摘要
在財務金融的領域上，如何準確的預測隔日的股票價格是很重要且具挑戰性的問題。傳統的預測方法，是使用低頻數據進行時間序列的建模與進行相對應的預測。此預測方法的優點是利用長時間的走勢來對未來數值進行評估；然缺點是需取長時間的資料來進行建模，故在波動產生劇烈變化時將無法準確地得到預測值。另一方面，可以使用高頻資料來進行預測，高頻資料能在一天內提供大量的交易資料來對波動有更好的估計，但卻無法展示出股票價格的長期走勢。本研究試圖將兩種方法結合在一起。首先，提出一個演算法來模擬出同時帶有高、低頻數據的金融交易數據，然後提出新的估計方法，同時利用到高低頻的數據。實證結果顯示，新提出來的方法，其預測能力可修正傳統最小平方法高達25%。| 獎項日期 | 2020 |
|---|---|
| 原文 | English |
| 監督員 | Liang-Ching Lin (Supervisor) |