本研究運用機器學習中的極限梯度提升（eXtreme Gradient Boosting, XGBoost）演算法，對2017年7月至2023年的臺股期貨日內交易資料進行交易策略最佳化實證分析，結合停利、停損及平倉的風險控管並考慮交易成本。研究中使用兩種最佳化模型：整體平均策略最佳化和單一買進策略最佳化，並採用了指數平滑異同移動平均線（MACD）、布林通道（Bollinger Bands）、相對強弱指標（RSI）和動向指標（DMI）四種技術指標。實證結果表明，整體平均策略最佳化中，門檻大於0.7的策略精確率普遍超過0.6，少數策略高達0.8。隨著買進時間延遲，平均報酬和策略勝率普遍下降。多數門檻大於0.7的策略在平均報酬和策略勝率上均優於原始整體平均策略，但策略次數減少。單一買進策略最佳化中，各技術指標在門檻大於0.6時的策略勝率顯著提升，特別是RSI策略在門檻大於0.7及0.8時的策略勝率超過90%。對於MACD和Bollinger Bands策略，門檻大於0.5的策略雖仍為負平均報酬，但其表現已優於原始買進策略。更高門檻設定有助於提升策略的穩定性和獲利。RSI策略在各年份中的表現最為穩定，特別在設置高門檻時效果顯著。BBand策略次之，部分年份的平均報酬和勝率均有提升。MACD和DMI策略在設置高門檻時也有最佳化效果，但整體表現不如RSI和BBand策略。

This study employs the eXtreme Gradient Boosting (XGBoost) algorithm to optimize trading strategies using intraday data from the Taiwan Stock Exchange futures market (July 2017 to 2023). Risk management measures including profit-taking, stop-loss, position-closing, and transaction costs are integrated. Two optimization models are used: overall average strategy and single-entry strategy. Four technical indicators are employed: Moving Average Convergence Divergence (MACD), Bollinger Bands (BBands), Relative Strength Index (RSI), and Directional Movement Index (DMI). Results show that strategies with thresholds above 0.7 in overall average strategy optimization consistently achieve precision rates over 0.6, with some reaching 0.8. However, as buy-in time delays, average returns and win rates decline. Strategies with thresholds above 0.7 generally outperform the original strategy but trade less frequently. Higher thresholds improve strategy stability and profitability. This study identifies suitable technical indicators for Taiwan's futures market by optimizing strategies with XGBoost and integrating risk management practices.

論文審定書 i
致謝 ii
摘要 iii
Abstract iv
目錄 v
圖次 vi
表次 vii
第一章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 4
第三節 研究架構 5
第四節 臺灣期貨市場歷史與交易統計資料 10
第二章 文獻回顧 24
第一節 期貨與現貨市場 24
第二節 期貨交易策略 29
第三節 演算法交易策略最佳化 33
第三章 研究方法 37
第一節 研究資料及期間 37
第二節 交易策略 38
第三節 交易策略最佳化 51
第四章 實證分析 55
第一節 回測結果 55
第二節 整體平均策略最佳化模型實證分析 56
第三節 單一買進策略最佳化模型實證分析 59
第五章 結論與建議 64
參考文獻 66
中文文獻 66
英文文獻 69
附錄 73

中文文獻
王昭元（2010）。一個多重時間架構與多交易策略的當沖交易系統應用於台指期貨之研究。﹝碩士論文。國立交通大學﹞臺灣博碩士論文知識加值系統。 https://hdl.handle.net/11296/qvuah7
王韻怡（2009）。投資人交易行為：交易成本、下單積極性、流動性提供以及投資者過度自信。﹝博士論文。國立中央大學﹞臺灣博碩士論文知識加值系統。 https://hdl.handle.net/11296/86hp4f
江淵舟（2005）。台灣期貨市場程式交易之實證研究--策略組合交易模型。﹝碩士論文。國立臺灣大學﹞臺灣博碩士論文知識加值系統。 https://hdl.handle.net/11296/d899m7
吳百正（2004）。台股期貨市場弱式效率性之研究。﹝碩士論文。國立臺灣科技大學﹞臺灣博碩士論文知識加值系統。 https://hdl.handle.net/11296/4tab8w
