TW202318322A - 股價因素分析方法及系統 - Google Patents

Abstract

一種股價因素分析方法，由處理器執行。此股價因素分析方法包含：收集影響股價的複數個因素各自所對應的複數個因素資料、計算歷史股價中預設時間段的歷史報酬率或最大回落值、基於此等因素資料和此歷史報酬率或此最大回落值，以機器學習方法訓練模型、將此等因素資料代入此模型，並對此模型執行SHAP演算法處理，以獲得此等因素資料各自所對應的SHAP值、以及根據此等因素資料各自所對應的SHAP值判斷此等因素中各者的影響程度，以選出複數個關鍵因素。

Description

股價因素分析方法及系統

本揭露文件係關於一種股價因素分析方法及系統，特別是一種判斷影響股價的關鍵因素的方法及系統。

影響股市的因素十分眾多，例如利率的走升或下跌、景氣因供需有週期性的循環、公司營收、甚至天災人禍及政府政策等等，都會造成股價的上下波動，而如何預測股價走勢是大多數投資人最感興趣的議題。為了輔助投資人對股價走勢的判斷，各種預測股價變化的方法也因應而生，例如從歷史價格、價量強弱、技術面、基本面及/或籌碼面等資訊來進行判斷。

然而，股市瞬息萬變，要準確預測股價未來的漲跌是十分困難的，但若能掌握股價走勢的關鍵因素，依然可以判斷出股市漲跌的大方向及目前處在景氣或產品循環的位置。因此，為了在眾多影響股市的因素中，找出主要影響股價走勢的關鍵因素，有必要研發關於股價因素的分析技術，以進一步輔助投資人判斷股市的買賣。

在本揭露文件之一技術態樣中提出一種股價因素分析方法。股價因素分析方法由處理器執行。股價因素分析方法包含：收集影響股價的複數個因素各自所對應的複數個因素資料、計算歷史股價中一預設時間段的歷史報酬率或最大回落值、基於此等因素資料和歷史報酬率或最大回落值，以機器學習方法訓練模型、將此等因素資料代入模型，並對模型執行SHAP演算法處理，以獲得此等因素資料各自所對應的SHAP值、以及根據此等因素資料各自所對應的SHAP值判斷此等因素中各者的影響程度，以選出複數個關鍵因素。

在一實施例中，此等因素資料各自所對應的SHAP值為每一此等因素資料分別於預設時間段中的複數個時間區間所對應的複數個SHAP值的加總或平均值。

在一實施例中，股價因素分析方法，更包含將歷史報酬率或最大回落值作數值轉換，並基於此等因素資料和經數值轉換後的歷史報酬率或最大回落值，以機器學習方法訓練此模型。

在一實施例中，此等因素係選自總體經濟指標、基本面指標、 原物料指標、籌碼指標、外匯、技術面指標所構成的群組。

在一實施例中，此等因素資料為此等因素各自對應的成長率資料或是此等因素經數值轉換所產生的資料。

在一實施例中，以機器學習方法訓練此模型是透過自動化機器學習。

在一實施例中，股價因素分析方法，更包含將此等因素資料依時序分為訓練集、驗證集、和測試集，並基於訓練集、驗證集、測試集和歷史報酬率或最大回落值，以機器學習方法訓練、驗證、和測試模型。

在本揭露文件之另一技術態樣中提出一種股價因素分析系統。股價因素分析系統包含模型訓練模組、SHAP值計算模組和判斷模組。模型訓練模組用以基於影響股價的複數個因素各自所對應的複數個因素資料和歷史股價中一預設時間段的歷史報酬率或最大回落值，以機器學習方法訓練模型。SHAP值計算模組用以將此等因素資料代入此模型，並對此模型執行SHAP演算法處理，以獲得此等因素資料各自所對應的SHAP值。判斷模組用以根據此等因素資料各自所對應的SHAP值判斷此等因素中各者的影響程度，以選出複數個關鍵因素。

在一實施例中，此等因素資料各自所對應的SHAP值為每一此等因素資料分別於此預設時間段中的複數個時間區間所對應的複數個SHAP值的加總或平均值。

在一實施例中，股價因素分析系統更包含歷史數據計算模組。歷史數據計算模組用以根據歷史股價計算此預設時間段的歷史報酬率，以供模型訓練模組進行存取。

在一實施例中，股價因素分析系統更包含數值轉換模組。數值轉換模組用以將此歷史報酬率或最大回落值作數值轉換，其中模型訓練模組是基於此等因素資料和經數值轉換後的歷史報酬率或最大回落值，以機器學習方法訓練此模型。

