臺灣博碩士論文加值系統

本研究採用臺股期貨近月契約作為標的進行研究，以2017年至2018年共計兩年時間總計493個營業日之原始資料進行深度學習，透過加權中價與加權成交價的公式將原始資料合併成15秒一個時間區間，使用長短期記憶網絡分析連續的40個時間區間，以得出對下一個時間區間漲跌幅的預測，並搭配以漲跌訊號進出場的當沖交易策略，以期分析深度學習在漲跌幅方面的預測能力以及在當沖交易上的應用成效。

研究證實深度學習在臺股期貨近月契約的價格漲跌幅預測上有著實用價值，能協助投資人把握市場漲跌脈動，在本研究之當沖交易策略績效模擬回測下，取得最佳為48.78%的年化報酬率，其相應的最大回撤為11.20%。

The study uses the active contract of the TAIEX Futures as the target to conduct research, and uses the raw data of 493 business days totaling two years from 2017 to 2018 for deep learning. The raw data is combined by the formula of weighted mid-price and weighted last price in a time interval of 15 seconds, the long-term and short-term memory networks are used to analyze the continuous 40 time intervals to obtain a fluctuations forecast of the next time interval, and with the day trade strategy of entering and exiting with the ups and downs signals, with a view to analyze the predictive ability of deep learning in terms of price changes and the effectiveness of application in the day trade strategy.

The study confirms that deep learning has practical value in forecasting the price fluctuations of TAIEX Futures active contract. It can help investors grasp the fluctuations of the market, and under the performance back-test of the day trade strategy, the best annual return rate of 48.78% was achieved, and the corresponding max drawdown was 11.20%.

表目錄 iii
圖目錄 iv
第壹章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 5
第三節 研究架構 6
第貳章 文獻探討 8
第一節 深度學習的發展 8
2.1.1 人工智慧 9
2.1.2 機器學習 9
2.1.3 深度學習 11
2.1.4 長短期記憶網絡 14
第二節 漲跌預測 20
第参章 研究方法 21
第一節 研究假設 21
第二節 資料前置作業 21
第三節 研究設計 28
第肆章 實證分析 31
第一節 資料取得與前置處理 31
第二節 執行深度訓練 33
第三節 績效模擬 36
第伍章 結論 48
第一節 研究發現 48
第二節 研究限制 49
第三節 後續研究方向與建議 49
參考文獻 51
一、中文文獻 51
二、英文文獻 53
三、網頁資料 54
附錄 55

一、中文文獻
1.丁瑋鵬（2017）。配對交易策略與超額報酬之探討：以台灣上市櫃電子類股為例。健行科技大學財務金融系碩士班碩士論文，桃園縣。 取自https://hdl.handle.net/11296/s59tja
2.李彥儒（2019）。台灣證券市場之動能交易策略分析。東吳大學財務工程與精算數學系碩士論文，台北市。 取自https://hdl.handle.net/11296/375wez
3.張瀚文（2014）。馬可夫轉換模型於配對交易策略之應用，以台灣股票市場為例。國立成功大學財務金融研究所碩士論文，台南市。 取自https://hdl.handle.net/11296/4wfv5k
4.陳子軒（2018）。運用基本面、技術面及籌碼面建構台股深度學習交易策略。國立中山大學金融創新產業碩士專班碩士論文，高雄市。 取自https://hdl.handle.net/11296/3q4ttv
5.陳心南（2015）。如何使用波動度指數來擊敗市場?交易策略與績效分析。世新大學財務金融學研究所(含碩專班)碩士論文，臺北市。 取自https://hdl.handle.net/11296/723dwt
6.陳家昇（2017）。運用產業及財務因子建構之智能投資交易策略-以台灣股票市場為例。國立高雄第一科技大學財務管理系碩士班碩士論文，高雄市。 取自https://hdl.handle.net/11296/jdx558
7.黃士展（2018）。利用美國股市改進台灣股市的交易策略。國立中山大學資訊工程學系研究所碩士論文，高雄市。 取自https://hdl.handle.net/11296/4n8h7u
8.黃才育（2018）。半母數容許區間應用於配對交易策略。逢甲大學統計學系統計與精算碩士班碩士論文，台中市。 取自https://hdl.handle.net/11296/vx2r75
9.楊書睿（2017）。運用線性規劃於選擇權交易策略與隱含波動率預測。國立臺灣大學國際企業學研究所碩士論文，台北市。 取自https://hdl.handle.net/11296/g5ydww
10.廖志鴻（2016）。馬爾可夫狀態轉換模型對 Smart Beta 之應用 —以台灣股票市場之交易策略研究。國立中山大學財務管理學系研究所碩士論文，高雄市。 取自https://hdl.handle.net/11296/x9d227
11.鄭維（2017）。透過分析興櫃股票的買賣日報表打敗買進持有策略的交易策略。國立臺灣大學資訊工程學研究所碩士論文，台北市。 取自https://hdl.handle.net/11296/z742r5
12.盧泰源（2016）。最適化 Smart Beta 策略組合型基金之應用 —以台灣股票市場之交易策略研究。國立中山大學財務管理學系研究所碩士論文，高雄市。 取自https://hdl.handle.net/11296/vg3v4u
13.糜榮峻（2018）。深度學習在台灣認購權證交易策略之運用。國立中山大學財務管理學系研究所碩士論文，高雄市。 取自https://hdl.handle.net/11296/h38536
14.謝育展（2018）。以深度學習建構Smart Beta交易策略:以臺灣股票市場為例。國立中山大學財務管理學系研究所碩士論文，高雄市。 取自https://hdl.handle.net/11296/9cs5m4
15.謝政翰（2017）。應用機器學習演算法與模糊推論於股價漲跌預測模式建構之研究。國立聯合大學資訊管理學系碩士班碩士論文，苗栗縣。 取自https://hdl.handle.net/11296/fdtqrj
16.簡育昰（2016）。CBOE SKEW指數資訊內涵研究-應用馬可夫狀態轉換模型建構交易策略。國立政治大學金融研究所碩士論文，台北市。 取自https://hdl.handle.net/11296/pn7z3a
17.嚴孟庸（2015）。運用風險值VaR建構外幣投資組合交易策略之研究－以台灣外匯市場為例。國立臺北大學企業管理學系碩士論文，新北市。 取自https://hdl.handle.net/11296/antxth

