第四章、 實證結果分析
第一節、 實證分析樣本來源
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第四章、實證結果分析
第一節、實證分析樣本來源
本文使用MySQL 資料庫抓取大陸股票市場之每日股價資料，包括每日開盤 價、最高價、最低價、收盤價和成交量，其中成交量單位為每手100 股。大陸公 司可在上海、深圳兩個證券交易所掛牌，依其交易對象可分為A、B 兩股，A 股 交易對象為大陸投資人，B 股則為國外投資人；而深圳交易所股票依其交易場所 又可分為主板、中小板和創業板，其中中小板的發行規模較小，而創業板的上市 門檻較低，市盈率(即我國所稱的本益比)較高，根據深圳證券交易所 2015 年市場 統計年鑑4所示，創業板指數的市盈率在2015 年 5 月甚至高達 133 倍，然而其蘊 藏的風險也相對較高；此外，大陸股市也存在停牌制度，亦即公司由於某種消息 或活動引起股價的連續下跌，得向交易所申請暫停交易，而其暫停交易的期間也 長短不一。故本文僅考慮上海、深圳交易所的A 股，且在主板交易的股票，並刪 除停牌交易日及隔日報酬(即今日收盤價/昨日收盤價-1)超過 20%的股票，以確實 反映技術指標變數和漲跌期間的計算；考慮陸股於1997 年前並無漲跌幅限制(而 後則為 10%)，且其面額並不統一，故本文收集資料期間為 2000 年 1 月 3 日至 2017 年 12 月 29 日，該段期間的總股數為 1,794 股。
4 宋 麗 萍 等 人 (2015) ， 深 圳 證 券 交 易 所 2015 年 市 場 統 計 年 鑑 ， Retrieved from http://docs.static.szse.cn/www/market/periodical/year/W020180328429080512759.pdf
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第二節、投資組合績效分析
本文欲以技術指標為主體，預測未來股價走勢的方向。首先設定預測目標為 未來二十日的股價漲幅是否超過交易成本，以及選定技術指標作為變數，納入變 動率的概念，以消除股票間差異所帶來的影響，並建構一套包含各種參數的神經 網路模型，以此模型學習技術指標與股價漲幅之間的關係，並採用定錨式移動視 窗的方式，逐年進行預測。神經網路在訓練過程中，可透過可視化圖表觀察在給 定的訓練期數間，訓練資料和驗證資料的誤差值和準確率情況，如圖 11 所示，
其中左圖為誤差值訓練結果，右圖為準確率訓練結果，藍線為訓練期間訓練結果，
綠線為驗證期間訓練結果，可以發現隨著訓練期數越多，訓練資料的誤差值逐漸 下降，而準確率逐漸上升。
神經網路的目標即是優化損失函數，故觀察誤差值相比準確率更為重要。本 文將訓練期間最後一年的資料作為驗證資料，觀察驗證資料的誤差情況，以判斷 該神經網路是否適合用於未來一年的預測，可以發現驗證資料的誤差值較訓練資 料稍大，且其值並沒有像訓練資料呈下降趨勢，對於未知的預測年度確實容易有 所波動；此外，由於批次數量、丟失比率等參數效果，神經網路對於同樣的訓練 期間有不同的權重更新，使得驗證資料可能會有稍微不同的結果。故本文使用試 誤法選擇最合適的神經網路，亦即驗證資料的誤差值較小且波動率也較小的神經 網路，以確保未來預測的測試資料有足夠的穩定性，表4 列出每次移動視窗期間 神經網路預測出來的結果，其中誤差值和準確率的計算包含所有類別。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 11、神經網路可視化訓練過程(2000~2010 年)
表 4、各年度預測誤差值與準確率
預測年 誤差值 準確率
2011 0.6709 0.5863
2012 0.6757 0.5937
2013 0.7142 0.5105
2014 0.7663 0.4171
2015 0.7086 0.4910
2016 0.7228 0.5075
2017 0.6749 0.5814