在一實施例中，股價因素分析系統更包含資料收集模組。資料收集模組用以自總體經濟指標、基本面指標、 原物料指標、籌碼指標、外匯、技術面指標所構成的群組中選取此等因素及收集此等因素各自所對應的因素資料，以供模型訓練模組進行存取。

在一實施例中，此等因素資料為此等因素各自對應的成長率資料或是此等因素經數值轉換所產生的資料。

在一實施例中，模型訓練模組是以自動化機器學習方法訓練此模型。

在一實施例中，模型訓練模組將此等因素資料依時序分為訓練集、驗證集、和測試集，並基於訓練集、驗證集、測試集和歷史報酬率或最大回落值，以機器學習方法訓練、驗證、和測試此模型。

在一實施例中，股價因素分析系統更包含模型資料庫。模型資料庫用以儲存模型訓練模組所訓練的模型。

在一實施例中，股價因素分析系統更包含狀態監控模組。狀態監控模組用以將模型資料庫中模型的資訊顯示於顯示器。

下文係舉實施例配合所附圖式作詳細說明，但所描述的具體實施例僅僅用以解釋本發明，並不用來限定本發明，而結構操作之描述非用以限制其執行之順序，任何由元件重新組合之結構，所產生具有均等功效的裝置，皆為本發明揭示內容所涵蓋的範圍。

此外，本發明所提到的“第一”及“第二”等用語並不代表任何順序、數量或者重要性，只是用於區分不同的部分，且附圖僅僅用以示意性地加以說明。

在全篇說明書與申請專利範圍所使用之用詞(terms)，除有特別註明外，通常具有每個用詞使用在此領域中、在此揭露之內容中與特殊內容中的平常意義。某些用以描述本揭露之用詞將於下或在此說明書的別處討論，以提供本領域技術人員在有關本揭露之描述上額外的引導。

請參閱圖1，圖1繪示本揭露文件之一實施例之股價因素分析方法100的流程圖。股價因素分析方法100用於從眾多影響股價的因素中判斷出較為關鍵的一或多個因素，其包含有步驟S110、S120、S130和S140等流程，各個步驟內容如下： S110：收集影響股價的複數個因素各自所對應的複數個因素資料，以及計算歷史股價中一預設時間段的歷史報酬率或最大回落值(Max drawdown，MDD)。 S120：基於因素資料和歷史報酬率或最大回落值，以機器學習方法訓練模型。 S130：執行SHAP演算法(SHapley Additive exPlanations)處理，以獲得因素資料各自所對應的SHAP值。 S140：根據因素資料各自所對應的SHAP值判斷各因素資料的影響程度，以選出複數個關鍵因素。

詳細來說，於步驟S110收集影響股價的複數個因素各自所對應的複數個因素資料中，例如是針對某一股票產品A，收集可能影響其之股價的因素於某一時間點或某一時間段所對應的數據資料。其中，可透過處理器自動化收集影響股價的因素各自所對應的因素資料，並儲存於資料庫中，或者，使用者也可自行輸入因素及相對應的因素資料以儲存於資料庫中。而影響股價的因素例如選自總體經濟指標、基本面指標、 原物料指標、籌碼指標、外匯、技術面指標所構成的群組。

其中，總體經濟指標包括例如恐慌指數、10年期公債利率、10年期減2年期公債利差、美國30年期抵押貸款利率、美國高收益指數選擇權調整利差、美國整體庫存、美國製造業耐久財新訂單、美國耐久財消費支出、美國初領失業救濟金人數、美國非農就業人口、和美國五周內失業人口等等。

基本面指標包括例如公告或經過季節調整後的月營收、月營收與股價的比率、過去財報計算得本益比、利用公告財報與營收預估的本益比、過去財報計算得股價淨值比、利用公告財報與營收預估的股價淨值比、已公告營收預估的現金殖利率、和過去或即將的股息殖利率等等。

原物料指標包括例如布蘭特原油、WTI原油、天然氣、黃金、銀、銅、鐵、錫、美國黃豆、美國小麥、美國玉米、和CRB商品指數等等。

籌碼指標包括例如股東持有平均張數、股東持有600張以上比例、股東持有1000張以上比例、外資買賣超(含5日、20日、60日等平均值)、投信買賣超(含5日、20日、60日等平均值)、自營商買賣超(含5日、20日、60日等平均值)、融資餘額(含5日、20日、60日平均值)、和融券餘額(含5日、20日、60日平均值)等等。

