博碩士論文 etd-0606118-153636 詳細資訊


[回到前頁查詢結果 | 重新搜尋]

姓名 劉俞含(Yu-han Liu) 電子郵件信箱 E-mail 資料不公開
畢業系所 財務管理學系研究所(Finance)
畢業學位 碩士(Master) 畢業時期 106學年第2學期
論文名稱(中) XGBoost模型、隨機森林模型、彈性網模型
於股價指數趨勢之預測—以台灣、日本、美國為例
論文名稱(英) Stock Index Trend Prediction With
XGBoost, Random Forest, Elastic Net—
Evidence from TAIEX, Nikkei 225 Index, S&P500 Index
檔案
  • etd-0606118-153636.pdf
  • 本電子全文僅授權使用者為學術研究之目的,進行個人非營利性質之檢索、閱讀、列印。
    請遵守中華民國著作權法之相關規定,切勿任意重製、散佈、改作、轉貼、播送,以免觸法。
    論文使用權限

    紙本論文:3 年後公開 (2021-08-31 公開)

    電子論文:使用者自訂權限:校內 5 年後、校外 5 年後公開

    論文語文/頁數 中文/90
    統計 本論文已被瀏覽 5610 次,被下載 0 次
    摘要(中) 本研究以對台灣加權股價指數、日經225指數、標準普爾500指數有影響的三大面項變數(總體經濟、技術指標、國際股市)作為輸入特徵,再分別使用XGBoost模型、隨機森林模型、彈性網模型以及整合預測模型建構對台灣加權股價指數、日經225指數、標準普爾500指數隔月之月趨勢預測模型,並探討比較各模型預測效果,找出最適之預測模型。主要研究結果如下:
    一、 在台灣加權股價指數方面,依各模型預測漲樣本條件下之準確率與依預測漲進場之累積報酬率兩面項評估,XGBoost模型為預測台灣加權股價指數隔月之月趨勢的最佳模型。
    二、 在日經225指數方面,雖然整合預測模型在預測漲樣本條件下之準確率非最高,但在股市關鍵時期皆能準確預測,達到互補效果,因此,整體而言,以多模型整合預測日經225指數隔月之月趨勢為最佳預測方式。
    三、 在標準普爾500指數方面,整合預測模型在預測漲樣本條件下之準確率非最高,但對於股市大波段的漲跌與小波段的上漲區間,在預測上皆能達到互補,因此,整體而言,以整合預測模型預測標準普爾500指數隔月之月趨勢為最佳預測方法。
    摘要(英) This paper applies four forecasting medels including XGBoost, Random Forest, Elastic Net and ensemble method to predict the one-month-ahead direction of the TAIEX, the Nikkei 225 Index and the S&P 500 Index. We employ macroeconomic variables, technical indicators and international stock index as models input features. The goal of this paper is to find out the most suitable forecasting model for the above three stock indexes. The major empirical results are as follows:
    1. In terms of the TAIEX, XGBoost model is the best model for predicting the monthly trends of the TAIEX. Because XGBoost model has the highest accuracy rate of the sample on the condition of predicting upward signal and cumulative return which based on the upward signal.
    2. In terms of the Nikkei 225 Index, using the ensemble method to predict the stock index's next month direction is the most suitable forecasting method. Although the ensemble method is not the highest one on the accuracy rate of the sample on the condition of predicting upward signal, it can achieve the complementary effect in the forecast of the critical period of the stock market.
    3. In terms of the S&P 500 Index, the ensemble method is the most appropriate method for forecasting the one-month-ahead trends of the stock index. Because the ensemble method can be complementary to each other in prediction regardless of the bumpy or choppy periods of the stock market.
    關鍵字(中)
  • 總體經濟變數
  • 股價指數
  • 隨機森林
  • 彈性網
  • XGBoost
  • 技術指標
  • 關鍵字(英)
  • Technical Indicators
  • XGBoost
  • Random Forest
  • Elastic Net
  • Macroeconomic Variables
  • Stock Index
  • 論文目次 論文審定書 i
    摘  要 ii
    Abstract iii
    目  錄 iv
    圖  次 vi
    表  次 vii
    一、 緒論 1
    第一節 研究背景 1
    第二節 研究動機 4
    第三節 研究目的 5
