在最近幾年，隨著網際網路的發達以及計算機的進步。機器學習與大數據分析逐漸受到重視。在許多行業中，已有將這些技術應用在實際的案例。在另一方面，過去探討技術指標運用在股市的論文可說是數以萬計。然而，運用技術指標在匯市的論文相對而言卻少了許多。其中利用機器學習模型的論文又更少。因此，本研究的目的為以機器學習的方式探究技術指標預測匯率及建立短期交易策略的可行性評估。
本研究以每小時為頻率並使用迴歸樹模型和集成式學習中的Bagging及Boosting方法強化預測能力。其實證結果發現以RMSE等指標衡量準確度時，以Bagging方法結合迴歸樹的Bagged Tree表現最佳。但在回測分析中，發現所有模型的表現皆不佳。透過混淆矩陣分析後，發現即使在模型誤差不大的情況下，模型對於下期漲跌的預測準確度卻都不到50%，導致回測結果不佳。對於這樣的結果，本研究在最後一章給予後續研究者研究建議。

In recent years, machine learning and big data are gradually gaining attention as the advancement of the Internet and computers. In many industries, those technics have already been applied in practical cases. On the other hand, there have been tons of papers using machine learning models with technical indicators in stock forecasting. However, there are relatively few papers using the same way in forex forecasting. Therefore, the purpose of this study is to explore the feasibility of technical indicators in forex forecasting and establish short-term trading strategies through machine learning.
In this paper, the trading frequency was set in hours. The models used regression tree and ensemble learning methods like bagging and boosting to improve the prediction ability. The results showed that the bagged tree model performed the best when measured by RMSE. However, the all models couldn’t perform well in backtest. The reason is that even the models’ error rates like RMSE were low but the models’ prediction accuracies of next period’s directions were under 50%. For this result, this study gives follow-up researchers research suggestions in the last chapter.
ives follow-up researchers research suggestions in the last chapter.

一、 中文部分
1. 王韋翔(2019)，結合ATR與CCI技術指標，對外匯市場之研究，大葉大學企業管理學系碩士班碩士論文。
2. 呂佳芹(2009)，應用時間序列、演化式類神經網路與灰預測方法在匯率預測績效之比較，朝陽科技大學財務金融系碩士班碩士論文。
3. 呂世傑(2006)，渾沌理論於美元匯率預測上之應用:以多度空間向量預測之研究，中原大學企業管理研究所碩士論文。
4. 林昆良(2007)，外匯市場技術分析之研究，國立臺灣大學國際企業學研究所碩士論文。
5. 邱靖惠(2019)，匯率預測模型之實證研究，政治大學國際經營與貿易學系碩士論文。
6. 徐維志(2015)，以隨機森林為模型之美金/歐元匯率交易預測研究，輔仁大學統計資訊學習應用統計碩士在職專班碩士論文
7. 袁麗梅(2018)，應用機器學習預測台灣十年期公債殖利率，國立臺灣科技大學財務金融所EMBA碩士在職專班碩士論文。
8. 張家瑋(2009)，外匯技術分析可否產生超額報酬?台灣外匯市場的證據，國立政治大學國際經營與貿易研究所碩士論文。
9. 陳有忠(2007)，技術指標應用於外匯交易之研究-以英鎊、日圓及台幣為例，國立臺灣科技大學企業管理系碩士論文。
10. 陳宥伶(2009)，使用組合方法分類蛋白質二級結構，國立嘉義大學資訊管理學系碩士班碩士論文。
11. 陳信志(2016)，降雨機率預測：輔助變數之彙整、篩選與結構辨識，國立清華大學 統計學研究所碩士論文。
12. 陳奕翔(2019)，機器學習中的Boosting方法及其在信用風險管理違約預測中的應用 ，國立交通大學財務金融研究所碩士論文。
13. 陳莉帆(2018)，中價技術指標於外匯市場之應用 – 以美元兌新台幣、美元兌日圓、新台幣兌日元為例，國立臺北大學金融與合作經營系碩士論文
14. 陳琮翰(2017)，結合文字探勘與金融指標之匯率預測模型，成功大學資訊管理研究所碩士論文。
15. 黃永豪(2016)，新台幣匯率之預測:非線性模型之應用，國立東華大學經濟學系碩士論文。
16. 黃麗倫(2018)，全球金融循環與金融情勢指數，台北外匯市場發展基金會專案研究計畫。
17. 彭健瑜(2013)，應用集成式技術的推進法於資料分類準確度之研究，國立虎尾科技大學工業工程與管理研究所碩士論文。
18. 廖元吟(2016)，半參數迴歸分析於預測台灣匯率之應用，淡江大學統計學系碩士班碩士論文。
19. 鄭佳欣(2008)，隨機指標(KD)於匯率預測有效性之研究，東海大學工業工程與經營資訊學系碩士論文。
20. 劉冠廷(2014)，應用超學習增進傳統掛袋法準確度之研究，國立虎尾科技大學工業工程與管理研究所碩士論文。
21. 葉峰銘(2019)，隨機森林及深度強化學習在台指期交易策略之應用，國立政治大學 金融學系碩士論文。
22. 顏伯欣(2017)，應用技術指標於外匯市場自動交易實證之研究，國立勤益科技大學流通管理系碩士論文。