外匯包括例如美金指數、美金對台幣匯率、和澳幣對美金匯率等等。

技術面指標包括例如交易量(含5日、20日、60日等平均值)和過去的價格等等。

應理解的是，本發明的股價因素分析方法100所收集的因素資料並不限於取自上述例子，任何可能影響股價的因素皆可應用於本發明所揭示的股價因素分析方法100。

於一實施例中，影響股價的因素所對應的因素資料可例如為各個因素於固定時間間隔的成長率等數據資料。舉例來說，可根據使用者需求，收集有關股票產品A的各個因素於過去任意時間段的成長率。於另一實施例中，亦可應實際需要，將影響股價的因素所對應的因素資料進行取log值等數值轉換，本發明對此不作任何限制。

此外，於步驟S110收集歷史股價中預設時間段的歷史報酬率或最大回落值中，例如針對此股票產品A，收集其於過去一段預設時間的報酬率或最大回落值。例如，股價因素分析方法100可收集股票產品A過去數年、數月、數周、或任意時間區間的歷史報酬率或最大回落值。較佳地，股價因素分析方法100於步驟S110中是收集前述因素資料的時間點之後一段預設時間的報酬率或最大回落值。舉例來說，當收集的因素資料為各影響因素於時間點T1的資料，則收集時間點T1之後一段預設時間的歷史報酬率或最大回落值。

接著，於步驟S120中，將於步驟S110所收集的因素資料及歷史報酬率或最大回落值，透過機器學習方法來訓練模型。詳細來說，以因素資料作為訓練模型的輸入，而歷史報酬率或最大回落值作為訓練模型的目標，透過機器學習訓練出最符合的模型。其中，訓練模型例如為XGBoost、Random Forest、類神經網路等等，本發明並不加以限制。

訓練好模型後，股價因素分析方法100於步驟S130中，將目前或欲分析的特定時間點的各因素資料代入此訓練好的模型，並針對此訓練好的模型執行SHAP演算法(SHapley Additive exPlanations)處理，以獲得各因素資料所對應的SHAP值。其中，SHAP演算法可測量模型中每個特徵(即因素資料)對每個預測(即歷史報酬率或最大回落值)的正面或負面貢獻的程度。舉例來說，當SHAP值為正值時，其數值越大，則正面貢獻程度越大，而當SHAP值為負值時，其數值越小，則負面貢獻程度越大。簡單來說，SHAP值的絕對值越大，則貢獻程度越大。

最後，股價因素分析方法100於步驟S140中，根據步驟S130中所計算出的因素資料各自所對應的SHAP值，判斷各因素資料對股價的影響程度/貢獻程度，以選出目前或特定時間點的複數個關鍵因素。

於本發明另一實施例中，可進一步分析各因素在歷史上特定時期影響股價的關鍵程度。請參閱圖2，圖2繪示本揭露文件之一實施例之股價因素分析方法200的流程圖。其中，股價因素分析方法200包含有步驟S210、S220、S232、S234和S240等流程，各個步驟內容如下： S210：收集影響股價的複數個因素各自所對應的複數個因素資料，以及計算歷史股價中一預設時間段的歷史報酬率或最大回落值。 S220：基於因素資料和歷史報酬率或最大回落值，以機器學習方法訓練模型。 S232：執行SHAP演算法處理，計算各因素資料分別於預設時間段中的複數個時間區間所對應的複數個SHAP值。 S234：將因素資料各自對應的複數個SHAP值進行加總及/或平均，以產生因素資料各自所對應的SHAP重要值(SHAP Feature Importance)。 S240：根據因素資料各自所對應的SHAP重要值，判斷各因素資料的影響程度，以選出複數個關鍵因素。

其中，股價因素分析方法200的步驟S210和S220等步驟依序對應股價因素分析方法100的步驟S110和S120等步驟，相關說明請見前文描述，於此不在贅述。

於此實施例中，股價因素分析方法200與股價因素分析方法100的主要不同之處在於，將步驟S130進一步細分為步驟S232和S234。其中，股價因素分析方法200於步驟S232中是針對於步驟S220中訓練好的模型，代入步驟S210儲存的歷史報酬率或最大回落值對應的預設時間段中的複數個時間區間所對應的各因素資料，並對基於每個時間區間的模型執行SHAP演算法，因此可獲得各因素資料於各個時間區間所對應的SHAP值。舉例來說，假設歷史報酬率或最大回落值對應的預設時間段為數年，則預設時間段可例如以每年、每月、每周、或每日等為基本單位來劃分出複數個時間區間。應理解的是，預設時間段和時間區間可根據實際需求作調整，本發明並不作限制。

