臺灣博碩士論文加值系統

隨著法人佔台灣股市的交易金額比重和以往相比有增加之趨勢，法人的買賣動向似乎更能主導大盤和個股的漲跌。本研究以台積電個股為研究對象，採用深度神經網路(Deep Neural Networks; DNN)演算法，除了利用實務上常用的技術分析指標外，另納入法人買賣超資訊，探討外資、投信和自營商之買賣動向，對台積電個股的股價漲跌幅有無影響。
實證結果得知，技術指標部分相較之下以乖離率(Bias Ratio; BIAS)對報酬率較有關聯，而在法人買賣超部分則以外資(Foreign Investors)及投信(Investment Trust)買賣超數量對報酬率較有顯著影響。不論是用變數相關性或是深度神經網路(DNN)，在本研究設定之交易策略下，兩種策略之勝率似乎無顯著差異，但皆以納入法人顯著指標後之勝率較利用技術指標高，故本研究認為法人中之外資及投信的買賣超數量，對於台積電股票之報酬存在影響力。此外，透過本研究所提出之交易策略，於回測期間得到之報酬率較台股加權指數報酬率高，其投資決策模式具有一定程度的可行性，可供投資人作為未來投資的判斷依據。

Compared with the past, as the proportion of the transaction amount of the institutional investors in the Taiwan stock market has been increasing, the trading trend of institutional investors now seems able to dominate the ups and downs of both the market and individual stocks. This study uses the stock of TSMC as the research object, and applies the Deep Neural Network's algorithm (DNN). In addition to the practical technical-analysis indicators like RSI, KD, MACD and BIAS, it also looks at the information provided by institutional investors in order to specify the influences on the short-term increases in value of TSMC stock.
The study shows that, regarding the technical analysis indicators, the BIAS is more related to the returns, while with the institutional investors, the net buy/sell of foreign investors and the investment trusts have more significant influence on the rate of stock return. It seems to have no significant impact on the odds whether we use a regression model or DNN with the trading strategy set in this study. However, with both models we have better odds after incorporating the significant variables of institutional investors, than if we are only using technical analysis indicators. Therefore, we can say that the net buy/sell of foreign investors and investment trusts both have an impact on the returns with TSMC stock.
By using the trading strategy proposed by this study, the rate of return obtained during the backtesting period is higher than that of the Taiwan Weighted Stock Index. it shows that this trading strategy is a feasible one, at least within certain limits, and that it can provide a sound basis for judgments regarding investments in the future.

致謝 Ⅰ
摘要 Ⅱ
Abstract Ⅲ
目錄 Ⅰ
圖目錄 Ⅱ
表目錄 Ⅲ
第一章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 4
第三節 研究流程 5
第二章 文獻探討 7
第一節 技術指標 7
第二節 法人買賣超資訊 11
第三節 類神經網路(Neural Network)之應用 15
第三章 研究方法 20
第一節 研究樣本與資料來源 20
第二節 變數說明與定義 21
第三節 實證分析方法 23
第四章 實證研究結果 28
第一節 迴歸分析 28
第二節 深度學習與複合指標搭配 31
第三節 變數相關性及深度學習之交易策略與回測 33
第四節 實證綜合討論 37
第五章 結論與建議 40
第一節 研究結論 40
第二節 研究限制 40
第三節 研究建議 41
參考文獻 43
一、 中文部分 43
二、 英文部分 44
三、 網站部分 44

一、 中文部分
1. 石濟豪(2014)，技術分析指標複合的搭配及預測-以台灣加權股價指數為例，國立暨南國際大學國際企業學系研究所碩士論文。
2. 江典音(2012)，類神經網路應用於台灣50投資策略之研究，東吳大學財務工程與精算數學系碩士論文。
3. 呂怡萍(2010)，法人買賣超對台灣50與大盤指數的影響之研究，淡江大學 財務金融學系碩士在職專班碩士論文。
4. 呂岳暘(2016)，探討法人買賣超對股票報酬之影響，國立高雄大學國際高階經營管理碩士在職專班(IEMBA)碩士論文。
5. 林可依(2003)，台灣上市股市法人買賣超是否可提供投資人短期獲利機會，國立東華大學國際經濟研究所碩士論文。
6. 林志軒(2011)，類神經網路投資組合策略績效之實證研究：以台灣中型100電子股為例，靜宜大學財務金融學系碩士論文。
7. 范聖培(2014)，法人之買賣超行為對股價短期報酬之研究，國立中央大學財務金融學系在職專班碩士論文。
8. 郭定峪(2011)，結合經驗模態分解法與類神經網路在股價預測之應用，中國文化大學會計學系碩士論文。
9. 徐廣銘(2002)，以遺傳演算法與法則式類神經網路建構股市投資決策模式-探討個股買賣時機，中華大學資訊管理學系碩士論文。
10. 梁宏銘(2009)，應用人工智慧技術預測台灣股市，中華大學經營管理研究所碩士論文。
11. 張哲綸(2011)，以技術指標建立股價預測模型之研究-倒傳遞類神經網路模型應用，國立臺灣海洋大學電機工程學系碩士論文。
12. 葉雅玲(2009)，產業別股票價量關係，淡江大學財務金融學系碩士在職專班碩士論文。
13. 廖振宏(2018)，利用資料探勘技術預測臺灣股票買賣時點，東吳大學財務工程與精算數學系碩士論文。
14. 盧鳳彬(2016)，技術分析應用於台灣股市之研究-以法人籌碼量之移動平均為指標，銘傳大學財務金融學系碩士在職專班碩士論文。
15. 簡壬申(2015)，類神經網路在股票預測之獲利可能性研究-以台灣50成分股為例，國立雲林科技大學財務金融系碩士論文
16. 魏明洲(2016)，探討月營收資訊與法人買賣超對個股報酬之影響，國立高雄大學國際高階經營管理碩士在職專班(IEMBA)碩士論文。
二、 英文部分
1. Kim, J., J. Hong, H. Park (2018), ”Prospects of deep learning for medical imaging,” Journal of Precision and Future Medicine, 2(2), 37-52.
三、 網站部分
1. 劉建平(2017)。深度神經網絡(DNN)模型與前向傳播算法。https://www. cnblogs.com/pinard/p/6418668.html，資料擷取日期:民國107年11月15日。
2. 雷鋒網(2017)。一文讀懂CNN、DNN、RNN內部網絡結構區別https:// www.hksilicon.com/articles/1272659，資料擷取日期:民國107年11月15日。
3. Nielsen, M. (2015). Neural Networks and Deep Learning. Retrieved from http://neuralnetworksanddeeplearning.com/index.html (October 15, 2018).
4. Veon, L. B. (2016). How to work by deep neural network? Retrieved from https://medium.com/%E4%B8%80%E4%BA%BA%E5%A4%9A%E5%B7%A5%E5%B7%A5%E4%BD%9C%E5%AE%A4 (March 22, 2019).