以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：31

、訪客IP：3.141.21.141

姓名	洪懿珺(I-Chun Hung)  查詢紙本館藏	畢業系所	資訊管理學系在職專班
論文名稱	運用資料探勘技術於股票填息之預測模型：以台灣股市上市公司為例 (The data mining technology to prediction Stock price return to previous price after ex-dividend day：Evidence from taiwan listed company)
相關論文	★ 不動產仲介業銷售住宅類別之成交預測模型—以不動產仲介S公司為例 ★ 應用文字探勘技術建構預測客訴問題類別機器學習模型 ★ 以機器學習技術建構顧客回購率預測模型：以某手工皂原料電子商務網站為例 ★ 以機器學習建構股價預測模型：以台灣股市為例 ★ 以機器學習方法建構財務危機之預測模型：以台灣上市櫃公司為例 ★ 運用資料探勘技術優化 次世代防火牆規則之研究 ★ 應用資料探勘技術於電子病歷文本中識別相關新資訊 ★ 應用深度學習於藥品後市場監督：Twitter文本分類任務 ★ 運用電子病歷與資料探勘技術建構腦中風病人心房顫動預測模型 ★ 考量特徵選取與隨機森林之遺漏值填補技術 ★ 電子病歷縮寫消歧與一對多分類任務 ★ 運用Meta-path與注意力機制改善個人化穿搭推薦 ★ 運用機器學習技術建構核保風險預測模型：以A公司為例 ★ 風扇壽命預測使用大數據分析－以 X 公司為例 ★ 使用文字探勘與深度學習技術建置中風後肺炎之預測模型 ★ 利用文字探勘技術分析評論特徵因子對於體驗品評論有益性之影響：以IMDb 為例
檔案	[Endnote RIS 格式]    [Bibtex 格式]    [相關文章]   [文章引用]   [完整記錄]   [館藏目錄]   至系統瀏覽論文 (2025-8-18以後開放)
摘要(中)	本研究使用台灣證卷市場上市公司填權息資料做為研究，運用資料探勘技術建構股票填息之預測模型，研究變數包含殖利率、股利政策、基本面指標、技術面指標、籌碼面指標，探討個股除權息日後7天內，能否成功完成填權息，並找出填權息的關鍵因子。研究之依變數為「7天內完成填權息否」，將每一筆除權息資料標註Y或是N做為識別，由此欄位分類7天內完成填權息及7天內未完成填權息的資料，選用決策樹、隨機森林、樸素貝葉斯、支援向量機與類神經網路五種監督式學習演算法來建構預測模型。 　　實驗設計製作三份預測資料集，分別為全部資料集、高殖利率資料集、低殖利率資料集，使用五種演算法，及十折交叉驗證來訓練預測模型，最後使用混亂矩陣來評估模型預測準確度。研究建立的67個研究變數，經特徵選取結果顯示，填權息關鍵因子為殖利率，技術指標的預測能力優於基本面及籌碼指標，技術指標具有效性判斷預測7天內完成填權息否。 　　本研究另運用特徵選取技術建立資料集，來進行填權息預測，實驗結果在提升預測準確度並未有顯著的幫助，部份演算法出現預測準確度下降的現象，顯示本研究透過特徵選取來降低特徵空間，並無法幫助模型提升預測準確度，但實驗結果顯示研究所使用的研究變項，不存在會造成干擾預測結果的特徵因子，特徵選取功能可以做為評估關鍵因子外，也可以使用來判斷特徵是否會造成模型干擾，或是排除多餘無效的特徵，特徵選取提供不同的驗證方式來探索預測準確度。
摘要(英)	This study is to predict the stock price if it can be reverted to previous price within 7 days of the ex-dividend date and find out the key factors for this by using the data of Taiwan listed company to build the prediction model with data mining technology. The variables of prediction model are dividend yield, dividend policy, fundamental index, technical index, chip index. 　　The dependent variable is that the predict the stock price if it can be reverted to previous price within 7 days of the ex-dividend date and mark the data with Y and N to verify with this variable. We use five kinds of supervised machine learning model which includes Decision Tree, Random Forest, Naïve Bayes, Support Vector Machine and Neural Network to build the prediction model. 　　This study builds three prediction datasets which are all dataset, high-yield dataset, and low-yield dataset for training the prediction model by using five kinds of supervised machine learning model and 10 – fold cross validation. We also use the confusion matrix to evaluate the precision of prediction models. There are 67 variables in this study, and we find the key variable is dividend yield by using feature selection and technical index is with good predictability on prediction model than fundamental index, and chip index. Technical index can be more validity on predicting the stock price if it can be reverted to previous price within 7 days of the ex-dividend date. 　　We also use the feature selection to build the dataset, and it doesn’t be with good validity on predicting and there is low precision in some prediction model. So, it can’t be raised the precision by using feature selection. But we don’t find the confounding variable in the selected variables. The feature selection can be used to evaluate the key variables and check if there are any confounding variables.
