建議 - 結論與建議

第五章結論與建議

第二節建議

對於參考本研究之投資者建議如下：

1. 在強化式學習的演化歷程中，GNN 確實學習到具普遍化獲利能力的交易策略，且配合多遺傳神經網路多數決策略可獲得一個穩健的投資決策系統，具有參考價值。

2. 使用包含成交量的資訊可以提高投資績效，且使用的技術指標並不是越多，

就能獲得越好的績效，由此可見價與量的指標皆很重要，且投資者要慎選有用技術指標，才能獲得最佳的投資報酬。由於發現合適的交易點並不多，其間隔可能很久，因此未來應考慮較長時間的指標，如30 個交易日的 DW、RSI、

PVI、PVC 等指標，以及 MAI(10,40)、MVI(10,40)等指標，以更準確掌握稀少的合適的交易時機點。

3. 訓練期間太短，則 GNN 不足以學習到具普遍化獲利能力的交易策略，而 GNN 在決策時是依據指標來做決策，因此要歸納技術指標的買賣規則也必需歸納超過十年以上長期的資料。

4. 多遺傳神經網路多數決策略有助於高對大盤的投資績效的穩健性，也代表團

體決策有其優點，投資者可考慮以團體決策的方式來降低投資風險。

5. 遺傳神經網路決策系統還未能有效提高類股投資報酬，因此技術分析在類股投資上可能比在大盤投資上更不適用。

6. 分析隱含在遺傳神經網路的決策規則顯示：「當漲跌形成趨勢，且RSI 大、價量配合、股價短期移動平均大於長期移動平均、成交量短期移動平均大於長期移動平均，越適合買進。」

7. 經濟發展程度越高，市場效率越高，因此投資者若想以技術分析做為投資策略的參考，以新興市場為投資對象較為適宜。

8. 在本研究中系統所產生的交易次數皆很低，代表需要長時間，才能有合適的交易時機，也顯示台灣股市場不適合用技術分析進行短線交易。

9. 本研究並未考量到實際交易上的限制，如漲、跌停板時無法買入與賣出…等等，可能會導致交易失敗，影響投資報酬，投資者必需要注意。

10. 本研究之成果為學術研究之用，未經實際股市操作交易之驗證，僅供投資者參考，投資人必須為自己的決策負責。

對未來研究建議如下：

1. 在台灣股市應用方面：

(1) 技術指標優化之研究：本研究證實了使用包含成交量的資訊可以提高投資績效，且使用的指標數目並不是越多，就能獲得越好的績效。由此可知，選擇合適的指標組合對於投資績效是有影響的。因此，未來可研究優化技術指標組合的方法，以提高投資績效。

(2) 類股交易時機之研究：本研證實了 GNN 無法提高類股投資績效。未來可研究結合其它策略，例如本研究中之多遺傳神經網路多數決策略或者其它方法，以建構適合類股交易的系統。

(3) 個股交易時機之研究：本研究只完成對大盤與類股的研究，在大盤上是成功的，而類股上則失敗，由此推估，或許個股也無效。但在未來的研究中，仍可以嘗試。但個股的股價牽涉到除權、除息等問題，在計算技術指標時必須加以注意。

(4) 交易時機可靠性之研究：本研究以投資績效為目標，找出適當的買賣時機，未考量到買賣決策的「贏率」(win ratio)，也未評估「擇時效率」。

未來可加入這方面的研究，以評估系統建議的交易時機之可靠性。

(5) 交易策略普遍性之研究：本研究使用歷史資料做為研究樣本，未經實際交易操作驗證。未來可以嘗試透過長時間之模擬賽，將有助評估系統的

「普遍性」。

(6) 交易方式之研究：在本研究中只以單向操作為主要研究對象，但在真實投資市場中，還可以採用雙向操作，即在看空時不但賣出持股，還以積極的投資工具(如融資、融券、期指交易、認購權證等)來操作。如果在單向操作中能獲得比買入持有更高的利潤，代表空手期股價是下跌為主，故如果採雙向操作，很有可能可以獲得兩倍的利潤。因此未來可以研究雙向操作之投資績效。

