本研究方法的實證結果與林式方法之比較--台灣市場

在台灣市場中，應用前述所得到的最佳濾嘴法則參數設定（k = 10%, n = 10），單純使用濾嘴法則時，共產生 623 個買點，得到的平均複合年報酬率為 1.24%。本研究將濾嘴法則產生之交易資料，搭配選取之四個屬性：台灣貨幣供 給額（T-M1）、台灣消費者物價指數（T-CPI）、亞洲半導體總出貨量（T-SEMI）、

台股指數期貨交易價格（T-FP），並以不同的報酬率門檻分為「＋」、「－」兩群 體，利用 C4.5 演算法進行分類，可得到運用不同的交易策略時，決策樹產生出 的各層平均複合年報酬率，如表 4.3 所示，不同的交易策略對於績效表現是有所 影響，而所得到的最佳交易策略是運用 1%或 2％的報酬率門檻將濾嘴法則產生 之買點分為「＋」、「－」兩群體，再以決策樹找出「有效買點」的範圍，可以得 到 13.26%的平均複合年報酬率。

14

表 4.3 運用四個分類變數時，不同分群門檻之報酬率—Taiwan 決策樹層次

分類門檻 濾嘴法則 第 1 層 第 2 層 第 3 層 第 4 層 第 5 層 第 6 層 9% 1.24% 5.32% 9.03% 13.04% 10.91% 6.44%

6% 1.24% 5.32% 9.03% 13.04% 10.91% 4.48%

3% 1.24% 5.51% 8.99% 13.00% 10.91% 4.48%

2% 1.24% 5.51% 9.66% 13.26% 9.44% 4.93%

1% 1.24% 5.51% 9.66% 13.26% 9.44% 4.93%

0 1.24% 5.51% 9.66% 12.98% 9.44% 4.93%

-3% 1.24% 5.44% 9.10% 13.02% 9.49% 4.93%

-6% 1.24% 4.95% 9.16% 12.48% 9.44% 1.99% 4.61%

-9% 1.24% 4.95% 9.68% 5.70% 8.31%

茲以最佳交易策略做說明，其 WEKA 軟體輸出之決策樹架構如圖 4.1，其中 圈內為分類的屬性依據，分支為分類屬性的門檻值，方框代表分出之群體，以「＋」

群體代表「有效買點」，括弧內部的數據如（95/10），代表該類別中共有 95 個樣 本，其中有 10 個分類錯誤樣本。

圖 4.1 決策樹架構

將決策樹之分類規則整理如表 4.4，也就是「有效買點」的篩選門檻，依照 此門檻將各層之報酬率計算出來，如表 4.5 所示。

表 4.4 決策樹分類規則—Taiwan 決策樹分類規則 第 1 層 T-FP ≦43.1

第 2 層 T-FP ≦43.1 ; -0.072 ＜ T-SEMI

第 3 層 T-FP ≦43.1 ; -0.072 ＜ T-SEMI 0.≦ 19 第 4 層 9.1 ＜ T-FP 43.1≦ ; -0.072 ＜ T-SEMI 0.≦ 19

第 5 層 9.1 ＜ T-FP 43.1≦ ; -0.072 ＜ T-SEMI 0.≦ 19 ; T-CPI ≦ -0.55 表 4.5 決策樹各層次分類之績效—Taiwan

決策樹層次

濾嘴法則 第 1 層 第 2 層 第 3 層 第 4 層 第 5 層 平均複合年報酬率 1.24% 5.51% 9.66% 13.26% 9.44% 4.93%

交易資料數量 623 528 456 344 133 105 正報酬交易比例 34% 39% 43% 51% 66% 56%

由表 4.4 發現最重要的分類變數是指數期貨的交易價格，而第二重要的分類 變數為半導體出貨量。由表 4.5 可以發現，交易次數隨著分類層次下降，正報酬 交易比例則有上升之趨勢，代表分類準確度越下層越高，然而平均複合年報酬率 的趨勢則是先上升後下降，在第三層達到了最高的 13.26%，第四、第五層雖然 正報酬交易比例相當高，但平均複合年報酬率卻不增反降，其可能原因是複合報 酬率的計算上，運用了複利的方式，由於買點次數過低，導致乘積效果降低所致；

另一個可能原因則是，決策樹分類中，只分為正負兩群體，無法對報酬之大小作 判斷，會造成良好之正報酬交易被扣除的結果。

綜合上述之結果，可以歸納出「有效買點」的篩選規則，亦即以第三層之分 類規則來篩選濾嘴法則產生之買點。本研究所得到的交易規則如下：當濾嘴法則 找出買點後，該買點的期貨價格斜率值須小於 43.1，以及半導體總出貨量斜率值 須介於-0.072166 與 0.188834 之間，方為「有效買點」，進行買入動作，並於濾嘴

16

法則產生賣點時賣出。

林氏（2004）提出的方法與本研究方法最大差異，在於並未考慮代表未來性 資訊的分類效果，亦即本研究提出的股價指數期貨資訊。茲將該方法於本研究實 證期間進行驗證，運用的濾嘴比率參數為 k = 10%、n = 10，使用的分類變數為 台灣貨幣供給額、台灣消費者物價指數、亞洲半導體總出貨量，並以不同的報酬 率門檻分為「＋」、「－」兩群體，利用 C4.5 演算法進行分類，可得到運用不同 的交易策略時，決策樹產生出的各層平均複合年報酬率，如表 4.6 所示。由表中 可以發現最佳交易策略是以-3%的報酬率作為分群門檻，在第 3 層時平均複合年 報酬率達到了 11.50%，但低於本研究方法所得到的 13.26%。

表 4.6 運用三個分類變數時，不同分群門檻之報酬率—Taiwan 決策樹層次

分類門檻 濾嘴法則 第 1 層 第 2 層 第 3 層 第 4 層 第 5 層

9% 1.24%

6% 1.24% 8.99% 6.17%

3% 1.24% 8.99% 5.10%

2% 1.24% 8.99% 5.10%

1% 1.24% 8.99% 5.10%

0 1.24% 4.50% 9.10% 10.46% 3.60% 3.88%

-3% 1.24% 5.44% 9.10% 11.50% 7.07% 7.33%

-6% 1.24% 4.95% 9.68% 5.70% 8.31% 7.63%

-9% 1.24% 4.95% 9.68% 5.70% 8.31%