第五章 結論與建議
第二節 未來研究的方向
演化式計算在人工智慧領域是一個逐漸受到重視的課題，而本研究目的即在 嘗試結合遺傳演算法及類神經網路，並應用於台灣股票市場之預測。然而由於過 去將此二演算法結合做預測的案例並不多，因此，本研究尚有一些值得再進一步 深入探討的地方。所以，在本節中，我們將列出幾項可再進一步研究的課題，做 為未來相關研究發展或可參考之方向。
一. 影響股市的因素錯綜複雜，本研究僅以較易蒐集到與較易量化的技術指標為 主要基因，並做短期的預測。未來可以朝向指標蒐集的全面性作更深入的測 試。並且也可以更進一步把預測的焦點擴展至基本面及長期性的走勢，並以 較完整的指標支援為基因來進行預測，以期能對股市之行為有更進一步的了 解。
二. 本研究的學習機制是以倒傳遞類神經網路為主，未來應可與其他的學習機制 相結合，諸如：範例學習法、其它統計方法（如區別分析）、或其它種類的 類神經網路，並可比較對於不同的預測標的和預測環境下，其預測能力之差 異，並進一步探討在何種情況下，採用那一種方法會較為適宜。
三. 對於策略與演化模式，本研究都是採用預設的演算法來進行。未來應可將策 略的學習與演化方式的改變本身作為研究的課題。可深入探討不同的策略之 間所造成的差異，甚至讓操作策略本身變成一種被演化的基因。而演化進行 的演算法也是值得思考的重點之一，可以研究不同的演化法則是否會對最後 的收斂情況有所影響。
四. 本研究是將遺傳演算法的概念和人工智慧的學習系統結合並運用於金融市場 的預測。然而這種異質演算法的結合可應用的領域是更廣大的，未來應該可 以將這種學習演化的概念延伸並使用在其它領域之上。
參考文獻
一、中文部分
1. 王有傳[1997]，「以模糊理論及類神經網路為基礎利用遺傳演算法的語者辨 識」，淡江大學電機工程學系電子電路組碩士論文。
2. 朱佩亭[1996]，「運用遞迴式類神經網路為基礎之股票交易決策支援系統」， 國立台灣大學資訊管理所碩士論文。
3. 朱佩亭[1996]，「運用遞迴式類神經網路為基礎支股票交易決策支援系統」， 台灣大學資訊管理所碩士論文。
4. 吳振坤[1992]，「類神經網路在學習台灣股價上的應用」，國立交通大學資訊 管理所碩士論文。
5. 岑英勤[1993]，「智慧型決策系統運用於台灣股票市場技術面分析之研究」， 國立交通大學資訊管理研究所碩士論文。
6. 杜金龍[1993]，技術指標在台灣股市應用的訣竅，非凡出版社。
7. 杜金龍[1996]，基本分析在台灣股市應用的訣竅，金錢文化。
8. 周惠君[1996]，「以系統動力學為基礎結合類神經網路與遺傳演算法支援資 訊評估之研究」，中山大學資訊管理所碩士論文。
9. 林煜宗[1988]，現代財務管理－理論與應用，華泰書局。
10. 邱亦德[1996]，「應用理解類神經網路系統於台灣股價指數之預測及分析」， 國立中興大學經濟研究所碩士論文。
11. 金必煌[1994]，「運用遺傳基因演算法建立動態證券市場技術模型」，國立交 通大學資訊管理研究所碩士論文。
12. 張子文[2001]，「XML-Based HTML Wrapper 建置之研究：在網路銀行個人帳 戶資訊彙整服務上之應用」，國立政治大學資訊管理研究所碩士論文。
13. 張家澍[1993]，「以可調結構類神經網路為主之智慧型證券交易決策支援系 統之設計與製作」，國立台灣大學電機工程研究所博士論文。
14. 張維哲[1992]，人工神經網路，全欣資訊圖書。
15. 陳啟煌[1995]，「已可調適法則類神經網路為基礎之智慧型證券交易決策支 援系統」，國立台灣大學資訊工程研究所碩士論文。
16. 曾淑青[1994]，「運用類神經網路於台灣股票市場價量關係的預測與分析」， 國立交通大學資訊管理研究所碩士論文。
17. 葉日武[1987]，「以技術分析研判股票市場進出時機之效果」，政治大學企業 管理研究所未出版碩士論文。
18. 葉怡成[1993]，類神經網路模式運用與實作，儒林圖書。
19. 楊建民[2001]，「網路銀行個人理財彙整帳戶系統」，資訊管理學系，國立政 治大學，民國九十年。
20. 劉寶桂[1990]，「台灣股市變線性、股價行為與股價漲跌限幅關聯性之實證 研究」，淡江大學金融研究所未出版碩士論文。
21. 蔡宜龍[1990]，「台灣股票市場技術分析指標有效性之衡量」，工程大學工業 管理研究所未出版碩士論文。
22. 蔡瑞煌[1995]，類神經網路概論，三民書局。
23. 賴宏仁[1995]，「結合技術分析與類神經網路以支援股票投資決策之研究」， 國立中山大學資訊管理研究所碩士論文。
24. 賴勝章[1980]，「台灣股票市場弱勢效率性實證研究－以技術方法檢驗」，國 立台灣大學未出版碩士論文。
二、英文部份
1. Arthur, W.B., Holland, J.H. ,etc.[1996] “ Asset Pricing Under Endogenous Expectations in an Artificial Stock Market “ .
