跳到主要內容

臺灣博碩士論文加值系統

(44.200.194.255) 您好!臺灣時間:2024/07/20 14:51
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

: 
twitterline
研究生:鄭揚蓁
研究生(外文):CHENG, YANG-CHEN
論文名稱:使用機器學習預測股市趨勢-台灣上市公司為例
論文名稱(外文):Using Machine Learning to Predict Stock Market Trends - Taking Taiwan Listed Companies as an Example
指導教授:胥愛琦胥愛琦引用關係
指導教授(外文):HSU, AI-CHI
口試委員:劉文讓朱美琴
口試委員(外文):LIU, WEN-RANQCHU, MEI‐CHIN
口試日期:2022-07-07
學位類別:碩士
校院名稱:國立雲林科技大學
系所名稱:財務金融系
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:2022
畢業學年度:110
語文別:中文
論文頁數:65
中文關鍵詞:股價預測機器學習
外文關鍵詞:Stock price predictionmachine learning
相關次數:
  • 被引用被引用:0
  • 點閱點閱:403
  • 評分評分:
  • 下載下載:100
  • 收藏至我的研究室書目清單書目收藏:1
  股票價格變化具有不固定性且非線性的傾向,因此預測股票價格對於投資人來說,是一件具有挑戰性且具有吸引力的事情。近年來因為金融市場的蓬勃發展,台灣股市現股當沖交易比重急遽成長,預測股票趨勢也成為投資者心中的難題,因此,本研究利用機器學習的方法來探討是否能成功預測股票價格與價值,並將公司分類,從產業類別與市值大小方向切入。根據2017年到2021年間的股價變化,以探討是否有成功的預測趨勢變化。
  結果發現機器學習對於市值越小的公司預測程度較準確,以產業類別來看相較不顯著。
關鍵字: 股價預測、機器學習

  Stock price changes have an unstable and non-linear tendency, so predicting stock prices is a challenging and attractive thing for investors. In recent years, due to the vigorous development of the financial market, the proportion of current stocks in the Taiwan stock market has grown rapidly, and predicting stock trends has become a difficult problem for investors. Therefore, this study will use machine learning methods to explore whether it can successfully predict the relationship between stock prices and stock prices. Value, and classify companies from the direction of industry category and market value. Based on stock price changes between 2017 and 2021, to explore whether there is a successful forecast trend change.
The results show that machine learning is more accurate in predicting companies with smaller market capitalizations, and it is less significant in distinguishing company categories.
Key words: Stock price prediction, machine learning

摘要 i
ABSTRACT ii
目錄 iii
表目錄 v
圖目錄 vi
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 2
1.3 研究流程圖 3
第二章 文獻探討 4
2.1股票交易 4
2.1.1市場交易 4
2.1.2演算法 5
第三章 研究方法與模型 8
3.1研究樣本 8
3.1.1台灣股市趨勢 8
3.1.2樣本來源 8
3.1.3研究樣本 9
3.1.4研究變數 9
3.2 研究模型 10
3.2.1決策樹模型 10
3.2.2Bagging模型 12
3.2.3隨機森林模型 12
3.3評價方法 15
3.3.1訓練分數(Train score) 16
3.3.2測試分數(Test score) 16
3.3.3平均絕對誤差(Mean Absolute Error) 17
3.3.4均方誤差(Mean Squared Error) 18
3.3.5R2 Score 19
3.3.6準確度 20
3.5驗證方法 20
3.6研究步驟 20
第四章 實證結果與分析 21
4.1 敘述統計量分析 21
4.1.1族群分類 21
4.1.2市值排行 47
4.2 結果分析 52
第五章 結論 53
5.1研究結論 53
5.2研究建議 53
參考文獻 54
外文文獻 54



表目錄
表1選取之股價指標 9
表2 評估標準整理表 20
表3 R2 Score統計表 21
表4 Train Score統計表 23
表5 Test Score統計表 25
表6 MAE統計表 26
表7 MSE統計表 28
表8 準確度統計表 30
表9 上市公司市值兩千億以上 47
表10 上市公司市值一千億到兩千億 48
表11 上市公司市值五百億億到一千億 48
表12 上市公司市值五百億以下 48


