應用景氣指標、PMI採購經理人指數以機器學習建構台灣股價預測模型

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：18

、訪客IP：3.21.241.201

姓名

林佩萱(Pei-Hsuan Lin) 查詢紙本館藏

畢業系所

資訊管理學系在職專班

論文名稱

應用景氣指標、PMI採購經理人指數以機器學習建構台灣股價預測模型
(Application of Business Indicators and Purchasing Managers’ Index with Machine Learning for Taiwan Stock Price Prediction)

相關論文

★ 利用資料探勘技術建立商用複合機銷售預測模型	★ 應用資料探勘技術於資源配置預測之研究-以某電腦代工支援單位為例
★ 資料探勘技術應用於航空業航班延誤分析-以C公司為例	★ 全球供應鏈下新產品的安全控管-以C公司為例
★ 資料探勘應用於半導體雷射產業-以A公司為例	★ 應用資料探勘技術於空運出口貨物存倉時間預測-以A公司為例
★ 使用資料探勘分類技術優化YouBike運補作業	★ 特徵屬性篩選對於不同資料類型之影響
★ 資料探勘應用於B2B網路型態之企業官網研究-以T公司為例	★ 衍生性金融商品之客戶投資分析與建議-整合分群與關聯法則技術
★ 應用卷積式神經網路建立肝臟超音波影像輔助判別模型	★ 基於卷積神經網路之身分識別系統
★ 能源管理系統電能補值方法誤差率比較分析	★ 企業員工情感分析與管理系統之研發
★ 資料淨化於類別不平衡問題: 機器學習觀點	★ 資料探勘技術應用於旅客自助報到之分析—以C航空公司為例

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 (2027-6-30以後開放)

摘要(中)

薪資漲幅跟不上通貨膨脹率，如何利用投資增加收入對抗通貨膨脹已經是全民重要課題。由於台灣屬淺碟型經濟體，對海外市場需求高，缺乏吸收震盪的能力，就如同淺碟子般，只要市場上有些微風險即會產生經濟波動，並會反映在股市上，且投資者在選擇投資標的時往往只有對各別產業進行分析，不論基本面或技術面分析皆也只能針對單一個股，忽略產業的獲利表現可能會受到市場風險的影響，且各種產業受景氣的影響程度不同，可能導致在同個景氣階段下營利表現也不同。
景氣指標與股價有高度相關，因此本研究以景氣指標和PMI、NMI採購經理人指數構成元素作為預測指標，並搭配個股基本面、技術面及籌碼面指標，減少個股受整體景氣影響導致誤判，進而彌補基本面、技術面與籌碼面分析的不足，再針對各產業分別用該產業的指標，以台灣股市為標的，並同時帶入AdaBoost (Adaptive Boosting)、人工神經網路 (Artificial Neural Network, ANN)、決策樹 (Decision tree, DT)、梯度增強 (Gradient Boosting, GB)、K-近鄰演算法 (K-nearest Neighbors, kNN)、邏輯式迴歸 (Logistic Regression, LR)、單純貝氏分類器 (Navie Bayes, NB)、隨機森林 (Random Forest, RF)、隨機梯度下降法 (Stochastic Gradient Descent, SGD)及支援向量機 (Support Vector Machine, SVM)等十種機器學習方法建立預測模型，以有效推估未來的趨勢，作為台灣股票投資者參考。

摘要(英)

According to the high inflation rate, an efficient investment seems to be a great issue nowadays, especially in countries with thin market like Taiwan. This paper constructed predictive models by using ten kind machine learning method with Economic Indicators for stock price trend prediction.
In this paper, we investigated and done experiments to verify the correlation between Business Indicators and stock price. Revealing that there are three kind Economic Indicators highly correlate with stock price which are Business Indicators, Purchasing Managers’Index (PMI), and Non-manufacturing Purchasing Managers′ Index (NMI). We predicted Taiwan’s stock price trend by using 10 machine learning method, including Adaptive Boosting, Artificial Neural Network (ANN), Decision Tree (DT), Gradient Boosting (GB), K-nearest Neighbors (kNN), Logistic Regression (LR), Navie Bayes (NB), Random Forest (RF), Stochastic gradient descent (SGD) and Support Vector Machine (SVM) with the Business Indicators mentioned above.

