2 of 14

A. 研究目的：�

傳統人工交易的主觀判斷容易受情緒和認知偏差的影響，交易決策的準確性無法保障
交易決策的效率低下，無法在短時間內迅速反應市場變化
無法實現長期穩定的交易獲利，交易策略總體效益不高

市場行為分析不僅關注交易者行為，關注市場趨勢和價格變動的影響因素
本研究將以市場行為分析為基礎，探討交易的行為和市場趨勢之間的關係
由於GPU硬體技術的成熟，可以運用機器學習的方法，構建AI人工智慧訓練的交易決策模型
用以提高交易決策的準確性和效率的方法，實現穩定的交易獲利

3 of 14

文獻探討

研究者	研究內容	研究方法	結論
在雲端平台上建立機器學習機制用於資料分析與預測運用,詹佳芸(台科大電子工程.105)	基於三種機器學習的技術其中包含線性回歸、決策樹、以及隨機森林，建立出不同的銷售預測模型	線性回歸決策樹隨機森林	實驗發現經過特徵組合的改良後，Random Forest的預測模型精準度最高
透過技術指標建構程式交易系統驗證是否能夠打敗標竿指數績效-以富邦科技成分股為例,徐瓊茹(台北商大財金.108)	以富邦科技成分股為樣本來檢定技術分析策略之有效性	技術指標程式交易	程式交易系統優於ETF被動型基金的報酬率
運用決策樹與倒傳遞類神經網路建構台股之整合性投資策略,曲恬頤(清大工業工程.108)	先使用決策樹找出財務比率對上市公司股價的影響投資標的篩選使用倒傳遞類神經網路做短期的投資預測	決策樹倒傳遞類神經網路	經過實證研究顯示，提出之方法確實能降低與趨勢相反之投資損失並得到良好的投資報酬率
利用深度類神經網路模型預測台灣股價指數走勢,黃焜烽(北大金融與合作經營學系.107)	採用台灣加權股價指數為標的，以技術指標、國際證券指數與外匯市場價格的不同資料型態作為深度類神經網絡模型輸入變數來預測每日指數走勢	深度類神經網路模型	台灣加權股價指數波動與國際證券指數的波動具有高度相關性。模型預測表現上，因不可預期金融事件導致預測偏誤的問題

B.文獻探討：

4 of 14

B.1 在雲端平台上建立機器學習機制用於資料分析與預測

Spark作為主要系統之運算框架

YAR管理資源

HS作為資料儲存系統

PySpark上Python編寫程序

MLlib之算法建立機器學習之模型

研究方法

資料切割(DataSplit)

特徴選取(Featureture Selection)

訓練模型建立(Training Model)

預測(Prediction)

評估結果(Evaluation)

