第四章 實驗結果與分析
第三節 實驗結果
本研究的研究對象為群益 I8(04953)、永豐 98(04973)及群益 06(06235) 這三 檔認購權證，其標的股分別為 9904/寶成、3380/明泰及 3009 奇美電。接下來將 針對這些認購權證的實驗結果做驗證與分析。
一、 群益 I8(04953)
此檔認購權證於 96 年 2 月 2 日正式掛牌上市交易，下市日期為 96 年 11 月 01 日。因為相關法規規定，認購權證下市前兩天為其最後交易日，因此群益 I8 在集中市場上的最後交易日為 96 年 10 月 30 日，此期間共有 180 個交易日。
本實驗以 96 年 2 月 2 日到 96 年 07 月 27 日共 116 個交易日之交易資料為訓 練資料；而以 96 年 07 月 30 日到 96 年 10 月 22 日共 58 個交易日之交易資料為 測試資料，其股價之走勢圖為圖 7 所示。
寶成股價
0 10 20 30 40
2007/02/02 2007/03/08 2007/04/02 2007/04/26 2007/05/22 2007/06/14 2007/07/10 2007/08/02 2007/08/27 2007/09/20 2007/10/17
日期
價格 寶成
圖 7 群益I8標的股(9904寶成)之股價走勢圖
(一) 適應值(fitness value)
本實驗採用14個基本變數，再加上灰色預測值與累積三點最小平方預測值的平 均數做為另外14項輸入變數，然後進行基因演算法與支持向量機的運算處理，
(以下簡稱本模型為GM-C3LSP-GA-SVM)。經過100代的演化後停止(即根據「基 因解碼」->「建立GA-SVM架構」->「計算適應值」->「選擇與複製」->「交 配」->「突變」的步驟不斷反覆演化)，其適應值前五高的物種資料、準確率適 應函數值及報酬率如表11所示；適應值前五高之GM-C3LSP-GA-SVM架構所 選擇之輸入變數如表12所示。
表 11
GM-C3LSP-GA-SVM 模型適應值前五高之物種資訊(群益 I8)
染色體之基因排列 Cost Gamma F-Measure 準確率 Fitness Value
報酬率 (%) 110101110110011101011111
101001101101010001100111
921 0.678 0.798 0.827 8.571 117
010101110111011110011011 100010111110111100100101
660 0.873 0.798 0.827 8.258 55
100011110111011110011011 100000101110011101010101
684 0.614 0.809 0.810 8.249 30
100001010111011100011011 100000101111011101000101
652 0.739 0.790 0.793 7.951 9
100001010101011100011011 100000000111111101000111
908 0.969 0.774 0.775 7.809 14
(二) 實驗比較
在此，本研究將會做一些比較，來驗證累積三點最小平方預測值與灰色預測 值對於 GA-SVM 模型的效用。
因此，本研究建立三個模型，一個是完全沒有灰色預測值與累積三點最小平 方法預測值的 GA-SVM 來做為對照組，以下簡稱(Pure GA-SVM 模型)，其模型 建構方法與評估效能方式皆與本研究原本的實驗設計相同，唯一的差別僅僅在於 對照組完全不選擇灰色預測值與累積三點最小平方法預測值做為輸入變數。因 此，在 Pure GA-SVM 架構中，總共只有 14 個輸入變數可供基因演算法做染色 體演化的工作。實驗結果如表 13 所示：
表 12
GM-C3LSP-GA-SVM 模型所選擇之輸入變數(群益 I8) 挑選的輸入變數
變數名稱 第
一 組
第 二 組
第 三 組
第 四 組
第 五 組
標的股成交價 1 0 1 1 1
標的股成交量 1 1 0 0 0
標的股五日 MA 值 0 0 0 0 0
標的股十日 MA 值 1 1 0 0 0
標的股五日 K 值 0 0 1 0 0
標的股十日 K 值 1 1 1 1 1
標的股五日 D 值 1 1 1 0 0
標的股十日 D 值 1 1 1 1 1
標的股五日 RSI 值 0 0 0 0 0
標的股十日 RSI 值 1 1 1 1 1
標的股 WMS 值 1 1 1 1 0
