二多從非結構角度觀察，在資訊領域中透過人工智慧（Artificial Intelligence, AI）
技術結合財金重要指標以發掘隱藏的資訊（Nygren, 2004；陳稼興、楊孟龍，2000；
黃馨瑩、楊建民、李耀中，2009）；三則將上述兩者合併之研究（Armano, 2005）。
針對後兩者之方向，常用的工具如類神經網路預測模型，原因在於其具有學習、
聯想、歸納推演等能力，使得非結構化之資訊能透過訓練得到適當的預測模型，
‧
新聞事件偵測與追蹤的領域，以卡內基美隆大學（Carnegie Mellon University, CMU）與麻州大學（University of Massachusetts, UMass）最為著名（古倫維，2000；
戴尚學，2003），而 CMU 以 kNN（k-Nearest Neighbor）分類器之概念實現新聞 事件偵測與追蹤的技術，並加入時間區間（Time Window）的概念，以符合新聞
李耀中，2009；Nygren, 2004；Kim & Han, 2001；Kim & Han, 2000），然而新聞 往往因事件大小造成重複發佈的機會，使重要訊息分散於各新聞文件中，降低了
「新聞事件」之焦點。
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
3
故本研究期望能以「新聞事件偵測與追蹤」的技術為出發點，透過類別詞庫 的建立，探討新聞事件對於市場股價之影響，期望能將新聞文件以新聞事件分類 的方式，與類神經網路預測模型做結合，進而提供投資者有效的投資線索及資 訊。
第二節 研究目的
依上述之背景與動機，本研究將針對以下二點做為研究目的：
1. 以每日報酬率為基礎，透過詞彙於一篇文章中所出現次數（Term Frequency, TF，以下簡稱為詞頻）及權重值之篩選建立新聞類別詞庫，使新聞事件能 根據類別詞庫判斷屬於哪一分類，透過類別詞庫的建立，也能給予投資者在 預測股票市場上的觀察指標。
2. 於倒傳遞類神經網路預測模型中加入非結構化之資訊，使預測模型顯著提升 預測方向正確性與預測準確率。
‧
民、李耀中，2009；Khurshid et al., 2002）。Lavrenko 等學者（2000）採用分段線性配對（Piecewise Linear Fitting）觀察 股價漲跌趨勢，並將高度相關的文件做連結，訓練出 Language Model，模型也證 實財經新聞與股價趨勢具有相關性，且能用來有效預測股價。
Chen 等學者（2003）採用 PNN 訓練歷史資料，將模型用來預測指數報酬率 的方向，引導投資者的交易策略。研究顯示以 PNN 為基礎投資策略能比其他投 資策略獲得更高的報酬率。
Mittermayer（2004）應用支援向量機（Support Vector Machine, SVM）將新 聞分成正向新聞、無影響新聞及負向新聞三類，並實現於其所提出的系統 NewsCATS（News Categorization and Trading System），用來預測新聞發布後 60 分鐘之 NMS（National Mittermayer System）股票指數趨勢。結果顯示以此系統 交易的帄均獲利大於隨機投資策略，因此認為新聞分類能幫助提供更多資訊以進 行股價趨勢的預測（Mittermayer, 2004；吳昀錚，2008）。