Applying the Artificial Intelligence Neural Network to ... · 以⼈⼯智能神經網路探討法⼈買賣超對於股票投資績效之研究 Applying the Artificial Intelligence

2019 富邦⼈壽管理博碩⼠論⽂獎

以⼈⼯智能神經網路探討法⼈買賣超對於股票

投資績效之研究

Applying the Artificial Intelligence Neural Network

to Explore the Institutional Investor Net Buy/Sell to

the Performance of Stock Investment

摘要

本研究以台積電個股為研究對象，採⽤深度神經網路(Deep Neural Networks; DNN)

演算法，整合技術分析指標外以及法⼈買賣超資訊，探討外資、投信與⾃營商之買賣動

向，對台積電股價⾛勢的影響分析。實證結果得知，技術指標部分以乖離率(Bias Ratio;

BIAS)對股票報酬率較有影響;在法⼈買賣超部分則以外資(Foreign Investors)及投信

(Investment Trust)買賣超數量對股票報酬率有顯著影響。

不論是迴歸或是深度神經網路(DNN) 模型，在納⼊法⼈顯著指標後，其勝率顯著優

於較僅利⽤技術指標。本研究認為外資及投信的買賣超數量，對於台積電股價具有影響

⼒。透過本研究所提出之交易策略，在回測期間所賺取之報酬率優於台股加權指數報酬

率。本研究的實證分析證明本研究所發展之⼈⼯智能神經網路交易策略可以超越⼤盤的

績效，供投資⼈進⾏資產配置的優質平台。

關鍵字：法⼈買賣超、技術指標、⼈⼯智能、類神經網路、交易策略。


1

壹、緒論

第⼀節研究背景與動機

根據⾦融監督管理委員會證券期貨局(2019)的資料顯⽰，2018 年 12 ⽉底台灣證券

集中市場已有 928 家上市公司，市值達 29 兆 3,185 億，有逐年增加的趨勢，⽽證券櫃檯

買賣中⼼(Taipei Exchange，以下簡稱櫃買中⼼，OTC)，⾄ 2018 年 12 ⽉底，整個上櫃

公司已有 766 家公司，全部資本額達 7,385 億;故 2018 年底臺灣證券市場上市櫃公司總

計 1,694 家，整體資本額共有 7 兆 8,974 億。臺灣股票市場是企業公司獲得資本的重要

市場，亦是提供投資⼈投資理財的公開公平交易平台，可達成活絡⾦融資本市場及國家

經濟活動的重要功能。

股票是現代民眾重要的理財⼯具之⼀，要進⾏投資理財前，必須蒐集相關資訊，⼀

般投資⼈投⼊股票市場，通常會收集新聞報章報導的股市消息、投顧分析報告、各證券

公司提供之股市分析…等，⽽投資散⼾們研究資⾦籌碼⾯，無⾮是想找到影響股價的背

後推⼿，搭上市場主⼒順⾵⾞，得到正報酬收⼊。其中可發現最為投資⼤眾所討論和引

述的觀察指標，莫過於法⼈單⽇的淨買賣超(買超－賣超)排⾏的股票，這是市場上最普

遍且是直覺訊息的指標，向來為廣⼤投資者及各⼤證券公司分析師所關注。

由於法⼈是專業投資機構，擁有豐富的資源、優秀的研究團隊、專業知識，以及

精湛的操盤技巧，相較於⼀般投資⼤眾，擁有更多基本資訊搜集與資訊含意解讀之能⼒，

是被認為⽐較理性的投資⼈。⽽隨著股市的⽇益繁榮及⼀連串的⾦融開放措施，法⼈進

出股市的⽐率逐漸增加，截⾄ 2018 年 12 ⽉底⽌，法⼈佔台灣股市的交易⾦額⽐重已達

約 51%，和以往相⽐有增加之趨勢，由此可得知隨著法⼈投資台灣股市的⽐重已⼤幅提

⾼，使得法⼈對股市的影響⼒與⽇劇增，法⼈的買賣動向似乎更能主導⼤盤和個股的漲

跌，因此法⼈機構的買賣超資訊通常會成為投資⼤眾投資之參考依據。

近年來，隨著機器設備的現代化使資訊傳遞更為迅速，⼈⼯智能 (Artificial

Intelligence; AI)在全球範圍內開始受到極⼤關注，其重⼤理論之突破，能夠改變眾⼈⽇

常⽣活的實務應⽤，為⼈類⽣活帶來助⼒。如智慧交通的規劃成真，Google 母公司

Alphabet 公開測試無⼈駕駛汽⾞，⾃駕⾞之發明將使交通更順暢便利，駕駛⼈也會越來

越省⼒；AI 作為辦公室的智慧機器⼈，可以⾃動處理⼤量、重複性⾼的業務；AI 應⽤

於智慧理財機器⼈，可以演算執⾏最佳理財策略，將⼤幅提⾼投資報酬率等等。

⽽在⼈⼯智能領域中，⼜以類神經網路的應⽤最為普遍，其無任何的假設機率分佈，

是模式識別及誤差最⼩化的過程，在每⼀次經驗中提取和學習資訊。類神經網路可處理


2

連續型與類別型的資料，對資料進⾏預測，適合應⽤於各個領域。在研究股價⽅⾯，學

者們也不斷地探討新的投資分析⼯具，從事數據分析之研究，如何從股市中抽取重要的

分析成分及尋找更有效的演算法，使股價能更精確地預測，⼀直是學者們研究的⽬標。

相關應⽤⼈⼯智能來選股的 ETF 也在近幾年問世，成⽴於 2017 年 10 ⽉的⼈⼯智慧

動⼒股票主動型 ETF (AIEQ)，是第⼀檔全靠 AI 選股的 ETF，其演算法⼀開始是⼈類寫

的程式，但之後就變成全⾃動演化與學習。隨著科技不斷進步，越來越多產品應⽤ AI

技術，除了進⼊智慧的公司會⽇趨增多，可以投資的標的也越來越複雜，相信未來⼈⼯

智能相關的投資會⼀直成為話題。

針對外資、投信和⾃營商等法⼈近幾年來交易⾦額⽐重相較過去有增加的現象，可

⾒法⼈在台股投資仍具有舉⾜輕重的地位。受限於可得知資訊，僅能以可得知之技術指

標進⾏分析，是否能藉由法⼈之買賣超⾏為，利⽤⼈⼯智能技術輔助，來深⼊探討外資、

投信和⾃營商等法⼈是否對於個股具有預測能⼒，對於沒有專業知識的投資⼈來說可否

作為未來投資的判斷依據，提供投資⼈投資獲利的機會，即是本論⽂所要探討的議題。

第⼆節研究⽬的

⼀般統計⽅法之資料需符合相關假設才能適⽤，有其限制及缺點，⽽類神經網路則

不需符合資料分配假設，即能解決⾮線性問題，在許多財務預測領域之研究上都有不錯

的表現。

本研究將使⽤深度神經網路(Deep Neural Networks, DNN)⽅法，除了採⽤實務上常

⽤的技術分析指標，另外納⼊前⽂所述之法⼈買賣超資訊，探討外資、投信和⾃營商之

買賣動向，對半導體產業中占較⼤⽐例之台積電個股的股價漲幅有無影響，希望藉由類

神經網路之⽅式來預測股價，其研究結果能協助投資⼈進⾏投資，作為投資台積電股市

進場決策之判斷依據，並利⽤實證結果來對本研究提出之投資策略績效進⾏分析。

本研究架構如下：第⼀章緒論，敘述本研究背景、動機及⽬的，第⼆章為相關⽂

獻回顧探討，第三章介紹資料來源與研究⽅法，說明本研究採⽤之研究對象，研究期間

及樣本來源，以及本研究進⾏時所利⽤之相關技術指標變數及⽅法。第四章為實證結果

與分析，依法⼈與技術指標結合之決策模式，說明本研究實證的結果。第五章為本研究

的研究結論、研究限制及提出相關未來研究之建議。

第⼆章⽂獻探討⼀般投資者買賣股票，除了使⽤常⽤之技術指標外，亦可將外資、投信及⾃營商的


3

買賣超⾏為，當作⼀種訊號，來做為投資策略的參考依據。股市籌碼⾯的重點在於分析

⼤⼾動向，因為其資⾦相較散⼾下較具有影響股價的能⼒，因此若能夠抓住⼤⼾的進出

場時機，則可以在股票操作上得到不錯的利差報酬。

機器學習是⼀⾨⼈⼯智能的科學，從資料中分析獲得規律，並利⽤規律對未知資料

進⾏預測，從經驗學習中改善具體效能之演算法，其中近期被⼤為推廣之類神經網路即

為本研究所要利⽤之研究⽅法。在本章節將針對本論⽂所使⽤之技術指標、法⼈資訊，

及所運⽤之類神經網路作⽂獻探討。

第⼀節技術指標

技術分析所使⽤之指標種類繁多，本研究選取實務上較常⽤的相對強弱指標(RSI)、

隨機指標(KD)、平滑異同移動平均線(MACD)、乖離率(BIAS)等。

⽯濟豪(2014)指出，9 ⽇之 KD 數值對於台灣加權股票指數報酬率具有顯著影響⼒

及預測能⼒，因此本研究採⽤ K9、D9 兩項指標作為類神經網路之輸⼊項。廖振宏(2018)

利⽤決策樹中分類與迴歸樹演算法(CART)，針對成交量突然增加時，結合成交價與 20

⽇(短期)、60 ⽇(中期)、240 ⽇(⾧期)均線間的關係、乖離率以及各均線間的排列⽅式等

特徵作為輸⼊變數，持有 5 ⽇後的獲利或損失與否為輸出變數，預測臺灣個股買賣時點。

研究結果發現進場價格是否⼤於各期間均價對於預測並無顯著的重要性，⽽是進場價格

對於各期間均線的乖離率才有較為精準的預測能⼒，對於鴻海(TW2317)、⽴碁(TW8111)

