本研究旨在探討結合動能因子及反轉因子，結合 XGBoost 機器學習模型在台灣股市中的選股策略的效能。在過去的研究中，動能因子和反轉因子已被證實能有效地預測股票的未來表現。然而，傳統的因子模型往往忽略了可能影響股價的其他資訊，而機器學習技術則能夠挖掘這些資訊。因此，本研究將這兩個因子與 XGBoost 機器學習模型整合，以嘗試提升投資組合的績效。本研究採用分層選股策略，首先使用動能因子和反轉因子進行篩選，然後使用 XGBoost 模型在已經篩選過的股票中挑選出預期會有最佳表現的股票。實證結果顯示，這種結合的策略在台灣股市中的績效優於僅使用單一方法的策略，並超越了我們設立的所有基準策略，包括僅運用動能因子與反轉因子的策略，Trend Factor 策略以及僅運用 XGBoost 的策略。這些發現提供了實證支持，證明結合動能因子、反轉因子，以及機器學習技術的選股策略，能夠提升投資組合的績效，對台灣的投資者和市場參與者提供了新的實證策略。

This study aims to investigate the effectiveness of a stock selection strategy in the Taiwan stock market that combines momentum factors, reversal factors, and the XGBoost machine learning model. Previous research has demonstrated the effectiveness of momentum and reversal factors in predicting future stock performance. However, traditional factor models often overlook additional information that may influence stock prices, information that can be unearthed using machine learning techniques. Therefore, this study integrates these two factors with the XGBoost machine learning model in an attempt to enhance portfolio performance. The study adopts a stratified stock selection strategy, first using momentum and reversal factors for initial screening, then deploying the XGBoost model to select the best-performing stocks from the pre-screened pool. Empirical results indicate that this combined strategy outperforms strategies that use only a single method and surpasses all our established benchmark strategies, including strategies that solely use momentum and reversal factors, the Trend Factor strategy, and strategies that solely use XGBoost. These findings offer empirical support for the effectiveness
of a stock selection strategy that combines momentum factors, reversal factors, and machine learning techniques in enhancing portfolio performance, providing new empirical strategies for investors and market participants in Taiwan.

論文審定書 i
摘要 ii
Abstract iii
目錄 iv
圖目錄 vi
表目錄 vii
第一章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 2
第三節 範圍與限制 3
第四節 研究方法論 4
第五節 研究架構簡述 5
第二章 文獻回顧 6
第一節 動能因子和反轉因子的概述 6
第二節 先前研究中動能和反轉因子在交易策略中的應用 8
第三節 機器學習模型在預測市場趨勢中的研究概述 9
第四節 XGBoost機器學習模型的介紹及其優勢 10
第三章 研究方法與資料 11
第一節 數據收集與前處理 11
第二節 動能因子、反轉因子和Trend Factor因子的構建 12
第三節 XGBoost模型的介紹和配置 18
第四節 模型的訓練和驗證 19
第五節 交易策略架構以及細節 21
第六節 評估交易策略表現的評估指標 24
第四章 研究結果分析 26
第一節 闡述動能因子和反轉因子相互結合的實證結果 26
第二節 評估XGBoost模型績效以及Trend Factor模型的績效 27
第三節 評估結合各模型的績效 29
第四節 結果的統計分析和顯著性檢驗 34
第五章 結論與建議 42
第一節 總結研究目標和發現 42
第二節 對市場預測和交易策略發展的貢獻 43
參考文獻 45

圖 1 1 研究架構流程圖 5
圖 3 1 動能因子分組圖解 13
圖 3 2 動能結合反轉因子分組圖解 15
圖 3 3 Trend Factor構建流程圖 17
圖 3 4 Rolling_Window訓練圖解 21
圖 4 1年度策略報酬與大盤報酬對比(50) 33
圖 4 2年度策略報酬與大盤報酬對比(30) 34
圖 5 1多策略投資組合及大盤報酬率比較(50) 43
圖 5 2多策略投資組合及大盤報酬率比較(30) 43