(7) 擇股之研究：在類股的研究中，雖然八大類股平均獲利無法獲得提升，

若單看單一類股，某些類股還是有不錯的投資績效。由此可見若能有效擇股，還是有機會獲利。未來可以加入擇股策略之研究。

2. 在各國股票市場效率與經濟發達程度關係方面：由於本研究只用二十二個市場當研究樣本，未來可將樣本增加，並測試不同時期資料，以進一步驗證前述二個假說。

參考文獻

[1] Allen, F. and Karjalainen, R., “Using Genetic Glgorithms to Find Technical Trading Rules,” Journal of Finance Economics (51:1) 1999, pp: 245-271

[2] Armano, G.., Marchesi, M. and Murru, A., “A Hybrid Genetic-Neural Architecture for Stock Indexes Forecasting,” Information Sciences (170:1) 2005, pp:3-33

[3] Armano, G.., Murru, A. and Roli, F., “Stock Market Prediction by a Mixture of Genetic-Neural Experts,” International Journal of Pattern Recognition and

Artificial Intelligence (16:5) 2002, pp:501-526

[4] Booker, L. B., Goldberg, D. E. and Holland, J. H., “Classifier Systems and Genetic Algorithms,” Artificial Intelligence (40:1) 1989, pp:235-282

[5] Bohan, J., “Relative Strength: Further Positive Evidence,” Journal of Portfolio

Management (8:1) 1981, pp:36-39

[6] Brock, W., Lakonishok J. and LeBaron, B., “Simple Technical Trading

Rules and the Stochastic Properties of Stock Returns,” Journal of Finance (47:5) 1992, pp:1731-1764

[7] Cootner H. P., “Stock Price: Random v.s. Systematic Changes,” Industrial

Management Review (3:2) 1964, pp:24-25

[8] Corrado, C. J. and Lee, S. H., “Filter Rule Tests of the Economic Significance of Serial Dependencies in Daily Stock Returns,” Journal of Financial Research (15:4) 1992, pp:369-387

[9] Edwards, R. D. and Magee J., Technical Analysis of Stock Trends, CRC Press, Boca Raton, 2001

[10] Enke, D. and Thawornwong, S., “The Use of Data Mining and Neural Networks for Forecasting Stock Market Returns,” Expert Systems With Applications (129:4) 2005, pp:927-940

[11] Hayward, S., “Setting up Performance Surface on an Artificial Neural Network with Genetic Algorithm Optimization: in Search of an Accurate and Profitable Prediction for Stock Trading,” Congress on Evolutionary Computation (1:1) 2004, pp:948-954.

[12] Holland, J. H., “Adaptation in Natural and Artificial Systems,” University of Michigan, Ann Arbor, MI, 1975

[13] Jiang R., and Szeto K. Y., “Extraction of Investment Strategies Based on Moving Averages: A Genetic Algorithm Approach,” Computational Intelligence

for Financial Engineering 2003, pp:403-410

[14] James, F.E., “Monthly Moving Averages-An Effective Investment Tool?”

Journal of Financial and Quantitative Analysis, (3:3) 1968, pp:315-326

[15] Jensen M.C., and Bennington, G., “Random Walks and Technical Theories:

Some Additional Evidences,” Journal of finance (25:2) 1970, pp:469-482 [16] Kim, K., and Han, I., “Genetic Algorithms Approach to Feature Discretization

in Artificial Neural Networks for The Prediction of Stock Price Index,” Expert

Systems with Applications (19:2) 2000, pp:125-132

[17] Korcazk J. and Roger P., “Stock Timing Using Genetic Algorithms,” Applied

Stochastic Models in Business and Industry (18:2) 2002, pp:121-134

[18] Kimoto, T. and Asakwa, K., “Stock Market Prediction System with Modular Networks,” IJCNN International Joint Conference 1990, pp:1-6.

[19] Kuo, R. J., Chen C. H. and Hwang Y. C., “An Intelligent Stock Trading Decision Support System Through Integration of Genetic Algorithm Based Fuzzy Neural Network and Artificial Neural Network,” Fuzzy Sets and Systems, (118:1) 2001, pp:21-45

[20] Kwon, Y. K. and Moon, B. R., “Daily Stock Prediction Using Neuro-Genetic Hybrids,” Genetic and Evolutionary Computation Conference (2724:1) 2003, pp.2203-2214

[21] Lam, M., ”Neural Network Techniques for Financial Performance Prediction:

Integrating Fundamental and Technical Analysis,” Decision Support Systems, (37:4) 2004, pp:567-581

[22] Lee, R.S.T., “iJADE Stock Advisor: An Intelligent Agent Based Stock Prediction System Using Hybrid RBF Recurrent Network,” IEEE Transactions

on Systems, Man, and Cybernetics Part A (34:3) 2004, pp:421-428

[23] Massimiliano, V., Rushi, B., Oliver, H., and Mark, S., “Predicting the Exchange Traded Fund DIA with a Combination of Genetic Algorithms and Neural Networks,” Expert Systems with Applications, (27:3) 2004, 417-425.

