本研究旨在探討極限梯度提升模型在台灣股票市場均線價格突破策略的運用。資料來源為台灣經濟新報資料庫（TEJ），取資料庫內台股上市上櫃普通股資訊進行分析。樣本資料期間為2007年1月1日至2022年12月31日共15年，資料包含每日的開盤價、最高價、收盤價、最低價、成交量。本研究基於極限梯度提升模型，運用股票市場的交易資料，搭配簡單移動平均線突破與不同倍數的成交量變化，進行市場交易預測。實證結果顯示，在多數情況下，極限梯度提升模型相較於原始樣本，無論在突破5MA或是10MA的情境下，都有較佳的交易績效。首先，本研究於2007年至2020年的訓練資料中，極限梯度提升模型在5MA和10MA突破條件下，結果顯示該模型在許多方面的績效超越了原始樣本，包括平均報酬率、年化報酬率及勝率等。此外，該模型在交易的波動性及風險控制方面具有較強的能力。其次，在2020年至2022年的測試期間，無論是在2倍量、3倍量、4倍量還是5倍量的情況下，極限梯度提升模型在平均報酬率、標準差和勝率上均優於原始樣本。特別是在突破5MA和10MA、5倍量的情況下，極限梯度提升模型的表現最為出色。總體來看，本研究揭示了極限梯度提升模型在台股均線價格突破策略的運用中，相較於原始樣本，大多數情況下能提供更高的平均報酬率、更低的標準差和更高的勝率。

This study aims to explore the application of the XGBoost model in the moving average price breakout strategy in the Taiwan stock market. The data source is the Taiwan Economic Journal database (TEJ), and the information of common stockslisted in Taiwan's stock market in the database is used for analysis. The sample data period is 15 years from January 1, 2007 to December 31, 2022, including daily opening price, highest price, closing price, lowest price, and trading volume. This study, based on the XGBoost model, uses stock market trading data in combination with the moving average (MA) breakout and different multiples of trading volume changes to make market trading predictions. Empirical results show that in most cases, the XGBoost model has better trading performance than the original sample, whether in the situation of breaking the 5MA or the 10MA. Firstly, in the training data from 2007 to 2020, the XGBoost model under the conditions of breaking the 5MA and 10MA, the model's performance surpasses the original sample in many aspects, including average return rate, annualized return rate, and winning rate, etc. In addition, the model has a stronger ability in terms of volatility and risk control in trading. Secondly, during the testing period from 2020 to 2022, whether in the case of 2 times, 3 times, 4 times, or 5 times the volume, the XGBoost model is superior to the original sample in terms of average return rate, standard deviation, and winning rate. Especially in the case of breaking the 5MA and 10MA, and 5 times the volume, the XGBoost model performs the best. Overall, this study reveals that the XGBoost model, when applied in the moving average price breakout strategy in the Taiwan stock market, can provide a higher average return rate, lower standard deviation, and higher winning rate than theoriginal sample in most cases.

論文審定書 i
摘要 ii
Abstract iii
目錄 v
圖次 vi
表次 viii
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研究流程 3
第二章 文獻回顧 5
2.1技術指標分析應用 5
2.2機器學習演算法 6
第三章 研究方法 10
3.1資料來源 10
3.2研究模型 10
3.3研究變數說明 12
3.4特徵資料正規化 14
3.5交易策略設計 16
3.6模型評估分析 18
第四章 實證結果 24
4.1研究樣本與期間 24
4.2模型預測結果 25
4.3實證回溯投資 28
第五章 結論與建議 73
5.1研究結論 73
5.2研究建議 75
第六章 參考文獻 76

中文文獻
1. 蔡瀚賢(2001)，成交量放大訊號及技術指標綜合策略在台灣股市之實證研究，國立成功大學企業管理學系，碩士論文。
2. 施景章(2011)，臺股期貨均線突破策略高頻交易之實證研究，國立高雄應用科技大學金融資訊研究所，碩士論文。
3. 羅生暉(2013)，成交量及技術指標綜合策略之研究，東吳大學資訊管理學系，碩士論文。
4. 李厚璋(2014)，波浪理論與移動平均線對台灣股票市場的投資檢測，逢甲大學統計學系統計與精算碩士班，碩士論文。
5. 陳子軒(2018)，運用基本面、技術面及籌碼面建構台股深度學習交易策略，國立中山大學金融創新產業碩士專班，碩士論文。
6. 劉俞含(2018)，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，國立中山大學財務管理學系研究所，碩士論文。
7. 劉順富(2019)，用XGBOOST演算法預測台灣指數期貨，國立雲林科技大學財務金融系，碩士論文。
8. 李孟潔(2020)，以隨機森林演算法及極限梯度提升法分析台灣五十之交易策略，國立高雄科技大學金融資訊系，碩士論文。
9. 孫永鴻(2020)，機器學習演算法在股票交易策略之應用，國立臺北大學統計學系，碩士論文。
10. 林晏如(2022)，機器學習模型在台股期貨價格漲跌預測分析，國立中山大學財務管理學系研究所，碩士論文。
11. 林峻宏(2022)，應用技術指標與機器學習方法在股市漲跌與報酬率預測之研究，國立宜蘭大學多媒體網路通訊數位學習碩士在職專班，碩士論文。