股價的預測能⼒均可以提⾼⼤約 16%，個股的判斷規則皆由個股⾃⾝過去⾛勢產⽣，其

形成的投資邏輯可幫助投資⼈做出更正確的投資決策。

綜合以上⽂獻觀點可發現技術分析已經有許多⽅法可以驗證技術指標的有效性以

及獲利性。但多數研究所認同的是技術分析的指標如果指單獨使⽤⼀種不僅是有效性不

⾼，獲利能⼒也不⾜，於是利⽤類神經網路等⼈⼯智能⽅法實證多種指標結合形成的交

易決策，獲利結果⽐單⼀使⽤⼀種技術指標的決策結果好。故本研究選取實務上較常⽤

的相對強弱指標(RSI)、隨機指標(KD)、平滑異同移動平均線(MACD)、乖離率(BIAS)等

技術指標，結合法⼈買賣超資訊，利⽤類神經網路⽅法對台積電個股做探討分析。

第⼆節法⼈買賣超資訊台灣所稱的法⼈機構包括政府機關、證券⾃營商、外資法⼈、保險公司、投資信託

公司等，⽽股市所指的法⼈即為外資、投資信託公司、⾃營商三者。林可依(2003)，以

國內法⼈每⽇的個股淨買賣超成交量和成交值兩種不同的衡量標準，形成不同的買賣超

策略。實證結果發現，法⼈的投資標的內容，皆屬於⼤型績優股；然⽽投信相對外資⽽


4

⾔，是偏重較⼩、較績優的股票，⾃營商則介於外資與投信之間。在考慮交易成本的情

況之下，跟隨投信買賣超策略的獲利為正，其持續持有之報酬有呈現遞增的趨勢，且較

⼤盤與跟隨外資或⾃營商為⾼。

魏明洲(2016)，以迴歸統計分析，探討⽉營收資訊與法⼈買賣超對個股報酬之影響

程度，做為短期投資進場依據。實證研究發現，在上市股票部份，可依投信買賣超做為

投資⼈投資股市的進場依據，⽽⾃營商買賣超則為反向操作依據；⽽在上櫃股票部份，

可依外資買賣超及投信買賣超做為投資⼈投資股市的進場依據，⽽⾃營商買賣超則為反

向操作依據。

呂岳暘(2016)，以迴歸統計分析，將全體上市及上櫃公司之每⽇資訊，區分為融資

餘額增加、融券餘額增加、融資餘額減少、融券餘額減少等⼋個題材，配合外資、投信、

⾃營商等法⼈買賣超，探討法⼈買賣超對個股漲跌幅的影響程度。經實證結果發現，在

上市部份可依外資與投信買賣超做為投資⼈投資股市的進場依據，⽽在上櫃部份則可依

投信及⾃營商買賣超做為投資⼈投資股市的進場依據。

由上述的⽂獻發現，法⼈買賣超之交易資訊，可能因為研究⽅法、樣本、股市條件

不同，以及選取變數不同⽽有相異之研究結論，但皆對股市有所影響，故於本研究將納

⼊法⼈買賣超變數，探討此項變數對台積電個股漲跌之影響。

第三節類神經網路(Neural Network)之應⽤所謂類神經網路，是⼀種廣泛應⽤於資訊管理、⽣物醫學、⼯程、統計、財務等各

領域的研究⽅法，為採⽤類似於⼤腦神經突觸連接的結構進⾏信息處理的數學模型，主

要結構是由神經元(Neuron)、層(Layer)和網路(Network)三個部分所組成。⼀個基本的⼈

⼯神經網路(Artificial Neural Network, ANN)，以多個神經元組成，每個神經元如同⼈類

的神經突觸，在最外層的神經元組成了輸⼊層(Input Layer)，接受學習與測試的資料，

輸⼊層經過矩陣運算後將輸出資訊傳給隱藏層(Hidden Layer)進⾏運算，最後匯⼊輸出層

(Output Layer)，由輸出層進⾏判定結果。有了這樣的系統模型便可⽤於推估、預測、決

策、診斷，⽽常⾒的迴歸分析統計技術也是⼀個可利⽤的範例，因此類神經網路也可以

視為⼀種特殊形式的統計技術，但其與迴歸分析不同，沒有任何假設的機率分佈，這樣

的基本神經網路被⼤量使⽤於資料分析，數據分析等。

類神經網路之特⾊是使⽤神經元來做⾮線性的特徵轉換，是⽬前⼈⼯智能最常使⽤

的⼀種模型，⽽當具有多層神經元時，就是做了多次的⾮線性特徵轉換，這就是所謂的

「深度學習」(Deep Learning)，可謂⼈⼯智能的核⼼。深度神經網路(Deep Neural Networks,


5

DNN)內部可以分為三種網路層，輸⼊層、隱藏層和輸出層，如下圖 2-1。

圖 2-1 深度神經網路1

要使得類神經網路能正確的運作，則必須透過訓練(Training)⽅式，讓類神經網路反

覆的學習，因此在類神經網路學習前，我們必須建⽴出⼀個訓練樣本，此樣本的建⽴來

⾃於實際系統輸⼊與輸出或是以往的經驗，⽬的是為了讓類神經網路的輸出值更接近⽬

標值，藉由訓練次數的增加，使得⽬標值與神經網路的輸出兩者誤差越來越⼩。⽽當類

神經網路經由訓練樣本訓練完成後，我們須在建⽴⼀組預測樣本，來驗證我們建⽴之類