[24] Mizuno, H., Kosaka, M., Yajima, H. and Komoda, N., “Stock Market Prediction System with Modular Neural Networks,” Studies in Informatics and Control, (7:3) 1998, pp:111-120

[25] Morck, R., Yeung, B. and Yu, W., “The Information Content of Stock Markets:

Why Do Emerging Markets Have Synchronous Stock Price Movements?”

Journal of Financial Economics (58:1) 2000, pp:215-238.

[26] Olson, D. and Mossman, C., “Neural Network Forecasts of Canadian Stock Returns Using Accounting Ratios,” International Journal of Forecasting (19:3) 2003, pp:453-465

[27] Phua, H. P. K., Ming, D., and Lin, W., “Neural Network with Genetically Evolution Algorithms for Stocks Prediction,” Asia-Pacific Journal of Operation

Research (18:1) 2001, pp:103-108

[28] Sweeney, R. J., “Beating the Foreign Exchange Market,” Journal of Finance (41:1) 1986, pp:163-182

[29] Yim, J., “A Comparison of Neural Networks with Time Series Models for Forecasting Returns on a Stock Market Index,” Lecture Notes in Computer

Science (2358:1) 2002, pp:25-35

[30] United Nations Statistics Division, “Social indicators,” 2003, (http://unstats.un.org/unsd/demographic/products/socind/inc-eco.htm)

[31] Versac, M., Bhatt, R., Hinds, O. and Shiffer, M., “Predicting the Exchange Traded Fund DIA with a Combination of Genetic Algorithms and Neural Networks,” Expert Systems with Applications (27:3) 2004, pp.417-425.

