6. 結論與研究建議：
6.2. 研究建議
所以不會因為規則的增加而影響每條交易規則的p 值，因此會產生上述的結果。
另外，修正後模擬交易法可以發現數條可擊敗大盤的最佳交易規則，但SPA test 只能找到 一條最佳交易規則，這是因為SPA test 是求取最大值的因素。在 SPA test 中，有可能有其他交 易規則也有效，但因不是最大值，所以沒被發現。
Hsu and Kuan（2005）認為定態拔靴法中 q 值的大小並不影響結果，這說法與我們的結論 不同。我們的結果顯示，最佳交易規則有隨著q 值變動的趨勢。也就是說，若 q 值由小到大來 觀察，差距較小的q 值有可能發現相同的最佳交易規則，但若 q 值差距過大，則可能產生不同 的最佳交易規則。另外，我們也發現過小的q 值較不穩定，也就是說過小的 q 值比較容易找到 最佳交易規則，但卻容易與其它q 值的最佳交易規則不同。雖然檢驗的結果讓我們得到這樣的 結論，但我們也不排除是因為模擬次數過少的原因。類似Andrews and Buchinsky（2000）的 研究，過去的文獻雖然有探討模擬次數的大小，從500 次至 250,000 次都有學者採用，但並沒
6. 另外，延續第 5 點，q 值會影響交易結果，這也許是模擬次數不夠的結果，而模擬次數至今 尚未有文獻指出多少較為合適。因此，若能以本研究為基礎，增加模擬次數，也許會有不 同的結果。
7. 期貨因為採取保證金交易，因此與現貨的成本考量有所不同。在文中我們發現，最佳交易 規則在樣本外會產生保證金不足的問題，故未來研究期貨交易規則時，若能考慮最佳保證 金的問題，將可發現具成本效益的交易規則。
8. 本研究是將混合策略（MFI&RSI）納入規則集合一起研究，然後再產生 SPA test 的 p 值。
因此亦可將混合策略全部自交易規則集合中移出，然後一條一條加入交易規則集合來研 究，觀察SPA test 的 p 值是否呈現下降的趨勢，以此來判斷，加入混合策略的交易規則，對 技術分析有用的結論是否產生影響。
9. 在實務上，操盤手通常會在一段時間檢視交易規則是否有效，因此這也成為機械式操作的 一部份，我們若也將這方法看成技術分析的一種，檢驗定期更換交易規則或交易規則參數 的交易模式，也許可以發現更有效的交易模式。這點類似Sullivan、Timmwemann and White
（1999）的作法（他們稱之為 Cumulative Wealth Rule），但他們是以日績效做為更換基礎，
這樣太過頻繁且容易發現其訊號產生的矛盾之處，故將時間更改為一季或半年將更符合實 際交易模式。
10. 在結論的最後我們發現，只有特定類別的交易規則比較有效，但找不到適用於每個市場的 交易規則，這也許是交易規則數量還不夠多所造成。因此，未來在研究此議題時，可加入 更多新的交易規則以擴大交易規則集合。
11. 過去文獻都沒交代參數的選擇方式，絕大部分都是採用過去文獻所用的參數。因為參數的 選擇並無一致的結論，故這問題都被避開不說明。因此，若能將參數細分為極小的跳動單 位來檢驗，如此一來不僅可增加規則範圍，也可解決參數由來的問題。
五、參考文獻
王俊傑 (2006) “以預測力優劣檢定法及真實性檢驗探討其獲市場技術分的有效性＂，朝陽科 技大學財務金融研究所碩士論文
Alexander, S. (1961) “Price Movements in Speculative Markets,: Trends or Random Walks,”
Industrial Management Review, 2, pp.7-26
Altuch, J. (2004) Trade Like a Hedge Fund: 20 Successful Uncorrelated Strategies & Techniques to Winning Profits, New York : Wiley Finance.
Brock, W., J. Lakonishok, and B. LeBaron (1992) “Simple Technical Trading Rules and the Stochastic Properties of Stock Returns,” Journal of Finance, 47, pp.1731-1764
Chan, L. K. C., J. Karceski, and J. Lakonishok (1998) “The Risk and Returns from Factors,” Journal of Financial and Quantitative Analysis, 33, pp.173-199.
Fama, E. and M. Blume (1966) “Filter Rules and Stock Market Trading,” Journal of Business, 39, pp.226-241.
Gartley, H.M. (1935) Profits in the Stock Markets, Washington: Lambert-Gann Publishing.
