淡江大學覺生紀念圖書館 (TKU Library)
進階搜尋


下載電子全文限經由淡江IP使用) 
系統識別號 U0002-2307201915322000
中文論文名稱 多因子股票價格預測之回饋式類神經網路模型
英文論文名稱 A multiple-factor stock price prediction model using recurrent neural network
校院名稱 淡江大學
系所名稱(中) 資訊管理學系碩士班
系所名稱(英) Department of Information Management
學年度 107
學期 2
出版年 108
研究生中文姓名 李宛諠
研究生英文姓名 WAN-XUAN Li
學號 606630266
學位類別 碩士
語文別 中文
口試日期 2019-06-01
論文頁數 37頁
口試委員 指導教授-徐煥智
委員-楊婉秀
委員-張昭憲
委員-徐煥智
中文關鍵字 股價預測  回饋式類神經網路 
英文關鍵字 Stock price prediction  Recurrent neural network 
學科別分類
中文摘要 證券市場上有眾多的金融商品可以選擇,股票因為具有較高的變現性和投資報酬率,且進入門檻相對低,但因報酬率較高伴隨著相對高的風險,因此預測股票是股票市場中很重要的議題。影響股價變動的因素非常多且複雜,主要影響因素如企業營收、投資大眾的預期心理、股票市場動態等等。股票價格主要是透過股票市場的相關資訊進行分析,來判斷股票的走勢,以提高報酬率或避開風險。
因此本研究應用回饋式類神經網路建立預測模型與分類模型,包含平均收盤價、最高價、最低價進行預測,以及三個分類模型-平均收盤價報酬率模型、最高報酬率模型、最低報酬率模型,考量三大法人買賣超和技術指標等其他因子進行模型實驗。實驗結果顯示三個價格模型,選擇的輸入變數比僅使用收盤價訓練模型的預測效果較佳,而以LSTM和倒傳遞網路相比,三個價格模型中都為使用LSTM運算的損失值較低。在分類模型中,三個模型預測的準確率皆大於80%。
英文摘要 There are many financial products to choose from in the securities market. The stocks have high liquidity and return on investment, and the entry threshold is relatively low. Because the high rate of return is accompanied by relatively high risks, it is important to predict stocks in the stock market issue. The factors affecting stock price changes are many and complex, such as corporate revenue, investor expectations, stock market dynamics, and so on. The stock price is mainly analyzed through the relevant information of the stock market to judge the trend of the stock to increase the rate of return or avoid the risk.
Therefore, this study uses a recurrent neural network to build predictive models and classification models, including the average closing price, the highest price, and the lowest price for forecasting, and three classification models - the average closing price return rate model, the highest return rate model, and lowest return rate model. Consider other factors such as the Net Buy/Sell of Three Institutional Investors and technical indicator. The results show that the three price models, the selected input variables are better than the prediction model using only the closing price training model. Compared with the LSTM and the BP, the loss values for using the LSTM operation in the three price models are lower. In the classification model, the accuracy of the predictions of the three models are greater than 80%.
論文目次 目錄
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 3
1.3 研究架構 3
第二章 文獻探討 4
2.1 技術面分析 4
2.2 股票相關文獻 5
2.3 類神經網路(Artificial Neural Network) 8
2.3.1 回饋式神經網路(Recurrent Neural Network) 9
2.3.2 長短期記憶(Long Short Term Memory) 10
2.3.3 激活函數(Activation functions) 11
2.3.4 損失函數(Loss Function) 12
2.3.5 優化器(Optimizer) 13
第三章 研究流程 14
3.1 研究流程 14
3.2 資料搜集與選取 15
3.2.1 資料來源 15
3.2.2 輸入資料種類 15
3.3 資料前處理 17
3.4 建立模型 18
3.4.1 價格預測模型 19
3.4.2 分類模型 21
第四章 實驗結果 25
4.1 平均收盤價模型 25
4.2 平均收盤價報酬率分類模型 26
4.3 最高價模型 27
4.4 最高報酬率分類模型 28
4.5 最低價模型 30
4.6 最低報酬率分類模型 31
4.7 隱藏層神經元個數的比較 32
第五章 結論與建議 34
5.1 結論 34
5.2 研究限制與未來研究方向 35

圖目錄
圖1 類神經網路架構圖 9
圖2回饋式神經網路架構圖 10
圖3 LSTM架構圖 11
圖4 S函數示意圖 12
圖5 Relu示意圖 12
圖6研究流程圖 14
圖7 移動窗格法選取資料示意圖 17
圖8 平均收盤價模型的架構 20
圖9 最高價模型的架構 20
圖10 最低價模型的架構 21
圖11 平均收盤價報酬率分類模型的架構 22
圖12 最高報酬率分類模型的架構 23
圖13 最低報酬率分類模型的架構 23
圖14 平均收盤價報酬率分類模型-編號B4訓練集的混淆矩陣 27
圖15 平均收盤價報酬率分類模型-編號B4測試集的混淆矩陣 27
圖16 最高報酬率分類模型-編號D4訓練集的混淆矩陣 29
圖17 最高報酬率分類模型-編號D4測試集的混淆矩陣 29
圖18 最低報酬率模型-編號F1訓練集的混淆矩陣 32
圖19 最低報酬率模型-編號F1測試集的混淆矩陣 32
圖20 不同神經元個數訓練結果 33

