5-1 結論
本研究使用分類探勘及關聯探勘兩種方法，以個股的13 個每季的基本面或 技術面指標，包括季報酬率、ß 風險因子、負債權益比、股東權益報酬率、成交 量、周轉率、市值、股價、每股淨值、每股盈餘、淨值股價比、成長價值報酬率、
修正成長價值報酬率，建立選股模型，並以第t+2 季的季報酬率來評估選股模型。
所採用的資料為1996 到 2007 年台灣上市公司每一個季度之季資料，研究期間為 1996 年 3 月~2007 年 9 月共 12 年總和 47 季。以 1996~2001 年的 24 個季度為訓 練範例，以2002~2007 年的 23 個季度為測試範例。其中使用之因變數為第 t+2 季報酬率，以反映每年季報於真實的投資情況中公佈的時間差。分類探勘使用邏 輯迴歸、倒傳遞網路、分類樹三種演算法；關聯探勘使用Apriori 演算法。
總結如下：
一、分類探勘
測試期間誤判率由低而高依序是邏輯迴歸(0.461)、分類樹(0.4749) 、倒傳遞 網路(0.4794)；平均季報酬率由高而低依序是倒傳遞網路(6.85%)、分類樹
(6.80%)、邏輯迴歸(6.50%)，三種選股模型之表現皆優於「不採任何選股模型」
的測試期間大盤表現，表示使用資料探勘分類模型明顯有助於選股的效益。
二、關聯探勘
以t+2 季為持有期來進行投資，由訓練期間產生的高報酬規則在測試期間得 到相當優異的結果，的平均報酬率6.84%，標準差 26.57%，優於大盤(報酬率 4.78%，標準差 26.23%)與低報酬規則(報酬率 1.33%，標準差 26.39%)。
以t+3 季為持有期來進行投資，由訓練期間產生的高報酬規則在測試期間得 到相當差的結果，高報酬規則的平均報酬率4.99%，標準差 22.53%，低於大盤(報 酬率6.02%，標準差 28.9%)之外，也低於低報酬規則(報酬率 8.21%，標準差 36.63%)，出現了很明顯的反轉現象。
三、入選股票的特徵
1. 單變數排序法：股東權益報酬率、淨值股價比、成長價值報酬率、每股淨值、
益本比、成長價值報酬率(考慮股價淨值比)越大，ß 風險因子、負債權益比、
成交量、周轉率、市值及股價越小，則第t+2 季之報酬率越大。
2. 分類探勘
(1) 邏輯迴歸：股價、成長價值報酬率越大，ß 風險因子及市值越小，則第 t+2 季之報酬率越大。
(2) 分類樹：成長價值報酬率、每股淨值及成長價值報酬率(考慮股價淨值 比)越大，第 t 季報酬率及 ß 風險因子越小，則第 t+2 季之報酬率越大。
3. 關聯探勘
股東權益報酬率、成長價值報酬率、益本比及成長價值報酬率(考慮股價淨 值比)越大，ß 風險因子、成交量及周轉率越小，則第 t+2 季之報酬率越大。
4. 比較
將上述結果整理成表5-1，可知第 t+2 季之報酬率高的股票之主要特徵如下：
ß 風險因子小
成長價值報酬率大
益本比大
成長價值報酬率(考慮股價淨值比)大 次要特徵如下：
股東權益報酬率大
淨值股價比大
每股淨值大
成交量小
週轉率小
市值小
四、資料探勘方法的投資績效之比較
總結分類與關聯資料探勘方法的投資績效如下(以平均值(±標準差表示))：
1. 分類的最佳演算法為倒傳遞網路，測試期間季報酬率為 6.85% (±20.64%)，比 不採任何選股模型的大盤整體季報酬率4.74%(±22.35%)明顯改善。
2. 關聯的最佳選股模型為在以 t+2 季季報酬率為因變數下產生的 28 條關聯規 則，例如：
IF X2A (ß 風險因子低) And X6A(周轉率低)
And X10B(成長價值報酬率高)
Then YB(t+2 季報酬率高) (Support=750, Confidence=57%)
這些利用訓練期間資料產生的關聯規則在測試期間季報酬率為6.84%
(±26.57%)，比不採任何選股模型的大盤整體季報酬率 4.78%(±26.23%) 明顯改善。
表5-1 第
t+2
季之報酬率高的股票之特徵 分類探勘選股變數 單變數
排序法 LR CT 關聯探勘 總結
X1 第t 季報酬率 ▼
X2 ß 風險因子 ▼ ▼▼ ▼▼ ▼▼▼ ▼▼
X3 負債權益比 ▼
X4 股東權益報酬率 △△ △ △
X5 成交量 ▼ ▼ ▼
X6 周轉率 ▼ ▼▼ ▼
X7 市值 ▼ ▼▼ ▼
X8 股價 ▼ △△
X9 淨值股價比 △ △
X10 成長價值報酬率 △△△ △△ △△ △△△ △△△
X11 每股淨值 △ △ △
