臺灣博碩士論文加值系統

在股票市場上，利用有用的財務比率資料正確預測上市公司每股盈餘和股價報酬率對投資者而言是有價值的議題。因此，本研究應用5種不同分類器功能，如決策樹(Tree)、懶人學習法(Lazy)、群體學習(Meta)、貝氏分類(Bayes)和函氏分類(Functions)等，以整合屬性選擇方法和資料自動離散技術，建立5種分類模型，包括一個單一及四個混合模型，分別為模型A-E，以找出影響每股盈餘及股價報酬率之重要決策因子，評估不同分類器績效和提升分類準確率。在實驗資料集上，蒐集自台灣經濟新報金融財經網站資料庫內之六個不同產業的上市公司2009-2013年財務報表，挑選出26個條件屬性和2個決策屬性-每股盈餘及股價報酬率；決策屬性分成二類和三類分法。經由實證結果得知：(1) 6項重要決策因子分別為季別、每股營業利益、利息保障倍數、總資產成長率、流動負債、和每股淨值等；(2) 建立的混合模型分類績效優於單一模型；(3) 於分類準確率之績效比較上，在決策屬性為每股盈餘下除了二類分法 (採比例分割法)之最佳績效者是模型C (含資料前處理+屬性選擇)外，最佳者都為模型D (含資料前處理+自動離散+屬性選擇)；另外，在決策屬性為股價報酬率下最佳績效者則為模型B (含資料前處理+自動離散)。

In stock market, it is a valuable issue to accurately predict earnings per share (EPS) and stock return ratio (SRR) by using useful data of financial ratios in the listed stock for investors. This study applies five kinds of classifiers, such as Tree, Lazy, Meta, Bayes, and Functions to integrate feature selection methods and data automatic discretization techniques to develop five classification models, including one single model and four hybrid models, which are called Models A-E. The five models were used to identify the key determinants of influencing EPS and SRR respectively, to evaluate individually their classification performance, and to contribute to improve classification accuracy. The experimental data set was extracted from the online financial database of Taiwan Economic Journal and collected from the 2009-2013 financial statements of six different industries; moreover, 26 condition attributes and two decision attributes, the EPS and SRR, which are classified into two and three classes, were selected from financial statements of listed public companies.
The empirical results were concluded as: (1) Six key determinants were identified, including Season, Operating income per share, Times interest earned, Year-on-year percentage total assets, Current liabilities, and Net asset value per share, (2) the classification performance of hybrid models performs well than single model, and (3) for the classification performance on EPS, Model D (data preprocessing+automatic discretization+feature selection) showed the highest accuracy across all class-evaluation sets, except Model C (data preprocessing+feature selection) in two-class+percentage-split set; for the classification performance on SRR, Model B (data preprocessing+data automatic discretization) showed the highest accuracy across all class-evaluation sets.

目 錄

目 錄 III
圖 目 錄 V
表 目 錄 VIII
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機 4
1.3 研究目的 4
1.4 研究流程 5
第二章 文獻探討 7
2.1 財務分析 7
2.2 財務比率 8
2.3 屬性選擇 14
2.4 資料探勘 16
2.5 分類演算法22
第三章 研究方法 27
第四章 實證分析 36
4.1 實證分析 36
4.2 實證結果發現116
4.3 管理意涵 126
4.4 小結 128
第五章 結論與建議 130
5.1 結論 130
5.2 研究限制 132
5.3 研究建議 132
參考文獻 134
英文文獻： 134
中文文獻： 136
數據來源： 138
附錄一 決策屬性績效統計表 139
附錄二 決策屬性期別績效折線圖 143
附錄三 決策屬性交叉驗證年度績效折線圖 163

