AI 飆股預測：你的智慧投資夥伴-基於技術分析與基本面的 AI 股價預測系統【艾鍗學院學員專題】

AI 飆股預測 - 你的智慧投資夥伴
運用尖端 AI 技術，洞悉市場先機，賦能個人投資者
組長暨報告人：李 O 辰 James 組員： Scott & Tony

● 專案動機：為何需要 AI 預測飆股
● 專案架構：如何實現簡單易用性 AI 精準預測服務
● 技術驗證：三大 AI 模型效能大比拼
● 成果展示： AI 飆股預測 Demo
簡報大綱

專案動機：
為何需要 AI 預測飆股

投資者三大困境
● 市場數據龐雜，投資者分析困難
● 股市波動性高，風險難以掌控
● 缺乏專業工具，投資者處於劣勢
個人投資者面臨資訊過載挑戰

AI 開創投資新紀元
● AI 能夠高效處理和分析海量非結構化數據，從中發掘傳統方法難以察覺的模式
● 全球金融 AI 市場預計大幅成長
○ 2024 年全球 AI 金融市場規模達 383.6 億美元，預計 2030 年將突破 1,903.3 億美元， CAGR 達 30.6%
○ 2023 年生成式 AI 在金融服務領域市場規模 16.73 億美元，預計 2030 年達 160.18 億美元， CAGR 達
39.1%
● 預測型 AI 應用市場規模龐大
○ 預測型 AI 在股市應用市場的年複合成長率更高達 21.9%
○ 預計 2033 年市場規模將達到 1,080 億美元
AI 正在重塑投資決策的生態系

AI 賦能，投資利器
預測 10 天內漲幅逾 15% 的潛力飆股
● 自動識別交易訊號，化解資訊焦慮
● 多模型優化預測，提升決策準確性
● AI 賦能，提供直覺介面與一鍵建議

專案架構：
打造易用的 AI 精準預測服務

系統架構
● AI 模型技術
○ Random Forest
○ XGBoost
○ LSTM
● 前端
○ React.js + TypeScript
○ 部署本機 localhost:5000 ，透過 fetch 交
互
● 後端
○ Flask
○ 狀態管理使用 React Hooks ， API 呼叫指
向 Localhost

Demo 前端架構
● Header
○ 股票代號、日期選擇
● Chart
○ Plotly K 線、成交量、技術指標
● Controls
○ 均線與指標切換
● PredictPanel
○ 模型按鈕、報告顯示

Demo 後端架構
● 資料載入
○ CSV/Parquet 格式
● 特徵工程
○ create_all_technical_features() 計算 45 種指
標
● 模型載入
○ 載入 RF 、 XGBoost 、 LSTM 模型
● API 提供
○ /api/stock-data → 回傳股價與指標資料
○ /api/predict → 模型推論→ 返回 JSON 結果 →
回傳結果至前端 PredictPanel

技術驗證：
三大模型效能大比拼

資料集來源與模型技術選擇
● 資料集來源
○ Wikipedia S&P 500 公司清單 → 獲取成分股代號
○ yfinance API → 下載 S&P 500 歷史價格與成交量資料
○ 134 萬 + 交易記錄（主要為 OHLCV 基礎資訊）
● 模型技術選擇
○ Random Forest
■ 集成學習，高準確度、快速訓練、解釋性強，適合特徵重要性分析
○ XGBoost
■ 梯度提升，處理結構化資料卓越，記憶體效率高，支援 GPU 加速
○ LSTM (Long Short-Term Memory)
■ 深度學習，捕捉長期時間依賴，專為時間序列資料設計，趨勢捕捉能力強

模型訓練架構：從資料輸入到預測輸出的完整流程
● 資料輸入層： Yfinance API ， SP500 歷史資料
● 資料處理層： RobustScaler 標準化、時序分割、缺失值處理
● 特徵工程層： 20+ 技術指標、滯後特徵、市場指標、時序特徵
● 模型層： Random Forest 、 XGBoost 、 LSTM
● 評估層： SHAP 分析、交叉驗證、性能評估、特徵選擇
● 輸出層：飆股預測結果

特徵工程實作： 50 個 + 特徵維度
● 技術指標特徵建立
○ 趨勢類指標： SMA 、 EMA 、 MACD 、布林通道
○ 動量類指標： RSI 、 KD 隨機指標、威廉指標
○ 波動率指標： ATR 、標準差、波動率比率
● 市場綜合指標
○ 大盤相關性：個股與 SP500 指數的相關係數
○ 成交量變化：成交量與歷史平均的比較分析
○ 價格動能：短期與長期價格趨勢比較
● 時間序列特徵
○ 滯後特徵：前 1 、 3 、 5 日的價格與技術指標
○ 滾動統計：移動平均、移動標準差、移動最大最小值
○ 循環特徵：週幾、月份、季度等時間維度特徵