X12 益本比 △△△ △△ △△
X13 成長價值報酬率
(考慮股價淨值比) △△△ △△△ △△△ △△
(備註：▼▼▼明顯反比, ▼▼反比, ▼可能反比；△可能正比, △△正比, △△△明顯正比)
5-2 建議
本論文作者對投資者的選股的建議如下：
1. 由本研究結果所得好股票之特徵，對於投資大眾來說，選股意涵則為可選擇 投資的股票類型為低風險股(ß 風險因子小)、價值股(益本比大、成長價值報 酬率大、淨值股價比大、每股淨值大)。其次可選擇成長股 (股東權益報酬率 大)。
2. 若要追求高獲利，可以採用論文第三章的分類的最佳演算法(倒傳遞網路)選 股，另也可採用論文第四章的關聯分析選股模型，並設定持有期間為t+2 季。
3. 雖然本研究建立的選股模式在研究的 47 季中大部份是可以提高投資報酬 率，但仍有不少期間是反而降低投資報酬率。但長期而言，可以明顯提高投
資報酬率。因此如果投資人採用本文的選股模式，必須透過長期投資來消除 系統風險，得到穩健的獲利。
對後續研究，作者提出以下幾點建議：
一、選股指標變數的改善
本研究所採用的資料為季度的財報資料，但作者認為仍有改善的空間，例 如可以改善目前舊有指標仍有較為落後的情況，建議可以使用包含更即時資料 內容的指標。舉例來說，本研究之變數X8 為收盤價，使用的是第 t 季季底收盤 價，但當本研究於第t+2 季初欲進行投資時，使用第 t 季季底資料顯得有些落後，
因為收盤價的資料性質是可以即時取得的，故建議使用最即時的t+1 季底之無 落後的資料來當做選股指標變數。
二、訓練期間與測試期間可考慮調整
目前的訓練與測試期間劃分是以最基本的方式來分割，將研究期間一分兩 半，前期進行訓練，後期進行測試。如此雖然看是理所當然，且較容易建構選 股模型，但是也許會不利於人工智慧依最近期的資訊進行學習，導致模型準確 率隨時間而衰減。建議可以採用移動學習模式來改善。
三、資料的合理性改善
本研究在資料收集方面還有需改善之處，例如應 (1) 考量存活偏差 (2) 考 略微型股偏差，即計算投組報酬率時應以市值權重平均較合理。
四、資料的可靠度改善
因為研究期間愈長，資料筆數也會增加，也更容易因為人為因素導致資料 不正確。本研究的人工資料整理方式較不利於資料的再利用與資料正確性驗 證。未來應較正規的資料庫管理系統來改善資料整理的效率與可靠度。
五、資料改用其它市場資料
本研究的對象是台灣股市，可以進一步以美國、香港、大陸等重要股市做 為研究對象，以進一步確認本文方法的適用性。
參考文獻
丁一賢、陳牧言，2005，『資料探勘』，滄海出版社。
文少宣，2004，『類神經網路與決策樹在顧客關係管理應用之比較』，中華大學碩 士論文。
王源遠，2005，『風險值與股票報酬之關係－臺灣實證研究』，淡江大學碩士論文。
王嘉隆、詹淑慧，2005，『分類迴歸樹於 S&P500 指數預測之研究』，管理科學研 究第一屆管理與決策學術研討會特刊，141~150 頁。
甘堯昌，2006，『以資料採礦技術探討影響個股績效之關鍵因素：以台灣上市個 股為例』，大同大學碩士論文。
林文盟，2005，『關聯分析在台灣股市消息面與技術面分析之比較研究 』，中華 大學碩士論文。
林宏昌，2002，『知識萃取於資料探勘之研究－以股票預測為例 』，國立台北科 技大學碩士論文。
林冠宇，2005，『智慧型多層次股市篩選模型與投資策略之應用』，嶺東技術學院 碩士論文。
張云濤、龔玲，2007，『資料探勘原理與技術』，五南出版社。
張瑞益、黃文雄，2003，『專家知識和股價之關聯性 - 以券商研究報告為基礎』，
第四屆電子化企業經營管理理論暨實務研討會論文摘要集。
張萬鈞，2008，『以分類、迴歸、聚類、關聯四種資料探勘方法建立選股模型 - 台 灣股市之實證研究』，中華大學碩士論文。
陳文銓，2007，『排序正規化與分類資料探勘建立選股模型─台灣股市之實證研 究 』，中華大學碩士論文。
陳榮昌，2002，『台灣股票報酬之結構分析』，國立中山大學碩士論文。
曾秀珠，2007，『以排序正規化與迴歸資料探勘建立選股模型─台灣股市之實證 研究 』，中華大學碩士論文。
葉怡成，2002，『應用類神經網路』，儒林圖書有限公司。
葉怡成，2006，『類神經網路-模式應用與實作』，第五版，儒林圖書公司。
葉怡成，2008，『資料探勘–程序方法與實作』，中華大學資管系，講義。
葉承楙，2005，『淨值市價比及信用風險指標(O-score 與 TCRI)運用在投資績效之