本研究旨在探討使用價量資訊以及券商分點買賣日報表，應用於預測台股交易訊號的可行性。研究背景為2013年至2020年的台灣股票市場，挑選了2013年初每個產業別市值最高的標的來進行台灣股市整體市場的分析，檢視價量以及券商分點日報表的資料是否能有效率的對於全體台灣股票市場進行未來的交易訊號預測。本研究採用lightGBM機器學習演算法的方法，對台灣股票市場中的價格、成交量和券商分點買賣日報表等資訊，進行交易訊號的訓練和測試。其中，本研究的交易訊號與常見的預測股價漲跌不同，本研究預測的交易訊號是買進後的出場訊號（到期出場、停損、停利），透過這樣的方式，改善以往研究框架對於潛在獲利、風險的不確定性。從研究結果發現，不同產業屬性的股票標的，對於價格面、籌碼面的資料特徵有不同的反映。本研究進一步比較了不同特徵和參數對模型的影響，結果指出，券商分點日報表所衍生出的資料特徵與價量的資料特徵一同進行本模型的訓練預測時，券商分點日報表的特徵影響模型的結果重要性不低於價量特徵，並對模型的表現進行了詳細的分析和討論。根據結果指出，本模型最有影響力的特徵普遍為過去一段期間的價格「標準差」，同時也代表過去一段時間的價格震盪程度，對於未來交易訊號的預測判斷有巨大的影響力，另外，而主力買賣超集中度也是對於該模型有一定影響力。

This study aims to explore the feasibility of using price and volume information, as well as daily reports of broker branch, to predict trading signals in the Taiwan stock market. The research focuses on the period between 2013 and 2020, selecting the highest market capitalization stocks in each industry at the beginning of 2013 to analyze the overall Taiwan stock market. The study examines whether data on price, volume, and daily reports of broker branch can efficiently predict future trading signals for the entire Taiwan stock market.The study uses the lightGBM machine learning algorithm to train and test trading signals based on information such as price, volume, and daily reports of broker branch in the Taiwan stock market. Unlike typical predictions of stock price movements, the trading signals predicted in this study refer to exit signals after buying stocks (expiration, stop loss, and stop profit). This approach improves the uncertainty in previous research frameworks regarding potential profits and risks.The research findings indicate that stocks with different industry attributes exhibit different reactions to data features related to price.The study compares the effects of different features and parameters on the model. It indicates that data features derived from daily reports of broker branches are as important as price and volume data features when combined in model training and prediction. The study provides a detailed analysis and discussion of the model's performance based on these features.According to the results, the most influential feature in the model is typically the standard deviation of prices over a certain period, which represents the volitility of stock during that time and has a significant impact on the prediction of future trading signals. Additionally, the concentration of net buying and selling by major broker branch investors also has a certain impact on the model.

目錄
論文審定書 i
摘要 ii
Abstract iii
目錄 iv
圖次 vi
表次 vii
緒論 1
1-1. 研究背景簡介 1
1-2. 研究動機與目的 1
1-3. 研究架構 2
1. 文獻探討 3
2-1. 投資人類別與交易分析 3
2-2. 機器學習與股市預測 3
2. 研究資料與方法 5
3-1. 研究資料 5
3-2. 研究模型介紹 5
3-2-1. 梯度提升機（Gradient Boosting Machine） 5
3-2-2. 輕量梯度提升模型（Light Gradient Boosting） 5
3-3. 機器學習標籤制定規則（LABELS） 6
3-4. 機器學習所用到的特徵（FEATURES） 6
3-4-1. 收盤價 6
3-4-2. 成交值 6
3-4-3. 累計成交量 7
3-4-4. 主力券商淨買賣超 7
3-4-5. 主力買賣超集中度 7
3-4-6. 買賣家數差 7
3-4-7. 過去一段時間的累積報酬率（動能） 8
3-4-8. 過去一段時間的最大回檔 8
3-4-9. 移動平均線 8
3-4-10. 股價標準差 9
3-4-11. 股價當前位階 9
3-4-12. 價格突破策略訊號 9
3-5. 研究方法設計 10
3-5-1. 樣本內樣本外測試 10
3-6. 機器學習績效評估 10
3-6-1. 混淆矩陣 10
3. 研究資料與方法 12
4-1. 模型參數處理 12
4-1-1. 資料預處理 12
4-1-2. 特徵值敘述統計 12
4-1-3. Label值敘述統計 13
4-1-4. 特徵資料標準化 13
4-1-5. 特徵相關性檢定 14
4-2. 模型預測結果分析 14
4-2-1. Feature 重要性 14
4-2-3. 混沌矩陣 15
4. 結論 18
5. 未來研究建議 18
6. 參考文獻 19
中文部分 19
英文部分 19


