近年來，人工智慧(AI)技術在金融市場的應用日益廣泛，其中，機器學習(ML)和一些統計方法被廣泛使用於股票市場的預測。本研究旨在探討如何利用AI模型來預測台灣加權股價指數的變動，並對不同模型的預測效果做比較。我們使用支持向量機(SVM)、長短期記憶網路(LSTM)及決策樹等模型，並使用多種基本面數據，經濟數據和情緒指標作為輸入變數，以增加預測精準度。
本研究使用周資料，並使用最大策略虧損(MDD)還有報酬率等指標衡量模型效能。結果顯示，極端隨機樹（ETC）於大多數情境中展現最優異的績效，不僅擁有最高的平均勝率與年化報酬，也在風險控制方面（如最大回撤與夏普值）具有相對穩定表現。
本研究顯示AI模型可以有效提升對台股大盤預測能力，未來可以進一步整合強化學習與常識其他輸入變數，以提高預測精準度，並探討在其他標的中的應用潛力。

In recent years, artificial intelligence (AI) technologies have been increasingly applied to financial markets, with machine learning (ML) and various statistical methods widely used for stock market prediction. This study aims to explore the use of AI models in forecasting movements of the Taiwan Stock Exchange Capitalization Weighted Stock Index (TAIEX) and to compare the predictive performance of different models. We employ models such as Support Vector Machines (SVM), Long Short-Term Memory (LSTM) networks, and Decision Trees, incorporating a variety of fundamental indicators, economic variables, and sentiment indicators as input features to enhance prediction accuracy.
The study uses weekly data and evaluates model performance based on Maximum Drawdown (MDD), and return rates. The results show that the Extra Trees Classifier (ETC) consistently outperforms other models across most scenarios, achieving the highest average win rate and annualized return while also maintaining relatively stable performance in terms of risk control (e.g., MDD and Sharpe ratio).
This research shows that AI models can effectively enhance predictive capabilities for the Taiwanese stock market. Future studies may further integrate reinforcement learning and incorporate additional relevant input variables to improve forecasting accuracy, as well as explore their potential applications in other financial instruments.

錢怡成（2002），股價指數期貨與現貨價格關聯性之研究，﹝碩士論文。南華大學﹞臺灣博碩士論文知識加值系統。
周賓凰、張宇志、林美珍，2007。投資人情緒與股票報酬互動關係，證券市場發展季刊，第十九卷第二期，153-190。
朱正修(2004)，〈台灣股市與國際股市連動性之研究〉，國立成功大學統計學研究所碩士論文。
何國勳（2017）。結合智慧演算法於倒傳遞類神經網路以預測股市加權指數。﹝碩士論文。長庚大學﹞臺灣博碩士論文知識加值系統。
林哲宇。「以類神經網路預測股市轉折點之研究」。碩士論文，國立彰化師範大學資訊管理學系所，2016。
莊惠如（2024）。運用深度學習LSTM預測台積電股價。﹝碩士論文。國立中興大學﹞臺灣博碩士論文知識加值系統。
鐘毅（2020）。以深度學習 LSTM 方法進行台灣加權股價指數預測。﹝碩士論文。國立交通大學﹞臺灣博碩士論文知識加值系統。
黃鈞偉（2015）。利用技術指標於股價預測:使用SVM與特徵選取演算法。﹝碩士論文。國立高雄應用科技大學﹞臺灣博碩士論文知識加值系統。
莊寧（2020）。運用機器學習技術預測股市走勢。﹝碩士論文。國立交通大學﹞臺灣博碩士論文知識加值系統。
藍雅驊（2023）。以決策樹模型進行技術指標組合的股票預測比較。
張靖（2021）。結合隨機森林與隨機森林迴歸設計交易策略-以臺灣發行量加權股價報酬指數為例。﹝碩士論文。國立臺北商業大學﹞臺灣博碩士論文知識加值系統。
陳鄢貞（2011）。以財務指標及技術指標建構股價預測模型－類神經網路模型之應用。﹝碩士論文。國立臺北大學﹞臺灣博碩士論文知識加值系統。
張竣翔（2018）。基本面、技術面及總體經濟變數對股價指數報酬之預測性。﹝碩士論文。國立中正大學﹞臺灣博碩士論文知識加值系統。
An, Ang, Bali and Cakici (2014), The Joint Cross Section of Stocks and Options, Journal of Finance, 2014, vol. 69, issue 5, 2279-2337
Brown, Gregory, and Michael Cli®, 2004, Investor Sentiment and the Near-Term Stock Market," Journal of Empirical Finance 11, 1-27.
Breiman, L. Random Forests. Machine Learning 45, 5–32 (2001)
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297.
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780.
Jay Shanken and Mark I. Weinstein (2006), Economic forces and the stock market revisited, Journal of Empirical Finance, Volume 13, Issue 2, March 2006, Pages 129-144
Tarika Singh, Seema Mehta & M. S. Varsha (2010), Macroeconomic factors and stock returns: Evidence from Taiwan, Journal of Economics and International Finance Vol. 2(4), pp.217-227
Quinlan, J. R. (1986). Induction of decision trees. Machine Learning, 1(1), 81–106.
Zhou and Sornette (2006), Predictability of large future changes in major financial indices, International Journal of Forecasting, Volume 22, Issue 1, January–March 2006, Pages 153-168