數據來自Rossmann彩妝行CSV檔,2013年-2015年共117209筆的銷售數據資料

機器學習預測精準度之指標 MAPE和RMSPE作為本篇論文之效能評估方式

對於預測未來之銷售狀況而言,如預期般地,Linearrssion的準確度最低

由於這些資料並非線性結構而RandomForest的預模型準確度最高

經過實驗改良

MAPE值從0.32740降低到0.28912,其誤差值降低了11.7%

RMSPE值從.51074降低到4805,誤差值降低了18.1%

將原本的特徵加上成功因素為資料前處理和特徵選取作改良與延伸

個別分析最具影響力的特徵值,作為預測模型之訓練因子

5 of 14

B.2 透過技術指標建構程式交易系統驗證是否能夠打敗標竿指數績效

研究流程圖

研究方法

用夏普比率來評估2015-2019年過去績效表

策略報酬與ETF報酬之T檢定比較是否顯著

來檢視正常與異常報酬率

EMA+B-Band+Vol組成而成的交易策略報酬率較多呈現顯著反應(報酬之T0.0430),為四個策略中績效表現最佳之策略

6 of 14

B.3運用決策樹與倒傳遞類神經網路建構台股之整合性投資策略

研究方法

結合基本面與技術面的資訊

找出低風險之投資組合

經過實證研究顯示

期間內加權成交指數下跌38.35%

本研究之投資報酬率卻有47.63%

使用ProfessionalI建構傳遞類神經網路

輸出變數為隔日之開盤價、最高價、最低價以及收盤價,分別利用全部變數以及因素變數作為輸入變數建構個倒傳遞類神經網路模型

7 of 14

C.研究對象：�

本研究以金融市場為研究對象，股票、期貨、外匯等交易品種中，將以證券市場為研究對象，以台灣股票市場為主要研究範圍

藉由市場行為分析來建構AI人工智慧訓練的交易決策模型與EA智能交易策略演算法

探討交易者的行為和市場趨勢之間的關係以驗證其實用性

8 of 14

C.1 EA智能交易策略演算法�

C.1.1 Expert Advisor EA智能交易策略演算法的優點：
克服人性弱點的「決策不理性」
可參考軟體的績效回測結果，擬訂後續策略

C.1.2 Expert Advisor EA智能交易策略演算法的缺點：
技術指標的落後：傳統的交易策略通常基於技術指標，但是技術指標有時很難捕捉市場的實際趨勢，並且很容易產生誤報信號
人工判斷選取的標的 : 程式只是幫忙我們進行策略的執行，並不會自動幫我們想好要怎麼買賣、要買賣什麼商品
依舊無法保證獲利；就算我們透過歷史回測找到好的交易策略，但「過去賺錢不代表未來一定賺錢」，這個在傳統人工交易遇到的問題，使用程式交易也無法突破這門檻
需要多種交易策略；在不同的市場行為之趨勢中，仍有某一種策略的準確性最佳，而其他的策略績效極差，並無最佳化的交易策略，仍需因應市場趨勢不斷調整參數與選擇適合的交易策略

9 of 14

C.2 AI人工智慧訓練的交易決策模型�

透過現代統計學和科學方法，把市場資訊、價格變動等現象歸納成交易邏輯
機器學習的型式使用增強式學習，人工智慧不是被動地識別資料間的關聯，而是在受控的環境裡具備「能動性」
觀察並記錄自己的行動會有什麼反應，引導人工智慧在人造環境裡訓練自己與自動化的提供反饋和獎勵
模擬器提供擬真的環境，回饋功能則讓人工智慧做出有效的決定

B.2.1 優於EA的效益：
提高交易策略的準確性：AI訓練模型可以運用大量的數據進行模型訓練，從而提高交易策略的準確性
自我學習能力：AI訓練模型可以通過不斷學習和優化自身，不斷提高交易策略的效能
能夠應對市場變化：AI訓練模型可以根據市場的變化及時調整交易策略，以適應市場環境的變化
能夠將不同交易策略進行整合：AI訓練模型可以自動整合不同的交易策略，從而提高獲利能力

10 of 14

C.3 AI人工智慧訓練的交易決策模型與EA智能交易策略演算法的比較�

訓練方法	策略設計	特性	注意點
AI交易決策模型	基於市場行為分析的交易決策模型	能夠辨識價格變動特徵，對市場趨勢的分析準確，能夠預測市場波動	模型訓練過程需要大量的資料時間，對於市場上新的情況無法及時適應
EA智能交易策略	基於趨勢分析、技術指標分析、情緒分析等方式	可以根據市場的變化及時調整策略，對於新情況的適應能力較強，交易效率較高	策略過於簡單，難以處理複雜的市場情況，對於市場趨勢的預測較為困難

11 of 14

D. 可以解決的問題：�

本研究旨在解決投資者在交易過程中所遇到的困難，例如如何掌握市場行情、如何選擇交易策略、如何控制風險等。
目的在於利用市場行為分析來對交易決策的準確性和效率進行優化，透過AI訓練模型和EA智能交易策略演算法來實現自動化交易
具體而言，本研究將針對以下問題進行探討：
C.1 如何以市場行為分析為基礎，建構有效的交易決策模型？
C.2 如何透過AI人工智慧訓練，提高交易決策的準確性及效率？
C.3 如何運用EA智能交易策略演算法，將交易策略自動化，並提升交易效率？

通過使用適當的機器學習算法和技術，可以建立一個精確的模型，該模型可以自動識別市場趨勢，進行趨勢分析並生成交易信號
最終讓投資者可以更有效地進行交易，提高交易效率並降低風險

12 of 14

E.研究方法：�

本研究將採用質性與量化研究方法相結合的方式進行研究，採用深度學習和強化學習等AI技術來建立交易決策模型和EA智能交易策略演算法，並以Python等程式語言進行編程實現，具體步驟包括：
D.1 數據收集：從台灣股票市場的交易歷史資料收集為基礎，從中獲取大量的歷史市場價格、交易量等數據，並使用AI工具（Cluster）來挑選代表性的AI數據來精簡數據大小和數據筆數進行清理和處理
D.2 市場行為分析：基於數據分析方法，探討分析證券市場行為和趨勢變化，提取價格變動的特徵，設計交易策略
D.3 建構EA智能交易策略演算法：在Mutichart透過EA智能交易策略演算法，並進行EA智能交易策略的設計和優化，包括趨勢分析、技術指標分析、情緒分析，並且將交易策略自動化
D.4 建構交易決策模型：利用Keras或PyTorch等機器學習庫，以開發AI訓練模型，建構基於市場行為分析的交易決策模型，以收集並精簡過的AI數據來訓練模型，以生成交易信號
D.5 模型訓練：選擇合適的AI模型用成本函數（Cost Function）的方式，進行訓練，不斷調整AI模型的評分（Rating），將使用回測方法來評估模型的性能，用加扣分的方式，告訴機器它的學習表現是好是壞，做對就加分，做錯就扣分優化模型參數，提高實驗模型的指標（Metrics）準確性來符合成果
D.6 模型驗證：將訓練好的模型應用到實際市場交易中，測試其穩定性和績效
D.7 實證分析：將使用實時市場數據進行實驗，進行實證分析，評估建構的交易決策模型及EA智能交易策略演算法的交易投資報酬率

