屬性導向方法應用於證券交易相對關係規則之挖掘

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：47

、訪客IP：3.143.218.180

姓名

邱秋婷(Chiu-ting Chiu) 查詢紙本館藏

畢業系所

資訊管理學系

論文名稱

屬性導向方法應用於證券交易相對關係規則之挖掘
(Attribute-based relational mining for stock trading)

相關論文

★ 以關係基因演算法為基礎之一般性架構解決包含限制處理之集合切割問題	★ 類神經網路於股價波段預測及選股之應用
★ 以類神經網路提高股票單日交易策略之獲利	★ 智慧型多準則決策支援研究：以交談式遺傳演算法為基礎的模型
★ 應用遺傳演算法於財務指標選股策略之探討	★ 遺傳演算法於股市資金分配策略應用上之研究
★ 組合編碼遺傳演算法於投資組合及資金分配之應用	★ 遺傳程式規劃於股市擇時交易策略之應用
★ 遺傳演算法於股市選股與擇時策略之研究	★ 多目標遺傳演算法於基本面選股策略之應用
★ 證券交易策略發掘	★ 遺傳演算法於SAP R/3 系統效能最佳化之應用
★ 動態多期資金管理策略發掘	★ 擴充固定比例(CPPI)與時間不變性投資組合保險策略(TIPP)於投資組合之應用
★ 演化式賽局於投資策略之研究	★ 利用遺傳演算法發掘投資組合保險之調整策略

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)

傳統的數值資料挖掘上，證券資料大都是與固定的絕對數值做一比較，(例如：KD隨機指標中的D > 85或K < 20)，而股市資訊間相對的比較鮮少被討論到(例如：隨機指標中K與D 之間的關係)，因此本研究提出一個數值型資料的延伸比較架構，此架構除了基本的「絕對關係比較」外，另外增加了數值間的「相對關係比較」，藉此得知數值間的大於小於等於關係，之後再進一步利用簡單易懂的C5.0決策樹分類方法，拓展連續型數值的比較關係，在絕對與相對關係為基礎下，能挖掘出數值間分類的界限是什麼，找出資料間進一步的「變動關係比較」。
　　本研究提出有別於傳統絕對比較之相對資料挖掘方法，改善了決策樹在單純絕對數值關係上的限制，針對資料中的關係比較做進一步的探討與實驗，主要將資料分為三種關係，包括了：絕對關係比較、相對關係比較以及變動關係比較。
　　在基本的「絕對關係比較」上，本研究引進了「相對關係」與「變動關係」的比較，將證券交易日的歷史資料，透過各組實驗數據與統計t檢定來驗證，證明了「絕對+相對關係」較「絕對關係」有較高的學習正確率與精確率，而「變動關係」相較於「絕對+相對關係」也有較高的學習正確率。因此，本研究架構除了能表達傳統決策樹資料挖掘的基本絕對比較概念外，能挖掘出其他更多元、更豐富的相對與變動比較規則，找出具有潛在價值的概念與更完整的數值關係。

摘要(英)

In the traditional numerical data mining, the stock data is usually compared with fixed value (ex: the stochastic indicator D > 85 or K < 20). The relative comparison between stock information was rarely discussed (ex: the relation between K and D). Thus we propose an extended comparative framework on the numerical data. This framework includes the basic comparison “absolute comparison”. Besides, the “relative comparison” between values is added. The “greater than” and “smaller than” relationship will be obtained then. To advance further, this thesis makes use of understandable C5.0 decision tree classification method. In addition to “absolute comparison” and “relative comparison”, the “variable comparison” of values boundary would be found.
　　We propose a different framework on data mining method which improves the decision tree to deal with each comparison and do some researches on data comparisons. In this thesis, there are three data types of comparison, and these are: absolute comparison, relative comparison, and variable comparison.
　　We propose “relative comparison” and “variable comparison” for basic “absolute comparison”. As the result of t test via experiments, the accuracy and precision rate of “absolute + relative comparison” is higher than “absolute comparison”, and the performance of “variable comparison” is better than “absolute + relative comparison” significantly. Hence, this framework not only represents the basic “absolute comparison” of traditional data mining but also discovers diversified “relative comparison” and “variable comparison”. In this framework, potential valuable concept can be found.

關鍵字(中)

★ 資料挖掘
★ C5.0
★ 決策樹
★ 相對關係

關鍵字(英)

★ decision trees
★ data mining
★ C5.0
★ relative comparison

論文目次

中文摘要 i
英文摘要 ii
誌謝 iii
目錄 iv
圖目錄 vi
表目錄 vii
第壹章、緒論 1
1.1 研究背景 1
1.2 研究動機 2
1.3 研究目的 3
1.4 論文架構 4
第貳章、文獻探討 5
2.1 資料挖掘方法論 5
2.1.1 資料庫知識挖掘流程 5
2.1.2 資料挖掘之定義 6
2.2 決策樹 7
2.2.1 決策樹基本演算法步驟 8
2.2.1 常見之決策樹方法簡介 9
2.3 C4.5 11
2.3.1 C4.5節點分枝方法介紹 11
2.3.2 C4.5處理連續數值的方式 14
2.3.3 C4.5的限制 15
2.4 C5.0 16
2.5 證券投資分析 16
2.5.1 投術分析 17
第參章、研究架構 24
3.1 研究架構 24
3.1 絕對數值比較 25
3.2 相對數值比較 26
3.3 變動數值比較 26
3.4 絕對、相對、變動數值關係之比較 28
第肆章、實驗設計與結果分析 30
4.1 實驗資料說明 30
4.1.1 資料來源與處理 30
4.1.2 資料處理與資料轉換設計 30
4.2 研究設計 33
4.2.1 實驗設計 33
4.2.2 實驗期間與參數 37
4.3 實驗結果與分析 41
4.3.1訓練期實驗結果 41
4.3.2測試期實驗結果 47
4.4 實驗數據分析 52
4.5 挖掘規則之分析比較 55
第伍章、結論與未來研究方向 57
5.1 結論 57
5.2 研究貢獻 58
5.3 未來研究方向 59
參考文獻 60