圖 目 錄

圖1-1 股票市場電子螢幕 2
圖1-2 礦產、資料探勘模式 3
圖1-3 研究流程圖 6
圖2-1 資料庫之知識發掘進行流程與步驟示意圖 16
圖2-2 決策樹結構圖 23
圖3-1 研究架構圖 28
圖4-1 財務比率資料表 37
圖4-2 股價收盤價資料表 37
圖4-3 5年期資料表 39
圖4-4 每股盈餘二類分法交叉驗證績效直條圖 48
圖4-5 C4.5每股盈餘二類分法交叉驗證期別績效折線圖 49
圖4-6 IBK每股盈餘二類分法交叉驗證期別績效折線圖 49
圖4-7 Stacking每股盈餘二類分法交叉驗證期別績效折線圖 50
圖4-8 RBF Network每股盈餘二類分法交叉驗證期別績效折線圖 50
圖4-9 Naive Bayes每股盈餘二類分法交叉驗證期別績效折線圖 51
圖4-10 每股盈餘二類分法比例分割績效直條圖 52
圖4-11 C4.5每股盈餘二類分法比例分割期別績效折線圖 53
圖4-12 IBK每股盈餘二類分法比例分割期別績效折線圖 53
圖4-13 Stacking每股盈餘二類分法比例分割期別績效折線圖 54
圖4-14 RBF Network每股盈餘二類分法比例分割期別績效折線圖 54
圖4-15 Naive Bayes每股盈餘二類分法比例分割期別績效折線圖 55
圖4-16 每股盈餘三類分法交叉驗證績效直條圖 56
圖4-17 C4.5每股盈餘三類分法交叉驗證期別績效折線圖 57
圖4-18 IBK每股盈餘三類分法交叉驗證期別績效折線圖 57
圖4-19 Stacking每股盈餘三類分法交叉驗證期別績效折線圖 58
圖4-20 RBF Network每股盈餘三類分法交叉驗證期別績效折線圖 58
圖4-21 Naive Bayes每股盈餘三類分法交叉驗證期別績效折線圖 59
圖4-22 每股盈餘三類分法比例分割績效直條圖 60
圖4-23 C4.5每股盈餘三類分法比例分割期別績效折線圖 61
圖4-24 IBK每股盈餘三類分法比例分割期別績效折線圖 61
圖4-25 Stacking每股盈餘三類分法比例分割期別績效折線圖 62
圖4-26 RBF Network每股盈餘三類分法比例分割期別績效折線圖 62
圖4-27 Naive Bayes每股盈餘三類分法比例分割期別績效折線圖 63
圖4-28 股價報酬率二類分法交叉驗證績效直條圖 64
圖4-29 C4.5股價報酬率二類分法交叉驗證期別績效折線圖 65
圖4-30 IBK股價報酬率二類分法交叉驗證期別績效折線圖 65
圖4-31 Stacking股價報酬率二類分法交叉驗證期別績效折線圖 66
圖4-32 RBF Network股價報酬率二類分法交叉驗證期別績效折線圖 66
圖4-33 Naive Bayes股價報酬率二類分法交叉驗證期別績效折線圖 67
圖4-34 股價報酬率二類分法比例分割績效直條圖 68
圖4-35 C4.5股價報酬率二類分法比例分割期別績效折線圖 69
圖4-36 IBK股價報酬率二類分法比例分割期別績效折線圖 69
圖4-37 Stacking股價報酬率二類分法比例分割期別績效折線圖 70
圖4-38 RBF Network股價報酬率二類分法比例分割期別績效折線圖 70
圖4-39 Naive Bayes股價報酬率二類分法比例分割期別績效折線圖 71
圖4-40 股價報酬率三類分法交叉驗證績效直條圖 72
圖4-41 C4.5股價報酬率三類分法交叉驗證期別績效折線圖 73
圖4-42 IBK股價報酬率三類分法交叉驗證期別績效折線圖 73
圖4-43 Stacking股價報酬率三類分法交叉驗證期別績效折線圖 74
圖4-44 RBF Network股價報酬率三類分法交叉驗證期別績效折線圖 74
圖4-45 Naive Bayes股價報酬率三類分法交叉驗證期別績效折線圖 75
圖4-46 股價報酬率三類分法比例分割績效直條圖 76
圖4-47 C4.5股價報酬率三類分法比例分割期別績效折線圖 77
圖4-48 IBK股價報酬率三類分法比例分割期別績效折線圖 77
圖4-49 Stacking股價報酬率三類分法比例分割期別績效折線圖 78
圖4-50 RBF Network股價報酬率三類分法比例分割期別績效折線圖 78
圖4-51 Naive Bayes股價報酬率三類分法比例分割期別績效折線圖 79
圖4-52 模型D每股盈餘二類分法交叉驗證期別績效折線 93
圖4-53 模型D股價報酬率二類分法交叉驗證期別績效折線圖 94
圖4-54 每股盈餘二類分法決策樹示意圖 105
圖4-55 每股盈餘三類分法決策樹示意圖 108
圖4-56 股價報酬率二類分法決策樹示意圖 110
圖4-57 股價報酬率三類分法決策樹示意圖 112
圖4-58 每股盈餘交叉驗證二類及三類分法最佳模型示意圖 120
圖4-59 每股盈餘比例分割二類及三類分法最佳模型示意圖 121
圖4-60 股價報酬率交叉驗證二類及三類分法最佳模型示意圖 125
圖4-61 股價報酬率比例分割二類及三類分法最佳模型示意圖 126


