臺灣博碩士論文加值系統

股票分析方法可分為三大面向：基本、技術以及籌碼分析。市場上三大分析方法皆有其支持者，基本面支持者相信股價終將回歸合理價值；技術面支持者認為 股價走勢能即時反應當前股票狀況，並相信歷史會不斷重演；籌碼面支持者認為對市場有影響力的交易人才是影響股價走勢的主因。本研究認為結合三大面向分析方法應能達到相輔相成的效果，透過三大分析確認買進訊號，不僅有助於提升策略績效，亦能強化投資人對於策略的信心。
此交易策略使用深度學習模型，以財報資訊做為訓練資料，於每季進行基本面選股，挑出預期下一季表現強勢的股票，以此為股票池，當技術與籌碼分析發出買進賣出訊號時，才執行買進賣出，技術面的訊號設計由經典的均線指標所構成，而籌碼面的訊號則由投信買賣超經過處理後設計而成，因本研究認為投信相較於外資、自營商的操作動機最為單純。實證結果顯示，深度學習結合基本面之模型經過47期的滾動樣本測試，強弱勢依分數高低各選出500檔股票，每季的強弱勢平均報酬差距有3.67%，隨著分數越高減去越低的組合，50檔每季的強弱勢平均報酬差距能夠達到6.93%，顯示此模型能夠有效且穩定分辨強弱勢股票；技術與籌碼擇時策略的部分，在技術面條件不變下，不論是平均單筆交易或是模擬基金的績效，投信買賣指標之績效皆優於外資及自營商的買賣指標；最後結合兩策略，約十年的回測期間下，年化報酬可達26.86%，夏普值1.13，皆優於結合前策略的績效，實屬表現良好之交易策略，此結果驗證了本研究欲傳達之理念：

1. 三大分析皆有其價值，適當結合能達相輔相成的效果，亦能強化投資人執行策略之信心
2. 深度學習對於現今而言雖屬黑盒子，但其確實能有效運用於交易策略上

在穩健性測試的部分，透過多輪的訓練，此策略之深度學習選股模型的績效表現並無太大的落差；而投信買賣指標的參數敏感度測試結果顯示，除了過高和過低的參數外，其餘參數和績效具有正向關係，顯示此擇時進出策略具備相當程度之穩定性，整體而言，本策略之參考價值獲得進一步的提升。

In Taiwan stock market, there are three major ways to analyze the stocks. The first is fundamental factors analysis, evaluating the value of a company by analyzing financial statements, the company’s pros and cons, industrial situation, and so on. The second is technical factors analysis, forecasting the stock price through patterns of the stock price or the candlestick, technical indicators calculated by price and volume, such as moving average(MA), relative strength index(RSI), and others. The last is “chip” factors analysis, predicting future performance of the stock price by tracking institutional investors’ behavior, like foreign investors, dealers, and investment trusts. The purpose of this study is to prove that combination of three major stock analyses could make trading strategies more profitable. In addition, this study also employs the deep learning technology to construct better trading strategies.
This study constructs a composite trading strategy of Taiwan equity market which could be divided into two phases. The first phase is using the deep learning model trained by 129 indicators from financial statements to select strong stocks in next season, which form a stock pool. The second phrase is to buy and sell stocks from the stock pool according to signals consisting of technical indicators and a chip indicators. The results of this study reveal that the composite strategy has an annual return up to 26.86%, a max drawdown equal to 33.13%, and a Sharpe ratio equal to 1.13. All of them are better than the respective performances of the deep learning models and the timing strategies. There are two conclusions of this study:
1. Moderately integrating three major stock analyses could improve a trading strategy performance and enhance investors’ confidence.
2. A well-defined deep learning is useful to construct trading strategies in practice.

論文審定書 i
致謝 ii
摘要 iii
Abstract iv
目錄 v
圖次 vi
表次 vii
第一章 緒論 1
第一節 研究背景動機 1
第二節 研究目的 3
第三節 研究架構與流程 4
第二章 文獻探討 5
第一節 三大分析 5
第二節 深度學習 11
第三章 研究方法 14
第一節 實驗架構 14
第二節 資料蒐集與建立 16
第三節 量化策略建構 18
第四節 績效評估指標 33
第四章 實證結果 36
第一節 策略績效 36
第二節 穩健性測試 48
第五章 結論與建議 56
第一節 結論 56
第二節 後續建議 57
參考文獻 59
第一節 中文文獻 59
第二節 英文文獻 61
附錄 63

