近期電腦運算能力的提升及深度學習模型的改善，將深度學習運用在證券市場也是許多投資機構想要發展的領域，學術上財務界也希望透過人工智慧將複雜且多變難以掌控的股票趨勢，透過演算法的方法將之歸納出來，找到一個適當的進場邏輯，來幫助廣大的投資機構投資人以及散戶投資人，在股票市場中面對千變萬化的因素影響的狀況下，能夠穩定獲利及避開損失。本論文用實務界常用的股票型態作為基礎，利用技術指標特徵及型態特徵放進深度學習中演算後得到預測漲跌的結果，探討深度學習的有效性，幫助投資人在股票市場獲取超額報酬。
第一步驟為將中國股票與台灣股票依照型態辨識法做紀錄並且分成16個型態紀錄勝率及報酬。第二步驟將交易策略與技術指標與特徵合併。第三步驟將特徵篩選有效的且標準化後打亂訓練其交易策略。第四步驟利用深度學習模型訓練並預測後記錄勝率及報酬，第五步驟實證結果比較與利用T檢定做判斷優化效果。
實證結果發現，深度學習優化原本型態辨識的交易策略績效在短天期較為顯著，但是訓練單一市場比訓練多市場績效顯著。

Due to the improvement of computing power of hardware and the software of Deep Learning model, a lot of Institutional investors have been using Deep Learning in developing investment strategies. Besides, scholars in Finance field also strive to predict complex stock trend by using artificial intelligence and the method of algorithm to generalize the trend of stock, further finding an adaptive stock buying logic to help the investors to gain and stop loss in this highly dynamic and uncertain stock market. Basically, we conduct stock pattern recognition which is broadly used in the practice fields. I also input trading data with technical indicator and stock pattern characteristic into the Deep Learning model in order to get the result of predicting trend. I further empirically test the Deep Learning and help investors gain excess return in the stock market.
First, we classify Chinese stock and Taiwanese stock data into 16 types by stock pattern recognition and verify the returns and gain probability. Second, I combine technical indicators and stock characteristics. Third, after choosing good characteristic and standardizing the feature data, we randomly sort the training data. Forth, after using Deep Learning model to train and predict, we obtain the return and gain probability. Fifth, I investigate practice results and use student’s t test to check significance of the results.
From the empirical results, Deep Learning model significantly improve the original trading strategy performance, and training data using one market is better than using two markets.

論文審定書 i
致謝詞 ii
摘要 iii
Abstract iv
表次 viii
圖次 x
第一章 緒論 1
第一節 研究動機與背景 1
第二節 研究目的 2
第三節 研究流程 3
第二章 文獻探討 6
第一節 技術指標與型態辨識 6
1.指數平滑異同移動平均線(MACD) 6
2.隨機指標(KD) 7
3.移動平均線(MA) 8
4.布林通道 8
第二節 深度學習 9
第三節 特徵挑選 11
第三章 研究方法 12
第一節 前言 12
第二節 型態辨識 13
1.抓取股價資料頭部與底部 13
2.抓取的型態 14
第三節 多層感知器(MLP)與學習式向量量化（LVQ）模型 16
1.多層感知器(MLP) 16
2.前向傳播（Forward Propagation） 17
3.反向傳播（Back Propagation） 17
4.學習式向量量化（LVQ）模型 19
5.特徵標準化 19
第四節 交易策略與模型設計 20
1.激活函數(Activation Function) 20
2.損失函數(Loss Function) 22
3.優化函數(Optimizer Function) 23
第五節 績效指標 27
第四章 實證結果 29
第一節 型態辨識後台灣股票市場訓練後再預測台灣股票市場 29
1.樣本說明 29
2.績效表現 30
第二節 型態辨識後台灣加中國股票市場訓練後再預測台灣股票市場 49
1樣本說明 49
2.績效表現 49
第三節 T檢定驗證深度學習效果 68
1.T檢定 68
2.台灣股票市場資料預測台灣股票T檢定結果 69
3.中國股票市場加台灣股票市場預測台灣股票T檢定結果 70
第五章 結論 71
第一節 結論 71
第二節 後續研究建議 72
參考文獻 74
中文文獻 74
英文文獻 76
附錄A 特徵因子的使用及計算方式: 78

