台灣50走勢分析：以多重長短期記憶模型架構為基礎之預測

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：43

、訪客IP：18.117.183.150

姓名

陳希棟(Hsi-Tung Chen) 查詢紙本館藏

畢業系所

資訊管理學系在職專班

論文名稱

台灣50走勢分析：以多重長短期記憶模型架構為基礎之預測

相關論文

★ 以多重遞迴歸神經網路模型為基礎之黃金價格預測分析	★ 增量學習用於工業4.0瑕疵檢測
★ 遞回歸神經網路於電腦零組件銷售價格預測之研究	★ 長短期記憶神經網路於釣魚網站預測之研究
★ 基於深度學習辨識跳頻信號之研究	★ Opinion Leader Discovery in Dynamic Social Networks
★ 深度學習模型於工業4.0之機台虛擬量測應用	★ A Novel NMF-Based Movie Recommendation with Time Decay
★ 以類別為基礎sequence-to-sequence模型之POI旅遊行程推薦	★ A DQN-Based Reinforcement Learning Model for Neural Network Architecture Search
★ Neural Network Architecture Optimization Based on Virtual Reward Reinforcement Learning	★ 生成式對抗網路架構搜尋
★ 以漸進式基因演算法實現神經網路架構搜尋最佳化	★ Enhanced Model Agnostic Meta Learning with Meta Gradient Memory
★ 遞迴類神經網路結合先期工業廢水指標之股價預測研究	★ A Novel Reinforcement Learning Model for Intelligent Investigation on Supply Chain Market

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 ( 永不開放)

摘要(中)

股票市場是一種非常熱門且便利的一種投資方法，但投資人很難透過基本面與技術分析預測未來股價，因為股票市場是個複雜且難以預測的系統，影響股價變動的因素非常多，是個非線性的系統，故期望能建立一個模型，該模型能提高預測標的的價格準確性。
想要對股價這種非線性、時間序列的資料，進行準確預測有相當難度，為了預測的準確，須將資料依照日期切齊，加入到預測模型中，並利用深度學習中長短期記憶模型(LSTM模型)能夠記憶資料的特性，來預測股價這種非線性且具有時間序列的資料。
本研究分別設計各種維度與不同LSTM層數組合的神經網絡模型，使用台灣50、台灣MSCI指數及道瓊台灣指數相關數據，作為訓練與測試的不同維度，經由充分的訓練和調變及優化，對隔天的台灣50收盤價進行預測。模型建立方式包括資料蒐集與前處理，神經網路模型的設計和訓練，測試和評估。
本研究利用長短期記憶模型(LSTM)解決了遞歸神經網絡(RNN)無法解決長期依賴的問題，證明長短期記憶模型(LSTM)在非線性、時間序列的股價預測上有較佳的表現，且最終三維雙LSTM模型獲得了最好的預測效果，也證明了LSTM在同時有三種資料來源，較複雜的環境下，反而有更好的表現。

摘要(英)

The stock market is a very popular and convenient investment method, but it is difficult to predict the future stock price through fundamental analysis and technical analysis, because the stock market is a complex and difficult System, and there are many factors can affect stock price changes, this such a non-linear System. So I suppose to build a model that can improve the accuracy of the forecast price.
It is not easy to accurately predict the non-linear, time-series data of stock prices. In order to make accurate predictions, the data must be aligned according to the date and added to the prediction model, and the Long Short-Term Memory model (LSTM) is one of the Deep Learning’s models, can memorize the characteristics of data to predict the non-linear and time-series data of stock price.
In this study, we design neural network models of various dimensions and different combinations of LSTM layers, using the relevant data of Taiwan 50 ETF, Taiwan MSCI index and Dow Jones Taiwan index as different dimensions of training and testing, after sufficient training, modulation and optimization, forecast the closing price of Taiwan 50 ETF the next day. Model building methods include data collection and pre-processing, neural network model design and training, testing and evaluation.
This study uses the Long Short-Term Memory model (LSTM) to solve the problem that the Recurrent Neural Network (RNN) cannot solve the long-term dependence, and proves that the Long Short-Term Memory model (LSTM) has better performance in non-linear, time series stock price prediction, and In the end, the three-dimensional double LSTM model obtained the better prediction effect, which also proved that LSTM has three data sources at the same time, and it has better performance in more complex environments.