認購權證成交價 0 1 1 1 1
認購權證成交量 1 0 0 0 0
認購權證 B-S 值 1 1 1 1 1
標的股成交價的 GM-C3LSP 預測值 1 1 1 1 1 標的股成交量的 GM-C3LSP 預測值 1 1 1 1 1 標的股五日 MA 值的 GM-C3LSP 預測值 0 1 1 0 0 標的股十日 MA 值的 GM-C3LSP 預測值 1 0 0 0 0 標的股五日 K 值的 GM-C3LSP 預測值 0 0 0 0 0 標的股十日 K 值的 GM-C3LSP 預測值 1 1 1 1 1 標的股五日 D 值的 GM-C3LSP 預測值 1 1 1 1 1 標的股十日 D 值的 GM-C3LSP 預測值 1 0 0 0 0 標的股五日 RSI 值的 GM-C3LSP 預測值 1 1 1 1 1 標的股十日 RSI 值的 GM-C3LSP 預測值 1 1 1 1 1 標的股 WMS 值的 GM-C3LSP 預測值 1 1 1 1 1 認購權證成交價的 GM-C3LSP 預測值 0 0 0 0 0 認購權證成交量的 GM-C3LSP 預測值 1 0 0 0 0 認購權證 B-S 值的 GM-C3LSP 預測值 0 0 0 0 0
第二個對照模型中的輸入變數除了 Pure GA-SVM 的 14 個變數外，再也加入
灰色預測值，但沒有累積三點最小平方法預測值作為輸入變數，以下簡稱 (GM-GA-SVM 模型)，其模型建構方法與評估效能方式皆與原本的實驗設計相 同。因此，總共只有 28 個輸入變數可供基因演算法做基因演化的工作。實驗結 果如表 14 所示：
表 13
Pure GA-SVM 模型之適應值(群益 I8)
染色體之基因排列 Cost Gamma F-Measure 準確率 Fitness Value
報酬率 (%) 101000110101110111101000
1101111010
380 0.092 0.803 0.810 8.296 53
011000100011110000101100 1001110010
314 0.204 0.787 0.810 8.032 31
001101101111010101001110 0000111111
1009 0.448 0.775 0.775 7.760 0
表 14
GM-GA-SVM 模型之適應值(群益 I8)
染色體之基因排列 Cost Gamma F-Measure 準確率 Fitness Value
報酬率 (%) 011111111001111101100101
001001100000010011100101
669 0.506 0.809 0.810 8.339 48
010101101001011100100001 101011001110010000111001
625 0.613 0.756 0.758 8.057 99
010101111001011100100001 101011000100010010111001
629 0.535 0.748 0.775 7.912 85
第三個對照模型中的輸入變數除了 Pure GA-SVM 的 14 個變數外，再也加入 累積三點最小平方預測值做為輸入變數，以下簡稱(C3LSP- GA-SVM 模型)，其
模型建構方法與評估效能方式皆與原本的實驗設計相同。因此，總共只有 28 個 輸入變數可供基因演算法做基因演化的工作。實驗結果如表 15 所示。
表 15
C3LSP-GA-SVM 模型之適應值(群益 I8)
染色體之基因排列 Cost Gamma F-Measure 準確率 Fitness Value
報酬率 (%) 011010000111111011101001
100001111010001100001111
964 0.092 0.787 0.810 8.037 32
011010010111111000001100 100000001001000110011100
231 0.141 0.767 0.810 7.832 32
001010100101011001001110 101000011100000111100111
927 0.055 0.767 0.810 7.666 -1
本研究所提出之 GM-C3LSP-GA-SVM 整合性預測系統與 GM-GA- SVM 預 測系統、C3LSP-GA-SVM 預測系統與 Pure GA-SVM 預測系統中，最佳架構的效 能差異比較如表 16 所示。
表 16
最佳架構之效能比較表(群益 I8) 準確率
