Page 8 - 論文-黃毓婷V3 MFB
P. 8
理與事件研究，已成為金融科技研究的核心要素之一。
綜合上述，文字探勘技術與財金字典的發展，不僅讓非結構性資
料可被量化，亦使得市場觀察更為即時與全面。將其應用於
Black-Litterman 模型中，可望為傳統配置模型注入動態市場情緒，提
升投資組合的敏感性與報酬潛力。
3. 資料與研究方法
本研究旨在探討如何將財金新聞中提取的情緒資訊，應用於
Black-Litterman 模型中，以提升 AI 概念股投資組合的配置效果。隨
著 AI 產業快速發展，相關供應鏈企業成為投資市場關注焦點，本文
選取台灣 AI 產業供應鏈中具代表性的四家公司作為研究標的，分別
為台積電、聯發科、鴻海與世芯-KY，涵蓋晶圓製造、IC 設計與電
子組裝等 AI 核心硬體基礎。Black-Litterman 模型將市場隱含報酬與
情緒導向之看法整合，用以生成更具彈性的資產配置建議，最終透過
回測驗證情緒資訊在 AI 產業投資決策中的應用價值。本節將會依序
說明研究資料、研究方法，最後則為研究模型。
3.1 研究資料
3.1.1 財經資料
本研究選取台灣上市之四檔 AI 概念個股作為投資組合標的，分
別為台積電、聯發科、鴻海與世芯-KY。各檔個股之歷史股價係透過
Yahoo Finance 資料庫進行擷取，期間為 2019 年 12 月至 2024 年
12 月，並計算每月報酬率，共 60 筆月資料。市場報酬率係採用台
灣加權股價指數之月報酬率作為代理變數；無風險利率則以台灣 10
年期公債殖利率作為近似值，相關資料取自臺灣經濟新報 (TEJ) 資
料庫。
6