呂威宗（2010）。台股指數期貨在程式交易運用下之效率分析。﹝碩士論文。國立高雄第一科技大學﹞臺灣博碩士論文知識加值系統。 https://hdl.handle.net/11296/e778mv
李欣翰（2021）。順勢交易策略應用： 以台指期貨與元大寶來台灣50卓越基金（0050）為例。﹝碩士論文。國立中央大學﹞臺灣博碩士論文知識加值系統。 https://hdl.handle.net/11296/92u2y9
李建楷（2013）。臺股指數期貨交易策略之研究-考量技術指標與外資期貨籌碼。﹝碩士論文。朝陽科技大學﹞臺灣博碩士論文知識加值系統。 https://hdl.handle.net/11296/3gs8as
林秀怡（2008）。建構演化式類神經網路於財務時間序列信賴區間動態風險值評價模型。﹝博士論文。國立交通大學﹞臺灣博碩士論文知識加值系統。https://hdl.handle.net/11296/3efq2r
林昭賢、許溪南（2004）。期貨交易者之交易行為及績效之研究。台灣管理學刊，4（1），107-121。https://doi.org/10.6295/TAMJ.2004.0401.06
林洋慶（2022）。使用XGboost預測加密貨幣價格及設計交易策略。﹝碩士論文。國立臺灣大學﹞臺灣博碩士論文知識加值系統。https://hdl.handle.net/11296/btbh8k
林惠娜、黃健銘、陳坤宏（2007）。厚尾分配和到期效果之檢測-以臺灣股價指數期貨為例。計量管理期刊，4（2），187-200。
紀麗文（2006）。技術分析之實證研究：檢驗K線戰法。﹝碩士論文。國立臺灣大學﹞臺灣博碩士論文知識加值系統。https://hdl.handle.net/11296/up3ttc
胡育碩（2013）。指數期貨交易系統-以台股指數期貨為例〔碩士論文，國立臺灣師範大學〕。華藝線上圖書館。https://www.airitilibrary.com/Article/Detail?DocID=U0021-1610201315281258
張振山、王宏瑞、李孟哲 （2021） 。以「期貨交易資料」作為「情緒指標」之檢驗與評析。期貨與選擇權學刊，14（2）期，1-23。
張書濂、鍾建屏、李修全（2023）。投資人風險偏好與技術分析之有效性。期貨與選擇權學刊，16（3），85-123。
張國銘（2008）。美國與台灣股市走勢行為研究－應用自組織映射神經網路與多重類神經網路。﹝碩士論文。國立交通大學﹞臺灣博碩士論文知識加值系統。 https://hdl.handle.net/11296/r596bg
許惠喬（2010）。應用多重類神經網路於台灣期貨指數極短線走勢行為知識發現。﹝碩士論文。國立交通大學﹞臺灣博碩士論文知識加值系統。 https://hdl.handle.net/11296/8463du
陳世勳（2018）。程式交易期貨投資人學習歷程之研究。﹝碩士論文。東吳大學﹞臺灣博碩士論文知識加值系統。 https://hdl.handle.net/11296/eb6vn6
陳姿妤（2023）。運用XGBoost演算法進行黃金價格的預測。﹝碩士論文。國立宜蘭大學﹞臺灣博碩士論文知識加值系統。https://hdl.handle.net/11296/5f9z2y
陳博彥（2014）。台指期十五分鐘K線之當沖研究:以KD、MA及MV為組合指標建構之操盤策略。﹝碩士論文。國立成功大學﹞臺灣博碩士論文知識加值系統。 https://hdl.handle.net/11296/payj7h
傅宇亨（2013）。應用層級分析法探討期貨日內交易決策因子之研究-以台指期貨為例。﹝碩士論文。育達商業科技大學﹞臺灣博碩士論文知識加值系統。 https://hdl.handle.net/11296/fnw686
黃培琳（2011）。程式交易策略、期貨交易和法人交易之實證研究。﹝碩士論文。朝陽科技大學﹞臺灣博碩士論文知識加值系統。 https://hdl.handle.net/11296/6ut2n8
黃智勇（2008）。台灣電子類股及金融類股指數現貨與期貨互動性分析。﹝碩士論文。國立臺灣大學﹞臺灣博碩士論文知識加值系統。 https://hdl.handle.net/11296/ag23rb
黃馨儀、黃華山、林俊騰（2020）。應用機器學習方法預測台指期貨隔日漲跌之研究。華人經濟研究，18（2），55-80。https://www.airitilibrary.com/Article/Detail?DocID=17282055-202009-202009240006-202009240006-55-80
臺灣期貨交易所（瀏覽日期：2024年6月15日）。 Taiwan Futures Exchange. https://www.taifex.com.tw/cht/index
劉沛宜（2015）。交易活動對台指現貨與期貨價格發現的影響〔碩士論文，淡江大學〕。華藝線上圖書館。https://doi.org/10.6846/TKU.2015.00823
蔡林豪（2012）。一個系統交易策略的分析：以台灣期貨市場為例。﹝碩士論文。玄奘大學﹞臺灣博碩士論文知識加值系統。 https://hdl.handle.net/11296/v2hg4j。
謝文良（2002）。價格發現、資訊傳遞、與市場整合－台股期貨市場之研究。財務金融學刊，10（3），1-31。https://doi.org/10.6545/JFS.2002.10（3）.1
英文文獻
Brock, W., Lakonishok, J., & LeBaron, B. (1992). Simple technical trading rules and the stochastic properties of stock returns. The Journal of finance, 47(5), 1731-1764.