Gencay, R. (1998) “The Predictability of Security Returns with Simple Technical Trading Rules,”
Journal of Empirical Finance, 5, pp.347-359.
Granville, J. (1963) Granville’s New Key to Stock Market Barometer, New York: Harper and Brothers Publishers.
Hansen, P.R. and A. Lunde (2005) “A Forecast Comparison of Volatility Models: Does Anything Beat a GARCH(1,1)?” Journal of Applied Econometrics, 20, pp.837-889.
Hansen, P.R., A. Lunde, and J.M. Nason (2004) “Testing the Significance of Calendar Effects,”
unpublished manuscript, Stanford University.
Hsu, J., C. Chen, and J. Yeh (2006) “The Performance of Simple Technical Rules on Individual Stocks,” unpublished manuscript, National Chung-Hsing University, Taiwan
Hsu, P. and C. Kuan (2005) “Reexamining the Profitability o Technical Analysis with Data Snooping Checks,” Journal of Financial Econometrics, 3, pp.606-628.
Kosowski, R., A. Timmermann, R. Wermers, and H. White (2006) “Can Mutual Fund “Stars” Really Pick Stocks? New Evidence from a Bootstrap Analysis,” Journal of Finance, forthcoming.
Lakonishok, J., A. Shleifer, and R.W. Vishny (1994) “Contrarian Investment, Extrapolation, and Risk,” Journal of Finance, 49, pp.1541-1578.
Lakonishok, J. and S. Smidt (1988) “Are Seasonal Anomalies Real? A Ninety-Year Perspective,”
Review of Financial Studies, 1, pp.403–425.
Lo, A., H. Mamaysky, and J. Wang (2000) “Foundations of Technical Analysis: Computational Algorithms, Statistical Inference, and Empirical Implementation,” Journal of Finance, 55, pp.1705-1765.
Potilis, D. N. and J.P. Romano (1994) “The Stationary Bootstrap,” Journal of the American Statistical Association, 89, pp. 1303-1313.
Pring, M.J. (1991) Technical Trading Rules Explained, 3rd ed., New York: McGraw-Hill.
Pring, M.J. (1993) Martin Pring on Market Momentum, New York: McGraw-Hill.
Rouwenhorst, K. G. (1998) “International Momentum Strategies,” Journal of Finance, 53, pp.267-284.
Rouwenhorst, K. G. (1999) “Local Return Factors and Turnover in Emerging Stock Markets,”
Journal of Finance 54, pp.1439-1464.
Sullivan, R.,１ A. Timmermann, and H. White (1999) “Data-Snooping, Technical Trading Rule Performance, and the Bootstrap,” Journal of Finance, 54, 1647-1691.
Sullivan, R., A. Timmermann, and H. White (2001) “Dangers of Data-Driven Inference: The Case of Calendar Effects in Stock Returns,” Journal of Econometrics, 105, pp.249-286.
White, H. (2000) “A Reality Check for Data Snooping” Econometrica, 68, pp.1097-1126.
Wyckoff, R. (1910) “Studies in Tape Reading,” Fraser Publishing Company: Burlington, Vermont.