率
適應函數值 F-Measure 報酬率(%) GM-C3LSP-GA-SVM 0.827 8.571 0.798 117 GM-GA-SVM 0.810 8.339 0.809 48 C3LSP-GA-SVM 0.810 8.037 0.787 32 PURE GA-SVM 0.810 8.296 0.803 53
群益I8 累積報酬率比較圖
-20 0 20 40 60 80 100 120 140
2007/8/8 2007/8/15 2007/8/22 2007/8/29 2007/9/5 2007/9/12 2007/9/19 2007/9/26 2007/10/3 2007/10/10 2007/10/17 2007/10/24
日期
累積報酬率(%) GM-C3LSP-GA-SVM
GM-GA-SVM C3LSP-GA-SVM Pure GA-SVM
圖 8 群益 I8 累積報酬率比較圖
從表 16 及圖 8 中可以發現，GM-C3LSP-GA-SVM 整合式的預測系統在準確 率、F_Measure 以及適應函數值均優於 Pure GA-SVM、C3LSP-GA-SVM 與 GM-GA-SVM，這是因為認購權證的價格波動劇烈，容易產生雜訊而影響到 GA-SVM 的效能，因此驗證了本研究所提出的假設：加入灰色預測值與累積三 點最小平方法的平均值作前期的資料整理，可以有效降低波動性數據對於預測模 型所產生的雜訊，提昇其準確性。
(三) 報酬率比較
接下來本研究得適應值最高的 GM-C3LSP-GA-SVM 架構拿來進行預測，以 進行報酬率比較的實驗，而買賣的依據是從預測模型的輸出值來做判斷，判斷準 則如下：
1. 當本日的預測輸出值為正時，且現在未購入標的，則進行買進；
2. 當本日的預測輸出值為負時，且現在未購入標的，則不交易；
3. 當本日的預測輸出值為正時，且現在已購入標的，則不交易；
4. 當本日的預測輸出值為負時，且現在已購入標的，則進行賣出。
表 17 為採用最佳 GM-C3LSP-GA-SVM 的架構針對「群益 I8」(04593)所做 的報酬率比較實驗明細。
表 17
群益 I8 交易報酬率明細
GM-C3LSP-GA-SVM
04593 群益 I8 交易資料買入日期 賣出日期 買入價 賣出價 價差 報酬率(%) 2007/08/08 2007/08/10 0.23 0.24 0.01 4.34 2007/08/16 2007/08/17 0.24 0.2 -0.04 -16.67 2007/08/30 2007/09/05 0.07 0.11 0.04 57.14 2007/09/10 2007/09/11 0.08 0.06 -0.02 -25 2007/09/14 2007/09/27 0.03 0.06 0.03 100 2007/10/18 2007/10/22 0.01 0.01 0 0 2007/10/24 2007/10/25 0.01 0.01 0 0
從表 17 中可以得知，當採用最佳架構的 GM-C3LSP-GA- SVM 預測「群益 I8」(04593)時，總交易次數有 7 次，因此總報酬率的算法為：正報酬率總和 + 負 報酬率總和 – 交易次數 x(買入手續費+賣出手續費+賣出證券交易稅)，其中買 入、賣出手續費為千分之 1.425，賣出證券交易稅為千分之 1。所以總報酬率如 下：
Total_Return =(4.34% + 57.14% + 100% )-(16.67% + 25% )- 7 x (0.1425%+0.1425%
+ 0.1%) = 117.115 %
(四)、 標的股報酬率
以相同的投資策略，對「群益 I8」(04593)的標的股-「寶成」(9904)進行相 同的買賣動作，所得到的報酬結果如表 18 所示：
表 18
9904 寶成交易報酬率明細
9904 寶成交易資料
買入日期 賣出日期 買入價 賣出價 價差 報酬率(%) 2007/08/08 2007/08/10 35.5 35 -0.5 -1.41 2007/08/16 2007/08/17 33.1 31.6 -1.5 -4.53 2007/08/30 2007/09/05 31.95 32.3 0.35 1.1 2007/09/10 2007/09/11 31.65 31.65 0 0 2007/09/14 2007/09/27 32 33.15 1.15 3.59 2007/10/18 2007/10/22 32 30.65 -1.35 -4.22 2007/10/24 2007/10/25 30.9 30.8 -0.1 -0.32
