摘要
本研究以國內外所有境內基金及境外基金為研究標的，研究時間區間為2001年到2018年(3/31)，欲探討深度學習挑選出的組合型基金績效是否明顯優於原始基金交易策略的績效，本研究主要分為五大部分，一.收集特徵 二.建構交易策略 三.特徵選取 四.以深度學習建構組合型基金 五.加入資金檢視績效結果。
第一部分共用了156個特徵，分為三大類，技術指標，績效指標，基金指標，以技術指標為大宗，在基金指標的部分有基金規模、基金年齡、基金費用率、及基金流量，第二部分建構交易策略中一開始皆用單一技術指標不同參數組合的黃金交叉及死亡交叉決定進出場時機，接在再針對前十名績效的交易策略進行改量，考量到年化報酬率及交易筆數問題，最終選出某一策略進行深度學習的訓練改良，第三部分特徵選取則是利用機器學習套件中的隨機森林，根據每年去計算各個特徵對於報酬率的貢獻值，進而挑選出前五十名特徵進行深度學習訓練，第四部份深度學習則是利用Keras套件中的MLP演算法進行訓練，挑選出每一年測試集中預測上漲的基金，第五部分加入資金檢視最終績效結果和原始交易策略績效的差異。

Abstract
This thesis uses all domestic funds and offshore funds as research subjects. The research period is from 2001 to 2018 which analyze whether the performance of the fund of funds selected by deep learning is significantly better than that of the original fund trading strategy. This study is mainly divided into five major parts Features Collection, Constructing the Trading Strategy, Feature Selection, Constructing Fund of Funds by Deep Learning, Capitalization.
The first part uses 156 features which are divided into three major categories: technical indicators, performance indicators, and fund indicators. Most of the features is technical indicators and the fund indicators include fund scale, fund age, fund expense ratio, and fund flow. In the second part, at the first this study uses a single technical indicator with different parameter combinations to create golden cross and death cross and then using them to determine investment opportunity. After that the study will improve the trading strategy for the top ten performance, considering the annualized rate of return and the number of transactions, finally selecting the best strategy for deep learning training. In the third part of feature selection the study uses the Random Forest to calculate the contribution value of each feature to the annual return rate, and then selects the top 50 features for deep learning training. The fourth part, we use the Multilayer Perceptron to train and select the funds that are forecasted to rise in each test year. Finally the study considers funds to examine the differences between the final performance results and the original trading strategy performance.

目錄
論文審定書 i
致謝辭 ii
摘要 iv
Abstract v
圖目錄 ix
表目錄 x
第一章 序論 1
第一節 研究動機 1
第二節 研究限制 2
第三節 研究架構 2
第四節 研究架構示意圖 4
第二章 文獻探討 5
第一節:基金指標與績效之關係 5
(一) 基金規模與績效之關係 5
(二) 基金流量與績效之關係 6
(三) 基金費用率與績效之關係 7
(四) 基金年齡與績效之關係 7
第二節: 技術指標在投資標的使用上是否會產生超額報酬 8
(一) 技術指標國外文獻相關研究 8
(二) 技術指標國內文獻相關研究 8
第三節: 隨機森林做特徵選取與隨機森林相關文獻研究: 9
(一) 隨機森林國外文獻相關研究 9
(二) 隨機森林國內文獻相關研究 10
第四節:深度學習: 11
(一) 深度學習國外文獻相關研究 11
(二) 深度學習國內文獻相關研究 12
第三章 研究設計 13
第一節 研究資料與時間區間 13
第二節 特徵指標描述 13
(一) 技術指標 13
(二) 績效指標 17
(三) 基金指標 18
第三節 建構交易策略 21
(一) 單一技術指標交易策略(Naive) 21
(二) 策略優化 28
第四節 利用機器學習做特徵選取 33
(一) 機器學習(Machine Learning) 33
(二) 隨機森林(Random Forest) 33
第五節 利用深度學習建構組合型基金 35
(一) 類神經網絡 (Neural Network): 35
(二) 深度學習 (Deep Learning): 36
第四章 實證研究結果 37
第一節 回測時間區間樣本集設定: 37
第二節 以隨機森林做特徵選取 37
第三節:以深度學習建構組合型基金 42
第四節:資金化 45
第五章 結論 46
第六章 參考文獻 48
附錄 51

圖目錄
圖 1 1全文研究架構圖 4
圖 3 1隨機森林演算法示意圖 34
圖 3 2類神經網絡演算法示意圖 35
圖 3-3深度學習演算法示意圖 36
圖 4 1資金化累積報酬率圖 45

表目錄
表3-1.特徵指標數量表 13
表3-2.技術指標整理表格(1) 19
表3-3.技術指標整理表格(2) 20
表3-4.績效指標和基金指標整理表格 20
表3-5.均線策略績效總整理表(1) 22
表3-6.均線策略績效總整理表(2) 23
表3-7.RSI策略績效總整理表(1) 24
表3-8.RSI策略績效總整理表(2) 25
表3-9.KD策略績效總整理表 25
表3-10.MACD策略績效總整理表 26
表3-11.SR策略績效總整理表(1) 27
表3-12.SR策略績效總整理表(2) 28
表3-13.交易策略績效前10名總整理表 28
表3-14.策略改良(1)績效總整理表 29
表3-15.策略改良(1)績效總整理表 30
表3-16.策略改良(3)績效總整理表 31
表3-17.策略改良(4)績效總整理表 31
表3-18.策略改良(5)績效總整理表 32
表4-1.測試集2006年貢獻值前50名特徵指標 38
表4-2.測試集2007年貢獻值前50名特徵指標 38
表4-3.測試集2008年貢獻值前50名特徵指標 38
表4-4.測試集2009年貢獻值前50名特徵指標 39
表4-5.測試集2010年貢獻值前50名特徵指標 39
表4-6.測試集2011年貢獻值前50名特徵指標 39
表4-7.測試集2012年貢獻值前50名特徵指標 40
表4-8.測試集2013年貢獻值前50名特徵指標 40
表4-9.測試集2014年貢獻值前50名特徵指標 40
表4-10.測試集2015年貢獻值前50名特徵指標 41
表4-11.測試集2016年貢獻值前50名特徵指標 41
表4-12.測試集2017到2018年貢獻值前50名特徵指標 41
表4-13.各年度測試集原始交易策略與改良後交易策略結果比較 44
表4-14.資金化績效結果整理表 45

