現今金融市場仍然有許多外在因素影響，而外匯市場每日有數以萬計的交易量，本論文希望通過機器學習在外匯市場中找出規律性，而使用機器學習的程式交易要在外匯市場中獲利，擁有高準確率是不可或缺的條件。本論文使用深度學習的卷積神經網路(Convolutional Neural Network, CNN )及長短期記憶(Long Short-Term Memory, LSTM )模型進行外匯分析。
本論文分別建立兩個深度學習的 CNN 模型，並將歷史外匯量化資料繪製為圖片，包含價格、移動平均線 (Moving Average)等資訊作為 CNN 模型輸入資料，分別過濾漲跌起伏太低的資料及預測漲跌。而將開盤價、最高價、最低價、收盤價及交易量等量化資料輸入至 LSTM 模型， LSTM 模型則預測價錢，兩者配合並設置買賣條件。實驗使用樣本期間美元/日元 2005 年1 月 10 日至 2018 年 3 月 30 日，並在 2018 年1 月 1 日至 2018 年 3 月 30 日，在外匯交易測試中結果均具有正報酬。

FX market has tens of thousands of transactions every day. This paper hopes to find regularities in the FX market via machine learning. This paper uses deep learning Convolutional Neural Network ( CNN ) and Long Short-Term Memory ( LSTM ) models for FX analysis.
This paper establishes the CNN and the LSTM model to forecast, and the two cooperate with each other and set the trading conditions. The experimental use of the sample period USD/JPY from January 10, 2005 to March 30, 2018, and from January 2, 2018 to March 30, 2018, the results which can earn profit in the FX.

摘要.......................................... I
Abstract.................................. III
致謝........................................ V
目錄....................................... VII
圖目錄.................................... XI
表目錄.................................. XIII
第一章 緒論............................. 1
1.1 研究背景............................ 1
1.2 研究動機與目的................. 1
1.3 論文概述............................ 2
第二章 外匯交易市場簡介........ 3
2.1 外匯................................... 3
2.2 外匯交易............................ 3
2.3 外匯市場............................ 3
2.4 技術指標與交易策略.......... 4
第三章 相關文獻探討............... 7
3.1 外匯的相關研究................. 7
3.1.1 技術指標應用................. 7
3.1.2 機器學習應用................. 7
3.2 CNN.................................. 8
3.3 LSTM............................... 10
第四章 研究架構與方法.......... 11
4.1 程式運作流程與架構......... 11
4.2 訓練與測試資料................ 11
4.2.1 CNN 模型資料集............ 11
4.2.2 LSTM 模型資料集.......... 14
4.3 神經網路模型架構............. 14
4.3.1 CNN 模型架構................ 14
4.3.2 LSTM 模型架構.............. 18
4.4 交易策略............................ 19
4.4.1 交易策略1....................... 21
4.4.2 交易策略2....................... 22
4.4.3 交易策略3....................... 22
4.4.4 交易策略4....................... 22
第五章 實驗結果與分析........... 25
5.1 實驗環境............................ 25
5.2 神經網路模型準確率.......... 26
5.3 交易策略實驗結果.............. 26
第六章 結論與未來展望............ 31
參考文獻................................... 33

[1] Bank for International Settlements (2017). Triennial Central Bank Survey Foreign exchange turnover in April 2016. [online] Basel, p.4. Available at: http://www.bis.org/publ/rpfx16fx.pdf [Accessed 23 Mar. 2017].
[2] Andrej Karpathy, “CS231n: Convolutional Neural Networks for Visual Recognition”, http://cs231n.github.io/, 2016.
[3] Jia, Y., Shelhamer, E., Donahue, J., Karayev, S., Long, J., Girshick, R., et al. (2014).
Caffe: Convolutional Architecture for Fast Feature Embedding. ArXiv e-prints, 1408.
Retrieved from http://adsabs.harvard.edu/abs/2014arXiv1408.5093J
[4] D. Silver, A. Huang, C.J. Maddison, et al, “Mastering the game of Go with deep neural networks and tree search”, Nature Vol. 529, 2016.
[5] LeCun, Y., Bottou, L., Bengio, Y. & Haffner, P. Gradient-based learning applied to document recognition. Proc. IEEE 86, 2278–2324 (1998).
[6] A. Krizhevsky, I. Sutskever, and G. Hinton. ImageNet classification with deep convolutional neural networks. In NIPS, 2012.
[7] J.T. Yao, C.L. Tan, A case study on using neural networks to perform technical forecasting of forex, Neurocomputing 34 (2000) 79–98.
[8] S. Hochreiter and J. Schmidhuber. Long short-term memory. Neural computation, 9(8):1735–1780, 1997.
[9] 葉叁長，”外匯技術分析與交易策略系統之研究”，高苑科技大學企業管理系經營管理碩士班，碩士論文，2018。