2. Axelrod, Robert [1997], “The Dissemination of Culture: A Model with Local Convergence and Global Polarization,” The Complexity of Cooperation: Agent-Based Models of Competition and Collaboration., pp148-177.Princeton University Press.
3. Brenner, Walter, Zarnekow, Rüdiger & Wittig, Hartmut[1998],
Intelligent Software Agents:Foundations and Applications, Springer.
4. Castelfranchi, C.[1995] “Guarantees for autonomy in cognitive agent
architecture.” In Wooldridge, M. and Jennings, N. R., editors, Intelligent Agents:Theories, Architectures, and Languages.(LNAI Volume 890), pp.56-70. Springer-Verlag : Heidelberg, Germany.
5. Don Tveter[1998]，”The Pattern Recognition Basis of AI：Neural Networking Software”，
http://www.dontveter.com/nnsoft/nnsoft.html#backprop
6. Edwards, R.D. & Magee John[1966]，Technical Analysis of Stock Trends，
Boston，Mass.︰J. Mage1e Inc.︰New York，N.Y.︰New York Institute of Finance，Business Information & Pub.
7. Fama, E.F.[1965]，”The Behavior of Stock Market Price”，Journal of Business，Vol.38，1965.
8. Fama, E.F.[1970]，”Efficient Capital Market: A Review of Theory and Empirical Works”，Journal of Finance，pp.383-417，Vol.25，1970.
9. Freeman, James A. & Skapura, David M.[1991]，Neural Networks︰
algorithms, applications, and programming techniques，pp.8，
Addison-Wesley Publishing Company.
10. Fulkerson, Bill [1997], “A response to dynamic change in the market place,” Decision Support System, vol. 21, 1997, pp 199-214.
11. Genesereth, M. R. & Ketchpel, S. P., “Software Agent[1994],”
Communications of the ACM, vol. 37, no. 7, July 1994, pp. 48-53.
12. Gio Wiederhold.[1992] “Mediators in the architecture of future information systems,” IEEE Computer 25:3, March 1992, PP38-49.
13. Goldberg, D.E.[1989]，Genetic Algorithms in Search, Optimization, and Machine Learning，The University of Alabama.
14. Grahm, B.，Dodd, D.L.，and Cottle,S.[1962]，Security Analysis，Principles and Techniques，4th edition，McGraw-Hill，New York.
15. Granville, J.E.[1976]，Granville’s New Strategy of Daily Stock Market Timing for Maximum Profit，pp.10，Englewood Cliffs︰Prentice-Hall Inc.
16. Holland, J. H.[1975]，Adaptation in Natural and Artificial Systems
－An Introductory Analysis with Applications to Biology，Control，and
Artificial Intelligence，2nd edition，MIT Press Edition.
17. Jang, Gia-Shun，Lai, Feipei，Bor-Wei，Chien, Li-Hua[1991]，”An Intelligent Trend Prediction and Reversal Recognition System Using Dual-Module Neural Networks”，The First International Conference on Artificial Intelligent Applications on Wall Street，pp.42-51.
18. Kimoto, Takashi and Asakawa, Kazuo[1990]，”Stock Market Prediction System with Modular Neural Network”， pp.1-6，IJCNN Vol. I.
19. Langton, Chris & Burkhart, Roger & Lee, Irene & Daniels, Marcus &
Lancaster Alex [1996], “The Swarm Simulation System,”, http://www.santafe.edu/projects/swarm/.
20. LeBaron, Blake[1995]，”Experiments in Evolutionary Finance”，
Department of Economics，University of Wisconsin-Madison.