表 目 錄

表2-1 財務指標公式及說明 12
表2-2 屬性選擇之探討相關研究彙整 16
表2-3 資料探勘應用的領域 17
表2-4 資料探勘應用領域研究彙總表 18
表2-5 利用類神經網路預測之探討相關研究彙整 22
表3-1 決策屬性分二類資料表 31
表3-2 決策屬性分三類資料表 32
表3-3 分類模型預測自動離散(監督)資料表 34
表4-1 條件屬性資料型態表 40
表4-2 條件屬性敘述性統計資料分析 42
表4-3 決策屬性分類表 43
表4-4 每股盈餘自動離散資訊 45
表4-5 股價報酬率自動離散資訊 46
表4-6 每股盈餘二類分法交叉驗證10次統計表 81
表4-7 每股盈餘二類分法隨機比例分割統計表 83
表4-8 每股盈餘三類分法交叉驗證10次統計表 84
表4-9 每股盈餘三類分法隨機比例分割統計表 86
表4-10 股價報酬率二類分法交叉驗證10次統計表 87
表4-11 股價報酬率二類分隨機比例分割統計表 89
表4-12 股價報酬率三類分法交叉驗證10次統計表 90
表4-13 股價報酬率三類分隨機比例分割統計表 92
表4-14 每股盈餘二類分法交叉驗證跑10次比較表 95
表4-15 每股盈餘三類分法交叉驗證跑10次比較表 96
表4-16 股價報酬率二類分法交叉驗證跑10次比較表 97
表4-17 股價報酬率三類分法跑10次比較表 99
表4-18 每股盈餘二類分法比例分割跑10次比較表 100
表4-19 每股盈餘三類分法比例分割跑10次比較表 101
表4-20 股價報酬率二類分法比例分割跑10次比較表 102
表4-21 股價報酬率三類分法比例分割跑10次比較表 103
表4-22 每股盈餘二類分法交叉驗證模型比較表 117
表4-23 每股盈餘二類分法比例分割模型比較表 118
表4-24 每股盈餘三類分法交叉驗證模型比較表 119
表4-25 每股盈餘三類分法比例分割模型比較表 119
表4-26 每股盈餘交叉驗證二類及三類分法最佳模型比較表 120
表4-27 每股盈餘比例分割二類及三類分法最佳模型比較表 121
表4-28 股價報酬率二類分法交叉驗證模型比較表 122
表4-29 股價報酬率二類分法比例分割模型比較表 123
表4-30 股價報酬率三類分法交叉驗證模型比較表 124
表4-31 股價報酬率三類分法比例分割模型比較表 124
表4-32股價報酬率交叉驗證二類及三類分法最佳模型比較表 125
表4-33股價報酬率比例分割二類及三類分法最佳模型比較表 126

