模型變數

國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

圖 9、神經網路配置方式

第三節、模型變數

過去分析股票市場走勢大致有三種方法：基本面、技術面和籌碼面分析，

然而對於國外的交易在國內很難取得有關籌碼面的訊息，加上大陸上市公司 的流通股數較低，公司本身通常兼具國家企業的特性，分析基本面相比政策 面較不具參考價值，因此本文僅考慮使用技術指標作為變數。技術分析並非 像基本分析和籌碼分析試圖理解股價走勢背後的驅動因素，而僅僅是觀察過 去的股價走勢，並從這些資訊中分析未來股價的潛在走勢，以及時提供精確 的買賣時機，且適合用於短線操作。在超過上百種的技術指標中，過去學者 和投資人通常較頻繁的使用某些指標，原因在於其方法上的簡單性或有效 性，故本文參考R 語言中的 TTR 套件，使用以下四種指標。

一、移動平均(Moving Average, MA)

★𝑀𝐴(𝑛) = 過去𝑛日內收盤價的算術平均, 𝑛 = 5, 20

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

𝐸𝑀𝐴(𝑛) =2

𝑛× 今日收盤價 +𝑛 − 1

𝑛 + 1× 昨日𝐸𝑀𝐴(𝑛)

二、相對強弱指標(Relative Strength Index, RSI)

若今日收盤價 > 昨日收盤價，則𝑈𝑝 = 今日收盤價 − 昨日收盤價，𝐷𝑛 = 0 若今日收盤價 < 昨日收盤價，則𝑈𝑝 = 0，𝐷𝑛 = |今日收盤價 − 昨日收盤價|

𝑈𝑝𝐴𝑣𝑔 = 過去14日內𝑈𝑝的𝑀𝐴 𝐷𝑛𝐴𝑣𝑔 = 過去14日內𝐷𝑛的𝑀𝐴

★𝑅𝑆𝐼 = × 100

三、隨機指標(Stochastic Oscillator, KD)

★𝐹𝑎𝑠𝑡%𝐾 = ^{收盤價 過去 日內最低的最低價}

過去 日內最高的最高價 過去 日內最低的最低價× 100

★𝐹𝑎𝑠𝑡%𝐷 = 過去 3 日內𝐹𝑎𝑠𝑡%𝐾的𝑀𝐴

★𝑆𝑙𝑜𝑤%𝐷 = 過去 3 日內𝐹𝑎𝑠𝑡%𝐷的𝑀𝐴

𝐶𝑀 = 收盤價 −過去 13 日內最高的最高價 + 過去 13 日內最低的最低價 2

𝐻𝐿 = 過去 13 日內最高的最高價 − 過去 13 日內最低的最低價 𝐶𝑀𝐴𝑣𝑔 = 過去25日內之「過去2日內𝐶𝑀的𝐸𝑀𝐴」的𝐸𝑀𝐴 𝐻𝐿𝐴𝑣𝑔 = 過去25日內之「過去2日內𝐻𝐿的𝐸𝑀𝐴」的𝐸𝑀𝐴

★𝑆𝑀𝐼 =

⁄ × 100

★Signal = 過去9日內𝑆𝑀𝐼的𝐸𝑀𝐴

‧

𝑆𝑀𝐼 Signal

今日𝑀𝐴(5)

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

今日𝑀𝐴(20)

5日前𝑀𝐴(20)

今日𝑀𝐴(20)

20日前𝑀𝐴(20)

在確定變數的選擇後，仍需對上述二十種變數進行標準化和正規化，使得資 料範圍皆介於[0, 1]之間，以消除不同資料間的不齊性，並滿足神經網路計算的有 效性，即當激活函數選擇使用斜坡函數時，輸入值需為正值，使得輸入值經過函 數轉換後不會進入飽和區，防止神經網路在訓練時產生梯度消失的問題。此外，

在對變數進行標準化時，仍須注意不能使用到未來資料做計算，以符合實務上在 做預測時僅有過去資料能參考，故本文在標準化時僅使用訓練期間的變數計算期 望值和標準差，並用該值對訓練期間和測試期間的變數進行標準化，最後再將標 準化後的值經過標準常態的累積分配函數轉換為機率值，即[0, 1]之間。

𝑧 = 𝑥 − 訓練資料的𝑚𝑒𝑎𝑛 訓練資料的𝑠𝑑

𝑦 = 𝑃(𝑧 < 𝑧 ), 𝑧~𝑁(0, 1)

將變數做好資料處理後，本文目標即是希望透過這些技術指標，以預測未來 二十日後的股價走勢，其走勢主要分為兩個類別：上漲或下跌，並納入交易成本，

大陸股市的交易在買入和賣出時須付給券商手續費 0.3%，且賣出時須額外多付 印花稅(即我國所稱證交稅)0.1%，故本文的股價走勢主要判斷隔日開盤價與二十 日後開盤價的比值是否超過1.007 倍，以此判斷該股票在未來的上漲潛力。

若二十一日後收盤價 明日收盤價 > 1.007，則為 1(上漲) 若二十一日後收盤價 明日收盤價 ≤ 1.007，則為 0(下跌)

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

此外，在進行預測前須注意類別佔比是否有過大差異。根據 Mizuno et al.

(1998)所述，在訓練樣本所欲預測的類別佔比差異過大時，神經網路在反向傳播 算法訓練時傾向只去改善主要類別的預測準確率，且對次要類別將預測較少的訊 號，若是類別佔比差異過大時，需要利用相關方法(例如根據類別的重要性來複 製樣本數)將樣本資料重新做平衡，以期能讓神經網路同等的對各類別進行學習 和預測。本文在檢視上漲和下跌的樣本數時，發現兩類別佔比均在五成左右，故 無須再做類別平衡處理。

另一方面，本文額外考慮另一種變數選取方法，也就是不使用技術指標，而 僅考慮過去二十日內每日股價的日報酬作為變數，每個變數為今日收盤價和昨日 收盤價的比值，並同樣考慮標準化和正規化處理，以期從單純的過去股價走勢預 測未來股價走勢的關係。