圖次
圖1. 預測LABEL差異圖 32
圖2. 交易訊號與收盤價共同繪製圖 33
圖3. 累計成交量與收盤價共同繪製圖 34
圖4. 主力券商淨買超與收盤價共同繪製圖 35
圖5. 主力買賣超集中度與收盤價共同繪製圖 36
圖6. 買賣家數差與收盤價共同繪製圖 37
圖7. 累積報酬率與收盤價共同繪製圖 38
圖8. 最大回檔與收盤價共同繪製圖 39
圖9. 移動平均線與收盤價共同繪製圖 40
圖10. 股價標準差與收盤價共同繪製圖 41
圖11. 股價當前位階與收盤價共同繪製圖 42
圖12. 價格突破策略訊號與收盤價共同繪製圖 43
圖13. 模型預測與實際的結果繪製 44
圖14. 台積電特徵相關性 45
圖15. 台積電特徵重要性 46
圖16. 重要特徵前10名出現排行 47
圖17. 台積電混沌矩陣圖 48


表次
表1 – 研究標的清單 22
表2 – 各產業特徵敘述統計1 23
表3 – 各產業特徵敘述統計2 24
表4 – 各產業特徵敘述統計3 25
表5 – 各產業特徵敘述統計4 26
表6 – 各產業特徵敘述統計5 27
表7 – 各產業類別樣本次數 28
表8 – 台積電混沌矩陣評價指標 29
表9 – 各產業混沌矩陣評價指標 30
表10 – 全樣本混沌矩陣敘述統計 31

中文部分
1. 廖子瑄(2014)，「股市主力交易行為與委託簿資訊內涵之互動」，國立中山大學財務管理學系碩士班
2. 張力元（2018），「深度學習應用於股價走勢之研究：以大陸市場為例」，國立政治大學風險管理與保險學系研究所
3. 戴欣頻(2019)，「分點券商熱門度與股價報酬關係之實證研究 以台灣股市蘋果概念股為例」，國立中央大學產業經濟研究所
4. 戴欣頻(2019)，「分點券商熱門度與股價報酬關係之實證研究 以台灣股市蘋果概念股為例」，國立中央大學產業經濟研究所
5. 劉馨文、王正豪（2020），「基於混合注意力機制與長短期記憶之股票趨勢預測」，The 32nd Conference on Computational Linguistics and Speech Processing The Association for Computational Linguistics and Chinese Language Processing
6. 林尚毅(2022)，「以機器學習建構交易策略」，國立臺北大學統計學系
英文部分
1. Bozcuk A. and Lasfer A. M. (2005). The Information Content of Institutional Trades on the London Stock Exchange. The Journal of Financial and Quantitative Analysis, pp.621-644
2. Boehmer E. and Kelley E. K. (2016). Institutional Investors and the Informational Efficiency of Prices. The Society for Financial Studies , Oxford University Press. Sponsor: The Society for Financial Studies. , 3563-3594
3. Chang P. C., Fan C.Y, , Liu C. H. (2009).Integrating a piecewise linear representation method and a neural network model for stock trading points prediction. IEEE Trans Syst Man Cybern Part C Appl Rev.;39:80e92.
4. Dash R. and Dash P. K. (2016). A hybrid stock trading framework integrating technical analysis with machine learning techniques . The Journal of Finance and Data Science , 42-57
5. Gunduz H.(2021). An efficient stock market prediction model using hybrid feature reduction method based on variational autoencoders and recursive feature elimination. Financial innovation , 7:28
6. Ke G. and Meng Q. and Finley T. and Wang T. and Chen W. and Ma W. and Ye Q. and Liu T. Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Long Beach Convention Center
7. Kimoto T. and Asakawa K. and Yoda M. and Takeoka M. (1990). Stock Market Prediction System with Modular Neural Networks. IEEE 1990 IJCNN International Joint Conference on Neural Networks, San Diego, CA, USA, 1990, pp. 1-6 vol.1, doi: 10.1109/IJCNN.1990.137535.
8. Kara Y., Boyacioglu M.A., Baykan O.K. (2011). Predicting direction of stock price index movement using artificial neural networks and support vector machines: the sample of the Istanbul stock exchange. Expert Syst Appl. .38:5311e5319.
9. Li Z. and Xu W. and Li A. (2022). Research on multi factor stock selection model based on LightGBM and Bayesian Optimization. Procedia Computer Science , 1234-1240
10. Lee Y. T. and Lin J. C. and Liu Y. J. (1999). Trading patterns of big versus small players in an emerging market: An empirical analysis . Journal of Banking & Finance , 701-725
11. Lee J. W. and Park J. and Lee J. and Hong E.(2007). A multiagent approach to Q-learning for daily stock trading. IEEE Trans Syst Man Cybern Part A Syst Humans. 37:864e877.
12. Rodríguez-Gonz alez. A., García-Crespo A. , Colomo-Palacios R., Iglesias F. G., GomezBerbís J. M. (2011). CAST: using neural networks to improve trading systems based on technical analysis by means of the RSI financial indicator. Expert Syst Appl. 38:11489e11500.
13. Teixeira L. A., De O. A. (2010). A method for automatic stock trading combining technical analysis and nearest neighbor classification. Expert Syst Appl. 37:6885e6890.
14. Yang Y. ,Wu Y., Wang P., Xujiali. (2021). Stock Price Prediction Based on XGBoost and LightGBM . E3S Web of Conferences 275, 01040