長久以來，類神經網路應用於即時股價的預測，一直是諸多學者
所熱衷的研究領域，而其中長短期記憶模型對於時間序列資料具有卓
越的預測表現。對於深度學習模型來說，除模型的架構對預測結果有
顯著的影響外，學習資料的品質對於模型最後的訓練結果影響甚鉅，
然而相關研究卻十分稀少，故本研究以台股即時股價資料為例，探討
不同資料挑選方法對於模型預測準確率的影響。
股價資料是一種時間序列的資料，具有時間相依性，越接近當下
的資料越具有代表性，但不可忽視長時間的股價趨勢。本研究將移動
窗格法與不同抽樣分配結合，提出 ESW 資料挑選法，提供使用者可因
應不同資料特性進行訓練與驗證資料的挑選，並透過貝氏超參數優化
法針對不同測試時間點挑選出的訓練與驗證資料集進行每日模型架構
挑選，以客觀的角度探討不同資料挑選方式對於模型預測準確率的影
響。
研究結果顯示，使用本研究所提出的 ESW 資料挑選法所挑選出資
料訓練出的模型準確率皆優於傳統移動窗格法所訓練之模型，證明適
當的資料挑選對於模型的預測準確率有顯著的影響。

The applications of neural network on real-tome stock forecast has
been a hot research field for many scholars for a long time, among which
the Long Short-Term Memory(LSTM) model has done an excellent job in
prediction for time series data. For deep learning models, not only the
model structure, but also the quality of learning data have a huge impact on
prediction results. However, there are very few studies related to this so this
study takes the real-time Taiwan stock data as an example to explore how
data quality affects prediction results.
Stock data is a kind of time series data, characterized by temporal
dependencies; more exactly, the closer to the current moment the data is,
the more truth it will reflect but the long-term stock trend should also been
taken into account. Therefore, this study proposes ESW data selection
which combine Sliding Windows with Exponential Distribution, to offer
users a method which allows them to do data selection based on data
attribute. In addition, with Bayesian Optimization, this study does the
model selection based on the validation set and training set extracted from
different time and finally explores how different data selection will impact
the accuracy of the predictive model from an objective view.
This study shows the model accuracy built by ESW data selection is
better than that of traditional Sliding Windows model and proves that the
data selection exactly has obvious effect on model accuracy

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 研究流程......................................................................................6
第貳章 文獻探討.........................................................................................7
第一節 深度學習應用於股價預測..........................................................7
第二節 超參數優化..................................................................................9
第三節 貝氏超參數優化法....................................................................10
第參章 研究方法.......................................................................................11
第一節 長短期記憶模型........................................................................11
第二節 貝氏超參數優化法....................................................................16
第三節 創新之資料挑選法....................................................................20
第肆章 實證分析.......................................................................................29
第一節 研究資料....................................................................................29
第二節 實驗軟體與硬體設備................................................................31
第三節 實驗設計....................................................................................33
第四節 實驗結果....................................................................................41
第伍章 結論 ...............................................................................................58
第一節 研究結論....................................................................................58
第二節 研究建議....................................................................................59
參考文獻.....................................................................................................60
中文部分..................................................................................................60
英文部分..................................................................................................62
網路資料..................................................................................................65

