本研究將台灣上市上櫃普通股調整後股價資料，轉換為20日之股價技術圖形。以圖形作為訓練資料，建構卷積自編碼模型進行訓練，並運用編碼器將技術圖形壓縮至32個特徵。
研究樣本為臺灣50ETF，於測試期間每月底對其成分股繪製股價技術圖形並使用訓練出之最適模型將測試期之成分股技術圖形降維成32個特徵，透過K-means集群分析將降維資料相似股票歸納至同一群集，實證結果發現將目標群數設定為成分股臺灣證券交易所上市公司產業類別數，能夠將股價型態類似的成分股劃分至相同群集。
最後本研究建立量化策略，每月底對臺灣50ETF成分股進行K-means集群分析並從每群集中挑選出動能因子最佳之股票建立投資組合，探討能否對台灣50ETF進行再優化。實證結果發現以低目標群集數、低投票門檻建立的投資組合能夠在其成分股上選擇較具潛力之個股，提升累積報酬率及降低最大回撤率，使整理報酬更加穩健。

This paper converts the adjusted closing prices of the listed common stocks in Taiwan into technical graphics of stock price in a 20-day time sequence. We construct several convolutional autoencoder models to learn a stock representation from graphics and find the best model to reduce dimensions.
By K-means clustering, stocks of Taiwan 50 Index based on the similarity computed on deep features are classified as the same cluster. We find stocks with similar
stock price patterns are grouped into the same cluster using deep features in K-means.
Finally, this paper establishes a quantitative strategy. At the end of each month, K-means clustering is conducted on deep features of stocks of Taiwan 50 Index, and we pick stocks with the highest Sharpe ratio in each cluster to establish a portfolio to beat Taiwan Top 50 ETF. The empirical results show that a portfolio with low clusters and low voting thresholds can select more potential stocks, increase the cumulative return rate and lower max drawdown, making the compensation more stable.

論文審定書 i
摘 要 ii
Abstract iii
目錄 iv
圖次 vi
表次 viii
第一章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 2
第三節 研究架構 3
第二章 文獻探討 4
第一節 股價型態、均線分析 4
第二節 深度學習網路發展及模型於股票市場之應用 5
第三節 集群分析於股票市場之應用 6
第三章 研究方法 7
第一節 資料蒐集與建立 7
第二節 卷積神經網路(Convolutional neural network) 8
第三節 自編碼(Autoencoder) 12
第四節 卷積自編碼(Convolutional Autoencoder) 13
第五節 圖片降維資料處理、K-Means集群分析 17
第六節 交易策略與績效回測 18
第四章 實證結果 21
第一節 研究樣本與回測期間 21
第二節 最適卷積自編碼模型 21
第三節 降維資料數值處理 22
第四節 K-means分群 25
第五節 績效回測 34
第五章 結論 54
第一節 結論 54
第二節 後續研究建議 55
參考文獻 56
第一節 中文參考文獻 56
第二節 英文參考文獻 56

中文參考文獻
1.吳哲緯(2017)，「使用深度學習卷積神經網路預測股票買賣策略之分類研究」，碩士論文，國立中山大學資訊管理學系
英文參考文獻
1.Guosheng Hu, Yuxin Hu, Kai Yang, Zehao Yu & Flood Sung (2018), “Deep Stock Representation Learning: From Candlestick Charts to Investment Decisions.” arXiv:1709.03803
2.Hinton G.E. & Salakhutdinov, R.R. (2006), “Reducing the Dimensionality of Data with Neural Networks.” Science, 313(5786), 504-507.
3.Krizhevsky A., Sutskever, I. & Hinton G.E. (2012), “ImageNet Classification with Deep Convolutional Neural Networks.” NIPS'12 Proceedings of the 25th International Conference on Neural Information Processing Systems, 1 ,1097-1105.
4.Madahar, A., Ma, Y. & Patel, K. (2017), “Application of a Shallow Neural Network to Short-Term Stock Trading. Neural and Evolutionary Computing”. arXiv:1703.10458
5.Nanda, S.R., Mahanty, B. & Tiwari, M.K. “Clustering Indian stock market data for portfolio management.” Journal Expert Systems with Applications, 37(12), 8793-8798.
6.Ratner, M., & Leal, R. P. (1999). “Tests of technical trading strategies in the emerging equity markets of Latin America and Asia.” Journal of Banking & Finance, 23(12),1887-1905.
7.Robert A. Levy. (1971). “The Predictive Significance of Five-Point Chart Patterns.” The Journal of Business, 316-323.