模型訓練資料處理與驗證策略實作
● 通用前處理：嚴格的時序切分 ( 訓練 / 驗證 / 測試，或滾動窗口 ) 。
● 特徵縮放： RobustScaler 標準化。
● 特徵選擇：基於 SHAP 或模型重要性，降維與去相關。
● 類別不平衡處理： SMOTE 過採樣、動態權重調整。
● 訓練優化：兩階段訓練、 Early Stopping 、 ReduceLROnPlateau
● 交叉驗證：滑動視窗驗證、 5 折時序交叉驗證，多維度評估指標（準確
率、 ROC-AUC 、 F1-Score ）。

技術亮點
●多模型融合驗證：
○結合 Random Forest 、 XGBoost 、 LSTM ，互補優勢，提升預測全面性。
●精細化特徵工程
○20+ 技術指標、市場與時序特徵，從多維度捕捉市場動態。
●嚴謹的時序驗證策略
○滑動視窗、時序交叉驗證，模擬真實交易環境，確保模型穩定性與泛化能力。
●導入特徵篩選後訓練的兩階段機制
○透過 SHAP 分析進行重要性特徵篩，再進行第二階段訓練，提高模型可解釋性與未來拓展性。
●類別不平衡處理
○SMOTE 、動態權重調整，提升模型對飆股的識別能力。

Metric RF LSTM XGB
accuracy 0.9683 0.9388 0.8724
roc_auc 0.7483 0.7393 0.7406
pr_auc 0.0639 0.0722 0.2871
f1_score 0.1228 0.1389 0.3365
precision 0.1016 0.0924 0.2957
recall 0.1554 0.2878 0.3904
模型性能評估與比較

模型性能評比總結
● Random Forest ： RF 提供解釋能力
○ 輕量、易解釋、高準確，但對少數類別敏感度低
● LSTM ： LSTM 補強時序動態
○ 長短期記憶強，召回率佳，仍需提升精準度與 PR-AUC
● XGBoost ： XGBoost 擅長少數類別預測
○ 少數類別捕捉最佳， F1 最高，適合作為主力預測模型

成果展示：
AI 飆股預測 Demo

AI 飆股預測 Demo
● 展示 AI 飆股預測系統實際操作介面
○ 標的 K 線介面
○ 啟動預測模型
■ RF/XGBoost 自動帶入最近 1 天歷史資料
■ LSTM 自動帶入最近 21 天歷史資料
○ K 線提示預測結果
■ 綠星：飆股
■ 紅點：非飆股
○ 模型預測結果與風險建議

標的 K 線介面
啟動預測模型

預測結果提示
● 綠星 ( 飆股 )
模型預測結果
與風險建議

預測結果
● 紅點 ( 非飆股 )
模型預測結果
與風險建議

團隊成員專案貢獻
● James ：專題策劃、資料集爬蟲、模型技術選擇、 RF/LSTM 模型主責、產品
Demo 與簡報
○ 6 年 + Web3 產業 PM/BD 經驗 (BiiLabs/ 區塊鏈愛好者協會 /Blocto/Teahouse 等 )
○ 8 年 + 創新研發專案 PM/ 顧問經驗，協助企業獲取超過 6000 萬政府補助資金。
○ 100 場 + 演講與社群，包括：商業計畫與補助撰寫、區塊鏈科普、 HPX 社群、 AgileTour 社群。
● Scott ： XGBoost 模型主責、程式邏輯除錯與優化、模型成果彙整與圖表製作
○ 曾任職於 Synaptics （美商新思國際） 14 年
○ 專長於指紋與觸控解決方案的軟體／韌體開發與 MCU 整合設計
○ 曾與 HP 、 Dell 、 Lenovo 、 LG 、 Huawei 、 Samsung 等國際品牌合作。
● Tony ：初版 RF 模型建構、資料集處理、初版 Demo 建置
○ 5 年硬體工程師經歷

感謝聆聽
攜手 AI 讓投資決策更簡單，實現 AI 精準投資
期待您的寶貴建議

AI 飆股預測：你的智慧投資夥伴-基於技術分析與基本面的 AI 股價預測系統【艾鍗學院學員專題】

More Related Content

Similar to AI 飆股預測：你的智慧投資夥伴-基於技術分析與基本面的 AI 股價預測系統【艾鍗學院學員專題】 (20)

More from IttrainingIttraining (20)