    第四節 研究架構 6
    二、 文獻探討 7
    第一節 總體經濟與股票市場之關聯性 7
    第二節 技術分析於股票市場之應用 10
    第三節 國際股市影響性 13
    第四節 集成學習(Ensemble Learning) 15
    第五節 彈性網模型(Elastic Net) 18
    三、 研究方法 19
    第一節 特徵資料 19
    第二節 單根檢定 24
    第三節 資料前處理 25
    第四節 模型建構 26
    第五節 績效指標 32
    四、 實證結果 33
    第一節 研究樣本與期間 33
    第二節 單根檢定 34
    第三節 回測績效 41
    五、 結論 73
    第一節 結論 73
    第二節 後續研究建議 76
    參考文獻 77
    第一節 中文文獻 77
    第二節 英文文獻 79
    參考文獻 第一節 中文文獻
    1. 吳怡慧(2011),「臺灣加權股價指數與總體經濟變數之關聯性研究」,碩士論文,國立中正大學國際經濟學系。
    2. 吳培睿(2018),「台灣股價、經濟指標與國際市場力量」,碩士論文,國立中正大學經濟學系。
    3. 沈恩玄(2016),「彈性網應用於K線型態組合-台灣及中國股市之實證分析」,碩士論文,國立高雄第一科技大學財務管理學系。
    4. 洪志豪(1999),「技術指標KD、MACD、RSI與WMS%R之操作績效實證」,碩士論文,國立臺灣大學國際企業管理學系。
    5. 洪美慧(1997),「技術分析應用於台灣股市之研究-移動平均線,乖離率指標與相對強弱指標」,碩士論文,東海大學企業管理學系。
    6. 孫道遠(1986),「經濟指標與股價關係之研究」,碩士論文,國立中興大學企業管理學系。
    7. 孫維鴻(1987),「金融經濟因素與股價關係-台灣證券市場之實證研究」,碩士論文,國立中興大學企業管理學系。
    8. 張家豪(2016),「臺灣加權股價指數、貨幣供給量與同時綜合指數之關聯性分析」,碩士論文,國立高雄應用科技大學國際企業學系。
    9. 張晏銘(2017),「台灣股票市場技術分析效用證實」,碩士論文,國立臺灣大學國際企業管理學系。
    10. 張晏銘(2017),「台灣股票市場技術分析效用證實」,碩士論文,國立臺灣大學國際企業學系。
    11. 陳志彬(2005),「提升技術分析獲利能力之研究-以KD隨機指標為基礎」,碩士論文,國立高雄應用科技大學工業工程與管理學系。
    12. 陳宗益(2001),「利用總經變數掌握台股趨勢」,碩士論文,國立臺灣大學會計學系。
    13. 陳俊宏(1996),「總體經濟因素與股價指數關聯性之分析」,碩士論文,國立臺灣大學商學系。
    14. 陳俊傑(1992),「股價與總體經濟變數關聯性之實證研究-向量自我迴歸模型(VAR)之應」,碩士論文,淡江大學財務金融學系。
    15. 陳建州(2005),「利用總體指標進行台股投資的擇時策略」,碩士論文,輔仁大學財務金融學系。
    16. 黃光廷(2002),「技術分析、基本分析與投資組合避險績效之研究」,碩士論文,國立成功大學會計學系。
    17. 楊筆琇(1998),「台灣電子股指數與美國股價指數互動關係之實證研究」,碩士論文,國立成功大學企業管理學系。
    18. 董茲莉(1995),「由技術分析效果驗證我國股市效率性」,碩士論文,國立中山大學企業管理學系。
    19. 廖珮真(1993),「美、日、英、港、臺五國股市報酬率多元時間數列關聯性之研究,碩士論文,國立臺灣大學商學系。
    20. 蔡宜龍(1990),「台灣股票市場技術分析指標有效性之衡量」,碩士論文,國立成功大學工業管理學系。
    21. 謝朝光(2001),「台灣與亞太各國股市間關連性與動態相關係數之研究」,碩士論文,國立台北大學企業管理學系。
    22. 謝雯婷(2015),「國際股市連動性之探討-以台、港、日、新、英、美為例」,碩士論文,大葉大學會計資訊學系。
    23. 謝雯婷(2015),「國際股市連動性之探討-以台、港、日、新、英、美為例」,碩士論文,大葉大學會計資訊學系。 
    第二節 英文文獻
    1. Abdullah, D. A. & Hayworth, S. C. (1993). “Macroeconometrics of Stock Price
    Fluctuations.” Quarterly Journal of Business and Economics, 32(1), 50-67.
    2. Alhashel, B.S., Almudhaf, F.W. & Hansz, J.A. (2018). “Can Technical Analysis
    Generate Superior Returns In Securitized Property Markets? Evidence From East Asia Markets.” Pacific-Basin Finance Journal, 47, 92-108.
    3. Breiman, L. (1996). “Bagging Predictors.” Machine Learning, 24(2), 123-140.
    4. Carhart, M. M. (1997). “On Persistence In Mutual Fund Performance.” Journal of 
    Finance, 52(1), 57-82.
    5. Chen, T., & Guestrin, C. (2016). “XGBoost: A Scalable Tree Boosting System.” In
    Proceedings of The 22Nd ACM SIGKDD International Conference On Knowledge Discovery and Data Mining, New York, USA: ACM, 785–794.
    6. Chowdhury, K. (1994). “A Structural Analysis of External Bebt and Economic
    Growth: Some Evidence From Selected Countries In Asia and The Pacific.” Applied Economics, 26(12), 1121-1131.