表目錄
表1 國內外股票預測相關文獻整理 7
表2 考量變數列表 16
表3 LSTM模型參數配置表 18
表4 模型詳細分類 24
表5 平均收盤價模型結果 25
表6 BP、LSTM使用收盤價預測平均收盤價之結果 25
表7 平均收盤價報酬率分類模型-資料各分類個數比例表 26
表8 平均收盤價報酬率分類模型的結果 26
表9 最高價模型訓練結果 27
表10 BP、LSTM使用收盤價預測最高價之結果 28
表11 最高報酬率分類模型-資料各分類個數比例表 28
表12 最高報酬率分類模型的結果 29
表13 最低價模型結果 30
表14 BP、LSTM使用收盤價預測最低價之結果 30
表15 最低報酬率分類模型-資料各分類個數比例表 31
表16 最低價報酬率模型的結果 31


參考文獻 Lane, George M.D. (May/June 1984) “Lane’s Stochastics,” second issue
of Technical Analysis of Stocks and Commodities magazine. pp 87-90.
Fischer, T., & Krauss, C. (2018). Deep learning with long short-term
memory networks for financial market predictions. European Journal of Operational Research, 270(2), 654-669.
Malkiel, B. G., & Fama, E. F. (1970). Efficient capital markets: A
review of theory and empirical work. The journal of Finance, 25(2), 383-417.
Kendell, M.G. (1953). The Analysis of Economic Time-Series-Part I: Prices. Journal
of the Royal Statistical Society. Series A (General) 116(1),11-34
Ratner, M., and Leal, R. (1999). Tests of Technical Trading Strategies in the
Emerging Equity markets of Latin America and Asia. Journal of Banking and Finance, 23(12), 1887-1905.
McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas
immanent in nervous activity. The bulletin of mathematical biophysics, 5(4), 115-133.
Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1988). Learning
representations by back-propagating errors. Cognitive modeling, 5(3), 1.
Zaccone, G. (2016). Getting Started with TensorFlow. Packt Publishing
Ltd.Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780.
Graves, A., Mohamed, A. R., & Hinton, G. (2013, May). Speech
recognition with deep recurrent neural networks. In 2013 IEEE international conference on acoustics, speech and signal processing (pp. 6645-6649). IEEE.
Chang, C. C., Lin, Z. T., Koc, W. W., Chou, C., & Huang, S. H. (2016,
November). Affinity propagation clustering for intelligent portfolio diversification and investment risk reduction. In 2016 7th International Conference on Cloud Computing and Big Data (CCBD) (pp. 145-150). IEEE.
Shen, S., Jiang, H., & Zhang, T. (2012). Stock market forecasting
using machine learning algorithms. Department of Electrical Engineering, Stanford University,Stanford, CA
Kim, T., & Kim, Ha, Y. K. (2019). Forecasting stock prices with a
feature fusion LSTM-CNN model using different representations of the same data. PLoS One, 14(2)doi:http://dx.doi.org.ezproxy.lib.tku.edu.tw/10.1371/journal.pone.0212320
Yang, B. W., Wu, M. C., Lin, C. H., Huang, C. F., & Chen, A. P.
(2016). The Discovery of Financial Market Behavior Integrated Data Mining on ETF in Taiwan. In Harmony Search Algorithm (pp. 285-294). Springer, Berlin, Heidelberg.
Usmani, M., Adil, S. H., Raza, K., & Ali, S. S. A. (2016, August).
Stock market prediction using machine learning techniques. In 2016 3rd International Conference on computer and Information Sciences (ICCOINS) (pp. 322-327). IEEE.
鄧鳳欣, &王洪良. (2018). LSTM神經網絡在股票價格趨勢預測中的應用——
基於美港股票市場個股數據的研究. 金融經濟 , (14), 44.
許溪南、何怡滿與劉泰山 (2011),「KD 及MACD 在避險時機之應用:
以台指期貨避險為例」,東吳經濟商學學報,72 期:109-138。
陳淑玲, 吳安琪, & 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, 12(1S), 187-225.
陳煜文(2018)。以委託單資料預測當日股價趨勢-LSTM類神經網路模型之
應用。輔仁大學金融與國際企業學系金融碩士班碩士論文,新北市。
盧嘉梧, & 林志軒. (2016). 類神經網路投資組合策略績效之實證研究: 以台
灣中型 100 電子股為例. 輔仁管理評論, 23(3), 29-50.
陳秉洋. (2012). 結合技術指標, 籌碼變動及期貨基差建構整合性投資策略─
以台灣 50 指數型基金為例. 成功大學統計學系學位論文, 1-67.
張瑛淑(2010)台股指數, 美股指數的預測及兩者關聯性之分析.
張維碩、張智淵、張書豪(2018)。以向量自我迴歸模式探討台灣50成分股報
酬率與技術面及籌碼面之關聯性。全球商業經營管理學報,(10),177 187。
李維平, 李國誠, 賴錦慧, 廖玟柔, 陳俊諺, & 鍾佾蓁. (2018). 運用類神經
網路建構台股指數期貨預測模型. 先進工程學刊, 13(2), 73-77.
論文使用權限
  • 同意紙本無償授權給館內讀者為學術之目的重製使用,於2019-07-25公開。
  • 同意授權瀏覽/列印電子全文服務,於2019-07-25起公開。


  • 若您有任何疑問,請與我們聯絡!
    圖書館: 請來電 (02)2621-5656 轉 2486 或 來信