從表 18 中可以得知，如果根據預測模型所提供的預測結果來對「寶成」(9904) 做報酬率比較的實驗，其交易次數總共有 7 次。因此總報酬率的算法為：正報酬 率總和 + 負報酬率總和 – 交易次數 x (買入手續費+賣出手續費+賣出證券交易 稅)。所以總報酬率如下：
Total_Return = ( 1.1% + 3.59%)-(1.41% +4.53% + 4.22% + 0.32%)- 7 x(0.1425%+
0.1425% + 0.3%) = -9.885 %
因此，透過比較「群益 I8」(04953)與「寶成」(9904)的報酬率，我們可以清 楚發現，在相同的時間點下，買賣了 7 次「群益 I8」(04953)及 7 次的「寶成」
(9904)，其報酬率分別為 117.115%與-9.885%。因此在相同的買賣時點下，投資
「群益 I8」 (04953)的投資報酬率遠比投資其標的股-「寶成」(9904)來的高，「群 益 I8」(04953)與「寶成」(9904)的報酬率走勢為圖 9 所示：
群益I8與寶成報酬率比較圖
-40 -20 0 20 40 60 80 100 120
1 2 3 4 5 6 7
交易次數
報酬率
群益I8 寶成
圖 9 群益 I8 與寶成報酬率比較圖
從圖 9 中可以發現，「群益 06」(04953)與「寶成」(9904)的報酬率走勢有一 定的正向關係，當「寶成」(9904)的報酬率向上拉升時，「群益 I8」(04953)的上 升幅度會較其大上許多;反之，當「寶成」(9904)的報酬率向下降時，「群益 I8」
(04953)的下降幅度則更可觀。此一結果也驗證了認購權證在漲勢初起時，其漲 幅會遠超過其標的股;而在趨勢反轉向下時，其跌勢往往也是出乎想像的劇烈的。
二、 永豐 98(04973)
此檔認購權證於 96 年 02 月 06 日正式掛牌上市交易，下市日期為 96 年 09 月 03 日，此期間共有 138 個交易日。本實驗以 96 年 2 月 14 到 96 年 07 月 03 日共 90 個交易日之交易資料為訓練資料；而 96 年 07 月 04 日到 96 年 08 月 30 日共 42 個交易日之交易資料為測試資料，其股價之走勢圖為圖 10 所示。
明泰股價
0 10 20 30 40 50 60
2007/02/14 2007/03/08 2007/03/21 2007/04/03 2007/04/17 2007/04/30 2007/05/14 2007/05/25 2007/06/07 2007/06/22 2007/07/04 2007/07/17 2007/07/30 2007/08/10 2007/08/23
日期
價格 明泰
圖 10 永豐 98 標的股(3380 明泰)之股價走勢圖
(一) 適應值(fitness value)
本實驗採用 14 個基本變數，再加上灰色預測值與累積三點最小平方預測值 的平均數做為另外 14 項輸入變數，然後進行基因演算法與支持向量機的運算處 理，(以下簡稱本模型為 GM-C3LSP-GA-SVM)。經過 100 代的演化後停止，其 適應值前五高的物種資料、準確率適應函數值及報酬率如表 19 所示；適應值前 五高之 GM-C3LSP-GA-SVM 架構所選擇之輸入變數如表 20 所示。
表 19
GM-C3LSP-GA-SVM 模型適應值前五高之物種資訊(永豐 98)
染色體之基因排列 Cost Gamma F-Measure 準確率 Fitness Value
報酬率 (%) 100101011011000001000010
000110111001111011101101
734 0.904 0.740 0.761 9.974 513
101100001011100100111011 000100011101110111011010
367 0.930 0.681 0.690 7.910 419
101111111011111101100011 100100110001110101011111
1003 0.887 0.654 0.666 8.073 306
100110001111111111010010 000100110001110101111011
891 0.887 0.604 0.619 7.843 359
101111011011111101100010 111010001001111000001111