接著，於步驟S234中，將因素資料各自對應的複數個SHAP值進行加總，以獲得各因素資料各自對應的SHAP重要值。較佳地，可將因素資料各自對應的複數個SHAP值取絕對值後在進行加總，以獲得各因素資料各自對應的SHAP重要值。於一實施例中，亦可將SHAP重要值進一步進行平均值計算或其他數值轉換，本發明並不加以限制。

最後，股價因素分析方法200於步驟S240中，是根據因素資料各自所對應的SHAP重要值，判斷各因素資料的影響程度，以選出特定時期的複數個關鍵因素。

請參閱圖3A-3C，圖3A繪示本揭露文件之一實施例的歷史前十大關鍵因素排序結果示例圖，圖3B繪示本揭露文件之一實施例前五大看漲關鍵因素排序結果示例圖，而圖3C繪示本揭露文件之一實施例的前五大看跌關鍵因素排序結果示例圖。

於圖3A的示例中，是透過股價因素分析方法200來判斷歷史上影響股價的各因素的關鍵程度排序，其中以SHAP重要值的大小進行各因素的關鍵程度排序，所對應的SHAP重要值越大，則此因素對於股票產品的貢獻程度越大，即影響能力越關鍵。舉例來說，圖3A中，因素「美國高收益指數選擇權調整利差」的SHAP重要值大於「美國高收益指數選擇權調整利差YoY」等其餘因素的SHAP重要值，則以股價因素分析方法200作為輔助判斷的依據时，可判斷出因素「美國高收益指數選擇權調整利差」最為關鍵。因此，可排序出各個因素對於股價變化的重要程度。

應理解的是，圖3A僅為本發明實施例應用股價因素分析方法200的一個示例，其僅排序出某一時期的前十大關鍵因素，並未列出所有因素的當前排序，而因素的選擇、關鍵因素的數量及時間的設定等可根據使用者依實際需求作設計。

於另一實施例中，亦可只針對股票產品當前的漲或跌的因素進行分析。如圖3B所示，透過股價因素分析方法100，可例如根據當前的SHAP值排序出前五大看漲(即影響股價上漲)的關鍵因素。其中，關於看漲的關鍵因素，是提取SHAP值為正值(正面貢獻)的因素來進行排序。而圖3B的示例中，前四大因素「美國整體庫存QoQ」、「融資餘額QoQ」、「融資餘額(20日平均)」和「美國30年期抵押貸款利率(周)YoY」的SHAP值皆為0.01，則各者關鍵程度相同，根據使用者設定，亦可將此等SHAP值相等的因素皆設為相同序號(例如皆為”1”)，本發明對此不作限制。

此外，如圖3C所示，股價因素分析方法100亦可例如根據當前的SHAP值排序出前五大看跌(即影響股價下跌)的關鍵因素。其中，關於看跌的關鍵因素，是提取SHAP值為負值(負面貢獻)的因素來進行排序。如前文所述，當SHAP值為負值時，則數值越低(或絕對值越大)，表示負面貢獻程度越大，亦即越為關鍵。

於本發明的又一實施例中，因為在股價因素分析方法100的步驟S110或股價因素分析方法200的步驟S210中收集歷史報酬率的過程中，歷史報酬率的分布不一定是有規律的，因此可在步驟S110/S210收集歷史報酬率後，進一步將歷史報酬率作數值轉換，並於步驟S120/S220中基於因素資料和經數值轉換後的歷史報酬率，以機器學習方法來訓練模型。其中將歷史報酬率作數值轉換的步驟，例如是將歷史報酬率作Yeo-Johnson transformation或Box-Cox transformation等數值轉換。或者，可在步驟S110/S210收集最大回落值後，進一步將最大回落值作數值轉換，並於步驟S120/S220中基於因素資料和經數值轉換後的最大回落值，以機器學習方法來訓練模型。其中將最大回落值作數值轉換的步驟，例如是將最大回落值進一步除以股價產品於預設時間段中的最高淨值，以得到最大回落值百分比。藉此，可使得步驟S120/S220中模型的訓練準確度更高。