英文文獻：

1. Frawley, W. J. (1991). Knowledge Discovery in Databases. AAAI Press. ISBN:0262660709.
2. Quinlan, J. R. (1993). C4.5: Programs for Machine Learning, San Francisco, USA: Morgan Kaufmann Publishers Incorporating ISBN:1-55860-238-0.
3. Quinlan, J. R. (1979). Discovering Rules by Induction from Large Collections of Examples, Expert Systems in the Micro Electronic Age: Edinburgh University Press. 168-201.
4. Agrawal, R., & Srikant, R. (1994). Fast Algorithms for Mining Association Rrules, In Proceedings 20th International Conference Very Large Data Bases, (VLDB), 1215, 487-499.
5. Cheung, D. W., Lee, S. D., & Kao, B. (1997). A General Incremental Technique for Maintaining Discovered Association Rules, In Proceedings of the 15th International Conference on Database Systems for Advanced Applications, 185-194.
6. Chui, C. K., Kao, B., & Hung E. (2007). Mining Frequent Itemsets from Uncertain Data, Pacific-Asia Conference on Knowledge Discovery and Data Mining, 4426, 47–58.
7. Dubey, B. D., Sharman, M., & Shah, R. (2015). Comparative Study of Frequent Item Set in Data Mining, International Journal of Programming Languages and Applications, (IJPLA), 5(1), 1-8.
8. Fama, E. F. (1965). The Behavior of Stock-Market Prices, The Journal of Business, 38(1), 34-105.
9. Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases, Artificial Intelligence Magazine, 1(3), 37-54.
10.Keerthika, G., & Priya, D. S. (2015). Feature Subset Evaluation and Classification using Naive Bayes Classifier, Journal of Network Communications and Emerging Technologies (JNCET), 1(1), 27-32.
11.Liu, F., Wee, C. Y., Chen, H., & Shen, D. (2014). Inter-modality Relationship Constrained Multi-modality Multi-task Feature Selection for Alzheimer's Disease and Mild Cognitive Impairment Identification, Neuro Image, 84, 466-475.
12.Quinlan, J. R. (1986). Induction of Decision Trees, Machine Learning, 1(1), 81-106.
13.Maldonado, S., & Weber, R. (2015). Advanced Conjoint Analysis Using Feature Selection via Support Vector Machines, European Journal of Operational Research, 241(2), 564-574.
14.Tomek, I. (1976). Two Modifications of CNN, IEEE Transactions on Systems, Man and Communications, SMC6, 769-772.