神經網路模型，其預測準確度是否能達到我們所預期的標準。

江典⾳(2012)利⽤類神經網路技術整合五項技術指標(隨機指標 KD 線、相對強弱指

標(RSI)、指數平滑異同移動平均線(MACD)、乖離率(BIAS)、威廉指標(WMS))所建議

的買賣時點，並搭配三種投資策略(買⼊持有策略、全數買賣策略、固定組合策略)進⾏

模擬交易，以⽐較台灣 50 成分股及⾮台灣 50 個股之投資績效，並評估此項投資模式之

可⾏性，以作為投資者投資決策分析之應⽤。由研究結果得知，不使⽤類神經網路所建

議的買賣時點進⾏投資，其投資績效低於利⽤類神經網路所建議的買賣時點所獲得的投

資績效，此表⽰採⽤類神經網路所建構之模型進⾏投資可獲得較⾼的投資報酬率。張哲

綸(2012)以移動平均線(MA)、隨機指標(KD)、調量移動平均線(Volume Adjusted Moving

Average, VAMA)以及簡易波動指標(Ease of Movement Value, EMV)四項技術指標為基

礎，運⽤倒傳遞類神經網路(Back-Propagation Neural Network, BPNN)對歷史股票資料建

⽴股價預測模型，並根據修正式移動平均值(Modified Moving Average, MMA)預測未來

倒傳遞類神經網路模型輸⼊資料集，以實現對未來實質股價⾛勢進⾏預測。實驗結果得

知，其建⽴之倒傳遞類神經網路模型在台灣證券交易所發⾏加權股價指數台灣 50 成分

1 Veon, L. B. (2016), How to work by deep neural network? Retrieved March 22, 2019, from URL:


6

股中具代表性的 15 檔股票使⽤修正式移動平均值⽅式可⾼達九成以上的預測能⼒，證

實此研究提出之成果可應⽤在實際股票交易市場上。簡壬申(2015)透過類神經網路中之

倒傳遞類神經網路模型，以台灣 50 成分股為研究標的，運⽤移動視窗法進⾏績效分析。

研究結果顯⽰，在整體投資報酬率為 5.1889%、預測投資⽅向準確率為 57.02%；並在績

效指標分析上，均優於台灣 50 指標及台灣加權股價指數。由研究可知，透過類神經網

路及選取適合基本指標與總體經濟指標，可提供投資⼈⼀個良好的投資環境。

由⽂獻可得知，類神經網路所建構之模型，其預測的結果可以做為未來預測股價的

依據或指標，因此於本研究將以深度神經網路(DNN)演算⽅法，對台積電個股做分析，

探討所輸⼊之法⼈買賣超參數是否對台積電股票漲跌存在預測能⼒。

第三章研究⽅法

第⼀節研究樣本與資料來源 (一) 研究樣本

葉雅玲(2009)，根據證交所統計依類股⽉成交值⽐重，電⼦類股其佔交易⾦額⽐重

最⾼。范聖培(2014)指出，從研究期間法⼈的週買賣超排序來看，可以發現前⼗⼤買超

標的幾乎集中在集中市場，⽽且以權值股和⿓頭股為主，其中外資在研究期間 676 週中，

買超台積電達 311 週，賣超台積電也有 241 週。因此我們選擇法⼈較常買賣之台積電個

股作為研究樣本，輔以常⾒之四項技術指標(RSI、KD、MACD、BIAS)，探討法⼈買賣

超數量與台積電股票股價漲幅變化之關係，分析此項變數是否可作為⼀般投資⼈投資台

積電股票時的選時依據。

(二) 研究期間

本研究採⽤之研究期間⾃西元 2008 年 1 ⽉⾄ 2018 年 12 ⽉，為期⾧達 11 年，其中

2008 年 1 ⽉⾄ 2015 年 12 ⽉為訓練期間，2016 年 1 ⽉⾄ 2018 年 12 ⽉則為預測期間。

研究範圍涵蓋台灣股票市場重⼤事件，因此若訓練出之模型評估有所獲利，則可得知此

模型具備穩健性。

(三) 資料來源

研究所需之股價資料，其來源為全曜財經資訊股份有限公司(CMoney)，⽽法⼈進出

量之資料來源為台灣經濟新報(TEJ)資料庫。其中股價資料採⽤未調整收盤價去進⾏測試，

不考慮除權除息資訊。


7

技術指標選擇較常⽤之RSI!、RSI!、K!、D!、MACD!、BIAS!、BIAS!"；法⼈進出量

則包括外資當⽇買賣超數量(2009 年 7 ⽉ 1 ⽇起含陸資)、投信當⽇買賣超數量，以及⾃

營商當⽇買賣超數量。

第⼆節變數說明與定義在前章節之⽂獻探討部分已提及各個技術指標 RSI、KD、MACD、BIAS 之定義，

我們將利⽤ Python 程式語⾔軟體計算出各技術指標之值作為變數。

表 3-1 技術指標公式說明

技術指標公式

RSI!