關鍵字(中)

★ 深度學習
★ 長短期記憶模型
★ 台灣50
★ 股價預測

關鍵字(英)

★ Deep Learning
★ Long Short-Term Memory
★ LSTM
★ ETF50
★ price prediction

論文目次

目錄
中文摘要 I
Abstract II
誌謝 IV
目錄 V
表目錄 VII
圖目錄 VIII
第一章緒論 1
1.1 研究背景 1
1.2 研究動機 2
1.3 研究目的 4
1.4 論文架構 6
第二章文獻探討 8
2.1 台灣50股價預測相關文獻 8
2.2 類神經網路價格預測相關文獻 9
2.3 LSTM價格預測相關文獻 12
2.4 小結 14
第三章研究方法 15
3.1 系統架構 15
3.2 資料蒐集與前處理 16
3.2.1 資料來源 16
3.2.2 資料樣本 16
3.2.3 資料輸入與輸出方法 16
3.2.4 資料前處理 17
3.2.5 資料正規化 (Normalization) 17
3.2.6 資料分割 18
3.3 訓練參數設定 20
3.4 長短期記憶模型LSTM（Long Short-Term Memory） 21
3.4.1 LSTM的輸入與輸出結構 21
3.4.2 LSTM的內部結構 22
3.5 LSTM模型及雙LSTM模型設計 24
3.6 模型訓練方法 27
3.6.1 訓練模式 27
3.6.2 測試模式 28
3.6.3 梯度下降(Gradient descent) 28
3.6.4 Adam (Adaptive Moment Estimation) 30
3.6.5 反向傳播法(Backward-Propagation) 31
3.6.6 均方誤差（Mean Squared Error, MSE） 32
3.6.7 均方根差（Root Mean Square Error, RMSE） 33
3.6.8 決定係數 R平方(coefficient of determination, R2) 33
第四章實驗結果 36
4.1 實驗一 : 各種模型結果比較 36
4.1.1 Related Work - 現有RNN模型 37
4.1.2 Baseline 1 - 單維GRU模型 37
4.1.3 Baseline 2 - 單維LSTM模型 38
4.1.4 Baseline 3 - 二維GRU模型 39
4.1.5 Baseline 4 - 二維LSTM模型 39
4.1.6 Baseline 5 - 二維GRU模型 40
4.1.7 Baseline 6 - 二維LSTM模型 41
4.1.8 Proposal 1 - 三維LSTM模型 41
4.1.9 Proposal 2 - 三維雙LSTM模型 42
4.2 實驗二 : 三維雙LSTM模型參數實驗結果 43
4.3 實驗三 : 三維雙LSTM模型參數位移實驗結果 45
4.4 實驗四 : 個案分析 47
第五章結論 50
5.1 研究總結 50
5.2 研究貢獻 51
5.3 研究限制 51
5.4 未來研究方向 52
參考文獻 53
中文文獻 53
英文文獻 54
參考書目講義 55
參考網站 55