[32] 李建輝，民 91，遺傳演化類神經網路在預測台股指數期貨的應用，東吳大學碩士論文。

[33] 周慶華，民 89，整合基因演算法及類神經網路於現貨開盤指數之預測-以新加坡交易所摩根台股指數期貨為例，輔仁大學碩士論文。

[34] 林建成，民 90，遺傳演化類神經網路於台灣股市預測與交易策略之研究，

東吳大學碩士論文。

[35] 林婉茹，民 93，類神經網路於台灣 50 指數 ETF 價格預測與交易策略之應用，輔仁大學碩士論文。

[36] 林耀堂，民 90，遺傳程式規劃於股市擇時交易策略之應用，國立中央大學碩士論文。

[37] 施惠萍，民 88，結構性變化的偵測與其在技術分析中的應用，台灣大學經濟學研究所碩士論文。

[38] 洪美慧，民 85，技術分析應用於台灣股市之研究─ 移動平均線，乖離率指標與相對強弱指標，私立東海大學管理研究所碩士論文。

[39] 洪志豪，民 87，技術指標 KD、MACD、RSI 與 WMS%R 之操作績效實證，台灣大學國際企業學研究所碩士論文。

[40] 翁龍翔，民 83，各國股市技術分析的有效性，國立台灣大學財務金融研究所碩士論文。

[41] 連立川，民 94，遺傳演算法在強化式學習之應用，中華大學土木工程學系碩士論文。

[42] 連立川、葉怡成，民 96，『以遺傳神經網路建構台灣股市買賣決策系統之研究』，資訊管理學報 (已接受)。

[43] 連立川、葉怡成、江宗原、楊豐銘，民 95，『遺傳演算法建構台灣股市期貨買賣決策規則之研究』，資管評論，第十四期，47-62。

[44] 許智明，民 92，運用遺傳演算法搜尋最佳化技術指標之台灣股市實證研究，

雲林科技大學碩士論文。

[45] 陳建全，民 77，台灣股市技術分析之實證研究，台灣大學商學研究所碩士論文。

[46] 曾敬翔，民 91，需求預測對 VMI 績效之影響－以加強式學習多位代理人供應鏈模式分析，國立高雄第一科技大學運輸倉儲營運所碩士論文。

[47] 黃淑娟，民 94，模糊類神經系統於葛蘭碧法則之應用，國立新竹教育大學應用數學系碩士論文。

[48] 葉怡成，民 90，應用類神經網路，台北：儒林書局。

[49] 葉怡成，民 95，類神經網路模式應用與實作，台北：儒林書局。

[50] 劉克一，民 89，以遺傳演算法演化類神經網路在股價預測上的應用，真理大學碩士論文。

[51] 劉俊鴻，民 92，運用遺傳演算法萃取股市交易規則之應用，國立屏東科技大學碩士論文。

[52] 蔡依玲，民 90，台灣股票市場報酬率之研究，國立成功大學碩士論文。

[53] 蔡斌仕，民 84，台灣股市技術分析之實證研究，台灣大學財務金融學研究所碩士論文。

[54] 賴宏祺，民 76，技術分析有效性之研究，中興大學企業管理研究所碩士論文。

附錄一、本研究選取的股價指數

附錄表1 選取的股價指數

國家股市名稱股市代號

日本 NIKKEI 225 N225 印尼 Composite Index JKSE 巴西 IBOVESPA SAO PAULO BVSP 馬來西亞 KLSE Composite KLSE

墨西哥 IPC MXX

韓國 KOSPI Composite Index KS11 美國 DOW JONES COMPOSITE INDEX DJA

英國 FTSE 100 FTSE

香港 HANG SENG INDEX HSI 台灣 TSEC weighted index TWII 巴基斯坦 Karachi 100 KSE 斯里蘭卡 All Share CSE 新加坡 Straits Times Index STI

奧地利 ATX ATX

德國 DAX GDAXI

澳洲 All Ordinaries AORD 瑞士 Swiss Market SSMI 菲律賓 PSE Composite PSI 荷蘭 AEX General AEX 阿根廷 Merval Index MERV

法國 CAC 40 FCHI

比利時 BEL-20 BFX

附錄二本研究股價指數來源

本研究所使用之股價指數取自於yahoo，研究者若需股價指數可以參照以下做法便能取得。

一、開啟網頁(網址：http://finance.yahoo.com/q/hp?s=GE)。

二、輸入想取得的股價指數之股市代號，並在代號前加上符號「^」，再按下網頁中的按鍵「GO」，如附錄圖 1。

附錄圖1 資料取得說明圖一

三、輸入想取得的股價指數之日期，再按下網頁中的按鍵「Get Prices」，如附錄圖2。

附錄圖1 資料取得說明圖二

四、再按下網頁下方的連結「Download To Spreadsheet 」，即可下載試算表，

如附圖3。

附錄圖3 資料取得說明圖三

附錄三 GA 程式

一、程式功能

程式是針對特定函數來設計，利用GA 來優化函數值。但修改後可以優化一般函數。

二、使用方法

此程式為學習撰寫 GA 程式的一個範本，無輸入檔，其輸出檔格式如表

世代適應函數

X

₁

X

₂

X

₃

X

₄

X

₅

X

₆

X

₇

X

₈

三、使用範例

以公式(1)中的 Y 為目標函數，X1、X2、X3、X4、X5、X6 、X7 、X8 為可以調整變數，以GA 程式來優化它們，目標是使目標函數 Y 能達到最大值。

Y = |X1 -0.1| +|X2 -0.2| + |X3 -0.3| + |X4 -0.4| + |X5 -0.5| + |X6 -0.6| + |X7 -0.7| + |X8 -0.8|...(3-1) 程式中，族群大小為200、世代數為 100、交配率為 0.05、突變率為 0.02、

