跳到主要內容

臺灣博碩士論文加值系統

(100.28.0.143) 您好!臺灣時間:2024/07/23 10:50
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:陳馬可
研究生(外文):Ma-ke Chen
論文名稱:台灣加權股價指數漲跌方向之Probit模型預測
論文名稱(外文):Direction Forecast of TAIEX Using Probit Model
指導教授:林建甫林建甫引用關係
指導教授(外文):Chien-Fu Lin
口試委員:謝德宗盧信昌
口試委員(外文):Der-tzon HsiehHsin-Chang Lu
口試日期:2023-06-19
學位類別:碩士
校院名稱:國立臺灣大學
系所名稱:經濟學系
學門:社會及行為科學學門
學類:經濟學類
論文種類:學術論文
論文出版年:2023
畢業學年度:111
語文別:中文
論文頁數:55
中文關鍵詞:台灣加權股價指數股市漲跌預測台指成交值美國三大指數Probit模型
外文關鍵詞:TAIEXProbit modelDirection Forecasttrading volumeNASDAQ
DOI:10.6342/NTU202301306
相關次數:
  • 被引用被引用:0
  • 點閱點閱:61
  • 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
2019年末,新冠疫情在中國大爆發,隨即蔓延至全球,在最初的一年多里,因著對病毒的認識不足以及疫苗資源的匱乏,各國雖然防疫政策、醫療水平雖不盡相同,但實體經濟均受到了非常大的衝擊,全球經濟一度停擺。各國為了刺激經濟,紛紛調降利率,這導致了股市的大漲,連加密貨幣這種虛擬資產價格也節節攀升。2021年後,許多國家從疫情陰霾中走出來,出現了報復性消費、旅遊,但此時全球供應鏈並未及時恢復,通膨開始蔓延並受到广泛關注。2022年4月24日,俄烏戰爭正式打響,戰爭造成了全球糧食價格和能源價格的上漲,國際關係和地緣政治成為影響經濟發展的主旋律,通膨繼續飆升。根據美國勞工部勞動統計局(BLS)資料顯示,2022年6月,美國CPI年增率為9.1%,創下40年新高,從台灣行政院主計處的資料來看,台灣的CPI也在緩步上升,3月衝破3%,六月更是達到了3.59%,創下14年新高。
在這樣高通膨的時代背景下,人們開始尋求定存以外的投資工具,試圖戰勝通膨。然而股票、選擇權、期貨這些高收益投資工具的背後往往也伴隨著較高的風險,本研究將重點放在了台灣加權股價指數的漲跌方向的預測上,試圖通過整合各類指數的歷史資料並找到一個趨勢,預測未來台指的漲跌,進而幫助投資人投資股票、選擇權與期貨。
此研究蒐集民國106年10月20日至111年10月19日共計5年之交易日之資料,包括了文獻中常常被討論並認為對於台指有比較重大影響力的一些變數:台股成交值、美國道瓊斯工業指數平均值(DJI)、美國標準普爾500指數、美國納斯達克綜合指數。利用計量中的Probit模型,算出每日漲跌的機率,以此推斷隔日台指的漲跌。
研究結果顯示:採用Probit模型,利用過去資訊預測隔日台指漲跌在特定條件下能得到比較好的結果,其中成交值與標普500的組合、成交值與道瓊斯與納斯達克的組合、成交值與標普500與納斯達克的組合、成交值與道瓊斯與標普500與納斯達克的組合均達到了74%的綜合預測準確率。單一變數的預測能力總體弱於多變數組合,這些變數對於隔日台指下跌的預測準確率是遠遠高於隔日台指漲的預測率的,模型結果整體優於隨機預測,模型具有一定的適用性。
In late 2019, COVID-19 epidemic broke out in China and then spread around the world. For the first year or so, due to the lack of knowledge about the virus and the lack of vaccine resources, the real economy was hit very hard and the global economy came to a halt, despite the different policies on pandemic prevention and the level of medical care in different countries. In order to stimulate the economy, all counties cut their interest rates, which led to a surge in the stock market, and the price of virtual assets such as cryptocurrencies was also rising. After 2021, many countries recovered from the pandemic and experienced compensatory consumption and travel, but the global supply chain did not recover in time and inflation became a widespread concern. The Russia-Ukraine war caused global food and energy prices to rise, and international relations and geopolitics became the main factors affecting economic development, and inflation continued to soar. According to the U.S. Department of Labor's Bureau of Labor Statistics (BLS), in June 2022, the U.S. CPI increased at an annual rate of 9.1%, a 40-year high. From the data of the Office of the Comptroller of the Executive Yuan in Taiwan, Taiwan's CPI is also rising slowly, surpassing 3% in March and reaching 3.59% in June, a 14-year high.
