本研究利用選擇權的概念，用現股複製出有如選擇權效果的交易策略，並將該交易策略搭配應用於台股交易上，搭配基礎的低價進場策略後，依照推算出的公式做進出場，長期之下可獲得比一般個股更優的報酬率。且由於蛛網策略有低買高賣的特性，因此在個股震盪的情況下效果會更為顯著。
接著先透過投資組合的建立，並與大盤比較可看出績效比大盤勝出許多，其中可以進行優化的變為選股系統及進場訊號。
首先使用一般進場法，即由樣本內資料擷取出過去股價資料，並由股價資料中取一定百分比率來做為樣本外資料進場點的選取，通過此簡易操作並組建成基金可以發現其績效明顯勝過大盤，惟過程中進場點的選取過於簡便，因此本篇論文希望可以透過機器學習的模型優化進場點的時機，以進一步提高整體投組績效。
本篇使用的優化方法為使用深度學習模型並搭配自己建立的70多個技術指標作為股票的特徵，並利用這些特徵搭配深度學習進行進場訊號的判斷。並可由此得知績效的些微上升，可見參考更多數據資料可以使進場點更加合宜。
再來使用機器學習方法或相關係數法進行資產池的篩選，挑出較具潛力的股票。並搭配特徵的選取優化績效。最後可以發現績效在提升的同時亦可在選股上達到避免大跌的個股，使得整體報酬率更加的穩定。

In this thesis, we are going to use a traditional web trading strategy in different ways. That means two or more advanced ideas are going to be used in this paper to create a marvelous trading strategy by synthesizing Machine Learning techniques and Options strategies.
First, we use traditional web trading strategy on individual stocks to check the web trading strategy performance. We can then observe there is a significant excess return compared to stock returns itself. After that, we try to build a fund based on the web trading strategy. To do this, we first separate our data into two different group. One is training data, in-sample, and the other is testing data, out sample. We use the close prices on individual stocks to determine the entering price by using the statistical quantile function. Then we find the entry point in test data where the close prices below the threshold.
Second, we want to know if machine learning techniques can help us to determine entry points more profitably. By utilizing deep learning techniques, we can find an entry point better than the one found with the traditional strategy which can generate more profits.
Last, we apply some extra ideas to generate the profit even higher. On the one hand, we use feature selection to choose the most effective features that affect stock prices the most significantly. On the other hand, since our goal is to outperform the TAIEX index, we are likely to choose high market value stocks. As the result, the empirical results show the performance has been improved due to the extra applications.
To sum up, we use feature selection and high market value selections to choose the most profitable stocks. Then we apply deep learning technique to discover the better entry points. The empirical result shows that the ‘Deep Learning algorithm’ can enhance the performance of web trading strategy portfolio.

論文審定書 i
摘 要 ii
Abstract iii
目 錄 iv
圖 次 v
表 次 vi
第一章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 3
第三節 研究流程 5
第二章 文獻探討 6
第一節 蛛網策略 6
第二節 深度學習與特徵轉換 7
第三章 研究方法 9
第一節 樣本資料簡述 9
第二節 蛛網交易策略法 10
第三節 深度學習演算法 15
第四節 機器學習法與一般法進場方式比較 22
第五節 蛛網策略投資組合建立與因子選取法 23
第六節 績效指標彙總 25
第四章 實證結果 26
第一節 一般法蛛網交易策略-台灣上市股票 26
第二節 機器學習法蛛網交易策略-台灣上市股票 27
第三節 兩方法蛛網交易策略之比較及高市值股票過濾 28
第五章 結論 30
第一節 結論 30
第二節 研究建議 31
參考文獻 32
第一節 中文文獻 32
第二節 英文文獻 33

第一節 中文文獻
李易珊(2010)，《蛛網投資策略績效之研究─以台灣50指數ETF為例》，碩士在職班碩士論文，台灣科技大學企業管理研究所EMBA。
朱婉萍(2017)《蛛網投資策略績效之研究-以正、反向ETF為例》，碩士論文，佛光大學應用經濟學系
黃傢暐(2017)《基於深度學習演算法之多變量時間序列趨勢預測:以股市分析為例》，碩士論文，國立交通大學多媒體工程研究所
張嘉育(2017)，《以深度學習法探討公開資訊觀測站之結構與非結構化資訊對股票操作績效影響之研究》，碩士論文，輔仁大學統計資訊學系應用統計碩士班
李嘉洲(2016)，《應用深度學習於財經新聞來源對股價趨勢預測之研究》，碩士論文，淡江大學資訊管理學系碩士在職專班
劉宇揚(2017)，《基於深度學習分析籌碼資金流向預測股價》，碩士論文，輔仁大學金融與國際企業學系金融碩士班
黃君平(2016)，《基於深度學習概念之金融市場價格預測》，碩士論文，國立交通大學資訊管理研究所
連思涵(2011)，《整合特徵篩選與組合式類神經網路預測企業財務危機》，碩士論文，朝陽科技大學財務金融系
吳信廷(2013)，《特徵挑選方法和分類器在財務危機預測問題中比較》，碩士論文，國立中央大學資訊工程學系
 
第二節 英文文獻
Javad Zahedi., Mohammad Mahdi Rounaghi (2015). Application of artificial neural network models and principal component analysis method in predicting stock prices on Tehran Stock Exchange. Physica A: Statistical Mechanics and its Applications, (438), 178-187
Mustafa Göçken., Mehmet Özçalıcı (2016). Integrating metaheuristics and Artificial Neural Networks for improved stock price prediction. Expert Systems with Applications,(44) 320-331
Omer Berat Sezer., Murat Ozbayoglu (2017). A Deep Neural-Network Based Stock Trading System Based on Evolutionary Optimized Technical Analysis Parameters. Procedia Computer Science. (114) 473-480
Jigar Patel., Sahil Shah., Priyank Thakkar., K Kotecha (2015). Predicting stock and stock price index movement using Trend Deterministic Data Preparation and machine learning techniques. Expert Systems with Applications. (42) 259-268
Eunsuk Chong, Chulwoo Han, Frank Park (2017). Deep learning networks for stock market analysis and prediction: Methodology, data representations, and case studies. Expert Systems with Applications. Volume 83, 15 October 2017, Pages 187-205.
Kamil Żbikowski (2015). Using Volume Weighted Support Vector Machines with walk forward testing and feature selection for the purpose of creating stock trading strategy. Expert Systems with Applications. Volume 42, Issue 4, March 2015, Pages 1797-1805
Li-Ping Ni, Zhi-Wei Ni, Ya-Zhuo Gao (2011). Stock trend prediction based on fractal feature selection and support vector machine. Expert Systems with Applications. Volume 38, Issue 5, May 2011, Pages 5569-5576