RSI! = UP!

UP! + DN!×100

UP! = 5 ⽇內收盤上漲總數之平均值

DN! = 5 ⽇內收盤下跌總數之平均值

RSI!

RSI! = UP!

UP! + DN!×100

UP! = 9 ⽇內收盤上漲總數之平均值

DN! = 9 ⽇內收盤下跌總數之平均值

K!、D!

RSV! = !! ! !{!}!{!} ! !{!}

×100

K! = 13

𝑅𝑆𝑉! + 23

K!

D! = 13

𝐾! + 23

D!

C! = 第 9 ⽇收盤價

H{!} = 過去 9 ⽇內最⾼價

L {!} = 過去 9 ⽇內最低價

MACD!

P! = !! ! !! ! !"!

!

EMA!!" =1113EMA!!" +

213P!

EMA!!" =2527EMA!!" +

227P!

DIF! = EMA!!" − EMA!!" MACD! = EMA!"#! P! = 第 9 ⽇的價格需求指數

H! = 第 9 ⽇最⾼價

L! = 第 9 ⽇最低價

C! = 第 9 ⽇收盤價

EMA!!" = P! 的 12 天指數平滑移動平均

EMA!!" = P! 的 26 天指數平滑移動平均

MACD! = DIF!的 9 天指數平滑移動平均


8

BIAS!

BIAS! = !!! !"!!"!

×100

C! = 第 6 ⽇收盤價

MA! = 最近 6 ⽇移動平均收盤價

BIAS!!

BIAS!" = !!"! !"!"

!"!" ×100

C!" = 第 10 ⽇收盤價

MA!" = 最近 10 ⽇移動平均收盤價

法⼈買賣超計算⽅式如表 3-2:

表 3-2 法⼈買賣超變數說明

變數說明單位

外資買賣超外資買進張數-賣出張數，正數為買超，負數為賣超。張

投信買賣超投信買進張數-賣出張數，正數為買超，負數為賣超。張

⾃營買賣超⾃營買進張數-賣出張數，正數為買超，負數為賣超。張

第三節實證分析⽅法 (一) 樣本整理

本研究以台積電⽇收盤價，計算出每⽇之股價漲跌幅。投資報酬率的計算應考慮買

賣股票的⼿續費與證交稅，買進股票時須付出 0.1425%的⼿續費；賣出股票時須付出

0.1425%的⼿續費與 0.3%的證交稅，故本研究將考量股票交易成本，設定股價漲幅⼤於

或等於 0.6%，即表⽰股票投資可獲利，輸出值以 1 表⽰；若股價下跌或漲幅⼩於 0.6%，

即表⽰股票投資有虧損，輸出值以 0 表⽰。

在神經網路演算部分，學習資料係採⽤交易當⽇股市的價量技術指標，技術指標包

含：RSI!、RSI!、K!、D!、MACD!、BIAS!、BIAS!"；法⼈進出量則包括：外資及陸資當

⽇買賣超數量、投信當⽇買賣超數量以及⾃營商當⽇買賣超數量做為系統的輸⼊，系統

的輸出則為相對應時點之隔⼀交易⽇的漲跌幅，俾進⾏訓練、驗證及測試。

(二) 深度神經網路(DNN)

Kim, Hong and Park(2018)提出，最初的類神經模型是⼀個簡單的感知器，可以執⾏

線性分類任務。感知機的模型為⼀個有若⼲輸⼊和⼀個輸出的模型，輸出和輸⼊之間學

習到⼀個線性關係，再加⼊神經元激活函數後，⽽得到輸出結果 1 或者-1。此模型只適

⽤於⼆元分類，且無法學習⽐較複雜的⾮線性模型，因此在⼯業界無法使⽤。⽽類神經

網路則在感知機的模型上做了擴展，主要有以下三點：


9

1、加⼊了隱藏層，隱藏層可以有多層，增強模型的表達能⼒，越多的隱藏層模型的複

雜度也越⾼。

2、輸出層的神經元可以有多個輸出，這樣的模型可以靈活應⽤於分類迴歸，以及其他

的機器學習領域，⽐如降維和聚類等。

3、感知機的激活函數形式簡單，處理能⼒有限，因此類神經網路便對激活函數做擴展，

透過使⽤不同的激活函數，增強神經網路的表達能⼒，常⽤之激活函數有 Sigmoid、

tanx、softmax 和 ReLU 等。

⼀個基本的⼈⼯神經網路(Artificial Neural Network, ANN)，設計上仿造⼈類的神經

網路，以多個神經元組成，每個神經元如同⼈類的神經突觸，在最外層的神經元組成了

輸⼊層(Input Layer)，接受學習與測試的資料，經過矩陣運算後將輸出資訊傳給多個隱

藏層(Hidden Layer)進⾏運算後，最後匯集到輸出層(Output Layer)，由輸出層進⾏判定結

果，經由多次多批資料訓練後，逐漸以梯度下降法(Gradient Descent)調整各神經元的參

數，進⽽取得最佳結果，這樣的基本神經網路被⼤量使⽤於資料分析、數據分析等。

深度神經網路（Deep Neural Networks, DNN）是深度學習的基礎，也可理解為多層

神經網路。層與層之間是全連接的，也就是說，第 n 層的任意⼀個神經元⼀定與第 n+1

層的任意⼀個神經元相連，DNN 模型如下圖 3-1 所⽰。

圖 3-1 深度神經網路(DNN)模型2

2資料來源：Neural Networks and Deep Learning, Michael Nielsen(2018), Chapter 5


10

本研究將使⽤深度神經網路(DNN)，利⽤和感知機⼀樣的原理，將若⼲個權重係數

矩陣、偏倚向量來和輸⼊值向量進⾏⼀系列線性運算和激活運算，探討此模型是否能夠

有效預測台積電未來股價之漲跌，以做為投資散⼾的參考依據。

第四章實證研究結果

第⼀節迴歸分析

本研究⾸先採⽤研究常⽤的統計分析⽅法:最⼩平⽅法(Ordinary Least Squares; OLS)