關鍵字(中)

★ 景氣指標
★ PMI製造業採購經理人指數
★ NMI非製造業採購經理人指數
★ 機器學習
★ 股價預測
★ 永續

關鍵字(英)

★ business Indicators
★ Purchasing Managers’ Index
★ Non-manufacturing Purchasing Managers′ Index
★ machine learning
★ stock price prediction
★ 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 2
1.3 研究目的 4
1.4 論文架構 4
第二章文獻探討 5
2.1 股價預測 5
2.2 傳統統計相關文獻 8
2.3 機器學習相關文獻 11
第三章研究方法 13
3.1 資料來源 14
3.2 資料預處理 14
3.3 使用變數 16
3.4 機器學習方法 33
3.5 評估指標 37
第四章實驗分析 39
4.1 實驗設計 39
4.2 實驗環境和設定 47
4.3 實驗結果分析 47
4.4 變數影響程度排序 57
第五章研究結論與建議 60
5.1 研究結論 60
5.2 研究限制 61
5.3 研究貢獻 61
5.4 未來研究方向與建議 61
參考文獻 63
附錄 65

參考文獻

Ballings, M., Van den Poel, D., Hespeels, N., & Gryp, R. (2015). Evaluating multiple classifiers for stock price direction prediction. Expert Systems with Applications, 42(20), 7046-7056.
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
Cover, T., & Hart, P. (1967). Nearest neighbor pattern classification. IEEE transactions on information theory, 13(1), 21-27.
Enke, D., & Thawornwong, S. (2005). The use of data mining and neural networks for forecasting stock market returns. Expert Systems with Applications, 29(4), 927-940.
Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The journal of Finance, 25(2), 383-417.
Freund, Y., & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of computer and system sciences, 55(1), 119-139.
Ho, T. K. (1995). Random decision forests. Proceedings of 3rd international conference on document analysis and recognition,
Ij, H. (2018). Statistics versus machine learning. Nat Methods, 15(4), 233.
Jiang, W. (2021). Applications of deep learning in stock market prediction: recent progress. Expert Systems with Applications, 184, 115537.
Kumbure, M. M., Lohrmann, C., Luukka, P., & Porras, J. (2022). Machine learning techniques and data for stock market forecasting: a literature review. Expert Systems with Applications, 116659.
Leung, M. T., Daouk, H., & Chen, A.-S. (2000). Forecasting stock indices: a comparison of classification and level estimation models. International Journal of forecasting, 16(2), 173-190.
Lo, A. W. (2004). The adaptive markets hypothesis. The Journal of Portfolio Management, 30(5), 15-29.
Maehashi, K., & Shintani, M. (2020). Macroeconomic forecasting using factor models and machine learning: an application to Japan. Journal of the Japanese and International Economies, 58, 101104.
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.
Patel, J., Shah, S., Thakkar, P., & Kotecha, K. (2015). Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques. Expert Systems with Applications, 42(1), 259-268.
