結合計量模型與機器學習於股票交易策略的應用

Applications of Econometric Models and Machine Learning to Stock Investment Strategies

朱梓安(Zi-An Choo)

指導教授 ： 呂育道

國立臺灣大學/管理學院/財務金融學研究所/碩士(2020年)

https://doi.org/10.6342/NTU202001143

摘要

本論文分為兩個主軸，第一個主軸透過 panel-data regression 的方式針對台灣上市、上櫃公司進行 Fama–French 三因子模型驗證，探討三個風險因子在不同時間點下對於各投資組合股價報酬的影響，而本論文實驗結果表明三個風險因子在日資料上對股票報酬有顯著的影響；第二個主軸則藉由 panel-data regression 發展出一套當沖的交易策略，針對偏離均衡價格的股票進行操作以及進一步透過 LightGBM 模型針對前述交易策略進行優化，其精神在於將風險因子的估計係數、基本價量指標以及技術分析指標作為模型所需的因子並預測隔天股票的漲跌，因此發展出原始策略與機器學習輔助策略兩種策略模式，並形成一共120種的交易策略。此外，經由回測結果發現，某些策略的績效比台灣 50 ETF 來得好且機器學習輔助策略的模式只適用於小型公司投資組合的策略。

關鍵字

Fama-French 三因子模型 ； panel-data 迴歸模型 ； 固定效果模型 ； 隨機效果模型 ； 群聚穩健標準誤差 ； LightGBM ； 因子重要性 ； 當沖交易 ； 交易回測

並列摘要

This thesis is divided into two parts. Focusing on Taiwan-listed companies and over-the-counter market companies, the first part uses panel-data regression to verify the Fama–French three-factor model. It discusses the impacts of the three risk factors on stock returns for each portfolio over the period June 4, 2014, through May 31, 2019, and the experimental results show that the three risk factors have a significant impact on daily stock returns. The second part explores daily trading strategies that take advantage of deviations from a stock’s equilibrium price established by panel-data regression, such trading strategies may also be improved through the LightGBM model, which uses the estimated coefficients of risk factors, basic price-volume information, and technical analysis indicators to predict stock’s rise or fall the next day. Finally, a total of 120 trading strategies will be generated with or without the help of machine learning. The backtesting results show that some of the trading strategies beat the Taiwan Top 50 ETF, and machine learning only helps the strategies that trade only small-company stocks.

並列關鍵字

Fama-French three-factor model ； panel-data regression ； fixed effects model ； random effects model ； two-way cluster-robust standard errors ； LightGBM ； feature importance ； day trading ； backtesting

參考文獻

宋軒綾 (2017)。TCRI 於台灣股票市場因子模型之應用（碩士論文）。國立中興大學財務金融學系所，台中市。

張紹勳 (2016)。Panel-data 迴歸模型 — STATA 在廣義時間序列的應用。臺北市：五南圖書。

李永隆、杜玉振、王瑋瑄 (2017)。Google 搜尋量指數對臺灣股票報酬與成交量之影響。管理與系統，24(4), 565–590。

陳俞如、林卓民、陳衍佑 (2013)。代理問題、資訊揭露和資本投資現金流量敏感性。管理與系統，20(3), 583–609。

Williamson, J. (2009). The philosophy of science and its relation to machine learning. In Gaber, M. (Eds.), Scientific Data Mining and Knowledge Discovery (pp. 77–89). Springer, Berlin.