來進⾏多元迴歸分析，使⽤以下三種迴歸式，探討報酬與各變數間之關係：

OLS1：R! = α0+ α1×RSI!! + 𝛼2×RSI!! + 𝛼3×K9! + 𝛼4×D9! + 𝛼5×MACD! + 𝛼6×BIAS!! + 𝛼7×BIAS!"! + 𝛼8×foreign! + 𝛼9×trust! + 𝛼10×dealer! + 𝜀 (4.1)

OLS2：R!!! = α0+ α1×RSI!! + 𝛼2×RSI!! + 𝛼3×K9! + 𝛼4×D9! + 𝛼5×MACD! + 𝛼6×BIAS!! + 𝛼7×BIAS!"! + 𝛼8×foreign! + 𝛼9×trust! + 𝛼10×dealer! + 𝜀 (4.2)

OLS3：R!!! = α0+ α1×∆RSI!! + 𝛼2×∆RSI!! + 𝛼3×∆K9! + 𝛼4×∆D9! + 𝛼5× ∆MACD! + 𝛼6×∆BIAS!! + 𝛼7×∆BIAS!"! + 𝛼8×∆foreign! + 𝛼9×∆trust! + 𝛼10×∆dealer! + 𝜀 (4.3)

其中，

R! = 第 t 期報酬 ∆MACD! = MACD! - MACD!!!

R!!! = 第 t+1 期報酬 ∆BIAS!! = BIAS!! - BIAS!!!! ∆RSI!! = RSI!! - RSI!!!! ∆BIAS!"! = BIAS!"! - BIAS!"!!! ∆RSI!! = RSI!! - RSI!!!! ∆foreign! = foreign! - foreign!!! ∆K9! = K9! - K9!!! ∆trust! = trust! - trust!!! ∆D9! = D9! - D9!!! ∆dealer! = dealer! - dealer!!!

OLS1 為探討當⽇各項技術指標及法⼈買賣超數量與當⽇報酬是否相關及⽅向性為

何；OLS2 為探討當⽇各項技術指標及法⼈買賣超數量與次⽇報酬是否相關及⽅向性為

何；OLS3 為探討當⽇各項技術指標及法⼈買賣超數量與前⼀⽇⽐較之變動量(即⼀階差

分)，與次⽇報酬是否相關及⽅向性為何。

逐⼀檢視各⾃變項迴歸係數是否達到顯著(即測定其是否為 0 之虛無假設)，我們可

以從⾃變項迴歸係數的 T-test 及 p 值來判斷，通常 p 值⼩於 0.05 即達顯著⽔準。如果某

⼀⾃變項之係數達顯著⽔準，則其意義表⽰在控制其他⾃變項的情況下，此⼀⾃變項可

以有效地⽤來預測依變項。進⾏迴歸分析得到結果如下:


11

表 4-1 OLS1 迴歸結果

註 : *表⽰ P < 0.05，**表⽰ P < 0.01

在 OLS1 迴歸式下，各項⾃變數之 P 值皆⼩於 0.05，表⽰當⽇各項技術指標(RSI!、

RSI!、K!、D!、MACD!、BIAS!、BIAS!")及當⽇法⼈買賣超數量對於可以有效地⽤來預

測當⽇報酬。其中RSI!、D!、BIAS!及外資、投信、⾃營商買賣超數量對於當⽇報酬為

正相關，⽽RSI!、K!、MACD!、BIAS!"則為負相關。


註 : *表⽰ P < 0.05，**表⽰ P < 0.01

⽽從表 4-2 OLS2 迴歸式進⾏結果下，僅BIAS!"、foreign、trust等⾃變項之 P 值⼩

於 0.05，表⽰當⽇之 BIAS!" 及當⽇外資、投信買賣超數量可以有效地⽤來預測次⽇報酬。

其中外資、投信買賣超數量對於當⽇報酬為正相關，⽽BIAS!"則為負相關。

參數項係數 t 統計 P-value R-squared Adj. R-squared

截距 0.0005 0.341 0.733

0.003 -0.001

RSI! 0.0009 18.087 0.000** RSI! -0.0006 -9.799 0.000** K! -0.0008 -25.874 0.000** D! 0.0004 14.480 0.000**

MACD! -0.0029 -5.905 0.000** BIAS! 0.0055 15.144 0.000** BIAS!" -0.0010 -3.211 0.001** foreign 2.827e-07 18.275 0.000**

trust 8.122e-07 6.039 0.000** dealer 3.974e-07 2.825 0.005**


截距 0.0034 1.327 0.184

0.020 0.017

RSI! -7.878e-05 -0.905 0.366 RSI! -1.802e-05 -0.177 0.860 K! 3.89e-06 0.075 0.940 D! 4.147e-05 0.784 0.433

MACD! 0.0010 1.212 0.226 BIAS! 0.0008 1.306 0.192 BIAS!" -0.0015 -2.823 0.005** foreign 7.039e-08 2.589 0.010**

trust 8.889e-07 3.761 0.000** dealer -3.7e-08 -0.150 0.881


12


註 : *表⽰ P < 0.05，**表⽰ P < 0.01

最後在 OLS3 迴歸式進⾏之結果，其中∆BIAS!、∆BIAS!"、∆foreign、∆trust等⾃變

項之 P 值⼩於 0.05，表⽰當⽇BIAS!及 BIAS!"與前⽇相較之變動量及當⽇外資、投信買

賣超數量之變動量可以有效地⽤來預測次⽇報酬。其中BIAS!之變動量及外資、投信買

賣超數量之變動量對於當⽇報酬為正相關，⽽BIAS!"之變動量則為負相關。

由表 4-1~4-3 之結果可以看出，三個模型之 R-squared 皆偏低，表⽰由本研究挑選

之⾃變數只能解釋少部分變異，模型的解釋能⼒較弱，但因影響股價因素太多，對於分

析變數與股價時 R-squared 偏低屬正常現象，迴歸中之變數可⽤與否仍由 P 值來決定。

第⼆節深度學習與複合指標搭配本研究採⽤ Keras 建構深度學習系統，輸⼊層之變數採⽤技術分析指標及法⼈買賣

超數量，經過隱藏層的訓練後，輸出值為隔⽇的漲或跌，漲幅⼤於或等於 0.6%，輸出

值以 1 表⽰；若股價下跌或漲幅⼩於 0.6%，輸出值以 0 表⽰。相關技術指標⽇數之選

取依據及漲跌定義已於前章節做說明。

因本研究主要是想了解所選⽤之⾃變項對次⽇之股票報酬率使否具有預測能⼒，故

採⽤ OLS2 及 OLS3 之結果來做進⼀步複合指標搭配與深度學習。參考迴歸分析 OLS2

及 OLS3 之結果調整相關輸⼊變數，分為放⼊全部變數、放⼊顯著變數，以及放⼊⾮顯

著變數。OLS2 各複合指標搭配組合如下表 4-4，⽽ OLS3 各複合指標搭配組合如表 4-5。


截距 0.0006 1.912 0.056

0.014 0.011

∆RSI5 0.0002 1.155 0.248 ∆RSI9 -0.0005 -1.515 0.130 ∆K9 -4.96e-05 -0.971 0.332 ∆D9 7.979e-05 1.226 0.220