    7. Das, D., Bhowmik, P. & Jana, R. K. (2018). “A Multiscale Analysis of Stock Return
    Co-Movements and Spillovers: Evidence From Pacific Developed Markets.” Physica A: Statistical Mechanics and its Applications, 502, 379-393.
    8. Dhakal, D. & Kandil, M. & Sharma, S.C. (1993). “Causality Between The Money
    Supply and Share Prices: A VAR Investigation.” Quarterly Journal of Business and Economics, 32(3), 52-74.
    9. Dietterich, T.G. (1997). “Machine Learning Research: Four Current Directions.” AI
    Magazine, 18(4), 97-136.
    10. Dietterich, T. G. (2000). “Ensemble Methods In Machine Learning.” Proceedings of
    The First International Workshop On Multiple Classifier Systems, 1-15.
    11. Eun, C. S. & Shim, S. (1989). “International Transmission of Stock Market
    Movements.” Journal of Financial and Quantitative Analysis, 24(2), 241-256.
    12. Fausch, J., Sigonius, M. (2018). “The Impact of ECB Monetary Policy Surprises On
    The German Stock Market.” Journal of Macroeconomics, 55, 46-63.
    13. Freund, Y., & Schapire, R. E. (1996). “Experiments With A New Boosting
    Algorithm.” In ICML. 96, 148-156.
    14. Freund, Y. & Schapire, R. E. (1997). “A Decision-Theoretic Generalization of On-
    Line Learning and An Application To Boosting.” Journal of Computer and System Sciences, 55(1), 119–139.
    15. Mookerjee, R. & Yu, Q. (1997). “Macroeconomic Variables and Stock Prices In A
    Small Open Economy: The Case of Singapore.” Pacific-Basin Finance Journal, 5(3), 377-388.
    16. Nelson, C. & Plosser, C. (1982). “Trends and Random Walks In Macroeconmic Time
    Series: Some Evidence and Implications.” Journal of Monetary Economics, 10(2), 139-162.
    17. Officer, R. R. (1973). “The Variability of The Market Factor of New York Stock
    Exchange.” Journal of Business, 46(3), 434-453.
    18. Pearce, D. K. & Roley, V. V. (1985). “Stock Prices and Economic News.” Journal
    of Business, 58(1), 49-67.
    19. Pruitt, S. W. & White, R. E. (1998). “The CRISMA Trading System. Who Says
    Technical Analysis Can't Beat The Market?.” The Journal of Portfolio Management, 14 (3), 55-58.
    20. Ratner, M. & Leal, R. P. C. (1999). “Tests of Technical Trading Strategies In The
    Emerging Equity Markets of Latin America and Asia.” Journal of Banking &
    Finance, 23(12), 1887-1905.
    21. Schwert, G. W. (1989). “Why Does Stock Market Volatility Change Over Time.”
    The Journal of Finance, 44(5), 1115-1153.
    22. Wolpert, D.H. (1992). “Stacked Generalization.” Neural Networks, 5(2), 241-259.
    23. Zou, H. & Hastie, T. (2005). “Regularization and Variable Selection Via The Elastic
    Net.” J. R. Statist. Soc. B, 67(2), 301–320.
    口試委員
  • 黃振聰 - 召集委員
  • 吳錦文 - 委員
  • 黃泓智 - 委員
  • 王昭文 - 指導教授
  • 口試日期 2018-07-06 繳交日期 2018-08-31

    [回到前頁查詢結果 | 重新搜尋]


    如有任何問題請與論文審查小組聯繫