預測股市是全球投資人都感興趣的議題，面對全球政經變化莫測及資訊傳播速度迅速，預測股市的困難度也變得難度增加，而美國為全球最大經濟體，預測美國股價指數以代表全球的股價走勢，若預測準確，不僅可以賺取超額報酬，亦可以避開系統性風險。本研究嘗試以兩種預測模型預測2017年至2019年之隔月美國Nasdaq股價指數，一為逐步迴歸模型，二為機器學習中的XGBOOST模型，並比較兩種預測模型準確度及報酬率。最後再將預測效果較好的XGBOOST模型進行優化，提升較原機器學習模型更好的準確度及報酬率。
於預測變數的資料頻率選擇上，皆取月資料作為資料頻率，其中包含了20種總經變數、4種技術指標、4種國際股價指數及4種商品價格，輸入變數共計32個，經由此32種輸入變數預測隔月Nasdaq股價指數的漲跌訊號。
最後預測結果顯示，於三年之投資報酬率，逐步迴歸模型累積報酬率為18.29%，年化報酬率為5.76%，XGBOOST模型累積報酬率為50.16%，年化報酬率為14.52%。若將XGBOOST模型進行優化，XGBOOST優化模型累積報酬率為65.41%，年化報酬率為18.26%，準確率為75.00%。
研究證明XGBOOST優化模型不論是報酬率還是準確率皆優於模型XGBOOST初始模型與逐步迴歸模型，然而逐步迴歸模型準確率超過50%，仍為一可賺取正報酬及有效避開系統性風險之模型。

Forecasting the direction of the stocks is the interesting issue for investors all around the world. Due to the fast changing of the global political economy and the quick spreading of the information, the difficulty of forecasting the direction of the stocks increases. The largest economy in the world is the U.S.. Therefore forecasting the direction of the U.S. stock index can present the direction of the global stocks. If predicting correctly, it will not only earn returns but also avoiding the systemic risk. This research tries to predicting the direction of Nasdaq index once a month from 2017 to 2019 by two different models. Two predicting models are stepwise regression analysis model and artificial intelligent model. This research compares stepwise regression analysis model with artificial intelligent model. Due to the result of artificial intelligent model is better. This research adds the third model by optimizing the artificial intelligent model in order to get a better predicting result.
Variables for the research including macroeconomic variables, technical analysis indexes, stock indexes and global commodity prices.
According to the results, the optimizing model has 75% accuracy and 18.26% internal rate of return which is better than the stepwise regression analysis model (5.76% internal rate of return) and artificial intelligent model (14.52% internal rate of return). Despite the optimizing model has the best predicting ability,but other two models still have the accuracy over 50% which means that models can still avoid the systemic risks.

論文審定書 i
中文摘要 ii
英文摘要 iII
目錄 iv
第一章 緒論 1
第一節 研究動機與背景 1
第二節 研究目的 4
第三節 研究對象與範圍 5
第四節 研究流程 7
第二章 理論基礎與文獻探討 8
第一節 證券價格理論 8
第二節 證券分析方法 11
第三節 機器學習文獻探討 14
第四節 變數相關文獻探討 17
第三章 研究方法 19
第一節 研究架構 19
第二節 變數定義 20
第三節 變數轉換與說明 29
第四節 統計方法 31
第五節 交易策略 35
第四章 實證結果 36
第一節 迴歸分析之實證結果 36
第二節 XGBOOST之實證結果 41
第三節 XGBOOST優化模型 41
第四節 優化模型之金融海嘯時期實證 41
第五章 結論 46
第一節 結論 56
第二節 未來研究方向 58
第六章　參考文獻 60
 

1. 蔡立耑 (2017)。金融科技實戰：R語言與量化投資。台北：博碩。
2. 陳景祥 (2018)。R軟體：應用統計方法（二版）。台北：東華。
3. 陳佳妘 (2007)。美國十年期公債殖利率是否為景氣領先指標?，國立成功大學財務金融研究所碩士在職專班論文。
4. 劉順富 (2019)。用 XGBOOST 演算法預測台灣指數期貨，國立雲林科技大學財務金融所碩士論文。
5. 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所碩士論文。
6. 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研究所碩士論文。
7. 游建欣 (2006)。運用適應性網路模糊推論系統於台灣股票加權指數預測之研究，東吳大學經濟研究所碩士論文。
8. 陳執中 (2006)。台股加權指數隔月收盤價預測之研究，國立成功大學統計學研究所碩士論文。
9. 陳鎮東、張羽欣、蘇子瑋、莊斯茜、詹茗淇 (2017)。時間序列法與類神經網路於股票漲跌預測比較之研究。管理資訊計算，6卷特刊2，P136 - 146
10. 陳育凱 (2012)。金價、油價、美元指數與S&P500指數關聯性分析-金融風暴的衝擊，中正大學財務金融學系學位論文。
11. 陳姿穎 (2019)。美國股市與總體經濟變數間的動態關聯性研究，國立台灣大學經濟研究所碩士論文。
12. 陳宗益 (2001)。利用總經變數掌握台股趨勢，國立台灣大學會計研究所碩士論文。
13. 馬偉凱 (2019)。以機器學習預測中國股價指數動向，國立中山大學金融創新產業碩士專班碩士論文。
14. Anari, A. and Kolari, J. (2001), Stock prices and inflation. Journal of Financial Research, 24, 587-602.
15. Grudnitski, G. and Osburn, L. (1993). Forecasting S&P and gold futures prices: An application of neural networks. J. Fut. Mark., 13(6), 631-643.
16. Gustavo S Cortes & Marc D Weidenmier. (2019). Stock Volatility and the Great Depression. The Review of Financial Studies, 32(9), 3544-3570.
17. Jareño, F., & Negrut, L. (2016). US stock market and macroeconomic factors. Journal of Applied Business Research, 32(1), 325–340.
18. Mizuno, H., Kosaka, M., Yajima, H., & Komoda, N. (1998). Application of Neural Network to Technical Analysis of Stock Market Prediction. Studies in Informatic and control, 7(3), 111-120.
19. Nabipour, M.; Nayyeri, P.; Jabani, H.; Mosavi, A.; Salwana, E (2020). Deep learning for Stock Market Prediction. Entropy , 22(8), 840.
20. Russel, R. (2011) .Trading VIX Derivatives: Trading and Hedging Strategies Using VIX Futures, Options, and Exchange-Traded Notes. Publisher(s): Wiley.
21. Sirucek, M. (2012). Macroeconomic variables and the stock market: US review. IJCSMS International Journal of Computer Science and Management Studies, 10.
22. Sariannidis, N., Giannarakis, G., Litinas, N., & Konteos, G. (2010). Α GARCH examination of macroeconomic effects on U.S. stock market : a distinction between the total market index and the sustainability index. European Research Studies Journal, 13(1), 129-142.
23. Yao, Can-Zhong & Liu, Cheng & Ju, Wei-Jia. (2020). Multifractal analysis of the WTI crude oil market, US stock market and EPU. Physica A: Statistical Mechanics and its Applications, Elsevier, 550(C).