本文結合Piotroski的F-score基本面投資理論及機器學習方法，利用極限梯度提升 (XGBoost) 演算法，建構成功指數 (CK Index) 作為選股策略組成投資組合。研究發現，使用成功指數 (CK Index) 建構的投資組合，在不同持有期間下，投資組合的正報酬率勝率及整體報酬率都優於其它選股策略建構的投資組合，這個結果在不同研究期間都獲得驗證，代表成功指數 (CK Index) 是具有廣泛適用性的投資策略。最後，根據持有期間的不同，極限梯度提升 (XGBoost) 演算法會調整輸入特徵數的權重比例，修正成功指數 (CK Index) 的內涵，進一步改善投資組合的公司組成，具備辨識潛在投資價值公司的能力。

This study combines Piotroski's F-score fundamental investment theory with machine learning techniques, utilizing the XGBoost algorithm, to construct the "CK Index" as a stock selection strategy for building investment portfolios. The finding of this study reveals that investment portfolios constructed using the "CK Index" consistently outperform portfolios created through other stock selection strategies in terms of both the winning rate of the portfolio's positive return rate and the overall investment portfolio return rate across different holding periods. The finding is consistently validated across various research periods, indicating that the "CK Index" is a broadly applicable investment strategy. Finally, depending on the holding period, the XGBoost algorithm adjusts the weights of input features to refine the "CK Index", enhancing the composition of the investment portfolio and exhibiting the ability to identify potential value companies.

Fama, E. F. (1970), “Efficient Capital Markets: A Review of Theory and Empirical Work,” Journal of Finance, 25(2), 383-417.
Fama, E. F., & French, K. R. (1992), “The Cross-Section of Expected Stock Returns,” Journal of Finance, 47(2), 427-465.
Friedman, J. H. (2001), “Greedy Function Approximation: A Gradient Boosting Machine,” Annals of Statistics, 29(5), 1189-1232.
Hayek, F. A. (1945), “The Use of Knowledge in Society,” American Economic Review, 35(4), 519-530.
Mohanram, P. (2005), “Separating Winners from Losers among LowBook-to-Market Stocks using Financial Statement Analysis,” Review of Accounting Studies, 10(2/3), 133-170.
Muth, J. F. (1961), “Rational Expectations and the Theory of Price Movements,” Econometrica, 29(3), 315-335.
Piotroski, J. D. (2000), “Value Investing: The Use of Historical Financial Statement Information to Separate Winners from Losers,” Journal of Accounting Research, 38(3), 1-41.
Walkshäusl, C. (2020), “Piotroski's FSCORE: International Evidence,” Journal of Asset Management, 21(2), 106-118.
王韻怡、池祥萱、周冠男(2016)，「行為財務學文獻回顧與展望：台灣市場之研究」，《經濟論文叢刊》，44(1)，1-55。
李孟潔(2020)，「以隨機森林演算法及極限梯度提升法分析台灣五十之交易策略」，國立高雄科技大學金融資訊系碩士論文。
李皇毅(2022)，「機器學習演算法產生之投資人觀點結合Black-Litterman資產配置模型¬－以台灣上市ETF為例」，國立政治大學金融學系碩士論文。
周賓凰、張宇志、林美珍(2019)，「投資人情緒與股票報酬互動關係」，《證券市場發展季刊》，行為財務學特別專刊，153-190。
林怡汝(2022)，「以機器學習預測元大臺灣50的股價」，國立臺灣大學國際企業學研究所碩士論文。
林晏如(2022)，「機器學習模型在台股期貨價格漲跌預測分析」，國立中山大學財務管理學系研究所碩士論文。
邱亭瑜(2022)，「利用資料視覺化分析與XGBoost預測台灣期貨市場」，臺北市立大學資訊科學系碩士在職專班碩士論文。
夏明義(2022)，「基於F-score以及修正式F-score的交易策略」，國立政治大學金融學系碩士論文。
張阜民、王言、黃少暘、柯俊禎(2014)，「價值型選股策略之另類思維：以技術分析運用在我國上市公司價值型選股策略之實證」，《財金論文叢刊》，20，33-58。
許至豪(2021)，「H-SCORE基本面投資策略在台股市場之應用¬－以台灣市值前百大公司與半導體公司為例」，國立政治大學國際經營與貿易學系碩士論文。
陳品妘(2022)，「台灣半導體產業選股策略之研究」，國立高雄師範大學事業經營學系碩士論文。
陳建宏、陳思芸(2019)，「台灣上市櫃電子業基本面投資策略之研究」，《財金論文叢刊》，31, 66-80。
彭庭緯(2020)，「利用XGBOOST預測臺灣50ETF成分股股價漲跌」，國立臺灣大學國際企業學研究所碩士論文。
黃國華(2020)，《格局¬－財務六大指標》，臺北市：木桐企業股份有限公司。
黃馨儀、黃華山、林俊騰(2020)，「應用機器學習方法預測台指期貨隔日漲跌之研究」，《華人經濟研究》，18(2)，55-80。
楊駿豪(2022)，「基於機器學習預測股價漲跌趨勢」，國立臺北科技大學管理學院高階管理碩士雙聯學位學程碩士論文。
劉育鑠(2022)，「機器學習與傳統技術指標應用於股市交易策略之研究¬－以特斯拉相關與電子零組件產業為例」，國立臺中科技大學財務金融研究所碩士論文。
劉定威(2022)，「應用高效梯度提升決策樹演算法於台股投資策略之研究」，東吳大學經濟學系碩士論文。
劉俞含(2018)，「XGBoost模型、隨機森林模型、彈性網模型於股價指數趨勢之預測¬－以台灣、日本、美國為例」，國立中山大學財務管理學系研究所碩士論文。
劉彥廷(2020)，「台灣5G相關產業股票報酬的分析與預測：基於機器學習方法」，國立交通大學管理科學系所碩士論文。
鄭仁杰、江彌修(2019)，「漫步於隨機森林－輔以多數決學習的台股指數期貨交易策略」，《經濟論文》，47(3)，395-448。
賴靖宜、董澍琦、楊聲勇、苗建華(2011)，「價值投資：財務報表與公開資訊之應用」，《證券市場發展季刊》，22(4)，123-182。
謝孟廷(2013)，「基本面指標投資策略在特定產業中的績效評估分析-以台灣電子產業為例」，國立臺灣大學國際企業學研究所碩士論文。