協同商務模式中理財資訊與股價關聯之規則挖掘

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：228

、訪客IP：18.218.61.16

姓名

黃文雄(Wen-Shong Huang) 查詢紙本館藏

畢業系所

資訊管理學系

論文名稱

協同商務模式中理財資訊與股價關聯之規則挖掘
(A Collaborative Commerce Model for Mining Rules of Stock Investment from Securities Firms’ Reports)

相關論文

★ 關聯式資料庫之廣義知識探勘	★ 詢問式倒傳遞類神經網路在資料挖掘的應用
★ 一個以內容為基礎的代理伺服器演算法	★ 使用群聚壓縮樹之高效率關聯法則挖掘法
★ 利用資料探勘改善代理伺服器預先擷取效率之研究	★ 利用資料挖掘技術輔助軟體重構之研究

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]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

協同商務是個新興的概念，目前主要應用在製造業產品的生產、設計及行銷等方面，對於提供數位知識內容服務為主的證券業而言，如能透過協同商務來結合其協同價值鏈，將能提供更豐富的理財資訊及更簡便的交易服務。故我們以理財資訊產品為基礎，提出證券服務業的協同模式。在本論文中並針對其中最富挑戰性的理財資訊分析技術，做深入的探討。雖然已有許多的理財資訊分析技術被應用於電腦選股這個研究領域中，但一般民眾對於電腦的預測原理既不了解也不信賴，有鑑於傳統電腦選股方法的預測模型無法滿足大眾要求，故本論文嘗試以國內民眾較熟悉的股市專家建議作切入點，利用資料採礦技術來探討專家建議與股價變化間的關聯性。藉著這些關聯性，我們除了可以得到容易為一般民眾接受的建議，更可以衡量比對電腦選股系統的結果，以對其預測模型做出解釋。本論文從網站上取得股市專家的研究報告，對其內容加以數值化及離散化，再以資料採礦技術來分析。透過我們的方法可以得知，對國內的股票市場而言，專家的評論資訊對股價有所影響，值得我們去加以探討。

摘要(英)

Collaborative commerce is an emerging concept. It is mostly applied in production, design and sale of the manufacturing industry today. Based on this platform, we build a new collaborative value chain for stock investment by the service chain of digital knowledge content. The analysis of financial information for supporting stock investment is further discussed in this thesis. Many computer techniques have been proposed for stock investment. However, in Taiwan, most of investors neither understand nor believe these prediction results. They usually take research reports from securities firms or expertise from stock experts in investing stock. In this thesis, we use data mining techniques to find the relationship between expert knowledge and stock price where the expert knowledge is collected from research reports of securities firms. Based on the mining results, we can find investment suggestions that are more acceptable for the general public.

關鍵字(中)

★ 券商研究報告
★ 協同商務
★ 關聯規則
★ 資料挖掘

關鍵字(英)

★ Data Mining
★ Research Reports of Securities Firms
★ Collaborative Commerce
★ Association Rule