參考文獻

參考文獻
中文文獻
[1] 白文章、謝長杰(2009)，「應用灰關聯分析在類神經網路預測股價績效之研究」，2009財經學術研討會，台北。
[2] 李俊逸（2019）。應用RNN於股價漲跌預測之研究。國立政治大學資訊管理學系碩士論文。
[3] 李應承（2019）。LSTM為基礎的財經新聞與美股股價指數對台灣股價指數期貨趨勢預測之研究。輔仁大學資訊管理學系碩士在職專班碩士論文。
[4] 沈伯諺（2019）。RNN、LSTM與Seq2Seq with Attention演算法為基礎的台灣股價趨勢預測之研究。輔仁大學資訊管理學系碩士班碩士論文。
[5] 邱一薰（2005）。類神經網路預測台灣50股價指數之研究。國立彰化師範大學資訊管理學系所碩士論文。
[6] 林婉茹（2004）。類神經網路於台灣50指數ETF價格預測與交易策略之應用。輔仁大學金融研究所碩士論文。
[7] 林威廷（1995）。以總體經濟因素預測股票報酬率—類神經網路與多元迴歸之比較研究。國立交通大學資訊管理研究所碩士論文。
[8] 洪安裕（2005）。以知識規則與類神經網路之整合對台灣加權股價指數收盤走勢預測之行為研究。國立交通大學管理科學系所碩士論文。
[9] 洪從恕（2013）。應用模糊分群法推估路段速率之研究。國立交通大學運輸與物流管理學系碩士論文。
[10] 紀桂銓（1993）。類神經網路對股市反轉點的學習與預測應用。國立交通大學資訊管理研究所碩士論文。
[11] 陳友立（2019）。技術指標互動型態進行股票交易趨勢預測之研究:以台灣50成份股為例。真理大學資訊工程學系碩士班碩士論文。
[12] 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。
[13] 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系碩博士班碩士論文。
[14] 陳瑞卿（2000）。應用總體經濟因素於加權股價指數的預測－類神經網路與多元迴歸比較之研究。國立交通大學資訊管理所碩士論文。
[15] 陳靖惠（1994）。半導體產業晶圓需求預測之研究－類神經網路模型。國立交通大學資訊管理研究所碩士論文。
[16] 許雯筆（2016）。應用多元模型於股價指數之預測-以台灣50股價指數為例。國立高雄應用科技大學金融系金融資訊碩士班碩士論文。
[17] 曾淑青（1994）。運用類神經網咯於臺灣股票市場價量關係的預測與分析。國立交通大學資訊管理研究所碩士論文。
[18] 黃生豪（2020）。基於LSTM深度學習預測ETF50市場趨勢並結合交易策略之實證分析。國立高雄科技大學金融資訊系碩士論文。
[19] 黃敬隆（2020）。以深度學習探討臺灣股票和期貨。國立臺中科技大學資訊管理系碩士班碩士論文。
[20] 鄧勝昌（2018）。利用時間序列預測ETF─以台灣50為例。健行科技大學資訊管理系碩士班碩士論文。
[21] 簡壬申（2017）。類神經網路在股票預測之獲利可能性研究 -以台灣50 成分股為例。國立雲林科技大學財務金融系碩士論文。

英文文獻
[22] Baji, Toru. "Evolution of the GPU Device widely used in AI and Massive Parallel Processing." 2018 IEEE 2nd Electron Devices Technology and Manufacturing Conference (EDTM). IEEE, 2018.
[23] Devore, Jay L. Probability and Statistics for Engineering and the Sciences. Cengage Learning, 2015.
[24] Hochreiter, Sepp, and Jürgen Schmidhuber. "Long short-term memory." Neural computation 9.8 (1997): 1735-1780.
[25] Kingma, Diederik P., and Jimmy Ba. "Adam: A method for stochastic optimization." arXiv preprint arXiv:1412.6980 (2014).
[26] Kingma, Diederik P., and Jimmy Ba. "Adam: A method for stochastic optimization." arXiv preprint arXiv:1412.6980 (2014).
[27] Rumelhart, David E., Geoffrey E. Hinton, and Ronald J. Williams. "Learning representations by back-propagating errors." nature 323.6088 (1986): 533-536.
[28] Sathyanarayana, Shashi. "A gentle introduction to backpropagation." Numeric Insight 7 (2014): 1-15.
[29] Wilamowski, Bogdan M., et al. "Computing gradient vector and Jacobian matrix in arbitrarily connected neural networks." IEEE Transactions on Industrial Electronics 55.10 (2008): 3784-3790.

參考書目講義
[30] 李宏毅，「機器學習課程講義內容」，台灣，(2017)。
[31] 陳昇瑋、溫怡玲，「人工智慧在台灣：產業轉型的契機與挑戰」，天下雜誌出版社，台灣，(2019)。

參考網站
[32] 快速反應機制─類神經網路(2020)
https://medium.com/marketingdatascience/%E5%BF%AB%E9%80%9F%E5%8F%8D%E6%87%89%E6%A9%9F%E5%88%B6-%E9%A1%9E%E7%A5%9E%E7%B6%93%E7%B6%B2%E8%B7%AF-a3bbdee4a6f6，
[33] 維基百科_反向傳播算法(2020)
https://zh.wikipedia.org/wiki/%E5%8F%8D%E5%90%91%E4%BC%A0%E6%92%AD%E7%AE%97%E6%B3%95
[34] 證交所網站(2020)
www.twse.com.tw/ch/trading/indices/twco/tai50i.php
[35] Batch, Mini Batch & Stochastic Gradient Descent(2020)
https://towardsdatascience.com/batch-mini-batch-stochastic-gradient-descent-7a62ecba642a

指導教授

陳以錚(Yi-Cheng Chen)

審核日期

2020-8-20

推文