本研究使用台灣2003年到2017年所有上市、上櫃、下市、下櫃的認購權證，設計一布林通道搭配突破區間以及均線的交易策略，並使用兩種特徵選取方法:學習式向量量化加上五個認購權證特徵和隨機森林加上五個認購權證特徵篩選每一期重要的特徵，接著使用深度學習中的多層感知器模型去預測買進訊號，然後再把兩者的買進訊號取交集成為第三種預測結果，最後再把三者中績效最好的方法去做投資，觀察其投資績效。
本研究之深度學習的輸入變量為特徵選取方法所篩選出的特徵資料，交易策略的認購權證上漲或下跌作為輸出變量，上漲定義為認購權證報酬率大於零，下跌定義為認購權證報酬率小於零。資料期間設計則為2003年~2008年作為訓練期、2009年作為測試期，2003年~2009年作為訓練期、2010年作為測試期以此類推。
實證結果顯示特徵選取為學習式向量量化搭配深度學習的預測績效最好，而資金基金化的結果顯示其年化報酬率為44.28%，資產從2009年年初的一百萬元成長到2017年年底的兩千三百萬元左右，成長了將近二十二倍之多。這些結果均顯示深度學習的方法不僅能用在股票交易上，也能運用在台灣認購權證的交易上。

This study uses all call warrants from 2003 to 2017 in Taiwan to design trading strategy about Bollinger Bands ,breakouts and moving averages, and then to use two feature selection methods : learning vector quantization plus five warrant features and random forest plus five warrant features to select important features. Then, multi-layer perceptrons in deep learning are used to predict the buy signals, and take the intersection of the above two methods to become third result. Finally, to invest in the best of the three methods and observe it performance.
Input variables in this study are selected by feature selection methods. Call warrants price of trading strategies is up or down as output variables, and up is defined as call warrants’ return is greater than zero, down is defined as call warrants’ return is less than zero. The design of data period is from 2003 to 2008 as training data, and 2009 as a testing data；2003 to 2009 as a training data, and 2010 as a testing data and so on.
The empirical results show that the performance of feature selection using learning vector quantization with deep learning is the best. As for the results of funding, the annualized rate of return is 44.28%, and the assets grow from 1,000,000 at the beginning of 2009 to about 23,000,000 at the end of 2017, which grow by nearly 22 times. This result show that the deep learning method can be used not only in stock market in Taiwan, but also in call warrant market in Taiwan .

論文審定書 i
誌謝辭 ii
摘 要 iii
Abstract iv
目 錄 v
圖 次 vii
表 次 x
第一章 緒論 1
第一節 研究動機 1
第二節 研究目的 3
第三節 研究架構 4
第二章 文獻探討 5
第一節 技術分析 5
第二節 特徵選取 8
第三節 深度學習 8
第三章 研究方法 10
第一節 樣本說明及研究期間 10
第二節 交易策略設計 14
第三節 特徵選取方法-學習向量量化和隨機森林 15
第四節 輸入變量和輸出變量預處理 17
第五節 深度學習模型 18
第六節 績效指標 24
第四章 實證分析與結果 26
第一節 深度學習預測結果 26
第二節 深度學習模型有效性檢定 50
第三節 資金基金化 52
第五章 結論與建議 64
第一節 結論與建議 64
參考文獻 66
附錄 69

中文文獻:
1. 翁龍翔(1994)，各國股市技術分析的有效性，國立台灣大學財務金融研究所學位論文。
2. 王春笙(1996)，以技術指標預測台灣股市股價漲跌之實證研究-以類神經網路與複回歸模式建構，台大資訊管理研究所學位論文。
3. 曾思博(1999)，類神經網路於股價預測與資金之配置應用，中央大學資訊管理研究所學位論文。
4. 李惠妍(2003)，類神經網路與迴歸模式在台股指數期貨預測之研究，國立成功大學高階管理碩士在職專班學位論文。
5. 陳國玄(2004)，人工神經網路與統計方法應用於台灣上市電子類股價指數預測與分類之研究，國立成功大學統計學研究所學位論文。
6. 眭國璽(2008)，包寧傑帶狀技術分析買賣訊號之研究-以台灣50ETF為例，國立高雄應用科技大學金融資訊研究所學位論文。
7. 張唯毅(2009)，類神經網路在選擇權交易策略之應用:以台指選擇權為例，國立雲林科技大學財務金融研究所學位論文。
8. 黃鈞偉(2014)，利用技術指標於股價預測:使用SVM與特徵選取演算法，國立高雄應用科技大學資訊管理研究所學位論文。
9. 陳浩瑋(2016)以深度學習進行股價預測之研究，國立高雄第一科技大學資訊管理研究所學位論文。
英文文獻:
1. A. Ronald Gallant, Peter E. Rossi and George Tauchen. 1992, "Stock Prices and Volume", The Review of Financial Studies, 5(2): 199-242.
2. Bessembinder, H., and Chan, K. 1995, "The Profitability of Technical Trading Rules in the Asian Stock Markets", Pacific-Basin Finance Journal, 3(2-3): 257-284.
3. Carol L.Osler. 2003,"Currency Orders and Exchange Rate Dynamics: An Explanation for the Predictive Success of Technical Analysis", The Journal of Finance.58, no.5: 1791-1819.
4. Suraphan Thawornwong , David Enke and Cihan Dagli. 2003, "Neural Networks as a Decision Maker for Stock Trading: A Technical Analysis Approach", International Journal of Smart Engineering System Design, 5(4): 313-325.
5. Shaikh A. Hamid and Zahid Iqbal. 2004,"Using Neural Networks for Forecasting Volatility of S&P 500 Index Futures Prices", Journal of Business Research, 57(10): 1116-1125.
6. David Enke and Suraphan Thawornwong. 2005, "The use of Data Mining and Neural Networks for Forecasting Stock Market Returns", Expert Systems with Applications, 29(4): 927-940.
7. Chih-Fong Tsai and Yu-Chieh Hsiao. 2010, "Combining multiple feature selection methods for stock prediction : union, intersection, and multi-intersection approaches", Decision support systems, 50(1): 258-269.
8. Jonathan L. Ticknor. 2013, "A bayesian regularized artificial neural network for stock market forecasting", Expert Systems with Applications, 40(14): 5501-5506.
9. Najeb Masoud. 2014, "Predicting Direction of Stock Prices Index Movement Using Artificial Neural Networks: The Case of Libyan Financial Market", British Journal of Economics, Management & Trade, no.2: 597-619.
10. Jigar Patel, Sahil Shah, Priyank Thakkar and Ketan Kotecha. 2015, "Predicting stock and stock price index movement using Trend Deterministic Data Preparation and machine learning techniques", Expert Systems with Applications, 42(1): 259-268.
11. Mehak Usmani, Syed Hasan Adil, Kamran Raza and Syed Saad Azhar Ali. 2016, "Stock Market Prediction Using Machine Learning Techniques", Computer and Information Sciences, 32(10): 322-327.
12. Krauss Christopher, Do Xuan Anh and Huck Nicolas. 2016, "Deep neural networks, gradient-boosted trees, random forests:Statistical arbitrage on the S&P 500", European Journal of Operational Research, 259(2):689-702.