關鍵字(中)	★ 資料探勘 ★ 填息預測 ★ 資訊增益 ★ 永續	關鍵字(英)	★ Data Mining ★ Information Gain ★ prediction ★ ex-dividend ★ sustainability
論文目次	摘要 I ABSTRACT II 誌謝 III 目錄 IV 圖目錄 VI 表目錄 VII 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 6 第二章 文獻探討 8 2.1 除權息行情相關文獻 12 2.2 投資組合、選股與股價報酬相關文獻 17 2.3 運用資料探勘技術於股價預測之相關文獻 21 第三章 研究方法 25 3.1 研究流程 25 3.2 資料來源與前處理 25 3.3 研究變數 27 3.3.1 基本面變數 28 3.3.2 技術面變數 30 3.3.3 籌碼面變數 32 3.4 資料探勘演算法 33 3.4.1 決策樹(Decision Tree, DT) 33 3.4.2 隨機森林(Random Forest, RF) 34 3.4.3 支援向量機(Support Vector Machine, SVM) 34 3.4.4 樸素貝葉斯(Naïve Bayes, NB) 35 3.4.5 類神經網路(Neural Network, NN) 35 3.4.6 資料平衡處理 36 3.5 實驗設計與評估 37 3.5.1 實驗設計 37 3.5.2 驗證方式 39 3.5.3 評價方式 39 第四章 實驗結果與分析 42 4.1 描述性統計分析 42 4.2 實驗資料 44 4.3 實驗結果 46 4.4 變數重要性排序 49 4.5 綜合討論 55 第五章 研究結論與建議 57 5.1 研究結論與貢獻 57 5.2 研究限制 57 5.3 未來研究方向與建議 58 參考文獻 59
參考文獻	Agrawal, M., Khan, A. U., & Shukla, P. K. (2019). Stock price prediction using technical indicators: A predictive model using optimal deep learning. Learning, 6(2), 7. Akhigbe, A., & Madura, J. (1996). Dividend policy and corporate performance. Journal of Business Finance & Accounting, 23(9‐10), 1267-1287. Boyd, J. H., & Jagannathan, R. (1994). Ex-dividend price behavior of common stocks. The Review of Financial Studies, 7(4), 711-741. Campbell, J. A., & Beranek, W. (1955). Stock price behavior on ex-dividend dates. The Journal of Finance, 10(4), 425-429. Chang, W. H., Chen, C. Y., & Yu, C. S. (2008, July). A Study of Ubiquitous Information Seeking Behavior of the Investor in Taiwan′s Stock Market. In 2008 First IEEE International Conference on Ubi-Media Computing (pp. 469-473). IEEE. Chia-Cheng, C., Liu, Y., & Hsu, T. H. (2019). An analysis on investment performance of machine learning: an empirical examination on Taiwan stock market. International Journal of Economics and Financial Issues, 9(4), 1. Delen, D., Kuzey, C., & Uyar, A. (2013). Measuring firm performance using financial ratios: A decision tree approach. Expert systems with applications, 40(10), 3970-3983. Di, X. (2014). Stock trend prediction with technical indicators using SVM. Standford: Leland Stanford Junior University. Elton, E. J., and M. J. Gruber. (1970). Marginal stockholder tax rates and the clientele effect, Review of Economics and Statistics 52, 68–74. Elton, E. J., Gruber, M. J., & Rentzler, J. (1984). The ex-dividend day behavior of stock prices; A re-examination of the clientele effect: A comment. The Journal of Finance, 39(2), 551-556. Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). The KDD process for extracting useful knowledge from volumes of data. Communications of the ACM, 39(11), 27-34. Gandhmal, D. P., & Kumar, K. (2019). Systematic analysis and review of stock market prediction techniques. Computer Science Review, 34, 100190. Guyon, I., & Elisseeff, A. (2003). An introduction to variable and feature selection. Journal of machine learning research, 3(Mar), 1157-1182. Hsieh, L. F., Hsieh, S. C., & Tai, P. H. (2011). Enhanced stock price variation prediction via DOE and BPNN-based optimization. Expert Systems with Applications, 38(11), 14178-14184. Huang, S., & Liu, S. (2019). Machine learning on stock price movement forecast: the sample of the Taiwan stock exchange. International Journal of Economics and Financial Issues, 9(2), 189. Jiang, C. H., Chen, H. L., & Huang, Y. S. (2006). Capital expenditures and corporate earnings: Evidence from the Taiwan Stock Exchange. Managerial Finance. Johnson, J. M., & Khoshgoftaar, T. M. (2019). Survey on deep learning with class imbalance. Journal of Big Data, 6(1), 1-54. Kalay, A. (1982). The ex‐dividend day behavior of stock prices: a re‐examination of the clientele effect. The Journal of Finance, 37(4), 1059-1070. Karpoff, J. M., & Walkling, R. A. (1988). Short-term trading around ex-dividend days: Additional evidence. Journal of Financial Economics, 21(2), 291-298. Kirange, D. K., & Deshmukh, R. R. (2016). Sentiment Analysis of news headlines for stock price prediction. Composoft, An International Journal of Advanced Computer Technology, 5(3), 2080-2084. Kumar, P., Bhatnagar, R., Gaur, K., & Bhatnagar, A. (2021, March). Classification of imbalanced data: review of methods and applications. In IOP Conference Series: Materials Science and Engineering (Vol. 1099, No. 1, p. 012077). IOP Publishing. Lakonishok, J., & Vermaelen, T. (1986). Tax-induced trading around ex-dividend days. Journal of Financial Economics, 16(3), 287-319. Lee, C. Y., & Soo, V. W. (2017, December). Predict stock price with financial news based on recurrent convolutional neural networks. In 2017 conference on technologies and applications of artificial intelligence (TAAI) (pp. 160-165). IEEE. Lee, M. C., Chang, J. W., Hung, J. C., & Chen, B. L. (2021). Exploring the effectiveness of deep neural networks with technical analysis applied to stock market prediction. Computer Science and Information Systems, 18(2), 401-418. Lee, M. C., Liao, J. S., Yeh, S. C., & Chang, J. W. (2020, January). Forecasting the Short-term Price Trend of Taiwan Stocks with Deep Neural Network. In Proceedings of the 2020 11th International Conference on E-Education, E-Business, E-Management, and E-Learning (pp. 296-299). Liang, D., Tsai, C. F., & Wu, H. T. (2015). The effect of feature selection on financial distress