本研究實驗組和對照組投資績效

表 15 本研究模型與隨機漫步之獲利率變異數 F 檢定

由上表，得到雙尾F檢定之p值=0.206 x 2=0.41，大於α=0.05，表示在顯著 水準α=0.05 下 不能推翻虛無假設(H^０：σ =₁² σ₂²)，也就是實驗組和對照組準確 率的獲利率變異數是相等的。

接著檢定實驗組和對照組在顯著水準α=0.05 下準確率的平均數是否相等？

(t 檢定)，實證資料如(附錄 A.2 本研究實驗組和對照組投資績效)。

H^０：

u

u

u

u

38

表 16 本研究模型與隨機漫步之獲利率 t 檢定

由上表，得到雙尾t檢定之單尾p值=1.77E-159，小於α=0.05，表示在顯著 水準α=0.05 下 拒絕虛無假設(H^０：

u

u

綜合本小節兩種檢定方法，其一為檢定預測準確率是否大於隨機預測的準確 度，此檢定的意義在於驗證本研究方法的準確度是否明顯高於隨機預測的準確 度，結果是肯定的；第二項檢定為檢定獲利率是否比隨機交易的方法高，此檢定 的意義在於驗證本研究方法在獲利上面是否能夠打敗隨機操作模式，大盤，長期 獲取超額的利潤，檢定結果也是肯定的。

39

40

41

參考文獻

1. A.P Chen, C.Y. Chianglin, H.P Chung (2001), "Establishing an index arbitrage model by applying neural networks method- A case study of Mikkei 225 index," International Journal of Neural Systems, Vol.11, pp. 489-496.

2. Fama , E.F., Efficient Capital Market :A View of Theory and Empirical Work? Journal of Finance , XXII, pp.595-610,1970

3. Lapedes, A. and R. Farber, “Nonlinear signal proceeding using neural networks: Prediction and system modeling,” Los Alamos National Laboratory Report LA-UR-87-2662 (1987).

4. Baba, N. and M. Kozaki, “An intelligent forecasting system of stock price using neural networks,” IEEE International Joint Conference on Neural Network, 1,371-377 (1992).

5. Huarng, K. Y. T. H. K. (2006). "The application of neural networks to forecast fuzzy time series." Physica A-Statistical Mechanics and Its Applications 363(2): 481-491.

6. J. Yao, C. L. T. a. H. L. P. (1998). "Neural Networks for Technical Analysis: A Study on KLCI." International Journal of Theoretical and Applied Finance 2(2): 221-241

7. Barberis, N. and Thaler, R., "A Survey of Behavioral Finance", University of Chicago

8. Fama, E. (1970), "Efficient capital markets: a review of theory and empirical work", Journal of Finance 25:383-417

9. Kahneman, D., and A. Tversky (1979), "Prospect theory: an analysis of decision under risk", Econometrica 47:263-291

42

10. Kerns M., (1996)”A bound on the error of cross validation using the approximation and estimation rates, with consequences for the

training-test split”, Advance in Neural Information Processing System, Vol.8, pp.183-189

11. An-Pin Chen and Hsio-Yi Lin2(2006),”Exchange Rates Forecasting Using a Hybrid Fuzzy and Neural Network Model”, Computational Intelligence and Data Mining

12. Levy R.A., “Conceptual Foundation of Technical Analysis”, Financial Analysis Journal,Vol. 12, pp.83-89,1966

13. Reilly F.K., “Investment analysis and portfolio management”, Bryden Press, 1985 2.2.1

14. Edwards, Robert D.,” Technical analysis of stock trends”, 1971 15. 陳安斌，民國94年，「新金融實驗教學之財務金融資訊系統與投資管理」，

新陸書局

16. 阮榆方，民國95年，－應用分類元- 類神經網路模型於台灣加權指數趨勢預 測之研究

17. 張百棧，民國93年，－混合式預測模式之發展─預測台灣股價指數之波動 18. 蔡永順，民國94年，－類神經網路與非監督式學習之理論探討與應用 19. 曾士育－以自我組織網路映射圖探索股市投資決策之研究－以台灣加權股價

指數為例

20. 林翊飛，民國95年，－台指選擇權波動率指數與台灣加權指數日內每分鐘行 為互動關係之研究

21. 張嘉豪，民國95年，－應用延伸分類元系統於跨市場價差套利之研究 22. 蔡毓耕，民國93年，「應用分類元系統於財務危機預警之研究」，國立交通大

學資訊管理所碩士論文。

43

44

37. 黃志瑄，民國95年，台灣景氣對策信號趨勢之研究與預測 – 應用類神經網 路，交通大學資訊管理研究所。

38. 周煒興，民國96年，金融物理學導論，上海財經大學出版社。

39. 邱泉和，民國94年，應用具泰勒級數概念之類神經網路建構台灣股價趨勢預 測模型，交通大學資訊管理所碩士論文。

40. 湯麟武，民國85 年，港灣及海域工程，第二版，台北，中國土木水利學會出 版。

41. 邱憶如，民國97年，應用自組織映射圖神經網路及倒傳遞類神經網路於機構 投資人融資券行為分析研究-以台灣50 期貨指數為例，交通大學資訊管理所碩 士論文。

42. 林蒼祥、 蔡蒔銓，「從物理學到財務金融」，物理雙月刋，第27卷第6期，

第795-802頁，2005年。

45

附 錄

A.1. 本研究實驗組和對照組預測準確率

本附錄為實驗100次的預測準確率。欄位F1為實驗組預測大趺次數，欄位F4為實 驗組預測大漲次數，欄位F1Acc1為實驗組預測大趺準確次數，欄位F4Acc1為實驗 組預測大漲準確次數，欄位Acc1Rate為實驗組預測大漲或大趺準確率，欄位 F1Acc1Rate為實驗組預測大趺準確率，欄位F4Acc1Rate為實驗組預測大漲準確 率；RandF1Acc，RandF4Acc，RandAccRate，RandF1AccRate，RandF4AccRate以 隨機漫步的對照組準確率。

46

47

48

A.2. 本研究實驗組和對照組投資績效

本附錄為實驗100次的投資績效，損益單位為期貨點數，交易手續費用和交易稅 己扣除，每趙來回交易扣除5點期貨點數。欄位PMDF1為實驗組預測大趺的損益績 效，欄位PMDF4為實驗組預測大漲的損益績效，欄位PMDAll為實驗組預測大漲或 大趺的損益績效；RandPMDF1，RandPMDF4，RandPMDAll以隨機漫步的對照組損益 績效。

49

50