改變訓練時間的演化結果

20 40 60 80 100

1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 指標基因代碼

出 現 頻 率

圖 4-11 實驗三中各指標出現頻率統計圖

第三節 改變訓練時間的演化結果

在這一節裡，我們嘗試再作一些改變，將移動學習中間每個世代的訓練和學 習期都延長並作部分的重疊，使得訓練的時間由原先的半年延長為一年，而測試 期也從一季延長為半年，但總世代因此縮短為 16 個世代，如圖 4-12 所示。在這 個實驗中，我們採用預測漲跌比例策略作為績效評估的適應度函數，同時也使用 二階段循環來執行，並觀察不同的訓練時間對於模型的演化是否會有所影響。

80/07 81/01 81/07 82/01 82/07 83/01

學 習 期

圖 4-12 改 變 訓 練 時 間 後 的 世 代 交 替 預 測 期 年 度

續 類 推

學 習 期 預 測 期

學 習 期 預 測 期

學 習 期 預 測 期

83/07 80/01

實驗結果其績效折線圖如圖 4-13、圖 4-14 所示，買入持有的大盤績效則為

-2000 -1500 -1000 -500 0 500 1000 1500 2000 2500 3000

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 世代

績 效 表 現

Dummy Agent

圖 4-15 改變訓練期間之 Dummy Agent 買入持有績效表

在實驗四裡，我們把訓練和測試的時間都拉長了一倍，而且使得訓練的資料 寬度足以涵蓋一整個年度。這樣做的主要目的有兩個，首先是直接觀察給予較多 的訓練資料是否能夠有助於提高 Agents 的預測與操作能力；其次，我們把訓練 資料延長至一整年，主要是考慮到股市的走向中，可能有所謂的「季節效應」產 生。因此可以觀察將一整年的歷史資料一次學習，是否會比原先的 Agents 具有 更完整的預測能力。

由圖 4-15 的大盤績效來看，我們發現在延長過後的測試資料中，大盤本身 績效的震盪幅度比原先 17 世代的時候更加劇烈，亦即在目前這個世代的切割點 之下，大盤的大漲大跌正好被更加的突顯了出來，最大的漲幅從原先的 1500 點 以下增加到 2400 點左右，而最大跌幅也從 1200 點提升為 1600 點，這對於類神 經網路的學習並不是一個好的訊息。由圖 4-13 的結果我們可以發現，演化 Agents 在初期幾個由急漲轉急跌的世代表現出負值的績效。而在大盤績效大漲的第 4、

6、9、11、15 這五個世代中，演化的 Agents 雖然績效呈現正值，但仍比大盤的

績效稍差。由這兩點我們可以比較清楚的對演化式神經網路的弱點有所了解。

如此說來，此模型是否就失去了其參考價值呢？答案當然是否定的，我們先 看大盤由急漲轉急跌的幾個世代。在本次實驗中，演化的 Agents 表現出跟之前 的實驗類似的結果，就是在後期展現了比初期更好以及容錯能力更佳的特性。因 此在演化的後期已經不像初期的世代一樣容易呈現出負值的績效，我們從第 7、

12、16 世代都可以發現這個特點。另外相對於大盤績效的大起大落，演化 Agents 的績效表現相對顯得穩定的多，更重要的是大部分的情況下都仍維持在正值之 結果來看，對於更長的測試期，Agents 所表現出來的績效比較接近只是原先績 效的延伸，也就是說在一個預測較準確的世代下，拉長訓練與測試期能夠讓優良