∆MACD9 0.0015 0.426 0.670 ∆BIAS6 0.0033 3.644 0.000** ∆BIAS10 -0.0031 -3.255 0.001** ∆foreign 6.595e-08 2.538 0.011* ∆trust 6.357e-07 2.968 0.003** ∆dealer 1.312e-07 0.676 0.499


13

表 4-4 OLS2 各複合指標搭配組合

OLS2模型

⾃變數備註

RSI! RSI! K! D! MACD! BIAS! BIAS!" foreign trust dealer

DNN1 V V V V V V V V V V 全部

DNN2 V V V 顯著

DNN3 V V V V V V V ⾮顯著

表 4-5 OLS3 各複合指標搭配組合

OLS3模型

⾃變數備註

∆RSI! ∆RSI! ∆K9 ∆D9 ∆MACD! ∆BIAS! ∆BIAS!" ∆foreign ∆trust ∆dealer

DNN4 V V V V V V V V V V 全部

DNN5 V V V V 顯著

DNN6 V V V V V V ⾮顯著

本研究將分別對近 1 年⾄近 11 年之資料做準確度測試，探討 DNN 模型之準確度會

不會因為研究期間之⾧短有所影響。經過本研究不斷的測試，最後將類神經網路之參數

採⽤學習率 0.01、3 層隱藏層以及每層 8 個神經元，激活函數則採⽤能有效克服梯度消

失問題的 ReLU。

測試結果之準確度(accuracy)如下表 4-6，從表中可得知研究期間⾧短對 DNN 模型

之準確度似乎無太⼤影響，準確度約落於 6 ⾄ 7 成間。本研究選⽤近 11 年之資料作為

研究期間，範圍涵蓋⾦融海嘯時期(2008 年)，因此若訓練出之模型評估有所獲利，則可

得知此模型具備穩健性。

表 4-6 測試結果之準確度

模型

研究期間

近 1 年 2018.01 ~2018.12

近 2 年 2017.01 ~2018.12

近 3 年 2016.01 ~2018.12

近 4 年 2015.01 ~2018.12

近 5 年 2014.01 ~2018.12

近 6 年 2013.01 ~2018.12

近 7 年 2012.01 ~2018.12

近 8 年 2011.01 ~2018.12

近 9 年 2010.01 ~2018.12

近 10 年 2009.01 ~2018.12

近 11 年 2008.01 ~2018.12

DNN1 0.6842 0.6814 0.6915 0.6679 0.6696 0.6824 0.6794 0.6933 0.6771 0.6770 0.6801

DNN2 0.7017 0.6814 0.6617 0.6604 0.6577 0.6774 0.6263 0.6896 0.6853 0.6844 0.6898

DNN3 0.6491 0.6549 0.6866 0.6567 0.6399 0.6476 0.6688 0.6766 0.6755 0.6430 0.6769

DNN4 0.6842 0.6903 0.6965 0.6716 0.6696 0.6551 0.6667 0.6673 0.6705 0.6770 0.6769

DNN5 0.6667 0.6726 0.6766 0.6604 0.6250 0.6749 0.6539 0.6914 0.6870 0.6859 0.6801

DNN6 0.5789 0.6549 0.6866 0.6567 0.6607 0.6179 0.6624 0.6747 0.6837 0.6756 0.6817


14

第三節變數相關性及深度學習之交易策略與回測

在此將迴歸模型得到之變數相關性結果，以及前⼀節得到之 DNN 模型，對 2016 年

⾄ 2018 年的資料進⾏交易策略與回測。

(一) 變數相關性回測

本研究利⽤於第⼀節的迴歸分析中，由 OLS2 及 OLS3 迴歸模型所挑選出來較顯著

的變數指標，其中技術指標部分選擇乖離率(BIAS)指標，⽽法⼈買賣超部分則選擇較顯

著之外資及投信買賣超數量指標，利⽤其對報酬的相關性，做為開發交易策略的基礎。

因本研究⽬的是探討法⼈買賣超變數是否能提升股票之報酬，故將交易策略區分為

使⽤技術指標，以及納⼊法⼈買賣超指標，分別對 2016 年⾄ 2018 年之資料進⾏回測，

將變數相關性的交易策略設定為：

「設定初始資⾦為 100 萬元，不可放空購買股票，在考慮⼿續費及交易稅的情形下，

同時符合正相關之指標變數為正，負相關之指標變數為負時，做為買進訊號，依⼿中持

有資⾦買進可買張數，若有連續買進訊號則以第⼀次訊號做為買進；同時符合正相關之

指標變數為負，負相關之指標變數為正時，則做為賣出訊號，確認賣出時為有獲利的狀

態下，將當下持有張數全數賣出，若有連續賣出訊號則以最後⼀次訊號做為賣出;條件不

完全相符則不進⾏買賣。」兩迴歸模型挑選之變數對報酬之相關性如下表 4-7。

表 4-7 各迴歸模型挑選變數對報酬之相關性

迴歸模型採⽤變數對報酬之相關性

OLS2

BIAS! + BIAS!" − foreign + trust +

OLS3

∆BIAS! + ∆BIAS!" − ∆foreign + ∆trust +

我們主要以放⼊顯著變數為主，OLS2 顯著變數為BIAS!"、foreign、trust，OLS3

顯著變數為∆BIAS!、∆BIAS!"、∆foreign、∆trust，在考量複合指標搭配下，因採⽤顯著

技術指標作為決策依據時，OLS2 僅有BIAS!"顯著，故在此調整納⼊BIAS!做為決策判斷

條件。僅使⽤技術指標之交易策略如下表 4-8。


15

表 4-8 使⽤技術指標之交易策略

迴歸模型使⽤技術指標交易操作

BIAS! BIAS!"

OLS2 + − 買進

− + 賣出

∆BIAS! ∆BIAS!"

