Return to search

整合文件探勘與類神經網路預測模型之研究 -以財經事件線索預測台灣股市為例

隨著全球化與資訊科技之進步,大幅加快媒體傳播訊息之速度,使得與股票市場相關之新聞事件,無論在產量、產出頻率上,都較以往增加,進而對股票市場造成影響。現今投資者多已具備傳統的投資概念、觀察總體經濟之趨勢與指標、分析漲跌之圖表用以預測股票收盤價;除此之外,從大量新聞資料中,找出關鍵輔助投資之新聞事件更是需要培養的能力,而此正是投資者較為不熟悉的部分,故希望透過本文加以探討之。
  本研究使用2009年自由時報電子報之財經新聞(共5767篇)為資料來源,以文件距離為基礎之kNN技術分群,並採用時間區間之概念,用以增進分群之時效性;而分群之結果,再透過類別詞庫分類為正向、持平及負向新聞事件,與股票市場之量化資料,包括成交量、收盤價及3日收盤價,一併輸入於倒傳遞類神經網路之預測模型。自台灣經濟新報中取得半導體類股之交易資訊,將其分成訓練及測試資料,各包含168個及83個交易日,經由網路之迭代學習過程建立預測模型,並與原預測模型進行比較。
  由研究結果中,首先,類別詞庫可透過股票收盤價報酬率及篩選字詞出現頻率的方式建立,使投資者能透藉由分群與分類降低新聞文件的資訊量;其次,於倒傳遞類神經網路預測模型中加入分類後的新聞事件,依統計顯著性檢定,在顯著水準為95%及99%下,皆顯著改善隔日股票收盤價之預測方向正確性與準確率,換言之,於預測模型中加入新聞事件,有助於預測隔日收盤價。最後,本研究並指出一些未來研究方向。

Identiferoai:union.ndltd.org:CHENGCHI/G0098356033
Creators歐智民
Publisher國立政治大學
Source SetsNational Chengchi University Libraries
Language中文
Detected LanguageUnknown
Typetext
RightsCopyright © nccu library on behalf of the copyright holders

Page generated in 0.0014 seconds