演化式智慧型投資代理

就過去應用於證券投資股市預測的各種類神經網路研究來說，其據以學習的 輸入變數大多是由過去經驗或直覺所決定。這種做法雖然方便，但卻難免因直接 捨棄部分變數而有所缺憾。所以本研究將透過遺傳演算法的融入，使得學習與演 化並存。以自然界的優勝劣敗競爭原則，和染色體內基因演化的各種機制，應用 於神經網路輸入變數的建構與篩選，並由眾多的股市指標輸入中找出適合的關鍵 因素。

一、演化式智慧型投資代理的定義

本研究乃是根據 Arthur、Holland[1996]等所提出演化式證券市場模型中的 人工生命（Artificial Life）為基礎，建立多個擁有不同輸入變數的類神經網 路系統（本研究將其稱之為智慧型代理，即 Agent），用以學習並模擬股市的操 作。再加上演化的機制，最後觀察其中表現績效較佳的的 Agent 所使用的投資策 略為何。稱之為「演化式智慧型投資代理模型」，並針對國內的證券市場做研究。

本研究採用的倒傳遞類神經網路系統乃是藉由給予輸出入變數的範例，來學 習各個節點之間的關係。因此當使用不同的變數作為網路輸入值時，系統輸出的 結果也將會有所差異。而在本研究建構的演化系統中，我們可以將一個獨特的神 經網路系統視為一個個體（即 Agent），經過一定時間的學習後，擁有不同輸入 變數的 Agent 也將輸出不同的預測結果，亦即使用不同的投資策略來模擬操作。

而再透過遺傳演化的概念，將使得 Agent 的預測能力逐漸的提昇，以下就將本模 型中提到的遺傳演算法相關名詞，對應到神經網路系統，並做其操作型定義︰

（1） 個體︰在遺傳演算法中，能夠表現出獨特性質的物種稱之為一個個體，亦 即所謂的智慧型投資代理。個體可以擁有一個或多個染色體，而染色體則 是由若干的基因所組合而成。本模型將一個類神經網路學習系統稱之為一 個個體，即一個智慧型投資代理，而在整個模型中，同時存在著多個個體 進行各自的學習行為。

（2） 染色體︰在神經網路的系統中，只有輸入與輸出層的節點具有代表性的意 義，隱藏層的節點則具有變數轉換的功能，但不具實質性的意義。因此，

本模型將輸入的節點組合視為一個個體所擁有的染色體，不同的染色體也 意味著個體將表現出不同的行為。

（3） 基因︰基因是組成染色體的主要成分，在本模型中可視每個神經網路系統 所擁有的輸入節點為其組成基因。由於每個神經網路系統皆是經由其輸入 變數來學習行為的策略，因此透過輸入變數節點的改變與重組，就可以使 個體達到演化的目的，並逐漸篩選出優良的基因組合。這種基因層面的演 化方式也是本研究的核心所在。

（4） 基因庫︰所有可能使用於證券投資的股價預測的基本、技術、以及其他種 類的指標在定義上應該都屬於可行的神經網路輸入變數，也就是基因。然 而指標的種類極其繁多，限於資料取得的限制，本研究乃參考金必煌[1994]

的指標定義原則和杜金龍[1996]之台灣股市重要指標而選取了各具不同代 表性的 48 種技術指標，這些指標的集合也將成為本演化模型中所將引用的

基因來源，稱之為基因庫。而基因的選取以及汰換機制將在後面說明。

二、 智慧型投資代理的演化機制

智慧型投資代理的演化機制，主要是以物競天擇的原則為基礎，並經由世代 的交替，而發生在基因的層次。亦即不同的神經網路學習系統，可以藉由指標（基 因）的交換以及突變等機制，使整個模型中的個體，逐漸朝向最優的方向進化。

以下為本模型所建立的遺傳演化機制︰

（1） 適合度函數（Fitness Function）︰適合度函數在遺傳演算法中是最為重 要的一個環節，因為這是所有的個體據以評估表現績效的原則，也就是天 擇的法則之所在。經由適合度函數的評估，可以對每個個體的表現做排序，

以分辨出適於生存者和需要淘汰者。在本模型中，是以個體在學習過後模 擬操作的績效來當作適合度函數。

（2） 世代交替︰世代的交替是遺傳演算法中演化所發生的期間。在本模型中，

經過一定時間的學習之後，個體將再進行一段時間的模擬操作。當操作結 束後，我們就可以依適合度函數來決定每個個體的表現績效，這也是一個 世代的結束。而在新的世代開始之前，系統將會依事先訂定的演化機制來 對舊一代的個體進行交配、突變等過程，並產生新一代的個體，來進行新 的世代。

（3） 演化機制︰如之前文獻探討所提出，常用的演化機制有三種︰複製、交配 與突變。複製就是單純的從親代複製其遺傳基因予子代，在本研究中，表 現較佳的個體將可以完全複製其基因到一個新的子代。

至於交配則提供了一種基因交換的機制，使得優良的基因能夠交互傳承，

以嘗試演化出更好的子代。交配不能保證可以得到較佳的子代，但經由基 因組合的改變，可能可以找出適合度更高的下一代。在本研究的模型中，

交配的進行是經由表現績效較高的個體，隨機選取其部分基因來取代績效

較差的個體之部分基因。採取這種做法的原因在於神經網路的預測能力是 由所有的輸入指標組合所決定，故表現佳的個體很可能擁有較重要的關鍵 指標，但表現差的個體也可能是因為組合不佳造成績效低落，因此採用隨 機替換的方式，希望能在多個世代的演化後逐漸發現關鍵的指標。

第三種機制則是突變。在自然界中，突變是創造新物種的一種捷徑。突變 不需要子代的基因一定是從親代所繼承而來，而可以透過部分的完全改 變，來演化成一種新的個體。在本模型中，突變的發生僅限於表現最差的 個體，原因如上交配部分所述，藉由突變的發生來產生新的個體。此外，

突變發生時的基因改變，將在基因庫的範圍內隨機選取。

（4） 終止條件︰遺傳演算法會朝向較適合度高的方向不斷的演進，但演化到達 一個程度之後，亦即找到最佳解或近似最佳解以後，若再繼續演化下去就 失去其意義了。故必須給定一個演化系統終止的驗證條件。一般常用的方 式有三種︰第一種為給定執行世代，當演化發生一定的世代之後便使之停 止。這種方式最為簡單直接，但時間長短的決定則要視問題的複雜度與資 料的收斂度而定。第二種為目標值的給定，僅能用於已知最佳解範圍的情 況下，當演化到成可接受的範圍即使知停止，但條件的範圍設定必須注意，

若設定值過於簡單則演化將會太快到達目標，若過於困難則可能永遠無法 達到目標而陷入無窮的迴圈。第三種為個體一致性的達成，當系統中所有 個體的同質性都已約略相同時，代表演化已經到達一個穩定的狀態，有可 能已經是全域最佳解（Global Optimal）。但缺點是也可能陷入區域最佳解

（Local Optimal），因此，在演化達到穩定時給予一些大型的突變來測試 是否可能有更佳的解是一種可行的方法。本研究因資料收集的限制，演化 會在一定的世代後停止。但是經由觀察模型演化的結果，我們可以判定演 化是否達到某種收斂的的程度；亦可以透過將多次執行的結果相比較來了 解演化進行的趨勢。