第四章 研究結果
第二節 實驗二:新聞分群
4.2.1 各公司之上漲與下跌類別內分群
國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
第二節 實驗二:新聞分群
在新聞分類結束後,我們將上漲與下跌類別內的新聞利用 2-way kNN 演 算法做細部的分群,參數設定方面則依照前測實驗之結果,k 值為 5,文件 相似度門檻值設定為 0.1。
4.2.1 各公司之上漲與下跌類別內分群
1. 宏達國際電子股份有限公司(宏達電):
我們將宏達電之上漲類別利用 2-way kNN 演算法進行分群,表 4.7 為宏 達電之個股新聞的上漲類別分群結果:
表 4.719宏達電上漲類別分群結果
群集 隔日漲跌幅 群集 隔日漲跌幅 群集 隔日漲跌幅
1 3.0% 8 5.5% 15 6.9%
2 3.5% 9 4.1% 16 6.9%
3 1.2% 10 3.4% 17 -2.0%
4 1.4% 11 0% 18 1.5%
5 0.1% 12 1.3% 19 0.2%
6 3.5% 13 3.1% 20 4.1%
7 4.0% 14 3.2% 21 5.9%
(資料來源:本研究整理)
從上表分群結果中可發現 21 個群集中,有 19 個群集的隔日漲跌幅呈現 上漲趨勢,1 個群集呈現持平,另外有 1 個群集呈現下跌趨勢。而本研究從 21 個群集中,抽出漲幅前 1/3 高,共 8 個重要的群集,做投資正確率分析,
下表為分析結果:
40
‧
‧
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
表 4.1224台積電重要上漲群集投資正確率 預測漲跌
實際漲跌 上漲 投資正確率 兩日累積投資 報酬率 實際上漲 9 0.818 6.0%
實際下跌 2 0.182 -1.5%
(資料來源:本研究整理)
上表的結果中,重要上漲群集中的新聞,實際造成上漲的正確率達到 0.818,而實際上漲的平均兩日報酬率有 6.0%,表示只要依照此預測模型內,
上漲類別內的重要群集作為做多投資標準,有超過八成的機會能夠獲得超額 的報酬,獲得報酬的期望值為 4.91%。
接著,我們將台積電之下跌類別利用 2-way kNN 演算法進行分群,表 4.13 為台積電之個股新聞的下跌類別分群結果:
表 4.1325台積電下跌類別分群結果 群集 隔日漲跌幅 群集 隔日漲跌幅
1 -0.2% 4 0.1%
2 -0.6% 5 -3.1%
3 -1.8% 6 -1.3%
(資料來源:本研究整理)
從上表分群結果中可發現 6 個群集中,有 5 個群集的隔日漲跌幅呈現下 跌趨勢,1 個群集呈現上漲趨勢。而本研究從 6 個群集中,抽出前跌幅前 1/2 高,共 3 個重要的群集做投資正確率分析,下表為統計結果:
43
‧
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
表 4.1628鴻海重要上漲群集投資正確率 預測漲跌
實際漲跌 上漲 投資正確率 兩日累積投資 報酬率 實際上漲 9 0.818 1.33%
實際下跌 2 0.182 -1.0%
(資料來源:本研究整理)
上表的結果中,重要上漲群集中的新聞,實際造成上漲的正確率達到 0.818,而實際上漲的平均兩日報酬率有 1.33%,大於下跌的兩日平均報酬率 -1.0%,表示只要依照此預測模型內,上漲類別內的重要群集作為做多投資 標準,有超過八成的機會能夠獲得超額的報酬,獲得報酬的期望值為 0.91%。
接著,我們將鴻海之下跌類別利用 2-way kNN 演算法進行分群,表 4.17 為鴻海之個股新聞的下跌類別分群結果。
表 4.1729鴻海下跌類別分群結果 群集 隔日漲跌幅 群集 隔日漲跌幅
1 -3.1% 3 -0.2%
2 -2.3% 4 -1.2%
5 -0.5% 6 -1.1%
(資料來源:本研究整理)
從上表分群結果中 6 個群集中,所有群集的隔日漲跌幅呈現下跌趨勢。
本研究從 6 個群集中,抽出跌幅前 1/3 高,共 2 個重要的群集做投資正確率 分析,下表為分析結果:
45