跳到主要內容

臺灣博碩士論文加值系統

(44.201.97.0) 您好!臺灣時間:2024/04/14 04:42
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

我願授權國圖
: 
twitterline
研究生:曾瓊瑢
研究生(外文):TSENG,CHIUNG-JUNG
論文名稱:被動投資與主動投資之績效分析--以台灣50ETF及其成分股為例
論文名稱(外文):Performance assessment of pasive and active investment—The case of “Taiwan 50 ETF” and its constituent stock
指導教授:孫而音孫而音引用關係
指導教授(外文):SUN,ERH-YIN
口試委員:吳明哲劉淑琴
口試委員(外文):WU,MING-CHELIU,SHU-CHIN
口試日期:2020-06-11
學位類別:碩士
校院名稱:僑光科技大學
系所名稱:財務金融研究所
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:2020
畢業學年度:108
語文別:中文
論文頁數:31
中文關鍵詞:被動投資主動投資神經網路機器學習台灣50ETF
外文關鍵詞:passive investmentactive investmentmachine learningneural networkTaiwan 50 ETF
相關次數:
  • 被引用被引用:2
  • 點閱點閱:272
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
本研究探討以台灣50ETF為標的的被動投資與台灣50的成分股為主動投資標的,經由機器學習(Machine Learning )來建構投資組合做績效的比較,期望能做為投資人參考。
研究期間自2005年1月3日至2019年12月31日。2015年以前為訓練期,2016年以後為測試期。本研究利用集成學習多層次的神經網路策略,利用神經網路加上隨機森林與LightGBM,並且考慮證交稅與手續費。此外,也將此集成學習多層次的神經網路策略再加上以本益比為濾網。其報酬皆優於台灣50ETF,且在2017年、2018年期間仍有很好的表現可見不受金融海嘯的影響。故利用集成學習多層次的神經網路策略建構投資組合的主動投資績效優於台灣50ETF的被動投資。
研究結果顯示,未加本益比濾網的集成學習多層次神經網路策略所建構的投資組合績效,在2018年10月前與元大台灣50ETF的報酬並無顯著差異,其後受中美貿易戰影響,雖然台灣50ETF的價格也不斷地創新高,但經由神經網路策略所建構投資組合的績效明顯比台灣50ETF好。當策略再加上本益比為濾網,其投資組合績效遠優於台灣50ETF。

Machine learning prediction has become quite a hot topic in FinTech recently, this research will discuss the passive investment targeting “Taiwan 50 ETF” and the active investment of its constituent stock. Through machine learning, we will be able to construct and assess the results of different investment combination, expecting to bring maximum benefits to investors.
  The research periods of this study is 2005/1/3 to 2019/12/31, in which it’s training phase before 2015 and testing phase after year 2016. This research strategy is to utilize ensemble learning in multi-layer neutral with random forest and LightGBM and considering certificate tax and transaction fee at the same time. When it added one more layer considering the price-earning ratio as filter, we can see that the results are far more beneficial than the “Taiwan 50 ETF”, the performance in the year 2017 and 2018 are still considerably good without getting affected by the financial crisis. Thus it can be seen that the benefits of active investment using multi-layer neural network strategies like “ensemble learning” are greater than the passive investments of “Taiwan 50 ETF”.
  Research showed that the neural network strategies without adding the P/E ratio filter, didn’t have much of a difference from “Taiwan 50 ETF” benefits wise before October 2018, but after that time, the neural network strategies outperformed it even though the Taiwan 50 ETF price are also rising in this period of time. Furthermore, when an extra filter was added into the neural network strategies, the benefits were far better than Taiwan 50 ETF considering P/E ratio, we could also found out that this strategies won’t be affected by financial crisis and still performs well in 2017 and 2018.


目 錄
第一章  緒論...........………………………..…..…1
 第一節 研究動機與背景……………………..………1
 第二節 研究目的.………………...….…3
 第三節 研究架構………………...…….… 4
第二章 文獻探討……………….….…… 5
 第一節 主動投資與被動投資….…….…..5
 第二節 傳統選股與機器學習選股………..…... 6
 第三節 機器學習演算法......................7
第三章  研究方法....................................12
 第一節 支持向量機 .........................................13
 第二節 隨機森林 ...............................................14
 第三節 梯度提升機 .............................15
 第四節 神經網路模型 ............................18
第四章 實證結果分析...................................20
 第一節 資料來源期間.........................................20
 第二節 實證分析.........................………..21
第五章 結論與建議..................................26
 第一節 研究結論...............................26
 第二節 研究建議.........................................27