prediction. Knowledge-Based Systems, 73, 289-297. Lin, Y. T., Gong, S. C., Wu, S. S., & Lee, T. P. (2012). E/P Mean Reversion-Based Strategies for Investment Practice: Evidence from the Taiwan Market. Emerging Markets Finance and Trade, 48(1), 117-131. Liu, Y. P. (2021). The Application of Chip Analysis and Machine Learning on predicting Taiwan stock market. Majumder, M., & Hussian, M. A. (2007). Forecasting of Indian stock market index using artificial neural network. Information Science, 98-105. Powell, W.B. (2007) Approximate dynamic programming: solving the curses of dimensionality. Wiley-Interscience. Ruan, J., & Ma, T. (2012). Ex‐Dividend Day Price Behavior Of Exchange‐Traded Funds. Journal of Financial Research, 35(1), 29-53. Tsai, C., & Yih, H. (2017). The Application of Genetic Programming on the Stock Movement Forecasting System. International Journal of Economics and Financial Issues, 7(6), 68. Tsai, Y. C., & Hong, C. Y. (2017, November). The application of evolutionary approach for stock trend awareness. In 2017 IEEE 8th International Conference on Awareness Science and Technology (iCAST) (pp. 306-311). IEEE. Tsai, L. J., Shu, P. G., & Chiang, S. J. (2019). Foreign investors’ trading behavior and market conditions: Evidence from Taiwan. Journal of Multinational Financial Management, 52, 100591. Vargas, M. R., Dos Anjos, C. E., Bichara, G. L., & Evsukoff, A. G. (2018, July). Deep leaming for stock market prediction using technical indicators and financial news articles. In 2018 international joint conference on neural networks (IJCNN) (pp. 1-8). IEEE. 王士豪. (2020). ETF填息天數與股利殖利率關係之探討. 國立高雄科技大學金融系. https://hdl.handle.net/11296/fr629t 史翼彰. (2020). 應用技術分析擷取特徵建構預測股價機器學習模型. 國立中正大學資訊管理系研究所碩士論文. https://hdl.handle.net/11296/73669m 任立斌. (2018). 應用特徵選取進行股價預測與獲利可能性之研究. 國立中興大學資訊管理學系所碩士論文. https://hdl.handle.net/11296/8ptkb3 吳淑錂. (2015). 以八大財務指標選股並建構投資組合之績效分析. 南華大學財務金融學系財務管理碩士班碩士論文. https://hdl.handle.net/11296/8d2q24 吳德生. (2006). 技術分析對香港股市有效性之探討－以KD、MACD、MA、RSI為技術指標. 國立臺北大學企業管理學系碩士論文. https://hdl.handle.net/11296/2k2wme 李存修. (1991). 股票股利及現金增資之除權與股價行為: 理論與實證. 臺大管理論叢, 1991, 2.1: 001-040. 李存修. (1994). 股票股利除權交易日之稅後超額報酬與比價心理假說之實證. 臺大管理論叢, 5(1), 41-60. 李洸慶. (2013). 股票報酬與財務比率的關係－修正迴歸係數偏誤法的應用. 國立政治大學經濟學系碩士論文. https://hdl.handle.net/11296/p9gk24 李紹嬅. (2001). 除權除息日股價行為影響因素之探討. 國立中山大學財務管理學系研究所碩士論文. https://hdl.handle.net/11296/quxk22 沈伊曜. (2015). 台灣上市公司填息行情之研究-以電子產業為例. 國立雲林科技大學財務金融系碩士論文. https://hdl.handle.net/11296/vv95cd 林如茵. (2004). 基於籌碼面分析利用學習分類元系統於股票市場. 國立交通大學資訊管理研究所碩士論文. https://hdl.handle.net/11296/nqzbyt 林政融. (2015). 台灣傳統產業上市公司股票行情填息之研究. 國立雲林科技大學財務金融系. https://hdl.handle.net/11296/hc42s5 林益兆. (2016). 