六、計畫成果自評
雖然本計劃的研究結果在使用不同資料探勘控制技術時，產生了不同的結論：利用SPA test，
會產生技術分析無法提供超額報酬的結果；反之，利用另類拔靴法，卻產生技術分析能產生超 額報酬的結論。這部份尚待進一步的探討，以釐清何種結論較具可性度。
但若聚焦於計量方法文獻所發佈的SPA法所衍生的結果來看，本計劃的發現和過去文獻不同的 結果，也因此顯現出投稿價值。重點在於，在相對年輕的台股指數市場，技術交易規則居然無 法提供超額報酬，反之，在相對較成熟的英國指數期貨市場，我們卻發現交易規則用在放空單 邊交易上能產生減少損失的效果。
本計劃因發現原定計畫申請書中所提及的70種期貨市場資料大多只有近兩三年的成交量紀 錄，而本計劃所採用的技術交易規則必須使用成交量的資料，故最後只能選取三種期貨市場，
這三個市場因有較久的成交量紀錄，符合我們的實驗設計。雖然沒用到的那67種期貨市場資料 沒有提供成交量的資料，我們在未來的研究中，擬參考文獻的作法，以tick-count來取代，並 進一步針對本計劃未測試到的期貨市場來做檢定。
七、附錄 附錄 A. SPA test的結果
附錄A 裡共有六個表，每個表的標題說明 q 值及基準模型的設定，其餘說明皆與表 3 相 同。
表A.1 q=0.01 時買進持有的結果
m=432 m=4794
市場 平均日報酬 t 統計量 p 值 平均日報酬 t 統計量 p 值 DJ 基準模型 0.0533% 0.0533%
最顯著 0.0635% 1.2497 0.2121 0.0776% 1.4833 0.1388 最佳報酬率 0.0655% 0.7111 0.4774 0.0776% 1.4833 0.1388 中位數 0.0282% -1.1512 0.0192% -1.2959
最差報酬率 -0.0045% -1.7937 -0.0176% -2.5867
SPAl SPAc SPAu SPAl SPAc SPAu
p 值 0.538 0.670 0.758 0.470 0.584 0.708
FT 基準模型 0.0577% 0.0577%
最顯著 0.0724% 1.2043 0.2292 0.0848% 1.6640 0.0969 最佳報酬率 0.0725% 1.0424 0.2979 0.0848% 1.6640 0.0969 中位數 0.0325% -1.1593 0.0198% -1.4214 最差報酬率 -0.0022% -1.8575 -0.0271% -3.0759 SPAl SPAc SPAu SPAl SPAc SPAu
p 值 0.206 0.264 0.364 0.330 0.402 0.542
TXF 基準模型 0.0122% 0.0122%
最顯著 0.0255% 2.8914 0.0039 0.0255% 2.8914 0.0039 最佳報酬率 0.0255% 2.8914 0.0039 0.0255% 2.8914 0.0039 中位數 0.0082% -0.4665 0.0025% -0.9916 最差報酬率 -0.0049% -1.5101 -0.0104% -2.4419 SPAl SPAc SPAu SPAl SPAc SPAu
p 值 0.014 0.020 0.026 0.030 0.050 0.078
表A.2 q=0.01 時賣出持有的結果
m=432 m=4794
市場 平均日報酬 t 統計量 p 值 平均日報酬 t 統計量 p 值
DJ 基準模型 -0.0569% -0.0569%
最顯著 -0.0072% 2.3889 0.0174 0.0101% 2.8461 0.0047 最佳報酬率 0.0011% 1.9457 0.0524 0.0141% 2.5785 0.0103 中位數 -0.0323% 1.1525 -0.0122% 1.6697 最差報酬率 -0.0926% -2.1817 -0.0926% -2.1817 SPAl SPAc SPAu SPAl SPAc SPAu
p 值 0.006 0.006 0.006 0 0 0
FT 基準模型 -0.0596% -0.0596%
最顯著 -0.0023% 3.0211 0.0027 0.0141% 3.8517 0.0001 最佳報酬率 0.0082% 2.2572 0.0246 0.0253% 2.9726 0.0031 中位數 -0.0305% 1.2649 -0.0091% 1.8135 最差報酬率 -0.0770% -1.6132 -0.0953% -1.9812 SPAl SPAc SPAu SPAl SPAc SPAu
p 值 0 0 0 0 0 0
TXF 基準模型 -0.0132% -0.0132%
最顯著 0.0009% 2.5951 0.0096 0.0009% 2.5951 0.0096 最佳報酬率 0.0084% 2.121 0.0342 0.0125% 2.3365 0.0197 中位數 -0.0057% 0.8644 -0.0028% 1.0197 最差報酬率 -0.0184% -0.7556 -0.0263% -1.6087 SPAl SPAc SPAu SPAl SPAc SPAu
p 值 0 0 0 0.004 0.004 0.004
表A.3 q=0.1 時買進持有的結果
m=432 m=4794
市場 平均日報酬 t 統計量 p 值 平均日報酬 t 統計量 p 值
DJ 基準模型 0.0533% 0.0533%
最顯著 0.0635% 1.2497 0.2121 0.0776% 1.4833 0.1388 最佳報酬率 0.0655% 0.7111 0.4774 0.0776% 1.4833 0.1388 中位數 0.0282% -1.1512 0.0192% -1.2959
最差報酬率 -0.0045% -1.7937 -0.0176% -2.5867 SPAl SPAc SPAu SPAl SPAc SPAu