此外，步驟S120/S220亦可透過自動化機器學習(AutoML)來進行模型的訓練，以建立精確的模型。於一實施例中，股價因素分析方法還可將因素資料依時序分為訓練集、驗證集、和測試集。基於所劃分的訓練集、驗證集、測試集和歷史報酬率或最大回落值，股價因素分析方法100/200可於步驟S120/S220以機器學習方法來訓練、驗證、和測試模型，藉此避免過擬合(Over-fitting)的狀況發生。

請參閱圖4，圖4繪示本揭露文件之一實施例之股價因素分析系統400的架構示意圖。股價因素分析系統400例如由處理器執行，其可執行股價因素分析方法100及股價因素分析方法200。股價因素分析系統400至少包含資料收集模組410、影響因素資料庫420、歷史數據計算模組430、歷史數據資料庫440、模型訓練模組450、SHAP值計算模組460、以及判斷模組470。

股價因素分析系統400的收集模組410和歷史數據計算模組430用以執行例如股價因素分析方法100/200的步驟S110/S210。資料收集模組410自總體經濟指標、基本面指標、 原物料指標、籌碼指標、外匯、技術面指標所構成的群組中，選取影響例如股票產品A之股價的因素及收集此等因素各自所對應的因素資料，以供影響因素資料庫420進行儲存。歷史數據計算模組430根據例如股票產品A之歷史股價計算預設時間段的歷史報酬率或最大回落值，以供歷史數據資料庫440進行儲存。

模型訓練模組450用以執行例如股價因素分析方法100/200的步驟S120/220，其基於影響因素資料庫420儲存的因素資料和歷史數據資料庫440儲存的歷史報酬率或最大回落值，以機器學習方法訓練模型。其中，模型訓練模組450可以是透過自動化機器學習方法來訓練模型。此外，模型訓練模組450更可將此等因素資料依時序分為訓練集、驗證集、和測試集，並基於此訓練集、此驗證集、此測試集和歷史數據資料庫440儲存的歷史報酬率或最大回落值，以機器學習方法訓練、驗證、和測試模型，藉此避免過擬合(Over-fitting)的狀況。

SHAP值計算模組460用以執行例如股價因素分析方法100的步驟S130及/或股價因素分析方法200的步驟S232和S234。其中，SHAP值計算模組460執行股價因素分析方法100的步驟S130時，將目前或欲分析的特定時間點的因素資料代入模型訓練模組450所訓練好的模型，並對此模型執行SHAP演算法處理，以獲得因素資料各自所對應的SHAP值，並根據因素資料各自所對應的SHAP值判斷此等因素中各者的影響程度，以選出目前或特定時間點的複數個關鍵因素。或者，SHAP值計算模組460執行股價因素分析方法200的步驟S232時，將儲存的歷史報酬率或最大回落值對應的預設時間段中的複數個時間區間所對應的各因素資料，分別代入模型訓練模組450所訓練好的模型，並對基於每個時間區間的模型執行SHAP演算法，以獲得各因素資料於各個時間區間所對應的SHAP值。接著，SHAP值計算模組460執行股價因素分析方法200的步驟S234，將因素資料各自對應的複數個SHAP值進行加總，以獲得各因素資料各自對應的SHAP重要值。

判斷模組470用以執行例如股價因素分析方法100/200的步驟S140/S240，其根據SHAP值計算模組460計算出的SHAP值判斷此等因素中各者的影響程度，以選出目前或某特定時間點的複數個關鍵因素，或者，根據SHAP值計算模組460計算出的SHAP重要值判斷此等因素中各者的影響程度，以選出特定時期的的複數個關鍵因素。關於股價因素分析系統400中資料收集模組410、影響因素資料庫420、歷史數據計算模組430、歷史數據資料庫440、模型訓練模組450、SHAP值計算模組460、以及判斷模組470各者的詳細步驟流程，可參閱前述有關股價因素分析方法100及股價因素分析方法200的說明。

於一實施例中，股價因素分析系統400更包含有模型資料庫480。模型資料庫480可用於儲存模型訓練模組450針對各時間點所訓練的一或多個模型，以供日後需要時取用。於另一實施例中，股價因素分析系統400可更包含狀態監控模組490。狀態監控模組490可用於將模型資料庫480中儲存的一或多個模型的資訊顯示於顯示器，以供使用者檢視。

