隨著上網滲透率的普遍，5G時代的來臨使得大數據(Big Data)等技術應用從抽象走向具體，人們接收全世界的資訊不再有時間落差，資料結構大致上可分為結構化與非結構化資料，如文字、圖片及影音等，對於資料的處理無法使用過去人工方式統計與分析，因此經常使用人工智慧、機器學習等技術，並從中找尋規律，此過程被稱為「資料探勘」(Data Mining)。
本文將藉由文字探勘技術，蒐集網路新聞資料將非結構化的文字轉化成量化資料，以中時新聞網航運類相關新聞2016年5月至2021年5月為主要資料來源，與台灣航運類指數進行相關程度分析後預測未來走勢，並運用文字探勘技術，建立航運類新聞之情緒指數與航運類指數做相關性分析，發現當新聞情緒指數高漲時，航運類指數亦有上漲趨勢。
本研究運用波羅的海運價指數、布蘭特原油價格及美元匯率建立複迴歸模型及 SVR 預測模型，後續分別加入不同天期之新聞情緒指數，探討情緒指標是否可有效修正預測模型之準確性。實證研究發現，SVR 模型對於航運類指數之預測能力整體優於複迴歸預測模型，此外，前一日新聞情緒指數加入SVR 預測模型後，可提高變數對於當日航運類指數預測的解釋能力。
結果證明航運類新聞情緒指數在預測航運類股整體指數預測模型上有一定解釋力，透過新聞情緒指數搭配其他相關因子以預測未來航運類股整體趨勢，當投資人在預測未來股市波動時，消息面的情緒反應仍是需考量因素之一。

Data structure is divided into structured and unstructured data, such as text, pictures and video. Unstructured data cannot be processed by human being in the past. Nowadays, we can deal with these unstructured data by using artificial intelligence and machine learning. This process is called “Data Mining”.
This study used text mining technology to collect online news data and converted unstructured data which is text into quantitative data. The data was from news of China Times from May 2016 to May 2021. By use of text mining technology to establish of news sentimental index investor reacted from shipping and transportation news. Propose to find the correlation between Transportation Sector Index in Taiwan and News Sentimental Index.
This study used the Baltic price index, Brent crude oil price and the US dollar exchange rate to establish a multiple regression model and SVR model, comparing the accuracy between the model adding News Sentimental Index. This study found that the predictive ability of the SVR model for transportation index is overall better than the multiple regression forecasting model.
The news sentiment index and other relevant factors can be used to forecast the overall trend of future electronic sector index. When investors predict future stock market volatility, they also need to consider the investor emotion react from news.

中文文獻
1. 吳俊德（2015）。航運類股價指數與總體經濟變數關係之研究。國立臺灣大學經濟學研究所碩士論文。
2. 林意芸(2018)。以文字探勘分析社群網站對於股價之影響-以蘋果概念股為例。義守大學財務金融學系碩士論文。
3. 胡天佑(2011)。台灣航運股股價與總體經濟的關聯性-類神經網路模型之應用。國立台北大學國際財務金融碩士在職專班碩士論文。
4. 許庭碩(2017)。原物料價格走勢與台灣運輸類股價格之關係。國立中正大學財務金融研究所碩士論文。
5. 陳俊達(2015)。以文件分類技術預測股價趨勢。國立政治大學資訊科學學系碩士論文。
6. 黃羽婕(2015)。台灣上市散裝航運公司股價與波羅的海運價指數的關聯性研究。國立臺灣海洋大學商船學系碩士論文。
7. 黃慧兒(2018)。投資人新聞反應情緒對台灣電子股指數之關係探討。國立臺灣科技大學財務金融研究所碩士論文。
8. 葉依蘋(2019)。總體經濟環境、油價與匯率對航運類股營收獲利與股價之影響。國立臺北大學國際財務金融碩士在職專班碩士論文。
9. 葉昱廷(2019)。以文字探勘技術分析台灣四大報文字風格。國立政治大學統計學系碩士論文。
10. 葉馨蓮（2017）。月營收資訊內涵、投資人情緒與股價報酬之探討。國立中山大學財務管理學系研究所碩士論文。
11. 董呈煌、李春長、陳俊麟、吳韻玲(2016)。SVR與OLS在住宅價格預測正確率的比較。住宅學報學術論著。第二十五卷第二期。
12. 蔡宇祥(2016)。股市趨勢預測之研究 -財經評論文本情感分析。國立政治大學資訊管理學系碩士論文。
13. 蔡孟芸(2020)。整合支援向量迴歸與時間序列分析法之混合模型在航運類股指數預測之運用。國立臺北大學統計學系碩士論文。
14. 蔡睿宇（2008）。CRB商品指數與股價指數、匯率及油價關聯性之研究。淡江大學管理科學研究所碩士論文。
15. 鄧毓廷（2017）。國際原油、波羅的海運費指數和台灣運輸類股價指數連動關係之研究 - VAR模型之應用。國立臺北大學企業管理學系碩士論文。
16. 鍾任明（2005）。運用文字探勘於日內股價漲跌趨勢預測之研究。中原大學資訊管理研究所碩士論文。
17. 簡智宏(2014)。應用文字探勘技術於概念股 輿情與股價共同移動之研究 -以蘋果供應鏈為例。國立政治大學資訊管理研究所碩士論文。
18. 魏宏泰（2003）。台灣股價與總體經濟變數關係之實證研究。朝陽科技大學財務金融系碩士論文。

英文文獻
1. Ahmad, K., Oliveira, P. C. F., Casey, M., & Taskaya, T. (2002). Description of events: an analysis of keywords and indexical names. In Third International Conference on Language Resources and Evaluation.
2. Ananiadou,S.,(2008).National centre for text mining: Introduction to tools for researchers. Retrieved February, 8, 2009.
3. Bollen, J., Mao, H., & Zeng, X. (2011). Twitter mood predicts the stock market. Journal of computational science, 2(1), 1-8.
4. Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine learning, 20(3), 273-297.
5. Klibanoff, P., Lamont, O., & Wizman, T. A. (1998). Investor reaction to salient news in closed‐end country funds. The Journal of Finance, 53(2), 673-699.
6. Liu, B., Cao, S. G., & He, W. (2011). Distributed data mining for e-business. Information Technology and Management, 12(2), 67-79.
7. Miner, G., Elder IV, J., Fast, A., Hill, T., Nisbet, R., & Delen, D. (2012). Practical text mining and statistical analysis for non-structured text data applications. Academic Press.
8. Salton, G., Allan, J., & Buckley, C. (1994). Automatic structuring and retrieval of large text files. Communications of the ACM, 37(2), 97-108.
9. Schumaker, R. P., & Chen, H. (2009). Textual analysis of stock market prediction using breaking financial news: The AZFin text system. ACM Transactions on Information Systems (TOIS), 27(2), 1-19.
10. Wuthrich, B., Cho, V., Leung, S., Permunetilleke, D., Sankaran, K., & Zhang, J. (1998, October). Daily stock market forecast from textual web data. In SMC'98 Conference Proceedings. 1998 IEEE International Conference on Systems, Man, and Cybernetics (Cat. No. 98CH36218) (Vol. 3, pp. 2720-2725). IEEE.