論文目次

目錄
摘要 i
Abstract ii
誌謝辭 iii
第１章緒論 1
1.1 研究背景及動機 1
1.2 研究目的 5
1.3 研究方法 6
1.4 論文架構 6
第２章文獻探討 8
2.1 協同商務(Collaborative Commerce) 8
2.2 投資問題及投資技術的探討 15
2.3 人工智慧於財務上相關研究 16
2.3.1 類神經網路 16
2.3.2 遺傳演算法 17
2.4 資料挖掘技術 18
2.4.1 關聯規則 18
2.4.2 序列關聯規則 19
2.4.3 多維度資料的關聯規則 20
2.4.4 多維度跨界資料的關聯規則 20
2.5 資料挖掘在財務上相關研究 22
第３章實驗方法及架構 23
3.1 研究模型 23
3.2 選擇券商或個股及研究期間 25
3.3 資料的前置處理及資料轉換 26
3.4 挖掘研究報告和股價的關聯規則 28
3.5 分析及解釋關聯規則 29
第４章實驗設計 30
4.1 資料來源及說明 30
4.2 實驗設計及架構 31
4.3 實驗結果及分析(一) 33
4.4 實驗結果及分析(二) 51
第５章結論及未來研究 58
5.1 結論 58
5.2 研究貢獻 59
5.3 研究限制 59
5.4 未來研究的方向 60
附錄 61
參考文獻 65
圖目錄
圖1：理財資訊產品之協同架構 4
圖2：專家知識與股價的關係圖 5
圖3：企業間的協同機會 9
圖4：單一的個人化財務管理系統的架構 11
圖5：資料庫中關聯規則的支持度和信心度示意圖 19
圖6：中信證券92/02/13的晨報資訊 24
圖7：研究架構圖 25
圖8：投資評等資料－同一券商之不同證券的研究報告 26
圖9：投資評等資料－不同券商之同一證券的研究報告 26
圖10：哈網的券商投資評等報告 27
圖11：哈網投資評等之定義 27
圖12：資料的流程圖 28
圖13：實驗關聯圖 32
圖14：實驗期間圖 35
圖15：理財資訊產品的協同平台 61
表目錄
表1：評等１的股價趨勢彙總表 34
表2：評等２的股價趨勢彙總表 34
表3：評等３的股價趨勢彙總表 34
表4：實驗1-1之實驗結果表 36
表5：實驗1-1中，第四期的資料分析表 36
表6：無評等資訊下，關聯規則之可靠度 37
表7：券商與評等間的關聯規則 38
表8：元富證券的評等資訊與股價的關聯規則 38
表9：研究報告公布前的股價走勢與評等間的關聯規則表 40
表10：考慮研究報告公布前的股價走勢之關聯規則表 40
表11：券商評等間的關聯規則表 41
表12：券商評等間的關聯對未來股價之影響的關聯規則表 41
表13：考慮一週內評等的積分對股價之影響 43
表14：聯電對台積電評等間的關聯規則表 44
表15：聯電和台積電評等間的關聯對台積電未來股價之影響的關聯規則表 44
表16：以兩年的資料所挖掘的規聯規則來驗證2001年第一季的資料 45
表17：以第一季的資料所挖掘出來的規則來驗證2001年第一季的資料 45
表18：以兩年的資料所挖掘的規聯規則來驗證2001年第二季的資料 46
表19：以第二季的資料所挖掘出來的規則來驗證2001年第二季的資料 46
表20：以兩年的資料所挖掘的規聯規則來驗證2001年第三季的資料 47
表21：以第三季的資料所挖掘出來的規則來驗證2001年第三季的資料 47
表22：以兩年的資料所挖掘的規聯規則來驗證2001年第四季的資料 48
表23：以第四季的資料所挖掘出來的規則來驗證2001年第四季的資料 49
表24：研究報告評等資訊與股價間關聯性的關聯規則表（以報酬率的角度來探討） 51
表25：無評等資訊時的關聯規則表（以報酬率的角度來探討） 52
表26：考慮研究報告公布前的股價走勢之關聯規則表（以報酬率的角度來探討） 54

