國立虎尾科技大學 |

登入

回首頁

類神經網路於技術指標之評估:以台灣加權指數為例 = = Neural N...

王麗媛

類神經網路於技術指標之評估:以台灣加權指數為例 = = Neural Network on Evaluation of Technical Indicators - An example of TAIEX /

紀錄類型:	書目-語言資料,印刷品 : Monograph/item
正題名/作者:	類神經網路於技術指標之評估:以台灣加權指數為例 =/ 王麗媛.
其他題名:	Neural Network on Evaluation of Technical Indicators - An example of TAIEX /
其他題名:	Neural Network on Evaluation of Technical Indicators - An example of TAIEX.
作者:	王麗媛
出版者:	雲林縣 :國立虎尾科技大學 , : 民113.07.,
面頁冊數:	[9], 59面 :圖, 表 ; : 30公分.;
附註:	指導教授: 吳昌憲.
標題:	Neural Networks. -
電子資源:	電子資源

類神經網路於技術指標之評估:以台灣加權指數為例 = = Neural Network on Evaluation of Technical Indicators - An example of TAIEX /
王麗媛

類神經網路於技術指標之評估:以台灣加權指數為例 =Neural Network on Evaluation of Technical Indicators - An example of TAIEX /Neural Network on Evaluation of Technical Indicators - An example of TAIEX.王麗媛. - 初版. - 雲林縣 :國立虎尾科技大學 ,民113.07. - [9], 59面 :圖, 表 ;30公分.

指導教授: 吳昌憲.

碩士論文--國立虎尾科技大學資訊管理系碩士在職專班.

含參考書目.

在2020年疫情引發的全球經濟衰退中，各國央行紛紛採取寬鬆貨幣政策，導致自2021年第2季度起，全球物價開始攀升，通貨膨脹壓力日益加劇。投資者的行為往往受情緒影響，出現過度自信與處分效應等現象。基於此背景，本研究利用人工智慧技術，構建機器學習模型，以預測台灣加權股價指數的短期趨勢，旨在幫助投資者在資訊不完全的情況下做出理性決策，避免追高殺低，實現最佳投資報酬率並減少虧損。研究方法包括蒐集台灣證券交易所和台灣期貨交易所提供的2010年12月10日至2024年5月31日的每日加權指數數據，涵蓋開盤指數、收盤指數、最高指數、最低指數及成交量、選擇權交易量比率和美元兌新台幣匯率等。同時，配合技術分析指標（KDJ）和籌碼分析指標（PUT/CALL），並應用門控循環單元（GRU）與長短期記憶（LSTM）循環神經網路演算法，從這些數據中挖掘出與台灣加權股價指數走勢的關鍵因子，進而準確預測其漲跌點數。經實驗結果驗證，本研究所使用LSTM和GRU及Dense的結合模型能夠有效地預測台灣加權股價指數的變動，也證實了技術分析指標在股市預測中的價值。.

(平裝)Subjects--Topical Terms:

995631
Neural Networks.

類神經網路於技術指標之評估:以台灣加權指數為例 = = Neural Network on Evaluation of Technical Indicators - An example of TAIEX /
LDR:04006cam a2200241 i 4500 001 1129957
008 241015s2024 ch ak erm 000 0 chi d
035 $a (THES)112NYPI1396006
040 $a NFU $b chi $c NFU $e CCR
041 0 # $a chi $b chi $b eng
084 $a 008.161M $b 1014:2 113 $2 ncsclt
100 1 $a 王麗媛 $3 1448994
245 1 0 $a 類神經網路於技術指標之評估:以台灣加權指數為例 = $b Neural Network on Evaluation of Technical Indicators - An example of TAIEX / $c 王麗媛.
246 1 1 $a Neural Network on Evaluation of Technical Indicators - An example of TAIEX.
250 $a 初版.
260 # $a 雲林縣 : $b 國立虎尾科技大學 , $c 民113.07.
300 $a [9], 59面 : $b 圖, 表 ; $c 30公分.
500 $a 指導教授: 吳昌憲.
500 $a 學年度: 112.
502 $a 碩士論文--國立虎尾科技大學資訊管理系碩士在職專班.
504 $a 含參考書目.
520 3 $a 在2020年疫情引發的全球經濟衰退中，各國央行紛紛採取寬鬆貨幣政策，導致自2021年第2季度起，全球物價開始攀升，通貨膨脹壓力日益加劇。投資者的行為往往受情緒影響，出現過度自信與處分效應等現象。基於此背景，本研究利用人工智慧技術，構建機器學習模型，以預測台灣加權股價指數的短期趨勢，旨在幫助投資者在資訊不完全的情況下做出理性決策，避免追高殺低，實現最佳投資報酬率並減少虧損。研究方法包括蒐集台灣證券交易所和台灣期貨交易所提供的2010年12月10日至2024年5月31日的每日加權指數數據，涵蓋開盤指數、收盤指數、最高指數、最低指數及成交量、選擇權交易量比率和美元兌新台幣匯率等。同時，配合技術分析指標（KDJ）和籌碼分析指標（PUT/CALL），並應用門控循環單元（GRU）與長短期記憶（LSTM）循環神經網路演算法，從這些數據中挖掘出與台灣加權股價指數走勢的關鍵因子，進而準確預測其漲跌點數。經實驗結果驗證，本研究所使用LSTM和GRU及Dense的結合模型能夠有效地預測台灣加權股價指數的變動，也證實了技術分析指標在股市預測中的價值。.
520 3 $a In the wake of the global economic recession triggered by the 2020 pandemic, central banks around the world adopted loose monetary policies, leading to a surge in global prices from the second quarter of 2021 onward, intensifying inflationary pressures. Investors' behaviors are often influenced by emotions, exhibiting phenomena such as overconfidence and the disposition effect. Against this backdrop, this study employs artificial intelligence techniques to construct machine learning models to predict the short-term trends of the Taiwan Weighted Index. The aim is to assist investors in making rational decisions despite incomplete information, thereby avoiding buying at high prices and selling at low prices, achieving optimal investment returns, and minimizing losses. The research methodology includes the collection of daily Taiwan Weighted Index data from December 10, 2010, to May 31, 2024, provided by the Taiwan Stock Exchange and the Taiwan Futures Exchange. This data encompasses opening index, closing index, highest index, lowest index, trading volume, options trading volume ratio, and the exchange rate of USD to TWD. In addition, technical analysis indicators (KDJ) and chip analysis indicators (PUT/CALL) are incorporated. The study applies Gated Recurrent Units (GRU) and Long Short-Term Memory (LSTM) recurrent neural network algorithms to uncover key factors influencing the Taiwan Weighted Index trends from this data, thereby accurately predicting its rise and fall points. Experimental results verify that the combined model using LSTM, GRU, and Dense layers can effectively predict the fluctuations of the Taiwan Weighted Index. This also substantiates the value of technical analysis indicators in stock market forecasting..
563 $a (平裝)
650 # 4 $a Neural Networks. $3 995631
650 # 4 $a Machine Learning. $3 1137723
650 # 4 $a Deep Learning. $3 1127423
650 # 4 $a 類神經網絡. $3 1451501
650 # 4 $a 機器學習. $3 995923
650 # 4 $a 深度學習. $3 1127425
856 7 # $u https://handle.ncl.edu.tw/11296/nvqgy3 $z 電子資源 $2 http