Against this backdrop of high inflation, people are seeking investment tools other than fixed deposits to try to beat inflation. However, high yield investment tools such as stocks, options and futures were often with higher risks. This study focuses on the prediction of the rise and fall of Taiwan's weighted stock indices, trying to find a trend by integrating the historical data of various indices to predict the future rise and fall of Taiwan Stock Exchange Capitalization Weighed Stock Index (TAIEX) , and then help investors to invest in stocks, options and futures.
This study collected data for five years from October 20,2017 to October 19, 2022, and included some variables that were considered to be important for the TAIEX: Taiwan stock turnover value, Dow Jones Industrial Average (DJI), S&P 500, and NASDAQ Composite Index. The Probit model was used to calculate the daily odds of rise and fall, and to infer the rise and fall of the index on the next day.
The results of the study were that the Probit model, which used past information to predict the rise and fall of the TAIEX on the next day, could achieve relatively better results under certain conditions, with the combination of trading volume and S&P 500, trading volume and Dow Jones and NASDAQ, trading volume and S&P 500 and NASDAQ, and trading volume and Dow Jones and S&P 500 and NASDAQ all achieving a combined accuracy of 74%. The predictive power of a single variable was generally weaker than that of a multivariate combination. The predictive accuracy of these variables for the next day's TAIEX fall was much higher than that for the next day's TAIEX rise and the model results was generally better than the stochastic prediction. The model has certain applicability.
目錄
論文摘要 ii
圖目錄 ix
表目錄 x
第一章 緒論 1
第一節 研究動機 1
第二節 研究架構圖 4
第三節 研究範圍與研究架構 5
第二章 文獻回顧與探討 6
第一節 台股與弱效率市場假說 6
第二節 股價預測之模型 7
第三章 研究方法 11
第一節 理論與模型 11
第二節 變數設計、資料整理 13
第三節 研究方法 16
第四章 實證結果 20
第一節 預測結果分析 20
第二節 小結 27
第五章 研究結論與未來方向 28
第一節 研究結論 28
第二節 研究限制 29
第三節 未來方向及建議 30
參考文獻 31
附錄一 33
附錄表一: 33
a.台指成交值之Dickey-Fuller檢定表 33
b.納斯達克指數之Dickey-Fuller檢定表 33
c.道瓊斯指數之Dickey-Fuller檢定表 33
d.S&P500指數之Dickey-Fuller檢定表 34
附錄表二: 34
a.一階差分後納斯達克指數之Dickey-Fuller檢定表 34
b.一階差分後道瓊斯指數之Dickey-Fuller檢定表 34
c.一階差分後S&P500指數之Dickey-Fuller檢定表 35
附錄表三: 35
a.台指與納斯達克指數之Johansen tests for cointegration檢定表 35
b.台指與納道瓊斯指數之Johansen tests for cointegration檢定表 36
c.台指與S&P500指數之Johansen tests for cointegration檢定表 36
附錄二 37
附錄表四: 37
a.解釋變數為台指成交值的Probit模型統計表 37
b.解釋變數為道瓊斯工業平均指數的Probit模型統計表 37
c.解釋變數為S& P500指數的Probit模型統計表 38
d.解釋變數為納斯達克綜合指數的Probit模型統計表 38
附錄表五: 39
a.台指成交值對於台指漲跌機率的邊際效果 39
b.道瓊斯工業平均指數對於台指漲跌機率的邊際效果 39
c.S&P500指數對於台指漲跌機率的邊際效果 39
d.為納斯達克綜合指數對於台指漲跌機率的邊際效果 40
附錄三 41
附錄表六:單一變數漲跌預測分析表 41
附錄四 44
附錄表七: 44
a.解釋變數為成交值和道瓊斯指數的Probit模型統計表 44
b.解釋變數為成交值和標普500指數的Probit模型統計表 44
c.解釋變數為成交值和納斯達克指數的Probit模型統計表 45
d.解釋變數為道瓊斯和標普500指數的Probit模型統計表 45
e.解釋變數為道瓊斯和納斯達克指數的Probit模型統計表 46
f.解釋變數為標普500和納斯達克指數的Probit模型統計表 46
附錄五 47
附錄表八:雙解釋變數預測結果總表 47
附錄六 50
附錄表九: 50
a.解釋變數為成交值、道瓊斯和標普500指數的Probit模型統計表 50