OLS3 + − 買進

− + 賣出

⽽納⼊顯著法⼈買賣超指標時則符合複合指標搭配條件，故不做調整，採⽤原始顯

著變數。納⼊顯著法⼈買賣超指標之交易策略如下表 4-9。

表 4-9 納⼊顯著法⼈買賣超指標之交易策略

迴歸模型納⼊法⼈買賣超指標交易操作

BIAS!" foreign trust

OLS2 − + + 買進

+ − − 賣出

∆BIAS! ∆BIAS!" ∆foreign ∆trust

OLS3 + − + + 買進

− + − − 賣出

(二) 深度學習(DNN)回測

在第⼆節的深度學習中，利⽤迴歸模型結果，將顯著及⾮顯著指標區分做搭配得到

DNN1~DNN6 模型，在此將⽤此六種模型，於賣出時另考量顯著變數與報酬之相關性，

作為開發交易策略的基礎。本研究將賣出時考量之顯著變數區分為使⽤顯著技術指標，

以及納⼊顯著法⼈買賣超指標，同樣對 2016 年⾄ 2018 年的資料進⾏回測，將深度學習

的交易策略設定為：

「設定初始資⾦為 100 萬元，不可放空購買股票，在考慮⼿續費及交易稅的情形下，

當 DNN 模型預測結果為 1 時，作為買進訊號，依⼿中持有資⾦買進可買張數，若有連

續買進訊號則以第⼀次訊號做為買進；⽽當 DNN 模型預測結果為 0，且同時符合迴歸

正相關之顯著指標變數為負，負相關之顯著指標變數為正時，則作為賣出訊號，確認賣

出時為有獲利的狀態下，將當下持有張數全數賣出，若有連續賣出訊號則以最後⼀次訊

號做為賣出;條件不完全相符則不進⾏買賣。」深度學習交易策略如下圖 4-1。


16

圖 4-1 深度學習交易策略

變數相關性及深度學習之交易策略回測結果如表 4-10 及表 4-11。

表 4-10 利⽤顯著技術指標回測結果

模型 OLS2 OLS3 DNN1 DNN2 DNN3 DNN4 DNN5 DNN6

買進次數 11 11 13 10 10 7 8 8

賣出次數 10 9 13 10 9 6 7 8

勝率 (%) 42.86 50.00 34.62 45.00 36.84 23.08 33.33 31.25

買賣總⼿續費 31,903 31,074 33,932 26,047 25,485 17,234 24,050 24,278

總交易稅 32,384 31,593 36,009 27,710 25,534 17,029 24,139 26,395

總報酬 322,713 581,833 123,059 140,243 36,981 170,237 523,811 507,827

累積報酬率(%) 32.2713 58.1833 12.3059 14.0243 3.6981 17.0237 52.3811 50.7827

年化報酬率 (%) 9.7712 16.5164 3.9443 4.4718 1.2178 5.3799 15.0740 14.6702

表 4-11 納⼊法⼈顯著指標後回測結果


買進次數 11 3 6 7 6 3 3 2

賣出次數 11 2 5 6 4 2 2 2

勝率 (%) 54.55 80.00 54.55 61.54 40.00 60.00 60.00 50.00

買賣總⼿續費 35,921 8,481 16,497 17,477 13,919 7,332 7,172 5,639

總交易稅 38,610 7,614 16,146 17,156 13,379 6,345 6,345 6,502

總報酬 459,469 466,905 287,357 220,867 310,202 311,323 316,483 365,359

累積報酬率(%) 45.9469 46.6905 28.7357 22.0867 31.0202 31.1323 31.6483 36.5359

年化報酬率 (%) 13.4310 13.6233 8.7843 6.8783 9.4240 9.4552 9.5986 10.9385

DNN1 DNN2 DNN3 DNN4 DNN5 DNN6

1

0


17

第四節實證綜合討論由迴歸之變數相關性結果，以及深度學習模型，搭配本研究提出之交易策略進⾏回

測，可得到以下結論:

