本文研究了有關形態學的新的領域型態發現，型態發現與型態辨識的不同在於型態辨識在資料中辨識出給定的型態，型態發現在資料中發現會有特別表現的型態。我們提出了一個基於K-Means分群的演算法，利用此演算法在台灣股票中產生20天會漲幅10%的型態，並搭配各種分群與期間去檢驗演算法的表現。我們後續觀察測試期間的性質並利用統計檢定去驗證型態發現後的報酬是否異常來檢測有無外資訊。最後我們利用此演算法進行選股策略去測試演算法與真實市場的互動為何。
研究結果發現，我們的演算法在各種期間以及分群測試期間的性質與型態形成期間的性質是一致的，且有解釋效果的。同時在統計結果當中發現，型態在各種期間以及分群測試期間大部分都異於平常情況的報酬。而兩者的結果也發現長期間的型態比短期間的型態表現更好。就股策略方面，大部分而言，在各種分群與期間中，許多指標上我們的選股策略都是優於我們的基準投組。而簡森Alpha 與 夏普比率也支持了我們前面提到長時間型態有比較好表現的結果。

In this paper, we consider the new domain of stock patterns, Pattern Discovery. Pattern Recognition try to recognize patterns in the price data, on the other hand, Pattern Discovery try to discover new patterns in the price data. We propose the algorithm of Pattern Discovery based on K-Means Clustering, and apply it to find stock price patterns before a “10% increase in 20 days” in Taiwan stock market. We observe the pattern property in
both the constructing period and the test period, and also implement out-sample statistic tests. The pattern property and results in statistic tests show that the algorithm can get useful information in some special performance. Finally, we select securities to form a portfolio based on Pattern Discovery. The sharp ratio, Jensen’s Alpha and annualized return of our strategy outperform the benchmark. In conclusion, our result shows that our Pattern Discovery algorithm has great performance in any period and any cluster number in Taiwan stock market.

誌謝 i
中文摘要 ii
Abstract iii
目錄 iv
表目錄 vi
圖目錄 vii
第一章、 緒論 1
第二章、 文獻回顧 3
第一節、 技術分析 3
第一項、 技術指標 4
第二項、 型態分析 4
第二節、 K-Means分群法 5
第三章、 方法論 6
第一節、 價格資料尋找線型資訊: 7
第一項、 資料處理 7
第二項、 演算法流程 10
第二節、 型態辨識系統 15
第一項、 方法 15
第二項、 演算法表現 16
第四章、 實證結果 17
第一節、 測試期性質 17
第一項、 短期型態 18
第二項、 中期型態 18
第三項、 長期型態 19
第四項、 結論 20
第二節、 統計檢定 22
第一項、 型態結果 23
第三節、 選股回測 27
第一項、 報酬比較 28
第二項、 夏普比率比較 32
第三項、 最大跌幅 34
第四項、 相關係數 34
第五項、 Beta and Alpha 34
第五章、 結論 39
第六章、 參考文獻 40
第七章、 附錄 42
第一節、 測試期性質 42
第二節、 統計結果 43
第三節、 選股回測 45
第一項、 年化報酬 45
第二項、 夏普比率 45
第三項、 最大降幅 45
第四節、 結論 49

Ahn, H., & Kim, K. (2008). Using genetic algorithms to optimize nearest neighbors for data mining. Annals of Operations Research, 163(1), 5-18
Brock, W., Lakonishok, J., & LeBaron, B. (1992). Simple technical trading rules and the stochastic properties of stock returns. The Journal of finance, 47(5), 1731-1764.
Chen Chung-Chi, (2016), Chart Recognition by Linear Scaling Method
Conrad, J., & Kaul, G. (1998). An anatomy of trading strategies. The Review of Financial Studies, 11(3), 489-519.
Jang, J. S., Lee, H. R., & Kao, M. Y. (2001, August). Content-based music retrieval using linear scaling and branch-and-bound tree search. In IEEE International Conference on Multimedia and Expo, 2001. ICME 2001. (pp. 289-292). IEEE.
Leigh, W., Paz, N., & Purvis, R. (2002). Market timing: a test of a charting heuristic. Economics Letters, 77(1), 55-63.
Lo, A. W., Mamaysky, H., & Wang, J. (2000). Foundations of technical analysis: Computational algorithms, statistical inference, and empirical implementation. The journal of finance, 55(4), 1705-1765.
Neely, C. J., Rapach, D. E., Tu, J., & Zhou, G. (2014). Forecasting the equity risk premium: the role of technical indicators. Management science, 60(7), 1772-1791.
Ng, H. P., Ong, S. H., Foong, K. W. C., Goh, P. S., & Nowinski, W. L. (2006). Medical image segmentation using k-means clustering and improved watershed algorithm. In 2006 IEEE Southwest Symposium on Image Analysis and Interpretation (pp. 61-65). IEEE.
Oyelade, O. J., Oladipupo, O. O., & Obagbuwa, I. C. (2010). Application of k Means Clustering algorithm for prediction of Students Academic Performance. arXiv preprint arXiv:1002.2425.
Rapach, D. E., Strauss, J. K., & Zhou, G. (2013). International Stock Return Predictability: What Is the Role of the United States? The Journal of Finance, 68(4), 1633-1662.