博碩士論文 etd-0715120-010204 詳細資訊


[回到前頁查詢結果 | 重新搜尋]

姓名 黃中義(Chung-Yi Huang) 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(Department of Finance)
畢業學位 碩士(Master) 畢業時期 108學年第2學期
論文名稱(中) XGBoost投資策略實證分析
論文名稱(英) An Empirical Analysis For XGBoost Investment Strategies
檔案
  • etd-0715120-010204.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 (2023-08-15 公開)

    電子論文:使用者自訂權限:校內 3 年後、校外 3 年後公開

    論文語文/頁數 中文/108
    統計 本論文已被瀏覽 5597 次,被下載 0 次
    摘要(中) 技術分析投資策略及預測股票市場走勢一直是各界非常感興趣且重要的議題,這項研究的目的是分析技術分析的及機器學習模型XGBoost演算法的交易績效,經過回測分析2015年至2019年台灣股市的交易績效,結果表明:
    1. 技術分析交易策略在2015年至2018年在台灣股市績效勝過大盤績效。
    2. 技術分析策略結合機器學習模型能夠有效提升交易策略績效及減少交易次數。
    摘要(英) The technical analysis investment strategy and forecasting stock market trends are interesting and significant field in the stock market for investment research. The purpose of this study is to investigate performance of technical analysis and machine learning Xgboost algorithms. In this study, I investigate the technical analysis and machine learning algorithms to backtest the trading strategy performance in Taiwanese stock market from 2015 to 2019. As demonstrated by the experimental results, this research achieves: (a) This study uses the technical analysis and produces a better clues performance TAIEX during the period from 2015 to 2018; (b) The technical analysis investment strategy with Xgboost model can effectively improve the performance of the investment strategy and reduce the number of stock transactions.
    關鍵字(中)
  • 機器學習
  • 技術分析
  • 預測股票
  • 投資策略
  • 關鍵字(英)
  • Investment Strategy
  • Stock Performance Prediction
  • XGBoost
  • Machine Learning
  • Technical Analysis
  • 論文目次 論文審定書 i
    誌謝 ii
    摘要 iii
    Abstract iv
    目錄 v
    圖目錄 vi
    表目錄 vii
    第一章 緒論 1
    第一節 研究動機 1
    第二節 研究問題與目的 2
    第三節 研究流程 3
    第二章 文獻探討 4
    第一節 技術分析文獻探討 4
    第二節 機器學習文獻探討 7
    第三章 研究方法 10
    第一節 資料來源與樣本說明 10
    第二節 研究假設與限制 11
    第三節 技術分析指標 12
    第四節 機器學習特徵值 18
    第五節 實證分析交易策略 21
    第四章 實證結果與分析 28
    第一節 實證說明 28
    第二節 實證結果 29
    第三節 實證分析結果 46
    第五章 結論與建議 48
    第一節 研究結論 48
    第二節 研究建議 49
    參考文獻 50
    附錄 52
    參考文獻 中文文獻
    王鼎宏(2016),使用機器學習方法預測加權指數之研究,國立成功大學經營管理碩士學位學程碩士論文。
    何公皓(2016),技術分析投資績效之實證分析—以台灣50 ETF為例,國立臺灣大學管理學院國際企業學系暨研究所碩士論文。
    李南憲(2014),股票技術分析之實證研究觀光與食品類股,國立中正大學財務金融研究所碩士論文。
    施育霖(2019),以機器學習方法預測股價以台股金融類股為案例,國立中興大學資訊管理學系碩士學位論文。
    陳嘉華(2008),使用大數據技術以分析個股漲跌趨勢 - 以金融類股為例,東吳大學商學院資訊管理學系碩士論文。
    曾宇皓(2019),結合基本分析與技術分析程序化交易之實證研究-以臺灣股票市場為例,國立中央大學財務金融學系碩士在職專班碩士論文。
    黃彤緹(2019),台灣股票技術分析投資績效實證研究:以KD指標、MACD指標、BBands指標為例,淡江大學國際企業學系碩士在職專班碩士論文。
    謝政翰(2017),應用機器學習演算法與模糊推論於股價漲跌預測模式建構之研究,國立聯合大學資訊管理學系碩士班碩士論文。
    鍾宇傑(2015),技術分析之投資績效:葛蘭碧八大法則結合K線理論,中原大學國際經營與貿易學系碩士學位論文。
    英文文獻
    Basak, S., Kar, S., Saha, S., Khaidem, L., & Roy Dey, S., 2019. Predicting the Direction of Stock Market Prices Using Tree-Based Classifiers. North American Journal of Economics and Finance 47(0), 552–67.
    Chen, T., and Carlos G., 2016. Xgboost: A scalable tree boosting system. Proceedings of the 22nd ACM sigkdd international conference on knowledge discovery and data mining.
    Chollet, F., with J. J. Allaire(2018). Deep Learning with R, Manning.
    Patel, J., Shah, S., Thakkar, P., & Kotecha, K., 2015. Predicting Stock and Stock Price Index Movement Using Trend Deterministic Data Preparation and Machine Learning Techniques. Expert Systems with Applications, 42(1), 259–268.
    Vijh, M., Chandola, D., Anand Tikkiwal, V., & Kumar, A., 2020. Stock Closing Price Prediction Using Machine Learning Techniques. Procedia Computer Science 167, 599–606.
    口試委員
  • 柯博昌 - 召集委員
  • 吳錦文 - 委員
  • 林萍珍 - 委員
  • 溫福星 - 委員
  • 王昭文 - 指導教授
  • 口試日期 2020-06-30 繳交日期 2020-08-15

    [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