股票投資策略之探討—以台灣股市為例. 朝陽科技大學財務金融系碩士論文. https://hdl.handle.net/11296/pr54a9 邱彥誠. (2020). 應用人工智慧於股市新聞與情感分析預測股價走勢. 國立臺北大學資訊管理研究所碩士論文. https://hdl.handle.net/11296/y676np 邱廉松.（2020). 上市櫃公司每月營收宣告對股價之影響. 國立政治大學國際經營與貿易學系碩士論文. https://hdl.handle.net/11296/ywswz4 姚怡欣. (2008). 台灣50成分股除權息日異常報酬分析. 國立中山大學經濟學研究所碩士論文. https://hdl.handle.net/11296/8favay 柯治宏. (2001). 電子業在兩稅合一前後除權（息）日異常報酬之研究. 國立臺灣大學會計學研究所碩士論文. https://hdl.handle.net/11296/3wcvdj 徐丕維. (2020). 大數據技術應用於探討股價之預測. 德明財經科技大學資訊管理系碩士論文. https://hdl.handle.net/11296/e3n5r7 徐尉哲. (2021). 股票報酬率與外資買賣超之動態關係-以蘋果供應鏈為例. 國立臺灣師範大學管理研究所碩士論文. https://hdl.handle.net/11296/328a83 張正鵬. (2002). 股價報酬率風險、低振幅比率與技術指標之有效性分析. 國立高雄第一科技大學金融營運所碩士論文. https://hdl.handle.net/11296/vt2p44 張瑋琍. (2011). 價廉物美的投資策略. 國立臺灣大學國際企業學研究所碩士論文. https://hdl.handle.net/11296/4m9x2w 陳人豪. (2018). 台股股利完全填權息關鍵影響因素之研究. 國立政治大學資訊科學系碩士在職專班碩士論文. https://hdl.handle.net/11296/gzqj45 陳旭宏. (2001). 基本分析運用於股票超額報酬之研究. 大同大學事業經營研究所碩士論文. https://hdl.handle.net/11296/x47h28 陳怡文. (1990). 台灣地區上市股票填息現象之研究－租稅效應與顧客效應之實證. 國立政治大學企業管理研究所碩士論文. https://hdl.handle.net/11296/ue5377 陳厚傑. (2019). 一個基於籌碼面動能指標之智慧型選股模型的研究. 國立高雄大學資訊工程學系碩士班碩士論文. https://hdl.handle.net/11296/8xgav4 陳浩瑋. (2017). 以深度學習進行股價預測之研究. 國立高雄第一科技大學資訊管理系碩士班碩士論文. https://hdl.handle.net/11296/xa9tc2 陳應慶. (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. https://hdl.handle.net/11296/qpw293 黃士青. (1997). 除息日與除權日之股價行為與套利機會之研究. 國立臺灣大學會計學系碩士論文. 自https://hdl.handle.net/11296/hj8dbd 黃光廷. (2002). 技術分析、基本分析與投資組合避險績效之研究. 國立成功大學會計學系碩博士班碩士論文. https://hdl.handle.net/11296/5ejtk9 黃怡婷. (2016). 臺灣上市電子公司填息事件異常報酬之研究. 亞洲大學財務金融學系碩士在職專班碩士論文. https://hdl.handle.net/11296/3ma586 黃翔建. (2016). 基本分析面選股之投資組合報酬率. 南臺科技大學企業管理系碩士論文. https://hdl.handle.net/11296/3yy23k 黃蕙文. (2011). 台灣股票市場填權息資訊投資策略之探討. 世新大學財務金融學研究所(含碩專班)碩士論文. https://hdl.handle.net/11296/g3w3j4 葉馨蓮. (2017). 月營收資訊內涵、投資人情緒與股價報酬之探討. 國立中山大學財務管理學系研究所碩士論文. https://hdl.handle.net/11296/37dqqm 蔡文珍. (2021). 技術分析及基本分析與股價報酬之研究. 東吳大學會計學系碩士論文. https://hdl.handle.net/11296/ccke93 蔡宜政. (2014). 低本益比與高殖利率股票投資組合績效之研究. 南華大學財務金融學系財務管理碩士班碩士論文. https://hdl.handle.net/11296/kcfua5 蔡承孝. (2019). 深度學習在不平衡數據集之研究. 國立政治大學應用數學系碩士論文. https://hdl.handle.net/11296/b8r339 蔡建成. (2007). 運用資料探勘技術進行選股決策. 國立高雄應用科技大學商務經營研究所碩士論文. https://hdl.handle.net/11296/3ju84x 鄭琮翰. (2021). 投資人情緒與填息權天數影響. 國立中正大學財務金融學系碩士在職專班碩士論文. https://hdl.handle.net/11296/cuyyyq 謝福昇. (2016). 以股價淨值比、本益比及公司市值為指標之投資組合報酬實證分析. 南華大學財務金融學系財務管理碩士班碩士論文. https://hdl.handle.net/11296/r79kkt
指導教授	胡雅涵(Ya-Han Hu)	審核日期	2022-8-3
推文	facebook   plurk   twitter   funp   google   live   udn   HD   myshare   reddit   netvibes   friend   youpush   delicious   baidu
網路書籤	Google bookmarks   del.icio.us   hemidemi   myshare