本研究以機器學習決策樹演算法探討總體經濟變數、籌碼面資料、系統風險相關變數以及與航運類股產業相關變數對於台灣航運類股股價漲跌的影響，研究期間為2002年至2017年6月之月資料，包含七檔航運股與23種研究變數，並檢驗機器學習決策樹的預測準確度與做為交易策略的績效。研究結果顯示，所有決策樹預測準確率落於約50％至70％之間，而若以決策樹模型做為2012年至2017間的交易策略，在考慮交易成本情況下以長榮表現為最佳，在5年的期間累積有151.79%的累積報酬率，再來為散裝航運的新興、台航，分別有著72.56%、25.79%的累積報酬，而整體而言採用決策樹預測的交易策略累積報酬明顯優於長期持有策略。最後，本研究從每檔決策樹模型中的規則與文獻做連結，並發現S&P500月變動率(落後二期)、台灣同時指標綜合指數變動率(落後一期) 、北海布蘭特原油現貨變動率(落後二期) 、波羅地海乾貨綜合運費指數變動率(落後二期)可做為預測航運股漲跌的參考。

This paper uses macroeconomic variables, institutional investors data, systematic risk variables and shipping industry related variables to forecast Taiwan transportation stocks returns through the application of Classification and Regression Trees. We use 7 Taiwan transportation stocks and 23 variables from 2002 to 2017 June and examine the prediction accuracy and its performance as a trading strategy of the decision tree model. The results show that the accuracy rate of all decision tree predictions is between 50% and 70%. In addition, by using the decision tree model as the trading strategy between 2012 and 2017, Evergreen Marine was the best of all transportation stocks with a cumulative return rate of 151.79% over a five-year period, followed by Sincere Navigation and Taiwan Navigation with cumulative returns of 72.56% and 25.79%, respectively. In general, the trading strategy based on decision tree prediction is significantly better than the long-term holding strategy with considering transaction costs. Finally, this study links between the rules from decision tree model and the history research, and it also found that the S&P 500 monthly return (lagging behind in the second period), the Taiwan’s Coincident Indicators composite index change rate (lagging behind in the one period), the North Sea Brent Crudev’s oil price change rate (lagging behind the second period), and the Baltic Dry Index (BDI) change rate ( Behind the second period) can be used as a reference for forecasting the direction of Taiwan transportation stocks.

論文審定書 i
摘要 ii
Abstract iii
第一章 緒論 1
1.1論文簡介 1
第二章 文獻探討 3
2.1決策樹相關文獻回顧 3
2.2總體經濟相關文獻回顧 4
2.3航運股相關文獻回顧 5
第三章 研究方法 6
3.1研究流程 6
3.2逐步迴歸變數篩選 9
3.3機器學習決策樹簡介 10
第四章 實證結果 12
4.1敘述統計 12
4.2逐步迴歸之結果 14
4.3決策樹之實證結果 31
4.4預測漲跌下之模擬分析 39
第五章 結論 46
5.1結論 46
5.2 研究限制 47
參考文獻 48
附錄 50

中文文獻
1. 王珮紋(2012)，利用資料探勘技術建立現金預測模式：決策樹方法之應用，中正大學會計與資訊科技學系學位論文。
2. 申立銘(1999)，台灣總體經濟指標與財務指標在選股策略上的應用─以上市、上櫃航運類股為例，國立海洋大學航運管理學系碩士論文。
3. 林政賢(1998)，台灣地區總體經濟指標對上市電子產業股價之關係研究，國立中興大學企業管理學系碩士論文。
4. 林鴻鈞(2015)，結合競爭優勢分析之投資策略及決策樹於股價趨勢預測，成功大學會計學系學位論文 ，1 - 63。
5. 周明道、陳鵬百(2013)，臺灣散裝航運類股指數與波羅的海綜合運價指數關聯性分析，航運季刊，第二十二卷，第二期，85-103。
6. 胡天佑(2011)，台灣航運股股價與總體經濟的關聯性-類神經網路模型之應用，臺北大學國際財務金融碩士在職專班學位論文。
7. 徐偉強(2012)，基本面、籌碼面與總體經濟對台灣半導體產業股票報酬影響之研究，交通大學工業工程與管理系所學位論文，1–60。
8. 施正宏(2004)，結合總體經濟指標及個股財報資料以預測個股漲跌--以台灣電子類股為例，中原大學資訊管理研究所學位論文。
9. 黃塘詅(2014)，台灣主要上市散裝航運公司之股價影響因素之探討，中山大學財務管理學系研究所學位論文。
10. 蔡明翰(2008)，應用ARIMA與GARCH模式於台灣運輸產業股價之預測，交通大學運輸與物流管理學系所學位論文。
11. 張瑛淑(2010)，台股指數、美股指數的預測及兩者關聯性之分析，屏東大學應用數學系博碩士論文。
12. 鄧勝元(1999)，總體經濟因素對電子類及金融類股價指數相關性之研究，國立中興大學企業管理學系碩士論文。
13. 謝文馨(2007)，總體經濟變數與股價指數之關聯性研究－以台灣為例，國立成功大學企業管理學系碩博士班碩士論文。

英文文獻
1. Abdullah, D.A. and Hayworth, S.C. (1993). Macroeconomics of Stock Price Fluctuations. Quarterly Journal of Business and Economics, 32, pp50-67.
2. Albanis, G. and Batchelor, R. (2000). Five classification algorithms to predict high performance stocks. In Dunis, C., editor, Advances in Quantitative Asset Management, pp 295–318.
3. Breiman, L., Friedman, J., Olshen, R., and Stone, C. (1984). Classification and Regression Trees. Wadsworth, Belmont, California.
4. Costas TH Grammenos & Angelos G Arkoulis. (2002). Macroeconomic Factors and International Shipping Stock Returns. International journal of maritime economics,p 81–99.
5. Delen.D, Kuzey.C and Uyar.A.(2013). Measuring firm performance using financial ratios: A decision tree approach. Expert Systems with Applications Volume 40, Issue 10, pp 3970-3983.
6. Kao, D. and Shumaker, R. (1999). Equity style timing. Financial Analysts
Journal, 55(January/February): pp37–48.
7. Malliaris.A.G and Malliaris.M.(2015). What drives gold returns? A decision tree analysis. Finance Research Letters
Volume 13, pp 45-53.
8. Martinez, W. L. and Martinez, A. R. (2002). Computational statistics handbook
with MATLAB. Chapman and Hall/CRC.
9. Nasseri.A.A, Tucker.A and Cesare.S.(2015). Quantifying StockTwits semantic terms’ trading behavior in financial markets: An effective application of decision tree algorithms. Expert Systems with Applications Volume 42, Issue 23, pp 9192-9210
10. Roko,I and Gilli,M. (2008). Using economic and financial information for stock selection. Computational Management Science, pp317–335.
11. Sorensen, E., Miller, K., and Ooi, C. (2000). The decision tree approach to stock selection. Journal of Portfolio Management, pp 42–52.
12. V. Vance Roley & Lawrence D. Schall. (1988). Federal deficits and the stock market. Economic Review, Federal Reserve Bank of Kansas City, issue Apr, pp 17-27.
13. Velikova, M. and Daniels, H. (2004). Decision trees for monotone price models. Computational Management Science, 1(3): pp231–244