表 3 1研究使用資料說明 12
表 3 2模型使用超參數表 19
表 3 3 模型特徵目標說明表 20
表 3 4策略細節說明表 22
表 4 1動能因子和結合反轉因子50檔投組結果 27
表 4 2動能因子和結合反轉因子30檔投組結果 27
表 4 3 Trend Factor與XGBoost 50檔投組結果 29
表 4 4 Trend Factor與XGBoost 30檔投組結果 29
表 4 5動能因子、反轉因子搭配Trend Factor 50檔投組結果 30
表 4 6動能因子、反轉因子搭配Trend Factor 30檔投組結果 31
表 4 7動能因子、反轉因子搭配機器學習50檔投組結果 33
表 4 8動能因子、反轉因子搭配機器學習30檔投組結果 34
表 4 9投組報酬率與基準比較的統計檢定結果 36
表 4 10每年投組報酬率與大盤指數的比較(50) 37
表 4 11每年投組報酬率與大盤指數的比較(30) 37
表 4 12回歸分析結果：投資策略與Fama-French三因子模型(50) 40
表 4 13回歸分析結果：投資策略與Fama-French三因子模型(30) 41

Asness, Clifford S, Tobias J Moskowitz, and Lasse Heje Pedersen. 2013. 'Value and momentum everywhere', The Journal of finance, 68: 929-85.
Ballings, Michel, Dirk Van den Poel, Nathalie Hespeels, and Ruben Gryp. 2015.
'Evaluating multiple classifiers for stock price direction prediction', Expert
systems with Applications, 42: 7046-56.
Bianchi, Robert J, Michael E Drew, and John Hua Fan. 2015. 'Combining momentum with reversal in commodity futures', Journal of Banking & Finance, 59: 423-44.
Chuang, Wen-I, and Bong-Soo Lee. 2006. 'An empirical evaluation of the
overconfidence hypothesis', Journal of Banking & Finance, 30: 2489-515.
De Bondt, Werner FM, and Richard Thaler. 1985. 'Does the stock market overreact?',The Journal of finance, 40: 793-805.
Frazzini, Andrea. 2006. 'The disposition effect and underreaction to news', The Journal of finance, 61: 2017-46.
Griffin, John M, Xiuqing Ji, and J Spencer Martin. 2003. 'Momentum investing and business cycle risk: Evidence from pole to pole', The Journal of finance, 58:2515-47.
Hah, Dae Woo, Young Min Kim, and Jae Joon Ahn. 2019. 'A study on KOSPI 200
direction forecasting using XGBoost model', The Korean Data & Information
Science Society, 30: 655-69.
Han, Yufeng, Guofu Zhou, and Yingzi Zhu. 2016. 'A trend factor: Any economic gains from using information over investment horizons?', Journal of financial economics, 122: 352-75.
Hvidkjaer, Soeren. 2008. 'Small trades and the cross-section of stock returns', The Review of Financial Studies, 21: 1123-51.
Jegadeesh, Narasimhan. 1990. 'Evidence of predictable behavior of security returns',The Journal of finance, 45: 881-98.
Jegadeesh, Narasimhan, and Sheridan Titman. 1993. 'Returns to buying winners and selling losers: Implications for stock market efficiency', The Journal of finance,48: 65-91.
Jidong, Li, and Zhang Ran. 2018. "Dynamic weighting multi factor stock selection strategy based on XGboost machine learning algorithm." In 2018 IEEE International Conference of Safety Produce Informatization (IICSPI), 868-72.IEEE.
Kumar, Manish, and M Thenmozhi. 2006. "Forecasting stock index movement: A comparison of support vector machines and random forest." In Indian institute of capital markets 9th capital markets conference paper.
Moskowitz, Tobias J, Yao Hua Ooi, and Lasse Heje Pedersen. 2012. 'Time series momentum', Journal of financial economics, 104: 228-50.
Nobre, João, and Rui Ferreira Neves. 2019. 'Combining principal component analysis,discrete wavelet transform and XGBoost to trade in the financial markets',Expert systems with Applications, 125: 181-94.
Patel, Jigar, Sahil Shah, Priyank Thakkar, and Ketan Kotecha. 2015. 'Predicting stock market index using fusion of machine learning techniques', Expert systems with Applications, 42: 2162-72.
Rouwenhorst, K Geert. 1998. 'International momentum strategies', The Journal of finance, 53: 267-84.