的全球總經百科(Stock-ai)統計，2018 年 5 月各國交易所佔全球總市值比率，如 圖1 所示，大陸(上海和深圳)總計排名第二僅次於美國，其佔比為 10.25%。大陸
‧
1 Shoham, Y., Perrault, R., Brynjolfsson, E., Clark, J., & LeGassick, C. (2017). AI Index 2017 Annual Report. Retrieved from http://cdn.aiindex.org/2017-report.pdf
950
2011 2012 2013 2014 2015 2016 2017
赴
‧
同程度的衝擊和影響。根據集邦科技(TrendForce)旗下拓墣產業研究所在 2017 年 對機器學習應用領域的產值佔比調查，如圖3 所示，機器學習應用最大宗就是金 融與資訊安全，佔比20%，其次是數位廣告科技，佔比 18%，這兩大產業都與大 量數據的採集息息相關，也成為人工智慧最快、也最容易切入的領域。正如谷歌 (Google)資深院士 Dean (2016)於美國舊金山舉行的數據管理國際會議(Special Interest Group on Management Of Data, SIGMOD)發表專題演說時所言：「隨著時 間不斷向前邁進，我們看到越來越多使用機器學習技術來解決各種問題的成功案‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
則是參考外資、投信及自營商的買賣資訊，反映市場主力的交易情況。然而股票 市場通常是複雜且易變的，即便是優秀的基金經理人也未必能總是打敗大盤績 效，過去這些分析方法在處理資料的過程也相當耗時，且深受個人投資風格所影 響。在人工智慧時代的來臨，我們擁有足夠的運算資源，以及規模足夠大的資料 庫，而我們真正需要的是去理解那些資料，為此金融市場可以透過機器學習，以 期能掌握數據、分析數據，並從新穎的角度切入和解讀數據，進而產生全新的商 業價值，相較傳統採用定性定量的資訊輔助投資策略擬定，人工智慧的引入將有 效提高投資模型的精準度，且可以有紀律性的操作，避免心理層面的影響導致人 為錯誤。然而金融市場非理性因素和首發事件多，對於過去沒有發生的經驗，機 器預測的準確度有限，現階段投資人仍不放心完全交給理財機器人操作，只能將 其運算結果當作參考依據，最終如何調整投資組合還是由投資人決定，期能透過 機器學習改善投資人對資產配置的選擇，進而獲得良好的投資績效。
第二節、研究目的
截至目前，股價的未來走勢一直是一個未知且令人充滿興趣的研究領域。過 去已有許多學者提出各種理論以論述其觀點，從 1827 年 Brown 的隨機漫步理 論、1900 年 Dow 的道氏理論、1938 年 Elliott 的波浪理論，到 1970 年 Fama 的 效率市場假說，都一再說明股價走勢存在許多分析面向。過去投資人預測股價走 勢的方法不外乎以三大面向為主，即基本面、技術面和籌碼面分析，這三大面向 從不同觀點考慮影響股價報酬的因子，然而這些因子在過去大多已被充分討論，
且使用的指標和方式幾乎大同小異，在經濟發展愈趨複雜的現在，很難找到一套 方法能夠持續在股票市場中獲得超額報酬。
本文以建構大陸股票市場的投資組合為目標，搭配時下流行的神經網路學習 方法，希望透過各種技術指標作為模型觀察值，用以學習與未來一段期間股價漲
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
跌的關係，並藉此預測股價未來的漲跌走勢，以及判斷進出場時機以建立投資策 略，同時使用模型預測結果的機率值作為股票投資的篩選排序，最後建立一套資 產配置組合，以期在整段投資期間獲得良好的投資績效。
第三節、研究流程
在確立研究目的後，本文將依據研究動機與背景進行相關資料的收集與統 整，並從MySQL 資料庫抓取大陸股票市場的歷史資料進行處理，最後依照研究 方法進行分析，並從實證結果提出結論與建議。本文將分為以下五個章節討論，
第一章為緒論，敘述大陸市場與人工智慧的現況，並說明本文將深度學習方法應 用於大陸股價走勢之研究動機、目的及流程；第二章為文獻回顧，針對過去國內 外相關文獻進行統整及探討，包括深度學習與技術指標在股價走勢的應用，參考 其他學者的研究方法和結果，試圖找出適合的研究方法；第三章為研究方法，介 紹深度學習的基本概念，以及敘述本文如何建構神經網路模型以用於預測股價走 勢，並說明本文的投資策略以用於挑選股票，並建立資產配置，以尋找最適年化 報酬率；第四章為實證結果分析，使用MySQL 資料庫的歷史股價資料對大陸股 市進行實證分析，並以圖表與情境分析比較及說明研究結果；第五章為結論與建 議，針對第四章的實證結果進行討論，並對未來研究方向提出建議。