Tan, Z., Yan, Z., & Zhu, G. (2019). Stock selection with random forest: An exploitation of excess return in the Chinese stock market. Heliyon, 5(8), e02310.
Weng, B., Lu, L., Wang, X., Megahed, F. M., & Martinez, W. (2018). Predicting short-term stock prices using ensemble methods and online data sources. Expert Systems with Applications, 112, 258-273.
Weng, B., Martinez, W., Tsai, Y.-T., Li, C., Lu, L., Barth, J. R., & Megahed, F. M. (2018). Macroeconomic indicators alone can predict the monthly closing price of major US indices: Insights from artificial intelligence, time-series analysis and hybrid models. Applied Soft Computing, 71, 685-697.
Yuan, X., Yuan, J., Jiang, T., & Ain, Q. U. (2020). Integrated long-term stock selection models based on feature selection and machine learning algorithms for China stock market. IEEE Access, 8, 22672-22685.
64
于振中
于振中. (2020). 預測台灣股市八大類股報酬率：國內變數與國際變數的角色預測台灣股市八大類股報酬率：國內變數與國際變數的角色國立暨南國立暨南國際大學國際大學]. https://hdl.handle.net/11296/wue72y
王希佩
王希佩. (2021). 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建構股價預測模型：以台灣股市為例國立中央大學國立中央大學]. https://hdl.handle.net/11296/cpqkzk
任立斌
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應用特徵選取進行股價預測與獲利可能性之研究.
吳駿
吳駿. (2012). 應用景氣對策信號指標建構台灣股市大盤加權指數多變量時間序列預測應用景氣對策信號指標建構台灣股市大盤加權指數多變量時間序列預測模型模型國立交通大學國立交通大學]. https://hdl.handle.net/11296/fcuneb
李彥瑩
李彥瑩. (2013). 台灣景氣指標與股價指數報酬關聯台灣景氣指標與股價指數報酬關聯性之探討性之探討-以電子類股指數為例以電子類股指數為例國立國立中正大學中正大學]. 嘉義縣嘉義縣. https://hdl.handle.net/11296/zhc667
杜金龍
杜金龍. (2002). 技術指標在臺灣股市應用的訣竅技術指標在臺灣股市應用的訣竅 (初版初版 ed.). 財訊出版財訊出版.
周賓凰
周賓凰, 池祥萱池祥萱, 周冠男周冠男, & 龔怡霖龔怡霖. (2019). 行為財務學行為財務學: 文獻回顧與展望文獻回顧與展望. 證券市場發證券市場發展季刊展季刊: 行為財務學特別專刊行為財務學特別專刊, 1.
林佳苡
林佳苡. (2020). 總體經濟因素預測台灣總體經濟因素預測台灣股票市場報酬率：分量迴歸分析之實證研究股票市場報酬率：分量迴歸分析之實證研究國國立雲林科技大學立雲林科技大學]. https://hdl.handle.net/11296/s9w395
財經
財經M平方平方. https://www.macromicro.me/
國家發展委員會
國家發展委員會. https://www.ndc.gov.tw/
梁亦鴻
梁亦鴻. (2016). 3天搞懂財經資訊天搞懂財經資訊看懂財經新聞看懂財經新聞.企業財報不求人企業財報不求人,找出年年下蛋的金雞找出年年下蛋的金雞母母! (初版初版 ed.). 日月文化出版日月文化出版.
許秀珊
許秀珊. (2008). 新編台灣景氣同時指標之研究新編台灣景氣同時指標之研究. 國家發展委員會經濟研究期刊國家發展委員會經濟研究期刊第第8期期.
陳治綸
陳治綸. (2019). 台灣落後指標構成項目修正與探討台灣落後指標構成項目修正與探討. 國家發展委員會經濟研究期刊國家發展委員會經濟研究期刊第第19期期.
陳劍虹
陳劍虹. (2018). 臺灣景氣對策信號之檢討與改善臺灣景氣對策信號之檢討與改善. 國家發展委員會經濟研究期刊國家發展委員會經濟研究期刊第第18期期.
景氣指標查詢系統
景氣指標查詢系統. https://index.ndc.gov.tw/
楊皓丞
楊皓丞. (2021). 景氣循環下的投資策略景氣循環下的投資策略––以台灣股市為例以台灣股市為例.
蔡佩珍
蔡佩珍. (2018). 精進領先指標對台灣景氣動向預測之能力精進領先指標對台灣景氣動向預測之能力. 國家發展委員會經濟研究期國家發展委員會經濟研究期刊刊第第18期期.
蔡佩珍
蔡佩珍. (2021). 運用機器學習法預測經濟成長率之初探運用機器學習法預測經濟成長率之初探. 國家發展委員會經濟研究期刊國家發展委員會經濟研究期刊第第21期期.
謝亦凱
謝亦凱. (2020). 以基本面、消息面與籌碼面分析來判斷台積電股票是否過熱以基本面、消息面與籌碼面分析來判斷台積電股票是否過熱國立政治國立政治大學大學]. https://hdl.handle.net/11296/vk8q3m

指導教授

蔡志豐(Chih-Fong Tsai)

審核日期

2022-8-22

推文