本研究旨在應用機器學習預測台灣十年期公債殖利率，將公債交易員最關注的總體經濟指標及主要金融商品市場資訊，作為輸入數據資料，利用功能強大的演算法來發現數據中的模式，建立預測模型，預測下個時刻的公債殖利率，及預測未來某個時點利率上漲或下跌，做為輔助公債交易員產生交易決策之工具。
近年隨機森林演算法廣泛應用在數據科學或機器學習領域，於處理分類和迴歸上有高效能的表現。本研究即是使用Python隨機森林建立迴歸模型預測殖利率，也實作分類模型預測利率往上或往下的走勢。
實證主要結論有三，第一，迴歸模型準確度高，但市場利率偶發偏離慣性區間時，模型預測值與實際值有較大差異。第二，美國公債殖利率是預測台灣十年期公債殖利率的重要特徵。第三，分類模型預測在20天利率漲跌方向準確率高達90%。
本研究經過資料蒐集、清理資料、特徵選擇、訓練模型、建立模型等過程，評估預測準確度高，茲可提供交易員研判行情做為交易策略的參考依據。但本研究輸入特徵的資料尚有挖掘空間，模型效能亦可再調較，或是選用其他演算法，來增強預測效能。
本研究冀望交易員能具有科學化分析金融領域資料的能力，以獲取優良交易績效，進而吸引更多交易參與者活絡台灣公債市場。

The purpose of this study is to use machine learning to predict Taiwan’s 10-year Government Bond yield, using Macroeconomic Indices and information of major financial markets as input data to build predictive models. The predictive model can assist bond traders in making trading decisions through the use of powerful algorithms to spot patterns in the data and forecast bond yield, and predict future interest rate rise or fall at a certain point in time.
In recent years, random forest algorithm has been widely used in the field of data science and machine learning, and has high performance in processing classification and regression. In this study, the Python machine learning library Random Forest is used to build a regression model to predict the yield, and it also implements a classification model to predict the upward or downward movement of interest rates.
There are three main empirical conclusions. First, the accuracy of the regression model is high, but when the market interest rate occasionally deviates from the inertia interval, there is a great difference between the predicted value and the actual value of the model. Second, the US Government Bond yields are important features in predicting Taiwan Government 10-year bond yield. Third, the accuracy of using this classification model to predict the interest direction of the 20-day rate is as high as 90%.
This study has gone through the process of data collection, data cleaning, feature selection, training model and model building. The resulting model has high predictive accuracy, and can provide a reference for traders to analyze market as a trading strategy. However, the data of the input features of this study still substantial room for improvement, the model efficiency can be adjusted, or other algorithms can be used to enhance the predictive efficiency.
This study hopes that traders can have the ability to scientifically analyze the financial data in order to obtain good trading performance, and thus attract more trading participants to activate the Taiwan’s government bond market.

(一) 中文部分
1、 丁紹曾，黃信昌合著，債券市場理論與實務，財團法人中華民國證券暨期貨市場發展基金會，2006年9月四版。
2、 吳懿娟（2007），我國殖利率曲線與經濟活動間關係之實證分析，中央銀行季刊，第29卷第3期，頁23-64。
3、 李欣海（2013），隨機森林模型在分類與迴歸分析中的應用，應用昆蟲學報，50,1190-1197。
4、 洪君緯（2016），隨機森林法則預測台灣股價指數趨勢之探討，靜宜大學財務與計算數學系碩士論文。
5、 紀如龍（1996），BPN暨RN神經網路與向量誤差修正模型對國內債券價格之預測績效，國立政治大學國際貿易學系碩士論文。
6、 徐維志（2015），以隨機森林為模式之美金/歐元匯率交易預測研究，輔仁大學統計資訊學系應用統計碩士在職專班碩士論文。
7、 張東揚（2003），遺傳演化類神經網路在台灣公債殖利率預測之研究，東吳大學經濟學系碩士論文。
8、 許展維（2014），台灣十年期公債殖利率與流動性 相關影響因素及預測，東吳大學經濟學系碩士論文。
9、 郭庭君（2005），具初步知識規則之分類元系統於公債殖利率預測研究，國立交通大學資訊管理研究所碩士論文。
10、 陳谷劦（2003），公債殖利率與總體變數間關係之探討-台灣的實證研究，世新大學管理學院經濟學系碩士論文。
11、 陳建徳（2014），美國十年期公債殖利率是否為景氣領先指標?，國立成功大學財務金融研究所碩士在職專班碩士論文。
12、 黃姿禎（2006），公債殖利率預測-應用各種類神經網路之實證研究，明志科技大學工程管理研究所碩士論文。
13、 楊淑青（2008），影響台灣十年期指標公債殖利率走勢實證研究-迴歸模型之應用，成功大學經營管理碩士學位學程碩士論文。
14、 劉立民，吳建華(譯)(2016)，Python機器學習(原著者：Sebastian Raschka)，台北：博碩文化。
15、 劉有仁（2005），台灣十年期公債殖利率與國內外總體經濟變數關聯性之研究，國立雲林科技大學財務金融系碩士班碩士論文。
16、 謝坤龍（2006），台灣公債殖利率預測模型之建構-調適性網路模糊推論系統與灰預測之應用，東吳大學經濟學系碩士論文。
17、 簡至昱（2008），經濟變數對十年期公債殖利率影響之研究，國立中央大學財務金融學系碩士在職專班碩士論文。
18、 簡嘉瑛（2009），美國公債殖利率與景氣循環指標間關聯性之探討，國立中央大學財務金融研究所碩士論文。
(二) 英文部分
1. Amit, Y.; D., Geman (1997), “Shape quantization and recognition with randomized trees”, Neural Computation, 9, pp.1545–1588.
2. Breiman, L. (1996a), “Bagging predictors”, Machine Learning 24, pp.123–140.
3. Breiman, L. (1996b), “Out-of-bag estimation”.
4. Breiman, L. (2001), “Random forests”, Machine Learning, 45, pp.5-32.
5. Breiman, L.; J., Friedman; R., Olshen; C., Stone (1984), “ Classification and Regression Trees” Wadsworth.
6. Dietterich, T. (1998), “An experimental comparison of three methods for constructing ensembles of decision trees:Bagging, boosting and randomization”, Machine Learning, pp.1–22.
7. Ho, T. K. (1998), “The random subspace method for constructing decision forests”, IEEE Transactions on Pattern Analysis and Machine Intelligence, 20(8), pp.832-844.
(三) 網路資料
1、 Bagging與隨機森林，https://blog.csdn.net/weiyongle1996/article/details/77841787
2、 MoneyDJ理財網
3、 Python語言，https://github.com/ywchiu/tibamepy/tree/master/slides
4、 Random Forest-Fun and Easy Machine Learning，https://www.youtube.com/watch?v=D_2LkhMJcfY&t=53s
5、 scikit-learn Machine Learning in Python，http://scikit-learn.org/stable/index.html
6、 中央銀行全球資訊網
7、 政府資料開放平台
8、 路透財經新聞
9、 凱基證券債券研究分析
10、 證券櫃檯買賣中心