13 of 14

F.研究預期成果：�

本研究旨在探討基於AI技術的股票交易決策模型和EA智能交易策略演算法，研究預期可以達成以下幾個方面的成果：

E.1 經驗貢獻：構建AI人工智慧訓練的交易決策模型和EA智能交易策略演算法，實現自動化交易，降低人為情緒和認知偏差的影響
E.2 方法貢獻：採用質性與量化研究方法相結合的方式，將深度學習和強化學習等AI技術應用到股票交易領域，可以為類似研究提供方法參考和借鑒。
E.2 實踐貢獻：驗證交易決策模型和EA智能交易策略演算法的實用性和效益，提高交易的成功率和投資報酬率，為投資者提供有效的投資工具
E.3 理論貢獻：提供一種新的交易決策方法，探討如何利用市場行為分析，以驗證模型在股票市場的決策研究的可行性和效果，提供新思路和方法

14 of 14

��

[1]Attention Is All You Need-Ashish Vaswani Google Brain, Noam Shazeer Google Brain, Niki Parmar Google Research, Jakob Uszkoreit Google Research, Llion Jones Google Research, Aidan N. Gomez University of Toronto, Lukasz Kaiser Google Brain, Illia Polosukhin
[2] Sparks of Artificial General Intelligence:Early experiments with GPT-4-OpenAI
[3] Self Attention – 李宏毅
[4] Continual Learning with Lifelong Vision Transformer - Zhen Wang, Liu Liu1, Yiqun Duan, Yajing Kong, Dacheng Tao,The University of Sydney, Australia, JD Explore Academy, China,University of Technology Sydney, Australia
[5] An overview of Bard: an early experiment with generative AI-James Manyika, SVP, Technology and Society
[6]使用機器學習方法預測加權指數之研究-王鼎宏，成功大學經營管理系，105
[7]機器學習與程式交易在建構交易系統之研究-以台灣指數期貨為例-吳彥璋，輔仁大學資訊管理系，108
[8]應用倒傳遞類神經網路技術於臺灣指數期貨預測之研究-南台科技資訊管理系，郭英哲，93
[9]機器學習與文字探勘應用於交易策略之研究－以臺灣50為例-陳治偉，雲林科大財務金融系，109
[10]有效率的跨交易關聯規則探勘演算法-王春笙，台灣大學資訊管理系，96
[11]運用決策樹與倒傳遞類神經網路建構台股之整合性投資策略-國立清華大學工業工程與工程管理學系曲恬頤 108
[12]在雲端平台上建立機器學習機制用於資料分析與預測-詹佳芸 105 台科大，電子工程
[13]遺傳演算法結合機器學習於台灣加權股價指數趨勢預測-張晨新，國立高雄第一科技大學，財務管理，105
[14]以集成式演算法結合技術指標進行股市預測分析-柯鈞騰，國立彰化師範大學企業管理學系，102
[15]利用深度類神經網路模型預測台灣股價指數走勢-黃焜烽國立臺北大學金融與合作經營學系 107
[16]透過技術指標建構程式交易系統驗證是否能夠打敗標竿指數績效-以富邦科技成分股為例-徐瓊茹國立臺北商業大學財務金融系 108
[17]台灣期貨市場程式交易之實證研究--策略組合交易模型-林筠國立臺灣大學財務金融學研究所 104
[18]模糊基因表達規劃法在台指期貨投資策略探勘之研究-戴棨泯輔仁大學資訊管理學系 103
[19]以隨機森林時間序列模型為基礎之台灣上市股市即時交易策略之研究-李佩螢，輔仁大學統計資訊學系應用統計，105
[20]運用基因演算法找尋日內期貨交易策略－以台灣股價指數期貨為例-徐明鏞世新大學資訊管理學研究所108

G. 參考文獻：