我們的研究以台灣股市為對象，利用支援向量機模型在市場上選出具有高報酬的股票，並比較這些股票的投資組合報酬率與市場的報酬率。我們使用台股過去幾年所有上市上櫃的股票，每年都有一千家以上的公司作為我們的樣本。我們使用財務指標作為解釋變數，包括獲利能力、償債能力、成長率、經營能力、每股比率、成本費用率6個類別，共84個財務指標。實驗結果發現在10年的期間裡，模型選出的股票，其投資組合有51.68%的累積報酬率，勝過市場的2.14%報酬率。我們也分析了準確率、精確率、召回率三項用來評估模型預測能力的指標。

We apply Support Vector Machine (SVM) model to pick up stocks with exceptional high return in Taiwanese Stock Market. We use financial indicators as explanatory variables, which come from 6 categories including profitability, liquidity, growth, per share, operating and cost expense, having a total number of 84. Empirical analysis indicates that over a 10-year period, the portfolio formed by our model has a total return of 51.68%, which outperformed the overall market index of 2.14%. We have also analyzed 3 metrics used to evaluate a model’s performance, including accuracy, precision and recall.

第一章 緒論 1
第一節 研究背景 1
第二節 研究動機 1
第三節 研究目的 2
第二章 文獻回顧 3
第一節 支援向量機相關研究 3
第三章 支援向量機 6
第一節 演算法 6
第二節 SVM的特點8
第四章 實證結果 9
第一節 資料來源9
第二節 資料處理11
第三節 實證結果13
第五章 結論與未來研究方向 16
第一節 結論16
第二節 未來研究方向16
參考文獻 18

翁宇廷(2012)，「應用SVM特徵選取提升財務危機模型之預測能力」，朝陽科技大學財務金融系，碩士論文。

賀安平(2016)，「從新聞文章預測股票走勢：使用SVM與LDA演算法」，國立高雄應用科技大學資訊管理系碩士班，碩士論文。

葉佳霖(2012)，「應用平滑支撐向量機於黃金現貨的投資策略與績效比」，國立台灣科技大學資訊管理研究所，碩士論文。

謝曜宏、許資汯、朱涵宇、林祝興(2019)，「使用機器學習的智慧選股策略之研究」，全國計算機會議。

Fan, A., Marimuthu, P. (2001), “Stock Selection Using Support Vector Machines,” Proceedings of International Joint Conference on Neural Networks, 3, 1793–1798.

Huang, C. F. (2012), “A hybrid stock selection model using genetic algorithms and support vector regression,” Applied Soft Computing, 12, 807-818.

Huang, W., Yoshiteru, N., and Shou-Yang W. (2005), “Forecasting stock market movement direction with support vector machine,” Computers and Operations Research, 2513-2522.

Kim, K. (2003), “Financial time series forecasting using support vector machines,” Neurocomputing, 55, 307-319.

Pai, P.F. and Chih-Sheng, L. (2005), “A hybrid ARIMA and support vector machines model in stock price forecasting,”
Omega, 33: 497-505.

Veropoulos, K., Colin, C., Nello, C. (1999), “Controlling the sensitivity of support vector machine,” Proceeding of the International Joint Conference on Artificial Intelligence.