1、從表 4-2 及表 4-3 迴歸結果來看，技術指標相較下似乎以乖離率(BIAS)對報酬率較

有關聯，⽽在法⼈買賣超部分則以外資及投信買賣超數量對報酬率較有顯著影響。

2、從表 4-6 可得知，研究期間⾧短對 DNN 模型之準確度似乎無太⼤影響，且不論是

使⽤ OLS2 或 OLS3 之結果調整相關輸⼊變數，各 DNN 模型測試結果之準確度並

無顯著的差異。

3、從表 4-10 之回測結果可發現，若變數相關性僅利⽤顯著技術指標做回測，得到之

勝率幾乎都低於 50%，但於本研究有限制在賣出時需有獲利才做賣出，故每個模型

之交易結果皆有正向年化報酬率。

4、於表 4-11 納⼊法⼈顯著指標後回測結果中，發現在利⽤變數相關性之交易策略得

到之報酬似乎⽐⽤ DNN 模型來的⾼。以 OLS2 來看，在勝率⽅⾯與 DNN 模型差異

不⼤，但在交易次數上則較 DNN 模型多，若每次交易皆為正報酬，得到之報酬率

的確會較 DNN 模型之報酬率⾼。再以 OLS3 來看，次數上與 DNN 模型皆不多，但

在勝率上則明顯較 DNN 模型⾼，故相對來說報酬率部分也較 DNN 模型來的⾼。

5、將變數相關性及深度學習之回測結果做⽐較，勝率⽅⾯如下表 4-12 所⽰，相較之

下以納⼊法⼈顯著指標後之勝率較利⽤技術指標⾼，外資及投信買賣超之數量似乎

能提⾼模型回測的勝率。

表 4-12 各模型勝率⽐較

6、⽽在報酬率的部份，如下表 4-13，則以⾃變數之變動量得到之模型(OLS3、DNN4、

DNN5、DNN6)較原始⾃變數得到之模型(OLS2、DNN1、DNN2、DNN3)來的⾼。


技術指標 42.86 50.00 34.62 45.00 36.84 23.08 33.33 31.25

納⼊法⼈

顯著指標 54.55 80.00 54.55 61.54 40.00 60.00 60.00 50.00


18

表 4-13 各模型報酬率⽐較

7、於回測期間採⽤本研究之交易策略，在考量勝率及報酬率下，使⽤技術指標差分後

之變數，搭配顯著法⼈買賣超數量差分後之變數得到的模型(OLS3、DNN4、DNN5、

DNN6)，皆能在較⾼準確度下超越台股加權指數報酬率，可得知法⼈中之外資及投

信的買賣超數量，對於台積電股票之報酬具有影響⼒，報酬率⽐較如下表 4-14。

表 4-14 本研究模型及台股加權指數報酬率⽐較表3

模型 OLS3 DNN4 DNN5 DNN6 台股加權指數

累積報酬率 46.69% 31.13% 31.65% 36.54% 19.88%

年化報酬率 13.62% 9.46% 9.60% 10.94% 6.41%

8、本研究再利⽤夏普⽐率(Sharpe Ratio)對台積電個股及台股加權指數做績效評估，得

到結果如下表 4-15。由表中可得知，在同時考量收益與⾵險下，台積電相較台股加

權指數之報酬相對⾵險較低，由本研究提出之投資決策模式具有較穩健之績效。

表 4-15 台積電及台股加權指數之夏普⽐率

標的台積電台股加權指數

夏普⽐率 0.71 0.41

第五章結論

許多投資⼈認為外資、投信及⾃營商等機構之交易⾏為對於台股之⾛勢及投資報酬

有所影響，因此法⼈於股市之交易⾏為常為市場上關注的焦點。本研究利⽤⼈⼯智能技

術輔助，來深⼊探討外資、投信和⾃營商等法⼈之買賣超⾏為是否對於台積電個股有預

測能⼒。以往⽂獻探討法⼈買賣超與台灣股市報酬之關係時，⼤多使⽤迴歸分析或事件

研究法加以探討，本研究除迴歸分析外另納⼊深度學習，探討在深度神經網路下，是否

能得到較準確之預測結果。 3台股加權指數報酬率資料來源：投資級經濟指標使用指南 stock-ai.com (擷取日期:108 年 3

月 15 日)


技術指標 9.7712 16.5164 3.9443 4.4718 1.2178 5.3799 15.0740 14.6702

納⼊法⼈

顯著指標 13.4310 13.6233 8.7843 6.8783 9.4240 9.4552 9.5986 10.9385


19

經實證結果可得知，於變數中技術指標部分，相較之下以乖離率(BIAS)對報酬率較

有關聯，⽽在法⼈買賣超部分，則以外資(Foreign Investors)及投信(Investment Trust)買賣

超數量對報酬率較有顯著影響。不論是⽤迴歸模型或是深度神經網路(DNN)在本研究設

定之交易策略下，勝率似乎無顯著差異，但兩種模型皆以納⼊法⼈顯著指標後之勝率較

利⽤技術指標⾼，故本研究認為法⼈中之外資及投信的買賣超數量，對於台積電股票之

報酬存在影響⼒。⽽透過本研究所提出之交易策略，於回測期間得到之報酬較台股加權

指數報酬率⾼，其投資決策模式具有⼀定程度的可⾏性，可供投資⼈作為未來投資的判

斷依據。

本研究測試法⼈買賣超數量搭配技術指標對於預測隔⽇漲跌和對於報酬的影響，最

終可以發現在各迴歸模型中，顯著的變數不多，⽽在深度學習中複合指標搭配的部分，

雖然各組合預測準確率幾乎都達六成以上，但較難判別出何者較佳，顯⽰出本研究未來

仍可有許多進步空間，以下列出幾點建議：

⼀. 找出不同技術指標的個股最佳參數值(天期)，再帶⼊模型做複合指標搭配，測試使

否能得到更⾼的準確度。

⼆. 可採⽤其他相關技術指標搭配法⼈買賣超來做測試，找出其他能夠影響股價的因

素，測試複合指標的搭配是否能夠提⾼報酬率。

三. 可將法⼈買賣超變數分別作探討對報酬之影響。

四. 本研究僅採⽤台積電做為研究對象，個股公告的重⼤訊息，可能對股價報酬率有

即時性影響，使相關指標資訊相較下影響較不顯著，建議採⽤多組樣本資料，避

免因個股因素影響模型的準確度，以提⾼預測準確率。

五. 本研究股價資料採⽤未調整收盤價，建議可採⽤調整後收盤價，探討在考慮除權

除息資訊後，是否能提⾼勝率及報酬率。

六. 可考慮使⽤不同的類神經演算法或其他統計⽅法，⽐較演算法間績效報酬的差異

性。

參考⽂獻

⼀、中⽂部分

1. ⽯濟豪(2014)，技術分析指標複合的搭配及預測-以台灣加權股價指數為例，國⽴暨

南國際⼤學國際企業學系研究所碩⼠論⽂。


20

2. 江典⾳(2012)，類神經網路應⽤於台灣 50 投資策略之研究，東吳⼤學財務⼯程與精

算數學系碩⼠論⽂。

3. 呂岳暘 (2016)，探討法⼈買賣超對股票報酬之影響，國⽴⾼雄⼤學國際⾼階經營管

理碩⼠在職專班(IEMBA)碩⼠論⽂。

4. 林可依(2003)，台灣上市股市法⼈買賣超是否可提供投資⼈短期獲利機會，國⽴東

華⼤學國際經濟研究所碩⼠論⽂。

5. 范聖培(2014)，法⼈之買賣超⾏為對股價短期報酬之研究，國⽴中央⼤學財務⾦融

學系在職專班碩⼠論⽂。

6. 張哲綸(2011)，以技術指標建⽴股價預測模型之研究－倒傳遞類神經網路模型應⽤，

國⽴臺灣海洋⼤學電機⼯程學系碩⼠論⽂。

7. 葉雅玲(2009)，產業別股票價量關係，淡江⼤學財務⾦融學系碩⼠在職專班碩⼠論

⽂。

8. 廖振宏(2018)，利⽤資料探勘技術預測臺灣股票買賣時點，東吳⼤學財務⼯程與精

算數學系碩⼠論⽂。

9. 簡壬申(2015)，類神經網路在股票預測之獲利可能性研究 -以台灣 50 成分股為例，

國⽴雲林科技⼤學財務⾦融系碩⼠論⽂

10. 魏明洲(2016)，探討⽉營收資訊與法⼈買賣超對個股報酬之影響，國⽴⾼雄⼤學國

際⾼階經營管理碩⼠在職專班(IEMBA)碩⼠論⽂。

⼆、英⽂部分

1. Kim, J., J. Hong, H. Park (2018), ”Prospects of deep learning for medical imaging,” Journal of Precision and Future Medicine, 2(2), 37-52

2. Nielsen, M. (2015), ”Neural Networks and Deep Learning,” Determination Press, Chapter 1&5.

三、網站部分 1. Veon, L. B. (2016), How to work by deep neural network? Retrieved March 22, 2019,

from URL: https://medium.com/%E4%B8%80%E4%BA%BA%E5%A4% 9A%E5 %B7%A5%E5%B7%A5%E4%BD%9C%E5%AE%A4

Documents

Applying the Artificial Intelligence Neural Network to ... · 以⼈⼯智能神經網路探討法⼈買賣超對於股票 投資績效之研究 Applying the Artificial Intelligence

Applying the Artificial Intelligence Neural Network to ... · 以⼈⼯智能神經網路探討法⼈買賣超對於股票投資績效之研究 Applying the Artificial Intelligence