本研究使用了 2007 年 1 月至 2022 年 12 月之台股上市櫃股價資料，應用價
格突破法則，並考慮突破日前 20 日的高低振福 20%作為策略的買入依據。我們
針對短期（5 日、10 日）、中期（20 日、60 日）、長期（120 日）的持有報酬
率實施回測。在引入機器學習技術後，我們利用極限梯度提升模型（XGBOOST）、
輕量梯度提升模型（LGBM）、多元羅吉斯迴歸模型來進一步優化該投資策略。
原始策略的實施結果表明，儘管能夠捕捉到大漲股的市場趨勢，卻也購入了許
多大幅下跌的股票。僅以價格突破為基礎的投資策略顯然有其局限性，且整體
策略的平均報酬率都無法超越同期大盤的表現。然而，我們發現中長期的投資
勝率和報酬率明顯優於短期，這也證明了股票的長期持有策略較具優勢。在應
用機器學習技術後，三種模型的報酬率和勝率均有所提升，特別在短期投資上，
多元羅吉斯迴歸模型的勝率和報酬率提升最為明顯，然而隨著時間的拉長，這
些指標卻持續下滑。而在中長期投資上，極限梯度提升模型(XGBOOST)表現最為
出色。總之，本研究主要探討了價格突破後的買入策略是否具有較高的勝率，
而除了價格因素外，我們認為仍需考慮到股價的位階、營收、籌碼等其他因素
的影響。

This study utilizes the Taiwan Stock Exchange data from January 2007 to December 2022, implementing the price breakout rule, and considering a 20% fluctuation in the 20 days prior to the breakout day as the basis for our buy-in strategy. We performed backtesting for short-term (5 days, 10 days), mid-term (20 days, 60 days), and long-term (120 days) holding return rates. After incorporating machine learning techniques, we employed the Extreme Gradient Boosting Model (XGBOOST), Light Gradient Boosting Model (LGBM), and Multivariate Logistic Regression Model to further optimize this investment strategy.Results from the initial strategy implementation indicate that despite capturing trends of sharply rising stocks, a considerable number of sharply falling stocks were also purchased. This shows the limitations of investment strategies based solely on price breakout, as the overall strategy's average return rate could not surpass the market's performance over the same period. However, we discovered that the win rate and return rate for mid and long-term investments were significantly superior to short-term investments, demonstrating the advantages of long-term holding strategies for stocks.Upon the application of machine learning techniques, all three models showed an increase in return and win rates, particularly the Multivariate Logistic Regression Model, which showed the most substantial improvements for short-term investments. However, these metrics gradually declined over time. In contrast, the Extreme Gradient Boosting Model demonstrated the best performance for mid and long-term investments.In conclusion, this research primarily explores whether buy-in strategies following a price breakout have a higher win rate. Beyond the price factor, we believe it is also crucial to consider other factors such as the rank of stock price, revenue, and chips in their impacts.

目錄

論文審定書 i
致謝 ii
摘要 iii
Abstract iv
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 2
1.3 研究架構 4
1.4 研究流程圖 5
第二章 文獻探討 6
2.1價格趨勢面之相關研究 6
2.2籌碼面之相關研究 7
第三章 研究方法 10
3.1 資料來源 10
3.2 策略設計 10
3.3 機器學習模型 12
3.4 極限梯度提升(XGBOOST, eXtreme Gradient Boosting) 12
3.5 輕量梯度提升(LightGBM, Light Gradient Boosting Machine) 13
3.6 多元羅吉斯迴歸 14
3.7 機器學習特徵選用 15
3.8 機器學習時間設計 17
第四章 實證結果與分析 19
4.1 總樣本敘述性統計 19
4.2 大盤季線上揚時的策略表現 21
4.3 突破時成交量明顯放大 22
4.4 均線糾結時 23
4.5 設定停損條件出場 24
4.6 策略加入濾網 持有天數比較 25
4.7 加入機器學習 28
4.7.1 原始策略使用機器學習 28
4.7.2 大盤季線上揚加入機器學習 37
4.7.3 成交量放大 44
4.7.4 均線糾結 56
4.8 小結 63
第五章 結論 64
5.1研究結論 64
5.2研究限制與建議 65
文獻參考 66
1.中文文獻 66
2.英文文獻 67

1.中文文獻
1. 于慎為(2011)，價值型投資考量法人籌碼動能下的選股策略：以台灣股市為例，淡江大學財務金融學系碩士在職專班，碩士論文。
2. 王月玲(2003)，外資對台灣股市的影響，國立政治大學金融研究所，碩士論文。
3. 王霳頡.(2020)，台股技術面交易法則之績效分析，國立高雄科技大學金融資訊系，碩士論文。
4. 林軒白(2016)，外資與投信之買超行為及資訊價值，國立臺灣大學財務金融學研究所，碩士論文。
5. 林睦融(2012)，K線理論應用於台股市場之績效分析，東吳大學資訊管理學系，碩士論文。
6. 徐中琦、林皇瑞(2008)法人機構從眾行爲之研究－台灣股市外資與自營商之比較，商管科技季刊，頁251 - 276.
7. 張瓊如(2009)，KD和MA技術指標在選擇權投資策略時機的應用－以台指選擇權為例，逢甲大學財務金融學所，碩士論文。
8. 許溪南、郭玟秀、鄭乃誠(2005)，投資人情緒與股價報酬波動之互動關係：台灣股市之實證，台灣金融財務季刊 6卷3期，頁107-121。
9. 陳淑玲、吳安琪、費業勳(2011)，臺灣股票市場技術指標之研究─不同頻率資料績效比較. 東海管理評論 12卷1S期，頁187-225.
10. 游英裕(2004)，股價與成交量因果關係之研究－台灣股市的實証，義守大學管理科學研究所，碩士論文。
11. 黃光廷(2002)，技術分析、基本分析與投資組合避險績效之研究，國立成功大學會計學系碩博士班，碩士論文。
12. 楊淑惠(2007)，外資連續買賣超行為對股價報酬率之影響，國立屏東科技大學財務金融研究所，碩士論文。
13. 劉百耀(2020)，臺灣股市籌碼資料的資訊內涵-以籌碼指標建構投資組合之實證研究，國立政治大學財務管理學系，碩士論文。
14. 樓禎祺、何培基(2003)，股價移動平均線之理論與實證－以台灣股市模擬投資操作為例，育達研究叢刊 5&6期，頁27-51。
15. 蘇鵲翎(2000)，散戶與法人投資行為對股票報酬率與週轉率影響之探討--以台灣上市電子股為例，國立臺灣大學財務金融學研究所，碩士論文。

2.英文文獻
1. FamaF.Eugene. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work. Journal of Finance, 383-417.
2. Brad M. Barber,Terrance Odean(2001) Boys will be Boys: Gender, Overconfidence, and Common Stock Investment. The Quarterly Journal of Economics, P261–292,.
3. Mark Minervini. (2015). Trade like a Stock Market Wizard.