請參閱圖5，圖5繪示本揭露文件之一實施例之股價因素分析系統500的架構示意圖。股價因素分析系統500例如由處理器執行，其同樣可執行股價因素分析方法100及股價因素分析方法200。股價因素分析系統500包含資料收集模組510、第一數值轉換模組512、影響因素資料庫520、歷史數據計算模組530、第二數值轉換模組532、歷史數據資料庫540、模型訓練模組550、SHAP值計算模組560、判斷模組570、模型資料庫580、以及狀態監控模組590。其中股價因素分析系統500中的資料收集模組510、影響因素資料庫520、歷史數據計算模組530、歷史數據資料庫540、模型訓練模組550、SHAP值計算模組560、判斷模組570、模型資料庫580、以及狀態監控模組590，依序對應於股價因素分析系統400中的資料收集模組410、影響因素資料庫420、歷史數據計算模組430、歷史數據資料庫440、模型訓練模組450、SHAP值計算模組460、判斷模組470、模型資料庫480、以及狀態監控模組490，其等對應模組皆具有相同的功能，相關說明請見前文描述，於此不再贅述。

與股價因素分析系統400不同的是，股價因素分析系統500尚具有第一數值轉換模組512及/或第二數值轉換模組532。第一數值轉換模組512用以將資料收集模組510所收集的因素資料進一步計算轉換為基於固定時間間隔的成長率等數據資料，以供影響因素資料庫520儲存。或者，第一數值轉換模組512更可將因素資料進行取log值等數值轉換，以供影響因素資料庫520儲存。

而第二數值轉換模組532用以將歷史數據計算模組530計算出的歷史報酬率進一步作例如Yeo-Johnson transformation或Box-Cox transformation等數值轉換，以供歷史數據資料庫540儲存。或者，第二數值轉換模組532用以將歷史數據計算模組530計算出的最大回落值進一步除以股價產品於預設時間段中的最高淨值，以得到最大回落值百分比，以供歷史數據資料庫540儲存。藉此，模型訓練模組550可基於經數值轉換後的因素資料及/或經數值轉換後的歷史報酬率或最大回落值，以機器學習方法來訓練模型，以獲得更精確的模型。

請參閱圖6，圖6繪示本揭露文件之一實施例之股價因素分析系統400及500的使用場景圖。圖6中，股價因素分析系統400及500例如可架設於伺服器600中。伺服器600可供一或多個使用者設備進行存取。舉例來說，伺服器600可供使用者設備610a例如透過有線或無線存取技術連接，以供其進一步使用股價因素分析系統400及/或500。此外，伺服器600亦可供另一使用者設備610b例如透過有線或無線存取技術連接，以供其進一步使用股價因素分析系統400及/或500。其中，使用者設備可為電腦、手機、或各種非移動式或攜帶型智慧型裝置，而使用者設備610a及使用者設備610b可為相同或不同之設備，且可同時或不同時對伺服器600進行存取，本發明並不加以限制。應理解的是，圖6中使用者設備的數量僅用以示例，伺服器600亦可供兩者以上之更多使用者設備進行連接以使用股價因素分析系統400及/或500，本發明並不限制。

雖然本發明之實施例已揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可做些許之更動與潤飾，因此本發明之保護範圍當以後附之申請專利範圍所界定為準。

100、200:股價因素分析方法 S110、S120、S130、S140、S210、S220、S232、S234、S240:步驟 400、500:股價因素分析系統 410、510:資料收集模組 420、520:影響因素資料庫 430、530:歷史數據計算模組 440、540:歷史數據資料庫 450、550:模型訓練模組 460、560:SHAP值計算模組 470、570:判斷模組 480、580:模型資料庫 490、590:狀態監控模組 512:第一數值轉換模組 532:第二數值轉換模組 600:伺服器 610a、610b:使用者設備

圖1為本揭露文件之一實施例之股價因素分析方法的流程圖。 圖2為本揭露文件之一實施例之股價因素分析方法的流程圖。 圖3A為本揭露文件之一實施例之關鍵因素排序結果示例圖。 圖3B為本揭露文件之一實施例之關鍵因素排序結果示例圖。 圖3C為本揭露文件之一實施例之關鍵因素排序結果示例圖。 圖4為本揭露文件之一實施例之股價因素分析系統架構示意圖。 圖5為本揭露文件之一實施例之股價因素分析系統架構示意圖。 圖6為本揭露文件之一實施例之股價因素分析系統使用場景圖。