江旻緯(2014),「以改良式支持向量機建立股票股價漲跌預測模型」,國立高雄
  應用科技大學資訊管理研究所碩士班論文
吳哲緯(2017),使用深度學習卷積神經網路預測股票買賣策略之分類研究,中
  山大學資訊管理學系研究所論文
何公皓(2015),「技術分析投資績效之實證分析—以台灣50 ETF為例」,國立臺
  灣大學國際企業學研究所碩士論文
何佳穎(2016) ,「應用遺傳基因演算法探討 ETF報酬之研究」,國立高雄應用科
  技大學資訊管理研究所碩士論文
林素娥(2015),「技術分析交易策略實證研究 -以台灣50 ETF為例」,國立高雄
  應用科技大學金融系金融資訊碩士在職專班論文
林雅惠(2017),「探討使用KD指標交易法則的獲利性-以台灣50成份股為例」
  ,國立中正大學經濟系國際經濟學研究所碩士論文
范姜賀嵩(2018),「應用時間序列與機器學習預測股票最佳化投資組合」,國
  立嘉義大學資訊管理學系研究所碩士論文
陳子軒(2017),「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論文
陳逸民(2017),「台灣50成份股的動態趨勢策略之實證研究」,國立彰化師範大
  學統計資訊研究所碩士論文
陳全溢(2017),「結合類神經網路預測與投資策略於台灣50指數股票型基金之操
  作」,國立中興大學資訊管理學系所碩士論文
陳柏帆(2019),卷積神經網路與隨機森林於股價走勢預測之應用,輔仁大學資訊
  管理學系碩士在職專班論文
張育程(2018),「利用集成學習預測台灣50指數ETF波段走勢」,國立雲林科
  技大學財務金融系碩士論文
許庭瑀(2018),「以機器學習預測台灣50指數漲跌幅並探討模型準確性之研
  究」,國立高雄科技大學財務管理系碩士論文
黃柏華(2017),「機器學習應用於技術分析指標的探討-以台灣五十 成分股為
  例」,國立臺灣科技大學財務金融研究所碩士論文
趙楷文(2016) ,「技術分析獲利能力之研究-以台灣50指數成分股為例」,國立
  暨南國際大學財務金融學系碩士論文
蔣鴻文(2016),「運用技術分析及機器學習輔助投資決策之研究」,國立臺灣科
  技大學資訊管理系碩士論文
劉任昌、葉馬可、簡靜裕(2018),「台灣交易所交易基金之報酬與風險析」,
  財金論文叢刊,2018年6月,第28期

Breiman, L. (2001), Random Forests, Machine Learning, 45(1), 5-32.
Chen, S., and He, H. (2018), Stock Prediction Using Convolutional Neural Network, Materials Science and Engineering 435 (2018) 012026.
Chen, T., and Guestrin, C. (2016), XGBoost: A Scalable Tree Boosting System, Proccedings of the 22nd Acm Sigkdd International Conference on Knowledge Discovery and Data Mining, 785-794.
Choudhry, R., and Garg, K. (2008), A Hybrid Machine Learning System for Stock
  Market Forecasting, World Academy of Science, Engineering and Technology 39, 2008.
Cortes, C., and Vapnik, V. (1995), Support-Vector Networks, Machine Learning, 20(3), 273-297.
Dey, S., Kumar, Y., Saha, S., and Basak, S. (2016), Forecasting to Classification: Predicting the direction of stock market price using Xtreme Gradient Boosting, PESIT South Campus, DOI:10.13140/RG.2.2.15294.48968, October 2016.
Friedman, J. H. (2001), Greedy Function Approximation: A Gradient Boosting Machine, 29(5), 1189-1232.
Henrique, B. M., Sobreiro, V. A., and Kimura, H. (2018), Stock price prediction using
  support vector regression on daily and up to the minute prices, The Journal of
  Finance and Data Science, Volume 4, Issue 3, September 2018, Pages 183-
  201.
Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., and Liu, T. Y. (2017), LightGBM: A Hightly Efficient Gradient Boosting Decision Tree, 31st Conference on Neural Information Processing Systems, Long Beach, CA, USA.
Li, X., Xie, H., Wang, R., Cai, Y., Cao, J., Wang, F., Min, H., and Deng, X. (2016),
Empirical analysis: stock market prediction via extreme learning machine, Neural Computing and Applications January 2016, Volume 27, Issue 1, pp 67–78.
Madge, S. (2015). Predicting Stock Price Direction using Support Vector Machines,
Independent Work Report Spring.
Patel, J., Priyank, S. S.,Thakkar, P., and Kotecha, K. (2015),Predicting stock and stock
  price index movement using Trend Deterministic Data Preparation and machine
  learning techniques, Expert Systems with Applications Volume 42, Issue 1,
January 2015, Pages 259-268.
Patel, J., Priyank,S.S., Thakkar, and KKotecha (2015), ”Predicting stock market index
  using fusion of machine learning techniques, Expert Systems with Applications
  Volume 42, Issue 4, March 2015, Pages 2162-2172.
Persio L. D., and Honchar O. (2016). Artificial Neural Networks architectures for stock
  price prediction: comparisons and applications, International Journal of Circuits,
  Systems and Signal Processing, Volume 10, 2016, Department of Computer
  Science Strada le Grazie, 15 – Verona Italy.
Quah, T.S., and Srinivasan, B. (1999). Improving returns on stock investment through neural network selection, Expert Systems with Applications 17 295–301.
Sadia, K. H., Sharma, A., Paul, A., Padhi, S., and Sanyal, S. (2019), Stock Market Prediction Using Machine Learning Algorithms,International Journal of Engineering and Advanced Technology, (IJEAT)ISSN: 2249 –8958, Volume-8 Issue-4, April 2019.
Seo, W. S. (2018) ,Using market and news data to predict price movement of stocks, Metropolia University of Applied Sciences, Bachelor of Engineering Information Technology Bachelor’s Thesis, 30 August 2018.
Tsantekidis, A., Passalis, N., Tefas, A., Kanniainen, J., Gabbouj, M., and Iosifidis, A.
(2017). Forecasting Stock Prices from the Limit Order Book using Convolutional Neural Networks, 2017 IEEE 19th Conference on Business Informatics , 21 August 2017Added to IEEE Xplore.
Xiaolei, S., Mingxi, and Zeqian, S. (2018), A novel cryptocurrency price trend forecasting model based on LightGBM,Institutes of Science and Development, Chinese Academy of Sciences, Beijing 100190, China.

電子全文 電子全文(網際網路公開日期:20250617)
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