中文文獻
1.王培宇(2012)，「DIF_KD技術指標應用於台灣股票市場之實證研究」，碩士論文， 東海大學財務金融學系。
2.牟聖遠(2014)，「台灣股市技術分析實證-以KD指標、RSI指標、MACD指標、DMI指標為例」，碩士論文，義守大學資訊管理學系。
3. 江沛勳(2014) 「 布林通道策略成效分析─以台灣50成分股為例」，碩士論文，成功大學企業管理系。
4.余重毅 (2016)「移動平均線在台灣股票指數期貨的應用」，碩士論文，逢甲大學財務金融學系。
5.吳忠輝(2015)「股價策略研究—以Bollinger Bands之應用在台灣50 ETF成分股」，碩士論文，高雄應用科技大學金融系金融資訊碩士在職專班。
6.林天運(2007)，「大盤未來走勢預測-KD指標的實證分析」，碩士論文，成功大學國際企業研究所。
7.陳淑玲、吳安琪、費業勳(2010)，「臺灣股票市場技術指標之研究-不同頻率資料績效比較」，碩士論文，東海大學財務金融學系。
8.許溪南、何怡滿、張瓊如(2010)「KD與MA技術指標在避險時機之應用：以台指選擇權為例」，碩士論文，逢甲大學財務金融學系。
9.陳建宇(2012)「程式交易策略實證研究- 以Bollinger Band為例An Empirical Study of Program Trading Strategies for Bollinger Band」，碩士論文，元智大學商學碩士班。
10. 莊博文「學習向量量化網路介紹」，碩士論文，台中師範學院教育測驗統計研究所。
11.董鍾祥(2014)，「技術分析無用論? ---以兩岸股市（週資料）實證分析」，碩士論文，臺灣大學國家發展研究所。
12. 鄭宇喬(2015) 「常用技術指標之實證分析—以台灣股票市場為例」，碩士論文，虎尾科技大學經營管理研究所。
13. 賴宣名(2013)「包寧傑帶狀搭配均線與KD指標之多層次股票篩選模式─以台灣股市為例」，碩士論文，嶺東科技大學高階主管企管碩士在職專班。
14.謝信誠(2017)，「技術分析型態辨識與機器學習之Smart Beta交易策略應用」，碩士論文，中山大學財務管理學系。












英文文獻
1. Birgul Egeli.,& Meltem Ozturan.,& Bertan Badur(2015). Stock Market Prediction Using Artificial Neural Networks.
2. Darmadi Komo.,& Chein-I Chang.,& Hanseok KO(1994). Neural Network Technology For Stock Market Index Prediction. International Symposium on Speech, Image Processing and Neural Networks.
3. Darmadi Komo.,& Chein-I Chang.,& Hanseok KO(1994). Neural Network Technology For Stock Market Index Prediction. International Symposium on Speech, Image Processing and Neural Networks.
4. David E. Ruineihart.,& Geoffrey E. Hint.,&Ronald J. Williams(1985). Learning Internal Representations by Error Probagation.
5. Eugene F. Fama(1970). "Efficient Capital Markets: A Review Of Theory And Empirical Work." The journal of Finance,25(2):383-417.
6. F. ROSENBLATT (1958). The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. Psychological Review,65(6):386-407.
7. G. E. Hinton.,& R. R. Salakhutdinov(2006). Reducing the Dimensionality of Data with Neural Networks. Science, 313(5786):504-507.
8. Gavin R. Lloyd.,& Richard G. Brereton.,& Rita Faria、John C. Duncan(2007). Learning Vector Quantization for Multiclass Classification: Application to Characterization of Plastics. J. Chem. Inf. Model,47(4):1553-1563.
9. Myungsook Klassen(2007). Investigation of Some Technical Indexes in Stock Forecasting Using Neural Networks. World Academy of Science, Engineering and Technology International Journal of Computer and Information Engineering.1(5):1438-1442.
10. Massoud Metghalchi.,& Juri Marcucci.,& Yung-Ho Chang(2011). Are moving average trading rules profitable? Evidence from the European stock markets. Applied Economics. 44(12):1539-1559.
11. Robert A.Levy(1971). The Predictive Significance of Five-Point Chart Pa tterns. The Journal of Business,44(3):316-323.
12. Ramazan Gençay .,& Thanasis Stengos(1998). Moving average rules, volume and the predictability of security returns with feedforward networks. Journal of Forecasting. 17(5-6):401-414.
13. Warren S. McCulloch.,& Walter Pitts(1943). A Logical Calculus of the Ideas Immanent in Nervous Activity. Bulletin of Mathematical Biolooy, 5(4):115–133.
14. Yang Degang.,& Chen Guo.,& Wang Hui.,& Liao Xiaofeng(2007). Learning Vector Quantization Neural Network Method for Network Intrusion Detection. Wuhan University Journal of Natural Sciences,12(1):147–150.