬程湧 (2003)。半導體製程資料爭萃取,與資料挖礦之研究。資訊管理學報,第十卷,第一期,63-84。
18.簡禎富 、許嘉裕 (2015)。資料挖礦與大數據分析。新北市:前程文化事業有限公司。

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