21. Levy, R.A.[1967]，”An Evaluation of Selected Applications of Stock Market Timing Technique，Trading Tactics and Trend Analysis”，The American University，Unpublished Doctorial Dissertation，pp.27.
22. Margarita , Sergio. [1991]” Neural Networks , Genetic Algorithms and Stock Trading “, Artificial Neural Networks , pp. 1763-1766.
23. McCluskey P.C.[1993]，“ Feedforward and Recurrent Neural Networks and Genetic Programs for Stock Market and Time Series Forecasting “，Brown University’s Master thesis.
24. Nwana, H. S.[1996] , “Software agents: an overview,” Knowledge Engineering Review, Vol. 11, No.3, pp 205-244.
25. Ousterhout, J. K.[1995], “Script And Agents: The New Software High Ground,” Invited Talk, USENIX Conference.
26. Reilly, F.K.[1985]，Investment Analysis and Portfolio Management，2nd Edition，Hinsdale︰Dryden Press，pp.477.
27. Rumelhart, D.E & Hinton, G.E. & Williams, R.J.[1986]，Parallel Distributed Processing︰Explorations in the Microstructure of Cognition，Cambridge，MIT Press/Bradford Books，pp318-362.
28. Schoneburg, E.[1990]，”Stock Price Predicting Using Neural Network:
A Project Report”，Neurocomputing 2, pp.17-27.
29. Selker, T.[1994], “Coach: A Teaching Agent that Learns.”
Communications of the ACM, vol. 37, no. 7, July 1994, pp. 92-99.
30. Stefansson, Benedikt[1997]，”Swarm︰An Object Oriented Simulation Platform Applied to Markets and Organizations”，Department of Economics，UCLA.
31. Sycara, K., Decker, K., Pannu, A.,Williamson, M., Zeng, D.[1996],
“Distributed Intelligent Agents,” IEEE Expert Internet URL:
http://www.cs.cmu.edu/~softagents/.
32. Von Neumann, John. “Theory of Self-Reproduction Automata,” Completed and edited by Arthur W. Burks, 1966.
33. Wyckoff, Peter[1970]，”Technical Analysis”，Edited by Zard, F.F. and Kerekes, G.T.，The Stock Market Handbook I，Homewood︰Dow Jones-Irwin，
Inc.
34. Wooldridge, M. J. & Jennings, N. R. editors.[1995] Intelligent Agents.
Springer-Verlag, Berlin.
35. Yoon, Youngohc and Swales, George[1991]，”Predicting Stock Price Performance: A Neural Network Approach”，Proceedings of the
Twenty-Fourth Annual Hawaii International Conference on System Science.
pp.156-162.
附錄 技術指標說明及公式
四、KD 隨機指標
KINDER n六、MACD 指數平滑異同移動平均線
MACD 是根據移動平均線（MA）較易掌握趨勢變動的優點所延伸出來的一種 分析方式。其基本原理是運用兩條不同速度的指數平滑移動平均線來計算兩 者之間的差離狀態（DIF），然後再對 DIF 進行平滑移動平均，此即為 MACD 線。簡而言之，MACD 就是對長期與短期的移動平均線收斂或發散的徵兆，
加以雙重平滑處理，用以研判買賣股票的時機與信號。其公式如下：
九、CDP 逆勢操作指標
-十一、VR 量強弱指標
-十四、ADR 漲跌比率
這是對大盤熱度測試的一個指標。一般加權指數的缺點是對資本額大的公司 給予較高的權值，而 ADR 則可較忠實的反應市場普遍的狀況。這個指標的根 本原理在於「物極必反」，即任何漲勢都不能毫不停歇的上漲，即使長期大 多頭也必須要經過修正走勢也才能進一步上揚。同樣的，任何跌勢也會因價 格下跌吸引買盤而造成反彈情況。所以當累計上漲家數相對較高且持續一段 時間後，漲勢預期將受阻。同理，當累計下跌家數相對較高且持續一段時間 後，跌勢將稍止。其公式如下：
(
n日內每天上漲家數加總) (
n日內每天下跌家數加總)
ADRn =
十五、PSY 心理線
PSY 指標是以心理面來推測人氣聚散的指標。就心理面而言，人們較相信外 在環境不斷變動，股市也沒有永遠的漲或永遠的跌，一定是漲漲跌跌。也就 是說，一般人會認為股市漲多了就應該跌，跌深了就應該漲，永遠在大趨勢 的上上下下不停的波動。因此，為衡量多數人看多或看空，即可用 PSY 指標。
其公式如下：
%
´100
= n
PSY n日內上漲天數