突變範圍為0.005，執行之結果整理成附錄表 2。

附錄表2 GA 程式執行例題結果

世代適應函數

X

₁

X

₂

X

₃

X

₄

X

₅

X

₆

X

₇

X

₈ 1 6.9579 0.1046 0.2594 0.6184 0.5076 0.5459 0.6230 0.3726 0.9558 10 7.0133 0.0186 0.3243 0.1000 0.5633 0.5583 0.5852 0.4294 0.8740 20 7.3838 0.1968 0.2844 0.2687 0.5262 0.5236 0.6595 0.5925 0.8870 30 7.5895 0.1268 0.2718 0.3904 0.5104 0.5144 0.6651 0.6933 0.8250 40 7.6784 0.1218 0.2607 0.3023 0.5087 0.5116 0.6663 0.6796 0.7702 50 7.7024 0.1279 0.2557 0.2992 0.5067 0.5131 0.6653 0.6794 0.8075 60 7.7282 0.1127 0.2548 0.3000 0.5056 0.5074 0.6671 0.6798 0.8039 70 7.7670 0.1129 0.2351 0.2966 0.5057 0.4951 0.6436 0.6799 0.8073 80 7.7954 0.1005 0.2311 0.2968 0.5057 0.4963 0.6332 0.6839 0.8112 90 7.8280 0.0981 0.2123 0.2968 0.5042 0.4993 0.6293 0.6798 0.8001 100 7.8473 0.0980 0.1987 0.3003 0.5007 0.4994 0.6286 0.6815 0.8006

正解 8.0000 0.1000 0.2000 0.3000 0.4000 0.5000 0.6000 0.7000 0.8000 四、程式原理

1. 演算法

(1) 開始。

(2) 使用者輸入參數：讓使用者設定最佳化所需之參數(世代數、族群大小、

交配率、突變率、突變範圍)。

(3) 建立第一世代：產生與使用者設定的族群大小相同的個體數，每個個體擁有8 個染色體，利用實數編碼法，隨機產生 8 個介於使用者設定的染色體值域值，預設值域為1 至-1 的實數作為個體的染色體。

(4) 計算適應度：利用設計好的適應函數(3-1)式計算每個個體的適應度，並保留適應度最大的最佳個體。

(5) 複製：以輪盤法挑選父代個體進行複製。輪盤法是指依照每個個體的適應函數值除以所有個體的適應函數值總合，決定每個個體在一輪盤上所佔有的扇形面積。故整個輪盤上的總面積為1，個體適應函數值越大者，

佔有的面積越大；反之，則越小。假想以一個飛鏢射向轉動中的輪盤，

以射到的點位於哪一個扇形面積來決定複製哪一個個體。實際的作法是機隨生一個介於0 到 1 的亂數 r，如果此亂數 r

∑ ∑

−

< ^m

i i m

r f

f

1 1

則挑選第m 個個體。

f =第 i 個個體的適應函數值。

(6) 交配：隨機挑選兩個族群中的個體 A 與 B，產生子個體 C 與子個體 D：

子個體C：將 A 個體第 i 個染色體之值

X ，加上 A 與 B 第 i 個染色體

_i^A 之值相減取絕對值

X

_i^A −

X

_i^B 乘上介於1 到-1 的隨機亂數值 r，得子個體 C。即

B i A i A

i C

X r X X

X

= + ⋅ −

子個體D：再換 B 個體重複上面動作，得子個體 D。即

B i A i B

i D

X r X X

X

= + ⋅ −

(7) 突變：隨機選擇新的子世代中的某一個染色體，先將染色體值域上限值

在文檔中中華大學 (頁 94-171)

建議

第五章 結論與建議

第二節 建議

參考文獻

Artificial Intelligence (16:5) 2002, pp:501-526

Management (8:1) 1981, pp:36-39

Management Review (3:2) 1964, pp:24-25

for Financial Engineering 2003, pp:403-410

Journal of Financial and Quantitative Analysis, (3:3) 1968, pp:315-326

Systems with Applications (19:2) 2000, pp:125-132

Stochastic Models in Business and Industry (18:2) 2002, pp:121-134

on Systems, Man, and Cybernetics Part A (34:3) 2004, pp:421-428

Journal of Financial Economics (58:1) 2000, pp:215-238.

Research (18:1) 2001, pp:103-108

Science (2358:1) 2002, pp:25-35

附錄一、本研究選取的股價指數

附錄二 本研究股價指數來源

附錄三 GA 程式

此程式為學習撰寫 GA 程式的一個範本，無輸入檔，其輸出檔格式如表

X

X

X

X

X

X

X

X

X

X

X

X

X

X

X

X

1. 演算法

∑ ∑

r f

f

f =第 i 個個體的適應函數值。

X ，加上 A 與 B 第 i 個染色體

X

X

X r X X

X

X r X X

X

第五章結論與建議

第二節建議

附錄二本研究股價指數來源