100:股價因素分析方法

S110~S140:步驟

Claims (17)

1. 一種股價因素分析方法，由一處理器執行，該股價因素分析方法包含： 收集影響股價的複數個因素各自所對應的複數個因素資料； 計算歷史股價中一預設時間段的一歷史報酬率或一最大回落值； 基於該等因素資料和該歷史報酬率或該最大回落值，以機器學習方法訓練一模型； 將該等因素資料代入該模型，並對該模型執行SHAP演算法處理，以獲得該等因素資料各自所對應的SHAP值；以及 根據該等因素資料各自所對應的SHAP值判斷該等因素中各者的影響程度，以選出複數個關鍵因素。
2. 如請求項1所述之股價因素分析方法，其中該等因素資料各自所對應的SHAP值為每一該等因素資料分別於該預設時間段中的複數個時間區間所對應的複數個SHAP值的加總或平均值。
3. 如請求項1所述之股價因素分析方法，更包含： 將該歷史報酬率或該最大回落值作數值轉換，並基於該等因素資料和經數值轉換後的該歷史報酬率或該最大回落值，以機器學習方法訓練該模型。
4. 如請求項1所述之股價因素分析方法，其中該等因素係選自總體經濟指標、基本面指標、 原物料指標、籌碼指標、外匯、技術面指標所構成的群組。
5. 如請求項1所述之股價因素分析方法，其中該等因素資料為該等因素各自對應的成長率資料或是該等因素經數值轉換所產生的資料。
6. 如請求項1所述之股價因素分析方法，其中以機器學習方法訓練該模型是透過自動化機器學習。
7. 如請求項1所述之股價因素分析方法，更包含： 將該等因素資料依時序分為一訓練集、一驗證集、和一測試集，並基於該訓練集、該驗證集、該測試集和該歷史報酬率或該最大回落值，以機器學習方法訓練、驗證、和測試該模型。
8. 一種股價因素分析系統，包含： 一模型訓練模組，用以基於影響股價的複數個因素各自所對應的複數個因素資料和歷史股價中一預設時間段的一歷史報酬率或一最大回落值，以機器學習方法訓練一模型； 一SHAP值計算模組，用以將該等因素資料代入該模型，並對該模型執行SHAP演算法處理，以獲得該等因素資料各自所對應的SHAP值；以及 一判斷模組，用以根據該等因素資料各自所對應的SHAP值判斷該等因素中各者的影響程度，以選出複數個關鍵因素。
9. 如請求項8所述之股價因素分析系統，其中該等因素資料各自所對應的SHAP值為每一該等因素資料分別於該預設時間段中的複數個時間區間所對應的複數個SHAP值的加總或平均值。
10. 如請求項8所述之股價因素分析系統，更包含： 一歷史數據計算模組，用以根據歷史股價計算該預設時間段的該歷史報酬率或該最大回落值，以供該模型訓練模組進行存取。
11. 如請求項8所述之股價因素分析系統，更包含： 一數值轉換模組，用以將該歷史報酬率或該最大回落值作數值轉換，其中該模型訓練模組是基於該等因素資料和經數值轉換後的該歷史報酬率或該最大回落值，以機器學習方法訓練該模型。
12. 如請求項8所述之股價因素分析系統，更包含： 一資料收集模組，用以自總體經濟指標、基本面指標、 原物料指標、籌碼指標、外匯、技術面指標所構成的群組中選取該等因素及收集該等因素各自所對應的該等因素資料，以供該模型訓練模組進行存取。
13. 如請求項8所述之股價因素分析系統，其中該等因素資料為該等因素各自對應的成長率資料或是該等因素經數值轉換所產生的資料。
14. 如請求項8所述之股價因素分析系統，其中該模型訓練模組是以自動化機器學習方法訓練該模型。
15. 如請求項8所述之股價因素分析系統，其中該模型訓練模組將該等因素資料依時序分為一訓練集、一驗證集、和一測試集，並基於該訓練集、該驗證集、該測試集和該歷史報酬率或該最大回落值，以機器學習方法訓練、驗證、和測試該模型。
16. 如請求項8所述之股價因素分析系統，更包含： 一模型資料庫，用以儲存該模型訓練模組所訓練的該模型。
17. 如請求項16所述之股價因素分析系統，更包含： 一狀態監控模組，用以將該模型資料庫中該模型的資訊顯示於一顯示器。

Images