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
神經網路在訓練結束及挑選後，我們便可將該模型應用於未來實際觀察到的 指標，並藉此預測未來股價走勢是屬於上漲或是下跌的類別。表5 使用混淆矩陣 (Confusion Matrix)來評估神經網路的分類效果，將預測類別和測試資料的實際類 別進行對比，可以發現在實際下跌類別較多的情況下，神經網路也傾向預測下跌 類別，而準確率是神經網路正確預測下跌和上漲類別的比率，以機率值門檻 0.5 作為判斷漲跌類別的依據。然而我們真正關心的是預測上漲的股票中，實際也上 漲的比率，以判斷股票未來是否具有上漲潛力，從而正確的將資金做投資分配，
以獲得該段投資期間的報酬，可以發現表5 在預測上漲的類別中，實際上漲的比 率不到50%。為了提高投資組合的勝率，我們可以將機率值門檻提高，以檢驗神 經網路的預測上漲準確率是否隨著機率值門檻的提高而亦有所提高，如圖12 所 示，可以發現大多數的神經網路在門檻提高至0.5 以上皆呈現上升趨勢，然而部 分神經網路在門檻0.7 以上開始下降，且在門檻 0.9 時不一定會有預測機率值；
究其原因如圖13 所示，可以發現大多數年度的預測機率值落在 0.5 附近，在 0.7 以上的分類結果較少，且準確率較不穩定，容易隨著分類數量而有明顯差異，故 本文以機率值門檻0.6 作為判斷漲跌類別的依據。
表 5、預測分類結果(2011 年)
實際類別
預測 類 別
下跌 上漲
下跌 117,513 59,649
上漲 49,280 36,885
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 12、機率值門檻與勝率關係(技術指標_20 日)
圖 13、各年度預測機率分佈
0%
20%
40%
60%
80%
100%
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
勝率
機率值門檻
2011 2012 2013 2014 2015 2016 2017
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
本文使用二十個技術指標，預測未來二十日的收盤價漲跌走勢是否大於交易 成本，故主要策略為若股價漲幅大於交易成本，則以隔日開盤價買進，並持有該 段期間，再以開盤價賣出；亦考慮機率值門檻為 0.6，以提高神經網路的預測勝 率，以及每檔股票投資權重為 0.2，也就是在股票買進日將預測機率值從高至低 依序排列，將閒置資金的20%依序配置於每檔股票，以符合投資人實際的持股情 況。表6 列出主策略在各年度和全年度的所有績效評估情況，可以發現在預測勝 率較高的情況下(如 2014、2015 年)，該策略的年化報酬率較高，而在預測勝率較 低的情況下(如 2011、2017 年)，其年化報酬率較低，可以推論神經網路的預測勝 率和年化報酬率似乎存在正向關係；另與大盤指數(上海綜指、深圳成指)相比較，
如圖14、15 和 16 所示，可以發現除了 2011 和 2017 年外，其餘年度的年化報酬 率皆優於大盤指數，惟其標準差雖然也稍高，但從夏普比率來看依然優於大盤指 數，可能由於持有股數較少使得基金較容易波動，可透過增加投資股數來解決標 準差的問題。此外，約在2015 年大陸股市出現一波瘋牛行情，神經網路在此期 間表現較為突出，而在市場走跌的情況下，其表現則較為一般。
圖 14、大盤指數每日收盤價走勢
0 1000 2000 3000 4000 5000 6000 7000
1998/7/24 2001/4/19 2004/1/142006/10/10 2009/7/6 2012/4/1 2014/12/272017/9/22 2020/6/18
上海綜指 深圳成指
‧
‧
2011 2012 2013 2014 2015 2016 2017 all
年化報酬率
2011 2012 2013 2014 2015 2016 2017 all
夏普比率
主策略 上海綜指 深圳成指