國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第一章 緒論
第一節 研究動機
股票自發源於西方至今已經400 多年歷史，伴隨著世界經濟發展，股票市場
已經成爲世界經濟發展的不可或缺的一部分，吸引了無數投資者。
股票市場具有高風險高回報的特徵，因此如何在股票市場獲取穩定的收益成 爲了一個值得研究的方向。而人們通常使用的方法大致分爲技術分析和基本面分 析。而近年隨著機器學習技術的火爆，將機器學習技術應用於股市也成爲了一個值 得研究的方向。
第二節 研究背景
量化投資主要是指應用信息技術、數學、統計等方法來實現投資理念和投資 策略的方法。量化投資與傳統投資方法的最大區別在於量化投資更加依賴數學模型 和資料，來尋找投資標的，從而實現投資策略尋求穩固而連續的收益。
量化投資的發展，主要是從20 世紀 50 年代 Markwiz 提出的投資組合理論開
始。那時Markwiz 提出了投資組合理論第一次使得風險和收益數量化，從而標志著
量化投資在理論領域的萌芽。
而後在1971 年，Barclays 公司發行了第一支量化基金，標志著量化投資在實 踐領域開始應用。但是之後從20 世紀 80 年代開始，由於受制於信息技術的發展，
量化投資這種需要處理大量資料以及强大的計算能力的方法始終得不到突破性的發 展。
隨著近年來信息技術的飛速發展，量化投資也得到了迅猛的發展。藉助電腦 的高運算速度，量化投資可以在短時間内分析市場產生的大量資料，從而產生合適 的量化模型。
‧
支持向量機（Support Vector Machine）模型基於統計理論、機器學習等理論 的優異特性。同時引入核方法（Kernel method）將綫性不可分的資料，引向高維，
本文將使用支持向量回歸（Support Vector Machine）搭配網格搜索（Grid Search）結合以往研究使用的支持向量回歸的相關參數，對參數進行遍歷，從而找出 最適參數。再使用最適參數的支持向量回歸模型使用台股公司的多維度財報資料藉
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
助支持向量回歸對高維度資料的優秀處理能力對台股的收盤價進行預測，從而獲取 股票的預測報酬率來進行量化投資模型的構建。希望能夠通過支持向量回歸方法，
在一定時間内穩定戰勝大盤，賺取超額收益。
本文系統闡述了與支持向量機與支持向量回歸相關的理論，同時利用2016 年
第一季度到2018 年第二季度共十個季度的資料當作實驗樣本進行回測測試，從而探
討基於財報基本面資料的支持向量回歸模型對於台股市場的適應度。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第四節 研究架構
圖 1 研究架構圖
確立研究動機及目的
蒐集相關資料
確立研究主題
文獻探討、SVR技術研究
建構交易策略
實證結果
結論與改進方向
‧
F.S.Wong 和 P.Z.Wang 等（1992）提出了一套基於模糊神經網絡的選個股模 型。Zargham M.R 和 Sayeh M.R（1999）將模糊理論用於股票選擇和價值評估，應用 中得到了良好的效果，但是缺乏學習以及一般化能力。同一時間，Quah 和
Srinivasan（1999）利用神經網絡建立了選股系統挑選市場上的股票，結果表明其建 立的投資組合具有良好的報酬率，并且多期戰勝市場。Kuo 等（2001）將遺傳算法 和模糊理論相結合，建立了股價追蹤系統，用來選擇投資組合。Chapados 和 Bengio
（2001）將神經網絡用於資產估計和預測，從而進行資產的優化以及資產的配置。
Dennis Olson 和 Charles Mossman（2003）則使用 2352 家加拿大上市公司當作研究對 象，使用財務比率指標構建股票報酬率預測的指標體系，同時使用神經網絡、