未來研究方向建議

國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

5. 考慮特徵變數情境下，使用股價變數的表現和主策略差異不大，惟其勝率和 獲利因子較主策略稍差，且閒置基金比率稍高，使得每次交易獲得的投資報 酬相對較少。然而整體來說神經網路對於同樣二十日的預測期間，不論是使 用技術指標或股價作為特徵變數都有不錯的效果。

6. 考慮出場規則情境下，主策略搭配 MACD+RSI 的技術分析出場方式並不比 原來策略理想，可能推論大多數股票在預測期間內即以達到出場條件，交易 頻繁使得交易成本因素導致賠付比率較高，使其勝率較低，然而獲利因子確 實有明顯提升。整體來說技術分析的出場方式似乎不適合用於本策略。

第二節、未來研究方向建議

本文建構出一套神經網路的簡單序列模型，作為股價走勢研究的應用，惟其 模型中的各項參數及配適方法尚未成熟，仍有許多可嘗試及開發的地方；而實務 界亦逐漸興起各種神經網路模型，如卷積神經網路和長短期記憶神經網路，在人 工智慧應用範圍愈趨廣泛的現在，後續研究可以本研究為基礎，在學習神經網路 的背景知識與基本應用方式後，進一步專精於適合特定領域的模型，並詳加考慮 模型建構的各項因素，以加強訓練效率及改善預測的分類效果。

此外，本文僅考慮一般常見的幾種技術指標，抑或過去幾天股價作為變數，

而將未來特定期間作為預測目標，這樣先入為主的做法似乎無法充分發揮神經網 路從資料中尋找規則的強大能力。神經網路並無限制其參數的使用維度，且似乎 不需添加其他篩選或進出場方式即能有良好表現，加入更廣泛的技術指標，或是 納入基本面和籌碼面因子，或許機器能從這群龐大資料集中自行找出分類結構，

而我們僅需考慮更多種輸入和輸出的組合，以檢驗在哪種組合情況下有最好的學 習效果，從而以該輸出的分類目標或預測值作為判斷股票未來上漲潛力的依據，

並以此結果建構符合實務的投資策略，相信神經網路的應用將顛覆以往理論。

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

參考文獻

Akita, R., Yoshihara, A., Matsubara, T., & Uehara, K. (2016). Deep learning for stock prediction using numerical and textual information. In Computer and Information Science (ICIS), 2016 IEEE/ACIS 15th International Conference on (pp. 1-6).

IEEE.

Chong, T. & Ng, W. (2008). Technical analysis and the London stock exchange: testing the MACD and RSI rules using the FT30. Applied Economics Letters, 15(14), 1111-1114.

Dean, J. (2016). Building machine learning systems that understand. In Proceedings of the 2016 International Conference on Management of Data (pp. 1-1). ACM.

Huval, B., Wang, T., Tandon, S., Kiske, J., Song, W., Pazhayampallil, J., & Mujica, F.

(2015). An Empirical Evaluation of Deep Learning on Highway Driving. arXiv preprint arXiv:1504.01716.

Ioffe, S. & Szegedy, C. (2015). Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. arXiv preprint arXiv:1502.03167.

Khan, A. & Gour, B. Neural Networks with Technical Indicators Identify Best Timing to Invest in the Selected Stocks.

Kingma, D. & Ba, J. (2014). Adam: A Method for Stochastic Optimization. arXiv preprint arXiv:1412.6980.

Mizuno, H., Kosaka, M., Yajima, H., & Komoda, N. (1998). Application of Neural Network to Technical Analysis of Stock Market Prediction. Studies in Informatic

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

and control, 7(3), 111-120.

Nelson, D., Pereira, A., & Oliveira, R. (2017). Stock Market's Price Movement Prediction with LSTM Neural Networks. In Neural Networks (IJCNN), 2017 International Joint Conference on (pp. 1419-1426). IEEE.

Poulos, J. (2015). Predicting Stock Market Movement with Deep RNNs.

Sezer, O., Ozbayoglu, A., & Dogdu, E. (2017). An Artificial Neural Network-based Stock Trading System Using Technical Analysis and Big Data Framework.

In Proceedings of the SouthEast Conference (pp. 223-226). ACM.

Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014).

Dropout: A Simple Way to Prevent Neural Networks from Overfitting. The Journal of Machine Learning Research, 15(1), 1929-1958.

Sun, Y., Wang, X., & Tang, X. (2014). Deep Learning Face Representation from Predicting 10,000 Classes. In Proceedings of the IEEE conference on computer vision and pattern recognition(pp. 1891-1898).

Wang, D., Khosla, A., Gargeya, R., Irshad, H., & Beck, A. (2016). Deep Learning for Identifying Metastatic Breast Cancer. arXiv preprint arXiv:1606.05718.

Xiong, R., Nichols, E., & Shen, Y. (2015). Deep Learning Stock Volatility with Google Domestic Trends. arXiv preprint arXiv:1512.04916.

‧

‧

‧

‧

‧

‧

‧

‧

2011 2012 2013 2014

2015 2016 2017

0%

2011 2012 2013 2014

2015 2016 2017

0%

2011 2012 2013 2014

2015 2016 2017