23. 顏碧儀(2019)，運用深度學習方法預測日本貨幣匯率，輔仁大學資訊工程學系碩士班碩士論文。
24. 羅曉聘(2009)，以AdaboostM1與Bagging提高淋巴病變預測準確度，亞洲大學資訊科學與應用學系碩士班碩士論文
二、 英文部分
1. Aliber, R.Z. (1969). The Interest Rate Parity Theorem: A Reinterpretation. Journal of Political Economy, 81(6), 1451-1459.
2. Andrew, L., Harry, M., & Jiang, W. (2000). Foundations of Technical Analysis: Computational Algorithms, Statistical Inference, and Empirical Implementation. Journal of Finance, v. 55, pp. 1705-1765.
3. Breiman, L. (1994). Bagging Predictors. Department of Statistics, University of California Berkeley, Technical Report No. 421.
4. Breiman, L. (2001). Random Forests. Machine Learning, 45 (1): 5–32, doi:10.1023/A:1010933404324.
5. Carol, O. (2000). Support for Resistance: Technical Analysis and Intraday Exchange Rates. FRBNY Economic Policy Review.
6. Christopher, J.N., & Paul, A.W. (2001). Technical analysis and Central Bank Intervention. Journal of International Money and Finance, 20 (7), 949–70.
7. Christopher, J.N. (1997). Technical Analysis in the Foreign Exchange Market: A Layman's Guide. Federal Reserve Bank of St. Louis Review.
8. Dow Theory Forecasts (2018). Dow Theory – More Than 100 Years of Practical Guidance to Stock investors. Horizon Publishing Company.
9. Edwards, R.D., Magee, J., & Bassetti, W. H. C. (2018). Technical Analysis of Stock Trends. CRC Press.
10. Enders, W. (1988). ARIMA and Cointegration Tests of PPP under Fixed and Flexible Exchange Rate Regimes. The Review of Economics and Statistics, 70(3), 504-508.
11. Fama, E. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work. The Journal of Finance, v. 25 (2), pp. 383-417.
12. Ho, T.K. (2002). A Data Complexity Analysis of Comparative Advantages of Decision Forest Constructors. Pattern Analysis and Applications, 5 (2): 102–112. doi:10.1007/s100440200009.
13. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning, with Applications in R. New York: Springer.
14. Mark, P. T., & Helen, A. (1992). The Use of Technical Analysis in the Foreign Exchange Market. Journal of International Money and Finance, 11(3), 304–314.
15. Jargalsaikhan, M. (2016). Comparison the Trading Performance of Using the Technical Index of MA, MACD and RSI in The Foreign Exchange Market. A thesis of the degree of master business adminsistration, Master program in management sciences deparment of business administration, Nanhua University.
16. Ganbayar, O. (2018). Predicting Credit Risk of Online Peer to Peer Lending by Applying Bagging and Random Forest Ensemble. Graduate Institude of Computer Science and Information Engineering, National Taiwan University of Science and Technology.
17. Schapire, R.E. (1990). The Strength of Weak Learnability. Machine Learning, 5 (2): 197–227. CiteSeerX 10.1.1.20.723. doi:10.1007/bf00116037.
18. Lv, W.H., & Zhang, R.S. (2001). A Regression model on effective exchange rate of RMB based on Random Forest. IEEE, 2011 978-1-4244-8694-6/11.