二、英文文獻
1.A. M. Turing(1950). Computing Machinery and Intelligence. Mind, Vol. 49, pp. 433-460.
2.Atsalakis, G. S., & Valavanis, K. P. (2009). Forecasting stock market short-term trends using a neuro-fuzzy based methodology. Expert Systems with Applications, 36(7), pp. 10696-10707.
3.François Chollet (2017). Deep Learning with Python (1st edition). Manning Publi-cations. ISBN 978-1617294433.
4.Hadavandi, E., Shavandi, H., & Ghanbari, A. (2010). Integration of genetic fuzzy systems and artificial neural networks for stock price forecasting. Knowledge-Based Systems, 23(8), pp. 800-808.
5.Kara, Y., Boyacioglu, M. A., & Baykan, O. K. (2011). Prediction direction of stock price index movement using artificial neural networks and support vector machines: The sample of the Istanbul Stock Exchange. Expert systems with Applications, 38(5), pp. 5311-5319.
6.Laboissiere, L. A., Fernandes, R. A., & Lage, G. G. (2015). Maximum and mini-mum stock price forecasting of Brazilian power distribution companies based on artificial neural networks. Applied Soft Computing, vol.35, pp. 66-74.
7.Rina Dechter (1986). Learning while searching in constraint-satisfaction problems. University of California, Computer Science Department, Cognitive Systems La-boratory.
8.Toikov, Sasha (2018). The micro-price: a high-frequency estimator of future prices. Quantitative Finance, 18(12), 1959-1966.
9.S. Hochreiter and J. Schmidhuber (1997). Long short-term memory. Neural Com-putation, 9(8), 1735–1780.
10.Lin, Tom C. W., The New Investor. 60 UCLA Law Review 678 (2013); 60 UCLA Law Review 678 (2013); Temple University Legal Studies Research Paper No. 2013-45. Available at SSRN: https://ssrn.com/abstract=2227498.
11.Wang, J., Hou, R., Wang, C., & Shen, L. (2016). Improved v-Support vector re-gression model based on variable selection and brain storm optimization for stock price forecasting. Applied Soft Computing, 49, pp. 164-178.

三、網頁資料
1.台灣證券交易所，2019/06，2019/06，取自http://www.twse.com.tw/
2.台灣期貨交易所，2019/06，2019/06，取自http://www.taifex.com.tw/
3.Christopher Olah, Understanding LSTM Networks, 2015/08/27, 2019/07, 取自https://colah.github.io/posts/2015-08-Understanding-LSTMs/