改良策略實驗數據分析

此小節將針對改良定期定值投資策略以各年期所使用的技術指標之比例作分析，以 及檢視改良策略在經過訓練期透過遺傳演算法的演化所得到的投資系統，在測試期間的 表現是否有效及穩定。

4.3.5.1 各技術指標比例分析

此部分我們分別針對 3 年期、4 年期及 5 年期各期間內改良定期定值策略中各技術 指標於 GA 演化後被系統選出的各別比例。這邊的各別比例計算為:以 3 年期 26 個 CV 為例，每一個 CV 總共有 100 個回合，每一個回合都會挑出 50 代的一組最佳內部報酬 率的投資系統所對應的各個技術指標及其參數，所以 3 年期的投資系統總數為 2600，

37

我們再去分別計算各個技術指標出現在這些系統的總次數。圖 12 依序顯示 3 年期、4 年 期和 5 年期的改良策略由遺傳演算法所找出各技術指標被選到的比率。從圖 12 之數據 中，改良策略在各年期中最常被選中的技術指標為 MACD，3 年期為 54.3%、4 年期為 65.7%、5 年期為 60.6%，也就是說 MACD 對於此研究的改良投資策略較為重要。

在實驗中所使用的技術指標，MACD 策略是較為平滑的平均線，在長期投資過程 中，較能過濾掉價格波動雜訊，以取得較為準確的上升趨勢，即為實驗中判斷進場訊號。

對於改良策略而言，在投資時間結束前，皆以進場點做投資交易，所以不考慮出場訊號 以及進出場之間的價差情況下，運用 MACD 指標，可以減少上升趨勢過程中，漲幅較 為小被視為進場訊號，進而降低改良策略投資成本分攤。所以實驗中才會有較多的比例 選到 MACD 作為進出場控制的技術指標。

圖 12. 各年期技術指標重要性比例圖

38

4.3.5.2 改良策略標準差與平均值分析

此部分分別針對 3 年期、5 年期及 10 年期各期間內改良定期定值投資策略，我們 將由遺傳演算法所演化訓練出的最佳系統帶至測試期，以計算出每個 CV 中 100 回合 所得到的內部報酬率的平均值與標準差，再將結果繪製成 box plots 如下圖 13 所示。

在圖 13 的每個 CV 中，個別 box 的上緣線代表 Max 值，下緣線代表 Min 值，紅色中 線則代表中位數。

從此圖中 3 年期與 5 年期的數據，看出雖然 3 年的部分 CV 績效都超過 100%，但 是 CV 的 Max 和 Min 差距太大，差距最大的為第 6 個 CV 約有 110%左右，且平均報酬 率小於 0 的有 7 個 CV。而 5 年期的各 CV 數據中，與 3 年期比較看來，相對來的穩定，

最大差距為 42%，平均報酬率小於 0 的有 3 個 CV。而 10 年期，最大差距只有 22%，

且只有一個 CV 平均報酬率小於 0。

整體而言，改良策略在 3 年期與 5 年期，雖然績效顯示出比 10 年的績效較為優勢，

但 CV 之間績效優劣差距甚大，投資系統較缺乏足夠的穩定性。且由 10 年期的數據看 來，改良策略經過長時間的訓練，演化出最佳化的投資系統，整個投資的績效會較為穩 定，這顯示出改良策略在長期投資中，透過策略的最佳化後，在測試期間也能有穩定的 表現。

39

圖 13. 各年期 box plots

40

研究利用 accuracy 和 precision 主要提供我們分析改良策略是否具有穩定性及訓練之有 效性，由這些圖各年期的 accuracy 和 precision 的數據看出，各年期的數值都超過 0.5 以 上，且以 6 年期的實驗效果最為明顯，accuracy 為 0.66，precision 為 0.69。由此得出改 良的定期定值投資策略，整體而言經過訓練後的投資系統，在其他不同股市價格波動的