b.解釋變數為成交值、道瓊斯和納斯達克指數的Probit模型統計表 50
c.解釋變數為成交值、標普500和道瓊斯指數的Probit模型統計表 51
d.解釋變數為道瓊斯、標普500和納斯達克指數的Probit模型統計表 51
附錄表十:解釋變數為成交值、道瓊斯、標普500和納斯達克指數的Probit模型統計表 52
附錄七 53
附錄表十一:三解釋變數與四解釋變數之預測結果 53
王盈傑(2004),「台灣股市動量策略與反向策略之整合研究」。碩士論文,國立中正大學國際經濟研究所。
楊踐為、李家豪、類惠貞 (2007) ,「應用時間序列分析法建構臺灣證券市場之預測交易模型」。中華管理評論,頁(1)1-(1)20。
連士傑(2007), 「臺灣加權股價指數的預測與台指選擇權交易策略之研究」。碩士論文,國立臺灣大學社會科學院經濟學研究所。
徐君毓(2016),「以動態機率模型預測台股熊市之發生」。碩士論文,國立台灣大學管理學院財務金融學研究所。
陳東明(1991),「台灣股票市場價量關係之實證研究」。碩士論文,國立臺灣大學商學研究所。
劉子瑯(1987),「台灣地區貨幣供給與股票價格關係之實證研究」。碩士論文,國立臺灣大學商學研究所。
游梓堯(2002),「美國股市與台灣股市關連性研究─VAR、GARCH與灰關聯分析之應用」。碩士論文,國立臺灣科技大學資訊管理系。
李柏毅(2019),「預測臺灣股票市場熊市之相關變數探討」。碩士論文,國立台灣大學經濟學研究所。
宋嘉凌(2007),「台灣股市與主要國際股市之相關性研究」。碩士論文,國立臺灣大學國際企業學研究所。
張竣凱(2022),「台灣股市與國際股市之時變領先落後連動性研究 - 遞迴演進窗口法之應用」。碩士論文,國立政治大學經濟學研究所。
林冠宇(2022), 「應用強化學習與卷積神經網路於投資組合配置」。碩士論文,國立政治大學金融學研究所。
Ali, S. S. ., Mubeen, M., Lal, I. ., & Hussain, A. . (2018). Prediction of Stock Performance by Using Logistic Regression Model: Evidence from Pakistan Stock Exchange (PSX). Asian “Journal of Empirical Research”, 8(7), 247–258.
Asness, C. S., Moskowitz, T. J., & Pedersen, L. H. (2013). Value and Momentum Everywhere. “The Journal of Finance”, 68(3), 929–985.
Dutta, A., Bandopadhyay, G., & Sengupta, S. (2012). Prediction of Stock Performance in the Indian Stock Market Using Logistic Regression. “The International Journal of Business and Information”, 7, 105-136.
Fama, E. F. (1965). The Behavior of Stock-Market Prices. “The Journal of Business”, 38(1), 34–105. 
Fama, E. F. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work. “The Journal of Finance”, 25(2), 383–417.
Granger, Clive, Huangb, Bwo-Nung and Yang, Chin-Wei. (2000). A Bivariate Causality Between Stock Prices and Exchange Rates: Evidence from Recent Asianflu, “The Quarterly Review of Economics and Finance”, 40, issue 3, p. 337-354.
Henri Nyberg, (2011), Forecasting The Direction of The US Stock Market with Dynamic Binary Probit Models, “International Journal of Forecasting”,Volume 27, Issue 2,2011,Pages 561-578,ISSN 0169-2070.
Jegadeesh, N., & Titman, S. (1993). Returns to Buying Winners and Selling Losers: Implications for Stock Market Efficiency. “The Journal of Finance”, 48(1), 65–91.
Jegadeesh, N., & Titman, S. (2001). Profitability of Momentum Strategies: An Evaluation of Alternative Explanations. “Journal of Financial Economics”, 70(2), 267-299.
Joginpally, B. R. (2023). An Intelligent Soft Computing Framework For Forecasting Stock Movement Direction in International Stock Markets. “Journal of Theoretical and Applied Information Technology”, 101(9).
Leung, Mark T., Daouk, Hazem and Chen, An-Sing, (2000), Forecasting Stock Indices: A Comparison of Classification and Level Estimation Models, “International Journal of Forecasting”, 16, issue 2, p. 173-190.
Michael Smirlock, Laura Starks.(1988)An Empirical Analysis of The Stock Price-volume Relationship, “Journal of Banking & Finance”,Volume 12, Issue 1,Pages 31-41,ISSN 0378-4266,
電子全文 電子全文(網際網路公開日期:20280703)
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