中文部分
王建勛(2016)。金融與能源市場間的外溢效果：指數股票型基金(ETF)
與指數股票型基金期貨生成變數(ETF Futures)之計量經濟研究。國
立清華大學統計學系碩士論文
王秉民(2018)。探討類神經網路模型超參數在小型且非原始特徵資料上
的影響：以信用評分資料為例。國立成功大學電機工程學系碩士
論文。
任立斌(2018)。應用特徵選取進行股價預測與獲利可能性之研究。國立
中興大學資訊管理學系碩士論文。
林欣羿(2018)。放寬漲跌幅限制對股票市場從眾行為之影響：日資料與
日內資料之分析。國立台中科技大學財務金融學系碩士論文
郭哲佑(2018) 。台股期貨走勢預測-倒傳遞類神經與長短期遞歸神經網
路之比較。高雄應用科技大學資訊管理學系碩士論文。
陳適宜(2010)。基因類神經網路在臺股指數期貨的預測與蝶式交易策略
研究。國立台北大學企業管理學系碩士論文
陳信良(2011)。運用時間數列分解法建構股價預測模型之研究。國立台
北大學企業管理學系碩士論文
陳建翔(2018)。彈性倒傳遞神經網路股價預測之技術指標應用—以半導
體產業為例。私立天主教輔仁大學金融與國際企業系碩士論文。
張力元(2018)。深度學習應用於股價走勢之研究-以大陸市場為例。國
立政治大學風險管理與保險學系碩士論文。
廖泳暄(2018)。選擇權對股票現貨交易量之比率與股票報酬。國立交通
大學財務金融學系碩士論文。
61
鄭健毅(2010)。應用 SVR 支援向量回歸模式來進行電子產業股價預測。
私立明新科技大學工業工程與管理學系碩士論文
鄭宇傑(2019)。即時股價時序演化特徵影像(TEFI)之建立與預測效能之
探討。私立天主教輔仁大學統計資訊學系碩士論文
盧月霞(2010)。運用倒傳遞類神經網路、多元適應性雲形迴歸及自我相
關整合移動平均建構個股股價預測模式–以台積電、日月光為例。
私立天主教輔仁大學金管理學系碩士論文
賴文芳(2019)。基於深度學習建構股價預測系統之研究。國立台北教育
大學資訊科學系碩士論文。
簡壬申(2017)。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學系碩士論文。
62
英文部分
Chollet, F. (2018). Deep Learning with Python. NY ： Manning
Publications Co.
Laney, D.(2001) 3D Data Management： Controlling Data Volume,
Velocity and Variety. Gartner. [2001-02-06].
Bergstra, J., & Bengio, Y. (2012). Random Search for Hyper-Parameter
Optimization. Journal of Machine Learning Research 13 (2012)
281-305.
Snoek, J., & Larochelle, H. (2012). Practical Bayesian Optimization of
Machine Learning Algorithms. Advances in Neural Information
Processing Systems 25 (NIPS 2012).
Swersky, K., & Snoek, J. (2013). Multi-Task Bayesian Optimization.
Advances in Neural Information Processing Systems 26 (NIPS 2013).
Thawornwong, S., & Enke, D. (2003). The adaptive selection of!nancial
and econom ic variables for use with artilcial neural networks.
Neurocomputing Volume 56, January 2004, Pages 205-232
Tsai, C. F., & Wang, S. P. (2009). Stock Price Forecasting by Hybrid
Machine Learning Techniques. Proceedings of the International
MultiConference of Engineers and Computer Scientists 2009 Vol I
IMECS 2009, March 18 - 20, 2009, Hong Kong
Bergstra, J., & Yamins,D., & Cox, D. D.(2013). Making a Science of Model
Search： Hyperparameter Optimization in Hundreds of Dimensions
for Vision Architectures. Proceedings of the 30 th International
Conference on Machine Learning, Atlanta, Georgia, USA, 2013.
JMLR：W&CP volume 28.
63
Chonga, E., & Hanb, C., & Park, F. C. (2017). Deep learning networks for
stock market analysis and prediction ： Methodology, data
representations, and case studies. Expert Systems with Applications
Volume 83, 15 October 2017, Pages 187-205
Dewancker, I., & McCourt, M., & Clark, S.(2015). Bayesian Optimization
Primer.
Ding, X., & Zhang, Y., & Liu, T., & Duan, J. (2015). Deep Learning for
Event-Driven Stock Prediction .
Guresen, E., & Kayakutlu, G., & Daim, T. U. (2011). Using artificial
neural network models in stock market index prediction. Expert
Systems with Applications 38(8)：10389-10397
Hsieha, T. J., & Hsiao, H. F., & Yeh, W. C. (2010). Forecasting stock
markets using wavelet transforms and recurrent neural networks： An
integrated system based on artificial bee colony algorithm. Applied
Soft Computing Volume 11, Issue 2, March 2011, Pages 2510-2525
Long, M., & Lu, Z., & Cui, L. (2018). Deep learning-based feature
engineering for stock price movement prediction. Knowledge-Based
Systems 164 (2019) 163–173.
Nelson, D. M. Q., & Pereira, A. C. M., & Oliveira, R. A. (2017). Stock
Market’s Price Movement Prediction With LSTM Neural Networks.
Snoek, D., & Larochelle, H., & Adams, R. P. (2012). Practical Bayesian
Optimization of Machine Learning Algorithms.
Swersky, K., & Snoek, J., & Adams, R. P. (2013) Multi-Task Bayesian
Optimization.
64
Bergstra, J., & Bardenet, R., & Bengio, Y., & K’egl, B. (2011). Algorithms
for Hyper-Parameter Optimization. Advances in Neural Information
Processing Systems 24 (NIPS 2011).
Guo, Z., & Wang,H., & Yang, J., & Miller,D. J. (2015). A Stock Market
Forecasting Model Combining Two-Directional Two-Dimensional
Principal Component Analysis and Radial Basis Function Neural
Network.
Tsantekidis, A., & Passalis, N., & Tefas, A., & Kanniainen, J., & Gabbouj,
M., & Iosifidis, A. (2017). Forecasting Stock Prices from the Limit
OrderBook using Convolutional Neural Networks
Snoek, J., & Rippel, O., & Swersky, K., & Kiros, R., & Satish, N., &
Sundaram, N., & Patwary, M. M. A. & Prabhat & Adams, R. P. (2015).
Scalable Bayesian Optimization Using Deep Neural Networks.
Proceedings of the 32 nd International Conference on Machine
Learning, Lille, France, 2015