第六章 參考文獻
1. Amihud, Y., and R. Goyenko (2013), “Mutual Fund’s R2 as Predictor of Performance,” Review of Financial Studies, Vol.26, No.3,667-694.
2. Carhart M (2012), “On Persistence in Mutual Fund Performance,” The Journal
of Finance, Vol.52, No.1, 57-82.
3. Donahue , J , Y. Jia , and O. Vinyals (2013), “DeCAF: A Deep Convolutional
Activation Feature for Generic Visual Recognition,” Proceedings of Machine
Learning Research, 647-655.
4. Grinblatt, M., and S. Titman (1989), “Mutual Fund Performance: An Analysis of
Quarterly Portfolio Holdings,” The Journal of Business, Vol.62, No.3, 393-416.
5. Grinblatt M (1994), “A Study of Monthly Mutual Fund Returns and Performance
Evaluation Techniques,” The Journal of Financial and Quantitative Analysis, 419-
444, Vol.29, No.3,.
6. Ghimire , B , Rogan , J , and Chica-Olmo , M (2012), “An assessment of the
effectiveness of a random forest classifier for land-cover classification,” ISPRS
Journal of Photogrammetry and Remote Sensing, Vol.67, 93-104.
7. Jonathan B., B and R. C. Green (2004), “Mutual Fund Flows and Performance in Rational Markets,” Journal of Political Economy, Vol.112, No.6, 1269-1295.
8. Kwon , K.Y and R.J. Kish (2002), “Technical trading strategies and return
predictability: NYSE,“ Applied Financial Economics, Vol.12, No.9, 639-653.
9. Lakonishok, J., L. K. C. Chan, and T. Sougiannis (1999), “The Stock Market
Valuation of Research and Development Expenditures,” The Journal of Finance,
2431-2456 Vol.56, No.56,
10. Lakonishok , B., and B. Lebaron (1992), “Simple Technical Trading Rules and the
Stochastic Properties of Stock Returns,” The Journal of Finance, 1731-1764.
11. Levich , R., M, and L. Thomas (1993), “The Significance of Technical Tradingrule
profits in the Foreign Exchange Market: a bootstrap approach,“ Journal of
International Money and Finance, Vol.48, No.191, 451-474.
12. Matthew I. S (2010), “Mutual Fund Risk and Market Share Adjusted Fund Flows,”
Journal of Financial Economics, 275-325.
13. Mnih , V , A . P. Badia , and M . Mirza (2016), “Asynchronous Methods for Deep
Reinforcement Learning,” Proceedings of Machine Learning Research, 1928-1937
14. Ratner , M., and R. Leal (1999), “Tests of technical trading strategies in the
emerging equity markets of Latin America and Asia,“ Journal of Banking &
Finance, Vol.1, No.4, 1887-1905.
15. Sawicki, J., and F. Finn (2002), “Smart Money and Small Funds,” Journal of
Business Finance & Accounting, 825-846.
16. Sirri, E., R and P. Tufano (1998), “Costly Search and Mutual Fund Flows,” The
Journal of Finance, 1589-1622.
17. Titman , S., and C. Tiu (2011), “Do the Best Hedge Funds Hedge?” The Review
of Financial Studies, Vol.24, No.1, 123-168.
18. Wang , L., Z, and Tang , H (2012), “Adherence to Healthy Lifestyle and
Cardiovascular Diseases in the Chinese Population,” Journal of Integrative
Agriculture, 266-285.
19. Yan (2008), “Liquidity, Investment Style, and the Relation between Fund Size and
Fund Performance,” Journal of Financial and Quantitative Analysis, Vol.43, No.3, 741-768.
20. 吳靖儀，鍾益仔(2010)，「股票型基金最適股票數目之研究」，《臺灣企業績
效學刊》，Vol.3, No.2, 267-300。
21. 吳哲緯(2016)，「使用深度學習卷積神經網路預測股票買賣策略之分類研究」，
中山大學資訊管理學系研究所學位論文，高雄市。
22. 周行一，鎮明常(1997)，「台灣指數股票型基金成交量之影響因素與其
投資人組成關係之研究」，《臺灣企業績效學刊》，3-67。
23. 洪文麟(2016)，「深度學習應用於以影像辨識為基礎的個人化推薦系統-以服
飾樣式為例」，成功大學工程科學系研究所學位論文，台南市。
24. 陳志華，楊子緯(2016)，「特徵分析和機器學習方法應用於肝臟疾病檢測」，
《福祉科技與服務管理學刊》，1-14。
25. 黃泓鳴(2016)，「基於深度學習之音樂片段人聲辨識」，台北科技大學資訊工
程學研究所學位論文，台北市。