Please use this identifier to cite or link to this item:
https://ah.lib.nccu.edu.tw/handle/140.119/119157| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | 黃泓智 | zh_TW |
| dc.contributor.advisor | Huang, Hong-Chih | en_US |
| dc.contributor.author | 陳惠郁 | zh_TW |
| dc.contributor.author | Chen, Huei-Yu | en_US |
| dc.creator | 陳惠郁 | zh_TW |
| dc.creator | Chen, Huei-Yu | en_US |
| dc.date | 2018 | en_US |
| dc.date.accessioned | 2018-08-02T08:19:47Z | - |
| dc.date.available | 2018-08-02T08:19:47Z | - |
| dc.date.issued | 2018-08-02T08:19:47Z | - |
| dc.identifier | G0105358008 | en_US |
| dc.identifier.uri | http://nccur.lib.nccu.edu.tw/handle/140.119/119157 | - |
| dc.description | 碩士 | zh_TW |
| dc.description | 國立政治大學 | zh_TW |
| dc.description | 風險管理與保險學系 | zh_TW |
| dc.description | 105358008 | zh_TW |
| dc.description.abstract | 本論文將以技術面指標分析為主體的台股資產配置流程，此流程分為三個步驟，第一步驟分析各股每日技術面指標變數，並將20日移動平均線 (以下簡稱「MA20」)作為進出場的判斷依據，當當天收盤價向上突破MA20，則隔天開盤價購入，當當天收盤價向下跌破MA20，則隔天開盤價賣出；第二步驟將篩選出可進場的股票放入深度學習模型以進行股價走勢預測；第三步驟將股票依走漲趨勢排列後進行回測。依此策略最佳的回測結果為年化報酬率47.96%。 | zh_TW |
| dc.description.tableofcontents | 摘要 I\n第一章 緒論 1\n第一節 研究動機與研究背景 1\n第二節 研究目的 2\n第三節 研究流程 2\n第二章 文獻探討 4\n第一節 技術面文獻探討 4\n第二節 深度學習文獻探討 5\n第三章 研究方法 7\n第一節 模型建構流程說明 7\n第二節 技術指標選擇 8\n第三節 深度學習應用 10\n第四節 績效指標說明 18\n第四章 實證結果分析 20\n第一節 實證分析樣本來源 20\n第二節 投資組合績效分析 20\n第三節 加入基本面資料投資績效比較 35\n第五章 結論與未來研究方向建議 41\n第一節 結論 41\n第二節 未來研究方向建議 42\n參考文獻 43 | zh_TW |
| dc.source.uri | http://thesis.lib.nccu.edu.tw/record/#G0105358008 | en_US |
| dc.subject | 技術面指標分析 | zh_TW |
| dc.subject | 機器學習 | zh_TW |
| dc.subject | 深度學習 | zh_TW |
| dc.subject | 類神經網路 | zh_TW |
| dc.title | 以技術指標分析股價走勢：以台灣股市為例 | zh_TW |
| dc.title | An Empirical Study of Stock Market with Technical Analysis Index in Taiwan | en_US |
| dc.type | thesis | en_US |
| dc.relation.reference | 中文參考文獻\n1.尹相志(2009)。《SQL Server 2008 Data Mining資料採礦》。悅知文化。\n2.安芷誼(2005)，《技術分析對台灣股票市場投資績效之探討─移動平均線法》。銘傳大學國際企業學系碩士在職專班碩士論文。\n3.吳安琪，陳淑玲，費業勳(2011)。〈臺灣股票市場技術指標之研究─不同頻率資料績效比較〉。東海管理評論【特刊】，第一期，187-226頁。\n4.李良俊(2003)。《台灣股票市場技術分析有效性之研究》。實踐大學企業管理研究所碩士論文。\n5.李淑惠，林金賢(2006)。〈技術指標與股價漲跌幅非線性關係之獲利能力之探討〉。台灣管理學刊6(1)，129-156頁。\n6.梁宏銘(2009)。《應用人工智慧技術預測台灣股市》。中華大學經營管理研究所碩士論文。\n7.梁榮輝(2004)。《應用技術分析指標於台灣股票市場加權指數買進時機切入之實證研究─以RSI、MACD及DIF為技術指標》。佛光人文社會學院管理學研究所碩士論文。\n8.陳奕廷(2016)。機器學習與人工神經網路(一) 。取自網址：https://case.ntu.edu.tw/blog/?p=26248\n9.陳奕廷(2016)。機器學習與人工神經網路(二)：深度學習。取自網址：https://case.ntu.edu.tw/blog/?p=26340\n10.陳國玄(2004)。《人工神經網路與統計方法應用於台灣上市電子類股價指數預測與分類之研究》。國立成功大學統計學研究所碩士論文。\n11.陳鄢貞(2011)。《以財務指標及技術指標建構股價預測模型─類神經網路模型之應用》。國立台北大學國際財務金融碩士在職專班碩士論文。\n12.樓禎祺，何培基(2003)。〈股價移動平均線之理論與實證─以台灣股市模擬投資績效操作為例〉。育達研究叢刊，五、六期合刊，27-52頁。\n英文參考文獻 \n1.Brock, William, Lakonishok J., and B LeBaron, “Simple Technical Trading Rules and the Stochastic Properties of Stock Returns,” Journal of Finance, vol.47,1992, pp.1731-1764\n2.G. E. Hinton and R.R. Salakhutdinov, “Reducing the Dimensionality of Data with Neural Networks,” Science, vol.313, pp.504-507\n3.Levy, R.A., “Relative Strength as a Criterion for Investment Selection,” Journal of Finance, vol.22, 1967, pp.595-610\n4.Omer Berat Sezer, Murat Ozbayoglu and Erdogan Dogdu, “A Deep Neural-Network Based Stock Trading System Based on Evolutionary Optimized Technical Analysis Parameters,” Procedia Computer Science, vol.114, 2017, pp.473-480\n5.Rumelhart, David E., Hinton, Geoffrey E., and Williams and Ronald J., “Learning Internal Representations by Back-propagating Errors,” Nature, vol.323, 1986, pp.533-536 | zh_TW |
| dc.identifier.doi | 10.6814/THE.NCCU.RMI.005.2018.F08 | - |
| item.openairecristype | http://purl.org/coar/resource_type/c_46ec | - |
| item.grantfulltext | none | - |
| item.openairetype | thesis | - |
| item.cerifentitytype | Publications | - |
| item.fulltext | No Fulltext | - |
| Appears in Collections: | 學位論文 | |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.