962 0.892 0.583 0.592 7.779 389
從表 20 中可以清楚發現，前五名的 GM-C3LSP-GA-SVM 模型所選擇的輸入 變數中，均包含 Black – Scholes 定價值(W_B-S/GC_W_B-S)此輸入變數。由此可 見，在預測「永豐 98(04973)」之走勢時，Black – Scholes 定價值是一個有效的 輸入變數，它比起採用標的股的技術指標值來說，有著更佳的適應函數值。
而適應值前五名之 GM-C3LSP-GA-SVM 模型均包含 GM-C3LSP 的平均值作 為輸入變數，而且佔整體輸入變數較大的比重(分別為 3/10、7/14、8/20、7/16、
8/19)。因此可以知道，GM-C3LSP 的平均值做為輸入變數，對於 GA-SVM 模型 的訓練效果有重要的助益。
表 20
GM-C3LSP-GA-SVM 模型所選擇之輸入變數(永豐 98) 挑選的輸入變數
變數名稱 第
一 組
第 二 組
第 三 組
第 四 組
第 五 組
標的股成交價 1 1 1 1 1
標的股成交量 0 0 0 0 0
標的股五日 MA 值 0 1 1 0 1
標的股十日 MA 值 1 1 1 1 1
標的股五日 K 值 0 0 1 1 1
標的股十日 K 值 1 0 1 0 1
標的股五日 D 值 0 0 1 0 0
標的股十日 D 值 1 0 1 0 1
標的股五日 RSI 值 1 1 1 1 1
標的股十日 RSI 值 0 0 0 1 0
標的股 WMS 值 1 1 1 1 1
認購權證成交價 1 1 1 1 1
認購權證成交量 0 1 1 1 1
認購權證 B-S 值 0 0 1 1 1
標的股成交價的 GM-C3LSP 預測值 0 0 1 1 1 標的股成交量的 GM-C3LSP 預測值 0 1 1 1 1 標的股五日 MA 值的 GM-C3LSP 預測值 0 0 0 1 0 標的股十日 MA 值的 GM-C3LSP 預測值 1 0 1 1 1 標的股五日 K 值的 GM-C3LSP 預測值 0 1 1 0 1 標的股十日 K 值的 GM-C3LSP 預測值 0 1 0 1 0 標的股五日 D 值的 GM-C3LSP 預測值 0 1 0 0 0 標的股十日 D 值的 GM-C3LSP 預測值 0 0 0 0 0 標的股五日 RSI 值的 GM-C3LSP 預測值 1 1 1 1 1 標的股十日 RSI 值的 GM-C3LSP 預測值 0 1 1 0 0 標的股 WMS 值的 GM-C3LSP 預測值 0 0 1 0 1 認購權證成交價的 GM-C3LSP 預測值 0 0 0 0 1 認購權證成交量的 GM-C3LSP 預測值 0 0 0 0 1 認購權證 B-S 值的 GM-C3LSP 預測值 1 1 1 1 0
(二) 實驗比較
在此，本研究將會做一些比較，來驗證累積三點最小平方預測值與灰色預測 值對於 GA-SVM 模型的效用。
因此，本研究另外建立三個模型，一個是完全沒有灰色預測值與累積三點最 小平方法預測值的 GA-SVM 來做為對照組，以下簡稱(Pure GA-SVM 模型)，其 模型建構方法與評估效能方式皆與本研究原本的實驗設計相同，唯一的差別僅僅 在於對照組完全不選擇灰色預測值與累積三點最小平方法預測值做為輸入變 數。因此，在 Pure GA-SVM 架構中，總共只有 14 個輸入變數可供基因演算法 做染色體演化的工作。實驗結果如表 21 所示：
表 21
Pure GA-SVM 模型之適應值(永豐 98)
染色體之基因排列 Cost Gamma F-Measure 準確率 Fitness Value
報酬率 (%) 101110011111010011001101
0101001111
971 0.700 0.699 0.738 9.469 494
101110001111011000110111 1001011111
1002 0.923 0.718 0.738 9.096 382
111110001101111010000111 1011001110
462 0.880 0.752 0.761 8.803 255
第二個對照模型中的輸入變數除了 Pure GA-SVM 的 14 個變數外，再加入灰 色預測值，但沒有累積三點最小平方法預測值作為輸入變數，以下簡稱
(GM-GA-SVM 模型)，其模型建構方法與評估效能方式皆與原本的實驗設計相 同。因此，總共只有 28 個輸入變數可供基因演算法做基因演化的工作。實驗結 果如表 22 所示：