請用此 Handle URI 來引用此文件:
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/77431
完整後設資料紀錄
DC 欄位 | 值 | 語言 |
---|---|---|
dc.contributor.advisor | 曹承礎 | |
dc.contributor.author | Chun-Chien Wang | en |
dc.contributor.author | 王純鍵 | zh_TW |
dc.date.accessioned | 2021-07-10T22:01:37Z | - |
dc.date.available | 2021-07-10T22:01:37Z | - |
dc.date.copyright | 2019-01-31 | |
dc.date.issued | 2019 | |
dc.date.submitted | 2019-01-25 | |
dc.identifier.citation | 1. 中華民國投信投顧公會
https://www.sitca.org.tw/ROC/Industry/IN4001.aspx?PGMID=IN0401,搜尋日期:2018年12月1日。 2. LINE台灣官方網站 https://linecorp.com/zh-hant/,搜尋日期:2018年12月1日。 3. 金融監督管理委員會,金融科技政策白皮書 https://www.fsc.gov.tw/ch/home.jsp?id=517&parentpath=0,7,478,搜尋日期:2018年12月1日。 4. D. H. Hubel, T. N. Wiesel. Receptive Fields, Binocular Interaction And Functional Architecture In The Cat's Visual Cortex. Journal of Physiology, 1962. 5. S. Hochreiter, J. Schmidhuber. Long Short-Term Memory. Neural Computation, 9(8):1735-1780, 1997. 6. 張益華,藉由深度學習架構進行肺結節分類問題,碩士論文,國立台灣科技大學,台北,2014。 7. 林祖安,以深度學習為基礎的自然語言交談系統,碩士論文,國立中山大學,高雄,2017 8. 黃君平,基於深度學習概念之金融市場價格預測,碩士論文,國立交通大學,新竹,2016 9. 陳宥然,基於深度學習之人臉特徵與屬性識別,碩士論文,國立台灣科技大學,台北,2016 10. 陳委儒,基於注意力機制長短期記憶深度學習之機器剩餘可用壽命預估,碩士論文,國立中央大學,桃園,2018 11. 吳建霆,以深度學習LSTM網路演算法建立混合車道之機車行為模式,碩士論文,淡江大學,2018 12. 林家慶,以深度學習進行新聞頭條與股市漲跌關聯性之研究,碩士論文,台灣科技大學,2018 13. Dominik Moulliet,The expansion of Robo-Advisory in Wealth Management,Deloitte Consulting,2016 14. 林世華,消費者對理財機器人接受意願的關鍵成功因素,碩士論文,文化大學,2017 15. 方俐潔,投資組合績效導入金融科技的機器人理財-以台灣股票市場為例,淡江大學,2017 16. 劉哲宏,投資人對機器人理財接受度探討 以金融從業人員判斷為例,碩士論文,淡江大學,2017 17. 江員,科技創新與創新擴散理論探討投資人對理財機器人顧問之接受度,碩士論文,台灣科技大學,2018 18. 李政綱,應用深度學習於機器人理財之投資組合最佳化,碩士論文,淡江大學,2018 19. 王瑤玲,運用個案實證法模擬理財機器人投資策略的績效與風險研究,碩士論文,中央大學,2018 20. 陳韻安,台灣推行虛擬銀行相關業務之可行性探討,碩士論文,臺灣大學商學研究所,2018 21. 鄭超文,點線面賺錢術技術分析詳解,財訊出版社,2006 | |
dc.identifier.uri | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/77431 | - |
dc.description.abstract | 近年來資訊科技的發展與不斷被討論的金融科技創新議題,提高了理財機器人的討論度。不論是銀行提供給財富管理的客戶的需求,或是證劵公司與投信公司因人力縮編而考量自動化選股,因應這波金融科技創新的趨勢,國內外許多單位已經開始投入資源發展相關的服務機制,以符合未來數位化理財投資的需求。
要發展理財機器人,如果沒有深度學習的方法,單靠過去的股票分析機制,像基本面分析或是技術分析,無法透過單一種的分析機制,來取得股票獲利的機會。 深度學習法從1980年福島岡彥提出人工神經網路至今,這將近四十年的期間已經累積了許多方法。 本研究將透過2009年,由賽普•霍克賴特和于爾根•施密德胡伯提出的長短期記憶神經網路(LSTM),透過實驗設計,考慮股票分析中基本面分析與技術面分析並同時加入型態分析中的酒田戰法的策略邏輯,借重LSTM深度學習的功能,建立高報酬的理財機器人的投資系統。 | zh_TW |
dc.description.abstract | In recent years, due to the development of information technology and financial technology innovation, the application of financial robots, whether it is provided to the bank's wealth management customers at the bank, or the securities company and the investment company, they plan to develop the service of robo advisors to increase profits to customers and reduce cost for their operation and has begun to invest in resource development related service mechanisms and provide it to customers as one of virtual banking service.