參考文獻

[1] 曾思博，「類神經網路於股價預測與資金之配置應用」，中央大學資訊管理研究所碩士論文，1999。
[2] 楊孟龍，「類神經網路於股價波段預測及選股之應用」，中央大學資訊管理研究所碩士論文，2000。
[3] 張振魁，「以類神經網路提高股票單日交易策略之獲利」，中央大學資訊管理研究所碩士論文，2000。
[4] 鄧紹勳，「遺傳演算法於股市擇時策略之研究」，中央大學資訊管理研究所碩士論文，1999。
[5] 蕭郁凱，「遺傳演算法於股市資金分配策略應用上之研究」，中央大學資訊管理研究所碩士論文，2001。
[6] 江吉雄，「遺傳演算法於股市選股與擇時策略之研究」，中央大學資訊管理研究所碩士論文，2002。
[7] 陳柏翰，「以RSS演算法挖掘股市交易資料之研究」，中央大學資訊管理研究所碩士論文，2001。
[8] 陳伯仁，「證券交易策略發掘」，中央大學資訊管理研究所碩士論文，2002。
[9] 黃貝玲，「協同商務－勾勒第二波電腦網路革命的商業模式」，電子化企業經理人報告，遠擎，Number 34，2002年6月，pp.12-21。
[10] 陳稼興，「迎向協同商務關注ERP II」，資訊傳真周刊，Number 682，2002年12月，pp.59。
[11] 林志銘，「協同產品商務系統導入之研究」，國立中山大學資訊管理研究所碩士論文，2002。
[12] 陳曉屏，「企業電子化下協同作業發展之研究」，國立政治大學經營管理所碩士論文，2002。
[13] 王志明，「協同商務四層面，製造業導入積極」，資訊傳真周刊，Number 606，2001年7月，pp.4-17。
[14] 郭長祐，「推估協同商務的下一個衝擊與演化」，資訊與電腦，Number 260，2002年3月，pp.55-59.
[15] 江宜政，「STEPml為基之資料交換技術」，國立清華大學工業工程與工程管理學系碩士論文，2003。
[16] 蔡智銘，「建構網路服務式產品資料管理系統之研究」，東海大學工業設計學系碩士論文，2003。
[17] 姚威宏，「產品資料管理於協同產品開發之整合-以少量多樣化產品為例」，東海大學工業設計學系碩士論文，2002。
[18] 吳慧玲，「台灣零售業應用協同規劃預測補貨模式之可行性研究—以烘焙業與百貨量販業為例」，淡江大學資訊管理學系碩士論文，2003。
[19] 施仁和，「台灣百貨量販業供應鏈管理參考模式之研究」，國立台北科技大學商業自動化與管理研究所碩士論文，2000。
[20] 吳志忠，「建構一個具有CPFR流程特性之企業間商務電子交易市集平台的模式」，國立政治大學資訊管理學系碩士論文，2001。
[21] 陳孟廷，「以Web Service為基礎的行動協同商務之研究」，大葉大學資訊管理所碩士論文，2002。
[22] 廖一青，「產品協同設計模式之研究」，國立臺北科技大學商業自動化與管理研究所碩士論文，2002。
[23] 陳永祥，「協同式維修管理資訊系統之研究—以筆記型電腦為例」，東海大學工業工程學系碩士論文，2002。
[24] 林修民，「設計一個以代理人為基礎之協同架構應用於線上交易市集」，國立交通大學資訊管理所碩士論文，2001。
[25] 毛立青，「協同商務之研究 ─ 以TFT-LCD產業為例」，元智大學資訊管理研究所碩士論文，2003。
[26] 潘寶蓮，「協同合作廠商產品知識分享的成因及其對新產品開發績效影響之研究」，佛光人文社會學院資訊學研究所碩士論文，2002。
[27] 謝景全，「台灣資訊製造業和物流業之協同整合研究─以T公司為例」，大同大學資訊經營研究所碩士論文，2002。
[28] 葉怡成，類神經網路模式與實作，儒林圖書有限公司，台北[2000]。
[29] 駱至中、林錦昌，「以民意調查資料的智慧型分析看資料探勘於政治學研究之運用」，第二屆「政治與資訊」學術研討會論文集，二○○二年四月十一日、十二日。
[30] 蕭正南，「資料探勘應用於股市股價趨勢預測之研究」，輔仁大學資訊管理研究所碩士論文，1999。
[31] 許長裕，「多維度跨界性資料挖掘─以股市為例」，中央大學資訊管理研究所碩士論文，2001。
[32] C.H. Wang, R.I. Chang and J.M. Ho, “An Effective Communication Model for Collaborative Commerce of Web-Based Surveillance Services,” IEEE Conference on Electronic Commerce, 2003 (CEC'03).
[33] R. Agrawal, T. Imielinski and A. Swami, “Mining Association Rules between Sets of Items in Large Databases,” Proc. 1993 ACM-SIGMOD Int. Conf. on Management of Data (SIGMOD’93), Pages 207-216, 1993.
[34] J. Han, J. Pei and Y. Yin, “Mining frequent patterns without candidate generation,” Proc. 2000 ACM-SIGMOD Int. Conf. on Management of Data, Dallas, TX, 2000.
[35] Ling Feng, Tharam Dillon and James Liu, “Inter-transactional association rules for multi-dimensional contexts 5for prediction and their application to studying meteorological data,” Data and Knowledge Engineering, 37(1), Pages: 85-115, April, 2001.
[36] J. Pei and J. Han, “Constrained Frequent Pattern Mining: A Pattern-Growth View,” ACM SIGKDD Explorations (Special Issue on Constrained Data Mining), 2(2), 2002.
[37] K. K. Loo, Chi Lap Yip and Ben Kao and David Cheung, “A lattice-based approach for I/O efficient association rule mining,” Information Systems, Volume 27, Issue 1, Pages 41-74, March, 2002.
[38] Dao-I Lin and Z.M. Kedem, “Pincer-search: an efficient algorithm for discovering the maximum frequent set,” IEEE Transactions on Knowledge and Data Engineering, 14(3), Pages: 553 -566, May/Jun 2002.
[39] Jiuyong Li, Hong Shen and Rodney Topor, “Mining the optimal class association rule set,” Knowledge-Based Systems, Volume 15, Issue 7, Pages 1677-1700, September 1, 2002.
[40] C.C. Aggarwal, C. Procopiuc and P.S. Yu, “Finding localized associations in market basket data, IEEE Transactions on Knowledge and Data Engineering,” Volume: 14 Issue: 1, Pages: 51-62, Jan.-Feb., 2002.
[41] H. Lu, J. Han and L. Feng, “Stock Movement Prediction and N-Dimensional Inter-Transaction Association Rules,” Proc. 1998 SIGMOD Workshop on Research Issues on Data Mining and Knowledge Discovery (DMKD’98), Pages 12:1-12:7, 1998.
[42] H. Lu, L. Feng and J. Han, “Beyond Intra-Transaction Association Analysis: Mining Multi-Dimensional Inter-Transaction Association Rules,” ACM Transactions on Information Systems, 18 (4), Pages 423-454, 2000.

指導教授

張瑞益(Ray-I Chang)

審核日期

2003-7-8

推文