圖目錄
圖1 台灣股市趨勢圖 8
圖2 決策樹模型架構圖 12
圖3 決策樹模型架構圖 13
圖4 訓練資料集與測試資料集評價舉例 16
圖5 MAE函數圖像 17
圖6 MSE函數圖像 18
圖7 化學類股個股分布折線圖 32
圖8 化學生技醫療類個股分布折線圖 32
圖9 生技醫療個股分布折線圖 33
圖10 半導體類個股分布折線圖 33
圖11 光電類個股分布折線圖 34
圖12 汽車類個股分布折線圖 34
圖13 其他類個股分布折線圖 35
圖14 其他電子類個股分布折線圖 35
圖15 油電然氣類個股分布折線圖 36
圖16 金融類個股分布折線圖 36
圖17 玻璃類個股分布折線圖 37
圖18 食品類個股分布折線圖 37
圖19 紡織類個股分布折線圖 38
圖20 航運類個股分布折線圖 38
圖21 通信網路類個股分布折線圖 39
圖22 造紙類個股分布折線圖 39
圖23 貿易百貨類個股分布折線圖 40
圖24 塑膠類個股分布折線圖 40
圖25 資訊服務類個股分布折線圖 41
圖26 電子類個股分布折線圖 41
圖27 電子通路類個股分布折線圖 42
圖28 電子零組類個股分布折線圖 42
圖29 電腦周邊類個股分布折線圖 43
圖30 電線電纜類個股分布折線圖 43
圖31 電機類個股分布折線圖 44
圖32 橡膠類個股分布折線圖 44
圖33 鋼鐵類個股分布折線圖 45
圖34 營建類個股分布折線圖 45
圖35 觀光類個股分布折線圖 46
圖36 上市公司市值兩千億以上個股分布折線圖 50
圖37 上市公司市值一千億到兩千億個股分布折線圖 50
圖38 上市公司市值一千億到五百億個股分布折線圖 50
圖39 上市公司市值五百億以下個股分布折線圖 51




外文文獻
Asadi, S.; Hadavandi, E.; Mehmanpazir, F.; Nakhostin, M.M. Hybridization of evolutionary Levenberg–Marquardt neural networks and data pre-processing for stock market prediction. Knowl.-Based Syst. 2012, 35, 245–258.
Belgiu, M., & Drăguţ, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS journal of photogrammetry and remote sensing, 114, 24-31.
Chague, F., & Rodrigo De-Losso, B. G. (2019). Day trading for a living? Fernando (No. 2019_47). University of São Paulo (FEA-USP).
Chai, T., & Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE). Geoscientific Model Development Discussions, 7(1), 1525-1534.
Chung, H., & Shin, K. S. (2018). Genetic algorithm-optimized long short-term memory network for stock market prediction. Sustainability, 10(10), 3765.
Freund, Y., & Mason, L. (1999, June). The alternating decision tree learning algorithm. In icml (Vol. 99, pp. 124-133).
García, F., Guijarro, F., Oliver, J., & Tamošiūnienė, R. (2018). Hybrid fuzzy neural network to predict price direction in the German DAX-30 index. Technological and Economic Development of Economy, 24(6), 2161-2178.
Hastie, T., Tibshirani, R., Friedman, J. H., & Friedman, J. H. (2009). The elements of statistical learning: data mining, inference, and prediction (Vol. 2, pp. 1-758). New York: springer.
Hoseinzade, E., & Haratizadeh, S. (2019). CNNpred: CNN-based stock market prediction using a diverse set of variables. Expert Systems with Applications, 129, 273-285.
Khaidem, L., Saha, S., & Dey, S. R. (2016). Predicting the direction of stock market prices using random forest. arXiv preprint arXiv:1605.00003.
Moews, B., Herrmann, J. M., & Ibikunle, G. (2019). Lagged correlation-based deep learning for directional trend change prediction in financial time series. Expert Systems with Applications, 120, 197-206.
Nabipour, M., Nayyeri, P., Jabani, H., Mosavi, A., & Salwana, E. (2020). Deep learning for stock market prediction. Entropy, 22(8), 840.
Papageorgiou, K. I., Poczeta, K., Papageorgiou, E., Gerogiannis, V. C., & Stamoulis, G. (2019). Exploring an ensemble of methods that combines fuzzy cognitive maps and neural networks in solving the time series prediction problem of gas consumption in Greece. Algorithms, 12(11), 235.
-Royo, R., & Guijarro, F. (2020). Forecasting stock market trend: A comparison of machine learning algorithms. Finance, Markets and Valuation, 6(1), 37-49.
Su, J., & Zhang, H. (2006, July). A fast decision tree learning algorithm. In Aaai (Vol. 6, pp. 500-505).

中文文獻
林逸青, 謝孟芬, & 徐旺興. (2019). 以深度學習建構股價預測模型: 以台灣股票市場為例. 當代商管論叢, 4(1), 35-59.
邱志忠. (2012). 台灣股票市場報酬日內模式探討.
陳一德. (2015). 以 DID 計量方法分析: 現股當沖政策對標的個股成交量提升及活絡股市有效性.
黃華山, 謝采凌, 林坤盟, 連世周, 陳柏文, & 趙丹維. (2021). 預測台灣股票市場高低點之關鍵因素. 華人經濟研究, 19(1), 15-40.
鄭仁杰, & 江彌修. (2019). 漫步於隨機森林-輔以多數決學習的台股指數期貨交易策略.經濟論文,47(3), 395-448.

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