謝信誠(2017)，「技術分析型態辨識與機器學習之Smart Beta交易策略應用」，碩
士論文，國立中山大學財務管理學系。
邱科毓(2014)，「均線分析投資績效探討：以臺灣50指數成份股為例」，碩士論
文，國立中山大學財務管理學系。
陳彥豪(2002)，「外資與投信法人持股比率變化對股價報酬率影響之研究-以上市
電子股為例」，碩士論文，國立中山大學財務管理學系。
陳炫燐(2015)，「日本K線型態理論在期貨當日沖銷交易之實證-以台股指數期貨
為例」，碩士論文，銘傳大學財務金融學系
陳渝雯(2017)，「台灣股市因子模型之研究與應用-以產業類別分析」，碩士論
文，國立中興大學高階經理人碩士在職專班
賴靖宜、董澍琦、楊聲勇、苗建華(2011)，「價值投資：財務報表與公開資訊之應
用」，證券市場發展季刊，第22卷第4期，123-182。
查欣瑜(2011)，「法人籌碼對台股未來走勢影響之研究」，碩士論文，國立交通
大學，財務金融學系
李雅璇(2013)，「以巴菲特選股模式建構基本面投資組合：在台股之實證研
究」，碩士論文，國立中央大學財務金融學系
蘇明南(2002)，「移動平均線法則應用於台灣股市之實證研究」，碩士論文，淡
江大學財務金融學系
黃鐘億(2008)，「以改良式倒傳遞類神經網路運用成分股與技術指標預測台灣50
指數報酬率之研究」，碩士論文，國立臺北大學企業管理學系
黃祺敦(2012)，「運用當日籌碼面變數預測隔日股價方向」，碩士論文，國立中
正大學國際經濟研究所
蔡佩恂(2017)，「價值投資在台灣股市之實證：股利殖利率與F-SCORE」，碩士
論文，逢甲大學財務金融學系
劉瑞翔(2016)，「探討外資及投信法人於台股買賣群聚行為之成因及影響」，碩
士論文，銘傳大學財務金融學系
饒瑞鵬(2006)，「多因子標準化變量相關係數加權法─在股市建構投資價值指標
之選股決策運用」，碩士論文，國立屏東科技大學工業管理系
陳彬洲(2015) ，「基本面、籌碼面與總體面對股票報酬影響」，碩士論文，亞洲
大學財務金融學系碩士在職專班
曲恬頤(2009) ，「運用決策樹與倒傳遞類神經網路建構台股之整合性投資策略」，碩士論文，國立清華大學工業工程與工程管理學系
Bianchi, R., Drew, M. and Fan, J. (2015). Combining momentum with reversal in
commodity futures. Journal of Banking & Finance, 59, pp.423-444.
Chen, S., Bao, S. and Zhou, Y. (2016). The predictive power of Japanese candlestick
charting in Chinese stock market. Physica A: Statistical Mechanics and its
Applications, 457, pp.148-165.
Douglas Foster, F., Gallagher, D. and Looi, A. (2011). Institutional trading and share
returns. Journal of Banking & Finance, 35(12), 3383-3399.
Farias Nazário, R., e Silva, J., Sobreiro, V. and Kimura, H. (2017). A literature review
of technical analysis on stock markets. The Quarterly Review of Economics and Finance, 66, pp.115-126.
Ferreira, M., Matos, P., Pereira, J. and Pires, P. (2017). Do locals know better? A
comparison of the performance of local and foreign institutional investors. Journal
of Banking & Finance, 82, 151-164.
Hao, Y., Chou, R., Ho, K. and Weng, P. (2015). The impact of foreign institutional
traders on price efficiency: Evidence from the Taiwan futures market. Pacific-
Basin Finance Journal, 34, pp.24-42.
Hsu, P., Hsu, Y. and Kuan, C. (2010). Testing the predictive ability of technical analysis
using a new stepwise test without data snooping bias. Journal of Empirical
Finance, 17(3), pp.471-484.
Marshall, B., Young, M. and Rose, L. (2006). Candlestick technical trading strategies:
Can they create value for investors?. Journal of Banking & Finance, 30(8),
pp.2303-2323.
Menkhoff, L. (2010). The use of technical analysis by fund managers: International
evidence. Journal of Banking & Finance, 34(11), pp.2573-2586.
Mohanram, P. (2003). Separating Winners from Losers among Low Book-to-Market
Stocks using Financial Statement Analysis. Available at SSRN:403180
Papailias, F. and Thomakos, D. (2015). An improved moving average technical trading
rule. Physica A: Statistical Mechanics and its Applications, 428, pp.458-469.
Piotroski, J. (2000). Value Investing: The Use of Historical Financial Statement
Information to Separate Winners from Losers. Journal of Accounting Research, 38, p.1.
Sezer, O., Ozbayoglu, M. and Dogdu, E. (2017). A Deep Neural-Network Based Stock
Trading System Based on Evolutionary Optimized Technical Analysis Parameters.
Procedia Computer Science, 114, 473-480.
Shynkevich, A. (2012). Performance of technical analysis in growth and small cap
segments of the US equity market. Journal of Banking & Finance, 36(1), pp.193-208.
Szakmary, A., Shen, Q. and Sharma, S. (2010). Trend-following trading strategies in
commodity futures: A re-examination. Journal of Banking & Finance, 34(2), 409-426.
Vanstone, B., Finnie, G. and Hahn, T. (2012). Creating trading systems with
fundamental variables and neural networks: The Aby case study. Mathematics and
Computers in Simulation, 86, pp.78-91.
Zheng, D., Li, H. and Zhu, X. (2015). Herding behavior in institutional investors:
Evidence from China’s stock market. Journal of Multinational Financial
Management, 32-33, 59-76.
Zhu, M., Atri, S. and Yegen, E. (2016). Are candlestick trading strategies effective in
certain stocks with distinct features?. Pacific-Basin Finance Journal, 37, 116-127.