中文文獻：
1.丁一賢、陳牧言(2005)。資料探勘，台中市：滄海書局。
2.郭志隆、張芳菱譯(2008)。資料探勘，台北市：高立圖書有限公司。
3.孫惠民(2007)。資料採掘理論與實務規畫手冊，台北市：文魁資訊股份有限公司。
4.張云濤、龔玲(2007)。資料探勘原理與技術，台北市：五南圖書出版股份有限公司。
5.劉順仁(2005)。財報就像一本故事書，台北市:時報出版社。
6.王麗薰(2013)。國際政經情勢對台灣股市影響之研究：以政府國安基金處理機制為例，全球政治評論，No. 42，P.113-132。
7.白忠和(2014)。應用分類方法於預測ERP系統之採用－以IC設計業為例，華夏科技大學資訊管理研究所碩士論文，新北市。。
8.甘堯昌(2006)。以資料採礦技術探討影響個股績效之關鍵因素-以台灣上市個股為例，大同大學資訊經營研究所碩士論文，台北市。
9.吳欣儒(2011)。資料探勘技術於病人疼痛自控裝置之應用與分析，國立交通大學資訊科學系碩士論文，新竹市。
10.吳昇鴻(2007)。公司於流動比率偏低或每股淨值偏低時現金流量資訊有用性探究，國立成功大學會計學系碩士論文，台南市。
11.吳燕汶(2005)。資料探勘技術在股價報酬率預測模式上的應用—以電子業為例，銘傳大學資訊管理研究所碩士論文，台北市。
12.邱德修(2005)。商業銀行財務比率分析，世新大學管理學院經濟學系碩士論文，台北市。
13.邱志洲(2002)。整合類神經網路與分類迴歸樹在建構企業危機診斷模式上之應用，中華管理評論國際學報，Vol. 5，No. 4，P.55-82。
14.林鳳珠(2010)。運用資料探勘於消費性貸款客戶分群之研究，東吳大學企業管理學系碩士論文，台北市。
15.林美睿(2009)。總資產成長與股東權益成長對股票報酬投資之非線性影響---以台灣上市公司為例，國立臺北大學企業管理學系碩士論文，台北市。
16.林文修(2000)。演化式類神經網路為基底的企業危機診斷模型：智慧資本之應用，國立中央大學資訊管理學系博士論文，桃園市。
17.施正宏(2004)。結合總體經濟指標及個股財報資料以預測個股漲跌--以台灣電子類股為例，中原大學資訊管理學系碩士論文，桃園市。
18.張永承(2012)。應用類神經網路方法於金融時間序列預測之研究—以TWSE台股指預測為例，國立政治大學資訊管理研究所碩士論文，台北市。
19.張睿昇、劉碧珍、黃蕙娟、蘇麗芳(2011)。旅遊淡旺季與浪況對墾丁南灣水上活動的影響，2011年國際體育運動與健康休閒發展趨勢研討會專刊，P.612-632。
20.陳孟勝(2013)。法拍屋價格之預測－以高雄市法拍屋市場為例，國立高雄應用科技大學學報，No. 42，P.31-39。
21.黃憲彰(2011)。運用資料探勘技術於預測台灣銀行業信用評等之研究，國立彰化師範大學企業管理學系碩士論文，彰化縣。
22.黃勤明(2008)。以籌碼面結合財務比率資訊探討企業財務危機預警模型之研究—以電子產業為例，銘傳大學資訊管理研究所碩士論文，台北市。
23.張萬鈞(2008)。以分類、迴歸、聚類、關聯四種資料探勘方法建立選股模型─台灣股市之實證研究，中華大學資訊管理研究所碩士論文，新竹市。
24.陳家駒(2010)。簡易貝氏分類器之個別屬性離散化設定方法，國立成功大學工業與資訊管理學系碩士論文，台南市。
25.陳志濬(2010)。探討屬性值排序方法對具有廣義狄氏先驗分配的簡易貝氏分類器之影響，國立成功大學工業與資訊管理學系碩士論文，台南市。
26.詹文良(2009)。以集群分析法及關聯法則建構整合式決策支援系統之介面連結，國立成功大學工業與資訊管理學系碩士論文，台南市。
27.楊清潭(2006)。應用類神經網路於健康檢查顧客忠誠度之研究為探勘，銘傳大學管理學院高階經理碩士學程在職專班碩士論文，台北市。
28.廖鴻圖(2012)。應用資料探勘於醫院設備維護之研究，世新大學資訊管理學研究所碩士論文，台北市。
29.劉任昌、李世欽、葉馬可(2014)。除息日與發放日之週日期分佈研究：美國市場與台灣市場，德明學報，Vol. 38，No. 1，P.17-40，台北市。
30.蔣德威、王佩琪、簡春雄、阮定憲(2005)。應用決策樹技術與財務分析比率探討台灣電子股漲跌，致理科技大學會計資訊系會計實務專題，新北市。
31.蔡逸珊(2014)。資料探勘應用於戶外用品實體與虛擬通路推薦機制之研究，淡江大學管理科學學系碩士論文，新北市。
32.蔡詵怡(2011)。以探索性資料分析方法發展心臟血管疾病臨床輔助預知模型，國立臺北護理健康大學資訊管理研究所碩士論文，台北市。
33.鄭智文(2015)。應用類神經網路於電腦輔助流行眼鏡設計之研究，台南應用科技大學生活應用科學研究所碩士論文，台南市。
34.賴志東(2001)。資料挖礦中挖掘含有未知數值屬性之多屬性資料之研究，國立中央大學資訊管理研究所碩士論文，桃園市。


數據來源：
[1]台灣證券交易所- 公開資訊觀測站 Retrieved July 31, 2014, from http://newmopsov.twse.com.tw/
[2]台灣經濟新報(TEJ) Retrieved July 31, 2014, from http://www.tej.com.tw/twsite/Default.aspx?TabId=186