Buachuen, W., & Kantavat, P. (2023). Automated stock trading system using technical analysis and Deep Learning Models. Proceedings of the 13th International Conference on Advances in Information Technology. Presented at the Bangkok, Thailand. https://doi.org/10.1145/3628454.3631670
Chan, K. (1992). A further analysis of the lead–lag relationship between the cash market and stock index futures market. The Review of Financial Studies, 5(1), 123-152.
CHANG, E.C. (1985). Returns to Speculators and the Theory of Normal Backwardation. The Journal of Finance, 40: 193-208. https://doi.org/10.1111/j.1540-6261.1985.tb04944.x
Chang, P. C. (2012). A novel model by evolving partially connected neural network for stock price trend forecasting. Expert Systems with Applications, 39(1), 611-620.
Chang, Y., & Chou, R. K. (2022). Algorithmic trading and market quality: Evidence from the Taiwan index futures market. Journal of Futures Markets, 42(10), 1837–1855. https://doi.org/10.1002/fut.22362
Chen, W., Lin, C., & Shiu, C. (2018). Price discovery and price leadership of various investor types: evidence from Taiwan futures markets. Review of Quantitative Finance and Accounting, 53, 601-631.
Chong, T. T. L., & Ng, W. K. (2008). Technical analysis and the London stock exchange: testing the MACD and RSI rules using the FT30. Applied Economics Letters, 15(14), 1111-1114.
Chu, Q. C., Hsieh, W. L. G., & Tse, Y. (1999). Price discovery on the S&P 500 index markets: An analysis of spot index, index futures, and SPDRs. International Review of Financial Analysis, 8(1), 21-34.
Edwards, R. D., Magee, J., & Bassetti, W. C. (2018). Technical analysis of stock trends. CRC press.
Fama, E. F. (1965). The Behavior of Stock-Market Prices. The Journal of Business, 38(1), 34–105. http://www.jstor.org/stable/2350752
Fama, E. F. (1965). The behavior of stock-market prices. The journal of Business, 38(1), 34-105.
Fan, M.-H., Huang, J.-L., & Chen, M.-Y. (2024). Stock and futures market prediction using Deep Learning approach. IntechOpen. https://doi.org/10.5772/intechopen.114116
Gencay, R. (1996). Non‐linear prediction of security returns with moving average rules. Journal of Forecasting, 15(3), 165-174.
Han, Y., Kim, J., & Enke, D. (2023). A machine learning trading system for the stock market based on N-period Min-Max labeling using XGBoost. Expert Systems with Applications, 211, 118581.
Hasbrouck, J. (1995). One security, many markets: Determining the contributions to price discovery. The journal of Finance, 50(4), 1175-1199.
Karpoff, J. M. (1987). The relation between price changes and trading volume: A survey. Journal of Financial and quantitative Analysis, 22(1), 109-126.
Kawaller, I. G., Koch, P. D., & Koch, T. W. (1987). The Relationship between the S & P 500 Index and S & P 500 Index Futures Prices. Chicago Mercantile Exchange.
Kawaller, I. G., Koch, P. D., & Koch, T. W. (1993). Intraday market behavior and the extent of feedback between S&P 500 futures prices and the S&P 500 index. Journal of Financial Research, 16(2), 107-121.
Kimoto, T., Asakawa, K., Yoda, M., & Takeoka, M. (1990, June). Stock market prediction system with modular neural networks. In 1990 IJCNN international joint conference on neural networks (pp. 1-6). IEEE.
Kwon, K. Y., & Kish, R. J. (2002). Technical trading strategies and return predictability: NYSE. Applied Financial Economics, 12(9), 639-653.
Lapedes, A., & Farber, R. (1987). Nonlinear signal processing using neural networks: Prediction and system modelling (No. LA-UR-87-2662; CONF-8706130-4).
Lin, C., Lai, Y., Zheng, M., Wang, C., Chen, Y., & Gao, L. (2023). The Candlestick-Tracking Trend Decision for Day Trading on Taiwan Index Futures Market. Proceedings of the 2023 5th International Electronics Communication Conference.
Mandelbrot, B. B., & Mandelbrot, B. B. (1997). The variation of certain speculative prices (pp. 371-418). Springer New York.
Phua, P. K. H., Ming, D., & Lin, W. (2001). Neural network with genetically evolved algorithms for stocks prediction. Asia-Pacific Journal of Operational Research, 18(1), 103.
Schreiber, P. S., & Schwartz, R. A. (1986). Price discovery in securities markets. The Journal of Portfolio Management, 12(4), 43-48.
Schwartz, R. A. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work: Discussion. The Journal of Finance, 25(2), 421–423. https://doi.org/10.2307/2325488
Tse, Y. (1999). Price discovery and volatility spillovers in the DJIA index and futures markets. Journal of Futures markets, 19(8), 911-930.
Wang, C. (2001). Investor sentiment and return predictability in agricultural futures markets. Journal of Futures Markets: Futures, Options, and Other Derivative Products, 21(10), 929-952.
Wang, C. (2003). The behavior and performance of major types of futures traders. Journal of Futures Markets: Futures, Options, and Other Derivative Products, 23(1), 1-31.