1. 股市爆料同學會情緒統計與視覺化

• 研究資料來源：2024/01/01–2024/12/31，共 30 家資訊服務業公司之討論版文章與留言。

• 情緒分類：快樂（Joy）、憤怒（Anger）、恐懼（Fear）、悲傷（Sadness） 四大情緒。

• 以字典比對情緒詞彙後，統計各公司年度平均情緒分數並製作柱狀圖。

• 快樂情緒指標普遍最高 → 主要原因：

  1. 情緒字典中快樂詞彙較多，造成判斷偏向快樂。

  2. 負面情緒表達常含諷刺、反語，字面正向導致模型誤判。

​​

2. 情緒指標標準化與代表情緒分類

• 四種情緒分數進行分數標準化後，每日取分數最高者作為「代表情緒」。

• 代表情緒編碼：1=快樂、2=憤怒、3=恐懼、4=悲傷、5=無明確情緒。

• 編碼 5 表示：

  • 當日資料量少

  • 用字模糊

  • 無情緒相關詞彙

• 製作範例表說明從原始情緒 → 標準化 → 代表情緒之流程。

​

3. JASP 統計分析（ANOVA、Post Hoc、描述性統計）

One-Way ANOVA 結果

• 大部分公司：p > 0.05 → 情緒類型對股價影響不顯著。

• 兩家公司例外：2453、6112 → p < 0.05，具有顯著差異 → 情緒可能會影響股價。

Post Hoc（以 2453 為例）

• ANOVA 結果存在 Excel vs JASP 的差異（需確認資料）。

• Scheffé 事後比較：所有組別皆不顯著（p > 0.05） → 各情緒組間無明確價差。

描述性統計（Descriptive Statistics）重要發現

• 多數公司各情緒下股價差異小。

• 有明顯反應情緒的例子：

  • 2453（凌群）：恐懼情緒下均價高於無情緒 → 可能具逆勢特性

  • 3029、4994：在「無明顯情緒（5）」下股價明顯下降

  • 6112：情緒差異與股價高度相關（ANOVA p < 0.001）

  • 6214：呈階梯式下降 → 帶情緒越弱股價越低

• 結論：大多個股影響有限，但少數公司與情緒強度高度相關，值得深入研究。

​

4. JASP 機器學習預測模型

模型：四種監督式學習

• Decision Tree

• Logistic Regression（最佳）

• Random Forest

• SVM

特徵組合：

• TI（技術指標）

• TI + 各類情緒指標（HI/AI/FI/SI）

• 總共 17 種組合

​​

4.1 四種模型整體比較結果

• 綜合 Accuracy、Precision、Recall、F1 → 邏輯迴歸（Logistic Regression）表現最佳

• 隨後分析皆以 Logistic Regression 作主模型。

​​

4.2 以整體資訊服務業為例：情緒指標效果

最佳組合：純技術指標 TI

• Accuracy = 0.87505

• F1 = 0.87515（所有組合最高）

加入情緒後反而下降

• 最佳情緒組合為 FI+AI，但仍略低於 TI 單獨使用。

結論：產業層級中，情緒指標對預測幫助有限。

​

4.3 以單一龍頭公司（精誠）為例：情緒指標效果

最佳組合：TI + FI + SI（恐懼 + 悲傷）

• Accuracy = 0.8803

• Precision = 0.8849

• Recall = 0.8803

• F1 = 0.8798

次佳組合：TI + HI（快樂）

結論：個股層級中，加入情緒（特別是恐懼/悲傷）可顯著提升預測力。

​

4.4 綜合比較與推論

整體產業層級

• 最佳模型：純技術指標 TI

• 情緒指標影響小 → 市場整體更依賴技術面（MA、KD、MACD 等）。

個股層級

• 最佳組合：TI + FI + SI

• 個股較容易受到短期情緒波動影響

• 快樂（HI）也具有部分預測力

​​

最終結論

情緒指標在短期、個股層級具有顯著預測力

• 特別是 恐懼（FI）、悲傷（SI）、次要是 快樂（HI）

整體產業層級則以技術指標為主導

• 機器學習模型無法從情緒指標中獲得額外提升

反映出情緒於投資市場的兩層效應：

• 宏觀市場：技術面主導、情緒影響小

• 微觀個股：情緒反應快速，較能影響股價