建議

國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

因金融業主要獲利行為是資金利用效率，吸收大量資金並有效的放款或投資，負 債比率可看出資本運用效率之高低。將特徵挑選出的指標，訓練填權息預測模型，

實驗結果顯示，預測正確率高於所有上市櫃股票發出股息並填權息成功的比率，

且金融股的正確率相比非金融股高出許多，代表不同產業影響因素可能有很大差 異。

綜上所述，本研究證明了確實有關鍵因素，影響個股在完全填權息的表現，有助 於投資人選擇存股標的時，除了殖利率外有其他參考的指標。影響股利發放後短 期股價表現的指標，在完全填權息的目標上，仍是重要因素，且完全填權息預測 模型，準確率高於所有上市櫃股票填權息成功的比率，可降低投資人選擇投資標 的無法完全填權息的機率。另外，模型定義填權息所需時間為三個月內，相較於 定存須花一年時間才可獲得利率的報酬，效率上更高，值得投資人參考。

5.2.建議

對於後續的研究者，提出下列幾個建議：

(1) 完全填權息模型的觀察樣本為台灣 50 與中型 100 成分股，因研究變數上包含 企業財務資訊，故以「非金融業」、「金融業」將研究對象分為兩類組，而從 結果中發現「金融業」樣本的預測正確率較佳。本研究中並無探討其他產業 的預測效果，由於不同的產業其財務報表有著不同的意涵，因此可透過細分 不同產業，影響填權息之特性可能不同加以探討，並能提昇預測的正確率。

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

(2) 2013 年台灣上市櫃公司編製財務報表準則更換為國際會計準則(IFRSs)，由 於受限於會計準則變更後，財務資料認列方式不同，故本文僅探討 2013 年到 2016 年間的資料，後續研究者可拉長研究期間，藉由擴大樣本數，來提高研 究的穩健度。而實施已 20 年的兩稅合一政策，於今年列入稅改要項之一，稅 改方向可能將股利所得採分離課稅，兩稅合一是否稅制不公或仍有爭議，但 取消後對存股族的衝擊，是否影響填權息重要因素的改變，模型的適用性值 得後續探討。

(3) 本研究設定的完全填權息時間為一季，樣本公司為最能代表台灣股票市場的 前 150 間市值公司。一般來說投資定律為高風險伴隨高報酬，風險最低、利 率最低的定存，獲得報酬的時間為一年。因此定存股若想針對銀行定存相比 較，研究上可再將完全填權息的時間放大到一年，樣本放大到台股全部上市 櫃公司，並將殖利率低於定存利率的樣本去除，以此條件設立之模型亦可供 定存股投資人參考。

‧

‧

[19]林宗勳(2006)，Support Vector Machines 簡介，國立台灣大學通訊與多媒 體實驗室。

[20]謝佩鈞(2015)，Full Bandwidth RBF 核函數參數自動挑選法與其在特徵選 取之應用，國立臺中教育大學教育測驗統計研究所碩士論文。

[21]陳士杰(2005)，決策樹學習，國立聯合大學訊管理學系。

[22]施雅月、賴錦慧(譯)(2000)，資料探勘（原作者：Pang-ning Tan, Michael Steinbach and Vipin Kumar），臺北市：培生教育出版股份有限公司。

[23]Elton, E. J., & Gruber, M. J. (1970). Marginal stockholder tax rates and the clientele effect. The Review of Economics and Statistics, 68-74.

[24]Kalay, A. (1984). The ex‐dividend day behavior of stock prices: a re‐

examination of the clientele effect. The Journal of Finance, 39(2), 557-561.

[25]Sikora, R., & Piramuthu, S. (2007). Framework for efficient feature selection in genetic algorithm based data mining. European Journal of Operational Research, 180(2), 723-737.

[26]Whitney, A. W. (1971). A direct method of nonparametric measurement selection. IEEE Transactions on Computers, 100(9), 1100-1103.

[27]Zhu, Z., Ong, Y. S., & Dash, M. (2007). Wrapper–filter feature selection algorithm using a memetic framework. IEEE Transactions on Systems, Man, and Cybernetics, 37(1), 70-76.

[28]Kohavi, R., & John, G. H. (1997). Wrappers for feature subset selection. Artificial Intelligence, 97(1-2), 273-324.

[29]Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273-297.

[30]Miller, M. H., & Modigliani, F. (1961). Dividend policy, growth, and the valuation of shares. The Journal of Business, 34(4), 411-433.

[31]Graham, B., & Dodd, D. L. (1934). Security analysis: principles and technique. McGraw-Hill.

[32]Poterba, J. M., & Summers, L. H. (1984). New evidence that taxes affect the valuation of dividends. The Journal of Finance, 39(5), 1397-1415.

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

[33]Gordon, M. J. (1959). Dividends, earnings, and stock prices. The Review of Economics and Statistics, 99-105.

[34]Quinlan, J. R. (1979). Discovering rules by induction from large collections of example. Expert Systems in the Micro Electronics Age.

Edinburgh University Press.

[35]Quinlan, J. R. (1992). C4.5: programs for machine learning. Elsevier.

[36]Dash, M., & Liu, H. (1997). Feature selection for classification.

Intelligent Data Analysis, 1(1-4), 131-156.

[37]Dieterle, F. J. (2003). Multianalyte quantifications by means of integration of artificial neural networks, genetic algorithms and chemometrics for time-resolved analytical data.

[38]Jain, A., & Zongker, D. (1997). Feature selection: evaluation, application, and small sample performance. IEEE Transactions on Pattern Analysis and Machine Intelligence, 19(2), 153-158.

[39]Duda, R. O., Hart, P. E., & Stork, D. G. (2012). Pattern classification. John Wiley & Sons.

[40]Sun, W., Chen, J., & Li, J. (2007). Decision tree and PCA-based fault diagnosis of rotating machinery. Mechanical Systems and Signal Processing, 21(3), 1300-1317.

[41]Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data mining:

practical machine learning tools and techniques. Morgan Kaufmann.

[42]Drazin, S., & Montag, M. (2012). Decision tree analysis using weka.

Machine Learning-Project II, University of Miami.

[43]Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861-874.