To develop robo advisors , if there is no mechanism for deep learning, relying on past stock analysis mechanisms, such as fundamental analysis or technical analysis, there is no way to obtain stock profitability through a single analysis mechanism. The deep learning method has been based on the artificial neural network proposed by Fukushima Okayama in 1980. This has accumulated many methods for nearly four decades. This study will consider both fundamental and technical aspects of stock analysis and simultaneous analysis of long- and short-term memory neural networks (LSTM) proposed by Sepp Hawkett and Jurgen Schmidh Huber in 2009. Joining the strategy logic of Jiuquan's tactics in the type analysis, through the experimental design, through the mechanism of deep learning, the investment system of high-paying wealth management robots is established. | en |
dc.description.provenance | Made available in DSpace on 2021-07-10T22:01:37Z (GMT). No. of bitstreams: 1 ntu-108-P03748035-1.pdf: 8073938 bytes, checksum: c1938ab1d75879676fa6b416a2158ab6 (MD5) Previous issue date: 2019 | en |
dc.description.tableofcontents | 目錄
口試委員會審定書 ii 誌謝 iii 中文摘要 iv THESIS ABSTRACT v 目錄 vi 圖目錄 viii 表目錄 x 第一章 緒論 1 第一節、研究背景與動機 1 第二節、研究範圍與對象 2 第三節、研究限制 4 第四節、研究流程 4 第二章 文獻探討 6 第一節、深度學習 6 第二節、機器人理財 12 第三節、證劵投資分析方法 17 第三章 演算法與系統架構 19 第一節、股市預測介紹 19 第二節、研究分析方法與特性 20 第三節、資料前處理 26 第四節、實驗評估與LSTM模型 27 第四章 實驗設計與結果 31 第一節、實驗設計方法 31 第五章 結論與建議 49 第一節、實驗結論 49 第二節、未來研究方向 51 參考文獻 52 附錄 54 圖目錄 圖1 1:私募基金代操金額年變化表 2 圖1 2:研究流程 5 圖2 1:LSTM模型 7 圖2 2:LSTM五種運算型態 7 圖2 3:機器人理財的演進過程 12 圖3 1:分析方法說明圖 20 圖3 2:相關參數之間關聯圖 21 圖3 3:均線參考邏輯示意圖 21 圖3 4:大陽線的範例說明 22 圖3 5:帶有上影線的大陽線範例說明(1) 23 圖3 6:帶有上影線的大陽線範例說明(2) 23 圖3 7:大陰線的範例說明 24 圖3 8:覆蓋線的範例說明 25 圖3 9:十字星的範例說明 26 圖3 10:型態比對後資訊總覽 27 圖3 11:LSTM 程式 28 圖3 12:LSTM相關運算參數 28 圖3 13:LSTM模型與運算模式 29 圖3 14:LSTM運算模擬 29 圖3 15:LSTM運算模擬 30 圖4 1:實驗一預測一天後標的實驗分數結果圖 34 圖4 2:實驗一預測五天後標的實驗分數結果圖 35 圖4 3:實驗一預測十天後標的實驗分數結果圖 36 圖4 4:實驗二預測一天後標的實驗分數結果圖 38 圖4 5:實驗二預測五天後標的實驗分數結果圖 39 圖4 6:實驗二預測十天後標的實驗分數結果圖 40 圖4 7:實驗三預測一天後標的實驗分數結果圖 42 圖4 8:實驗三預測五天後標的實驗分數結果圖 43 圖4 9:實驗三預測十天後標的實驗分數結果圖 44 圖4 10:實驗四預測一天後標的實驗分數結果圖 46 圖4 11:實驗四預測五天後標的實驗分數結果圖 47 圖4 12:實驗四預測十天後標的實驗分數結果圖 48 圖5 1:本研究實驗結果整理 50 表目錄 表1 1:主要金融科技發展總覽 4 表2 1:深度學習相關文獻彙整表 8 表2 2:機器人理財相關文獻彙整表 13 表3 1:實驗設計資料蒐集表 20 表3 2:證劵交易所每日個股資料表 26 表4 1:本實驗所選用台灣50標的股票 31 表4 2:本研究實驗組成一覽表 32 表4 3:實驗一取用參數特性表 33 表4 4:實驗一預測一天後結果表 34 表4 5:實驗一預測五天後結果表 35 表4 6:實驗一預測十天後結果表 36 表4 7:實驗二取用參數一覽表 37 表4 8:實驗二預測一天後的實驗結果 38 表4 9:實驗二預測五天後實驗結果 39 表4 10:實驗二預測十天後實驗結果 40 表4 11:實驗三取用參數一覽表 41 表4 12:實驗三預測一天後實驗結果 42 表4 13:實驗三預測五天後實驗結果 43 表4 14:實驗三預測十天後實驗結果 44 表4 15:實驗四取用參數一覽表 45 表4 16:實驗四預測一天後實驗結果 46 表4 17:實驗四預測五天後實驗結果 47 表4 18:實驗四預測十天後實驗結果 48 | |
dc.language.iso | zh-TW | |
dc.title | 深度學習法在理財機器人應用之研究:
台灣50成分股公司為例 | zh_TW |
dc.title | Research on Deep Learning Method in the Application of
Financial robo advisors: Taiwan's 50 constituent stocks as an example | en |
dc.type | Thesis | |
dc.date.schoolyear | 107-1 | |
dc.description.degree | 碩士 | |
dc.contributor.coadvisor | 陳鴻基 | |
dc.contributor.oralexamcommittee | 盧信銘 | |
dc.subject.keyword | 深度學習法,理財機器人,長短期記憶神經網路, | zh_TW |
dc.subject.keyword | Deep learning,robo advisors,LSTM, | en |
dc.relation.page | 57 | |
dc.identifier.doi | 10.6342/NTU201900186 | |
dc.rights.note | 未授權 | |
dc.date.accepted | 2019-01-25 | |
dc.contributor.author-college | 管理學院 | zh_TW |
dc.contributor.author-dept | 商學組 | zh_TW |
顯示於系所單位: | 商學組 |
文件中的檔案:
檔案 | 大小 | 格式 | |
---|---|---|---|
ntu-108-P03748035-1.pdf 目前未授權公開取用 | 7.88 MB | Adobe PDF |
系統中的文件,除了特別指名其著作權條款之外,均受到著作權保護,並且保留所有的權利。