參考文獻

[1] 杜金龍，技術指標在台灣股市應用的訣竅，台北：金錢文化，2005。
[2] 邱美珍，決策樹學習法中連續屬性之分類研究，中原大學資訊工程研究所碩士論文，1996。
[3] 施正宏，結合總體經濟指標及個股財報資料以預測個股漲跌--以台灣電子類股為例,中原大學資訊管理學系碩士論文，2004。
[4] 徐松奕，以技術指標對台灣加權股價期貨指數報酬之研究，國立東華大學企業管理學系碩士論文，2003。
[5] 陳共、周升業、吳曉求，證券投資分析，台北：五南圖書出版公司，2001。
[6] 陳應慶，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，佛光人文主會學院管理學研究所碩士文，2004。
[7] 張芸瑋、許成之，網路學習平台功能剖析之研究，2006數位科技與創新管理國際研討會，2006。
[8] 張淑珍，用一次性的SQL改良決策樹建立信用卡審核之信用評等，東吳大學商學院資訊科學系碩士論文，2005。
[9] 廖原豐，因果關聯規則挖掘，中央大學資訊管理所碩士論文，2006。
[10] 廖聖傑，從學習歷程檔案建構決策樹以支授網路教學，中山大學資訊管理所碩士論文，2003。
[11] 謝明瑞，證券市場，台北：國立空中大學，2004。
[12] 謝德宗、俞海琴，現代投資學，台北：華泰書局，2001。
[13] 黃柏樟，使用決策樹方法發掘連續數值屬性多區間分類規則，成功大學資訊管理所碩士論文，2004。
[14] Achelis, Steven B., Technical Analysis from A to Z, McGraw-Hill, New York, 2000.
[15] Berry, Michael J.A. and Gordon.S. Linoff, Data Mining Technique: For Marketing, Sales, and Customer Relationship Management, Wiley Computer Publishing, New York, 1997.
[16] Bratko, Ivan and Stephen Muggleton, “Applications of Inductive Logic Programming,” Communications of the ACM, Vol. 38, No. 11, 1995, pp.65-70.
[17] Cabena, Peter, P. Hadjnian, R. Stadler, J. Verhees, and A. Zanasi, Discovering Data Mining from Concept to Implementation, Prentice Hall, N.J., 1997.
[18] Chen, Ming-Syan, Jiawei Han and Philip S. Yu, “Data Mining: An Overview from a Database Perspective,” IEEE Transactions on Knowledge and Data engineering, VOL. 8, NO.6, 1996, pp. 866-883.
[19] Dunham, M. H., Data Mining Introductory and Advanced Topics, Pearson Education Inc., N.J., 2003.
[20] Fayyad, U., G. Piatetsky-Shapiro and P. Symth, “From Data Mining to Knowledge Discovery in Databases,” AI magazine, AAAI press, Fall 1996, pp. 37-54.
[21] Frawley, William J., Gregory Piatetsky-Shapiro and Christopher J. Matheus, “Knowledge Discovery in Databases: An Overview.” Knowledge Discovery in Databases, AAAI press, 1991, pp. 1-30.
[22] Graham, Benjamin and Janet Lowe, The Rediscovered Benjamin Graham: Selected Writings of the Wall Street Legend, John Wiley & Sons Inc, 2001.
[23] Grupe, G.H. and M.M. Owrang, “Database Mining Discovering New Knowledge and Cooperative Advantage,” Information Systems Management, Vol. 12, No. 4, 1995, pp.26-31.
[24] Han, Jiawei and Micheline Kamber, Data Mining: Concepts and Techniques, Morgan Kaufmann, New York, 2001.
[25] Jobman, Darrell R., The Handbook of Technical Analysis, Irwin, New York, 1995.
[26] Quinlan, J.Ross, C4.5 Programs for Machine Learning, Morgan Kaufmann, Calif., 1993.
[27] Ren, N., Zargham, M. and Rahimi, S. “A Decision Tree-Based Classification Approach to Rule Extraction For Security Analysis”, International Journal of Information Technology & Decision Making, Vol. 5, No. 1, 2006, pp.227-240.
[28] Russell, S. and P. Norvig, Artificaial intelligence: A Modern Approach, Prentice Hall, New Jersey, 2003.
[29] Shaw, M. J., C. Subramaniam, G.W. Tan and M.E. Welge, “Knowledge management and data mining for marketing,” Decision Support Systems, Vol. 31, 2001, pp.127-137.
[30] RuleQuest Research data mining tools
, (Accessed May 10, 2007).
[31] Runarsson, Thomas Philip and Sven Sigurðsson, machine learning courseware
, (Accessed March 10, 2007).
[32] See5: An Informal Tutorial
, (Accessed May 10, 2007).
[33] Standard&Poor’s – S&P 500 Fact Sheet
http://www2.standardandpoors.com/portal/site/sp/en/, (Accessed May 20, 2007).
[34] ta-lib.org
http://ta-lib.org/, (Accessed May 20, 2007).

指導教授

陳稼興(Jiah-Shing Chen)

審核日期

2007-6-26

推文