1. 導論
1.1 研究背景
機器學習與人工智慧近幾年於科技上的應用已是越來越頻繁，而將此技術應 用在股市預測及投資上也衍生出了多個以電腦科技執行自動交易的應用項目，例 如「演算法交易」、「程式交易」、「高頻交易」等等， 這些技術在國外相當的盛 行，主要是因為國際上眾多主要股市所使用的交易機制為「逐筆交易」，這也是 台灣證券交易所預計於 2020 年 3 月 23 日正式跟進的機制[1]，相較於以往的「集 合競價」交易機制，雖撮合頻率已從 82 年每 120 秒撮合一次調降至今日的 5 秒 撮合[2]，但與國外的「逐筆交易」隨到隨撮的模式相比還是有段距離。
人工下單與電腦自動交易的差別在於，以手動電子下單來的方式處理每一筆 交易，扣除下單時間後一個人僅有短暫的時間再檢視之前的決策，等思考完成，
欲再改變訂單時該盤可能早已成交；再加上未來將改為逐筆交易的方式進行，屆 時以人工方式取得揭露資訊並判斷局勢且快速下單等類的作業方式已經不是人 工可以負荷，這也代表著迅速的反應及操作可能帶來更多的優勢以產生利潤。
為了促成台股與國際股市接軌，「逐筆交易」將會是未來台股的交易模式，
其中高頻交易的技術勢必顯得特別重要，若沒有一個良好的預測模型，在投資上 可能產生巨大的影響，像是 2017 年 8 月 3 號，統一證券因期貨程式交易所造成 的巨額虧損，而這也說明了若沒有一個強健的模型，屆時自動交易的演算法相互 影響所產生的連鎖反應而造成股市瞬間巨量下跌也是一大問題，這時如何去建立 一個於高頻交易的環境中的良好預測模型將顯得特別重要。
2
1.2 研究目的
本研究將探討委託量與成交價相關的高速股價預測模型。我們主要將以 Huang and Li [3]的植基於遺傳演算法(Genetic Algorithm—GA)的方法並根據 Huang and Li [3]及 Huang et. al [4]所提出的智慧型高速交易預測模型以延伸而建 構更進階的預測模型。
我們希望藉由遺傳演算法進一步地能夠在不同的條件及情況下自動演化出 最佳的預測模型組合，以同時驗證過去及本論文所提出的各個法則之有效性。而 藉由其挑選的法則在不同的組合關係下所產生出的結果預期應能優於僅使用單 一法則的情況，以驗證此自動演化模型能否進一步找出更為強健的模型組合而改 良其預測效能。因此本研究希望能夠藉由多種較原始的預測法則以此而自動建構 出更適用於高頻交易應用領域之預測模型。
1.3 研究架構圖
本研究的架構如圖一所示，資料來源為台股即時揭露的資訊包括各股成交價、
成交量、最佳五檔委託量、最佳一檔買賣壓力的資料、買賣壓與五檔買賣壓之中 間價的關係。藉由結合這些量價關係，並利用遺傳演算法挑選適用的法則來改良 於高頻交易環境下所建構的預測股價上漲或下跌的模型，並提昇預測模型的強健 性。相關的細節我們將於本論文的第三章詳細討論。
3
圖一、 研究架構圖
本論文的架構為第二章提供相關的文獻探討，第三章討論 Huang and Li [3]
及 Huang et al. [4]提出的預測方法及我們所提出的更進階的自動演化的預測模型，
第四章為實驗結果，第五章為結論。
價量關係
成交價、成交量
最佳五檔委託量
最佳買一、賣一 委託量
買賣壓與中間價
五檔買賣壓及中 間價
程式交易
遺傳演算法
高頻交易
自動演化模型
適應性函數
Precision
結果
預測能力
推升強健性
新的模型組合
4