p 值 0.654 0.812 0.880 0.680 0.838 0.932
FT 基準模型 0.0577% 0.0577%
最顯著 0.0724% 1.2043 0.2292 0.0848% 1.6640 0.0969 最佳報酬率 0.0725% 1.0424 0.2979 0.0848% 1.6640 0.0969 中位數 0.0325% -1.1593 0.0198% -1.4214
最差報酬率 -0.0022% -1.8575 -0.0271% -3.0759 SPAl SPAc SPAu SPAl SPAc SPAu
p 值 0.606 0.710 0.810 0.612 0.700 0.818
TXF 基準模型 0.0122% 0.0122%
最顯著 0.0255% 2.8914 0.0039 0.0255% 2.8914 0.0039 最佳報酬率 0.0255% 2.8914 0.0039 0.0255% 2.8914 0.0039 中位數 0.0082% -0.4665 0.0025% -0.9916
最差報酬率 -0.0049% -1.5101 -0.0104% -2.4419 SPAl SPAc SPAu SPAl SPAc SPAu
p 值 0.174 0.230 0.246 0.302 0.418 0.472
表A.4 q=0.1 時賣出持有的結果
m=432 m=4794
市場 平均日報酬 t 統計量 p 值 平均日報酬 t 統計量 p 值
DJ 基準模型 -0.0569% -0.0569%
最顯著 -0.0072% 2.3889 0.0174 0.0101% 2.8461 0.0047 最佳報酬率 0.0011% 1.9457 0.0524 0.0141% 2.5785 0.0103 中位數 -0.0323% 1.1525 -0.0122% 1.6697
最差報酬率 -0.0926% -2.1817 -0.0926% -2.1817 SPAl SPAc SPAu SPAl SPAc SPAu
p 值 0.124 0.130 0.130 0.036 0.036 0.036
FT 基準模型 -0.0596% -0.0596%
最顯著 -0.0023% 3.0211 0.0027 0.0141% 3.8517 0.0001 最佳報酬率 0.0082% 2.2572 0.0246 0.0253% 2.9726 0.0031 中位數 -0.0305% 1.2649 -0.0091% 1.8135
最差報酬率 -0.0770% -1.6132 -0.0953% -1.9812 SPAl SPAc SPAu SPAl SPAc SPAu
p 值 0.072 0.074 0.080 0.048 0.050 0.050
TXF 基準模型 -0.0132% -0.0132%
最顯著 0.0009% 2.5951 0.0096 0.0009% 2.5951 0.0096 最佳報酬率 0.0084% 2.1210 0.0342 0.0125% 2.3365 0.0197 中位數 -0.0057% 0.8644 -0.0028% 1.0197
最差報酬率 -0.0184% -0.7556 -0.0263% -1.6087 SPAl SPAc SPAu SPAl SPAc SPAu
p 值 0.102 0.106 0.106 0.230 0.246 0.248
表A.5 q=0.5 時買進持有的結果
m=432 m=4794
市場 平均日報酬 t 統計量 p 值 平均日報酬 t 統計量 p 值
DJ 基準模型 0.0533% 0.0533%
最顯著 0.0635% 1.2497 0.2121 0.0776% 1.4833 0.1388 最佳報酬率 0.0655% 0.7111 0.4774 0.0776% 1.4833 0.1388 中位數 0.0282% -1.1512 0.0192% -1.2959
最差報酬率 -0.0045% -1.7937 -0.0176% -2.5867 SPAl SPAc SPAu SPAl SPAc SPAu
p 值 0.558 0.752 0.842 0.662 0.832 0.900
FT 基準模型 0.0577% 0.0577%
最顯著 0.0724% 1.2043 0.2292 0.0848% 1.6640 0.0969 最佳報酬率 0.0725% 1.0424 0.2979 0.0848% 1.6640 0.0969 中位數 0.0325% -1.1593 0.0198% -1.4214
最差報酬率 -0.0022% -1.8575 -0.0271% -3.0759 SPAl SPAc SPAu SPAl SPAc SPAu
p 值 0.660 0.792 0.874 0.554 0.678 0.796
TXF 基準模型 0.0122% 0.0122%
最顯著 0.0255% 2.8914 0.0039 0.0255% 2.8914 0.0039 最佳報酬率 0.0255% 2.8914 0.0039 0.0255% 2.8914 0.0039 中位數 0.0082% -0.4665 0.0025% -0.9916
最差報酬率 -0.0049% -1.5101 -0.0104% -2.4419 SPAl SPAc SPAu SPAl SPAc SPAu
p 值 0.094 0.126 0.134 0.178 0.270 0.332
表A.6 q=0.5 時賣出持有的結果
m=432 m=4794
市場 平均日報酬 t 統計量 p 值 平均日報酬 t 統計量 p 值
DJ 基準模型 -0.0569% -0.0569%
最顯著 -0.0072% 2.3889 0.0174 0.0101% 2.8461 0.0047 最佳報酬率 0.0011% 1.9457 0.0524 0.0141% 2.5785 0.0103 中位數 -0.0323% 1.1525 -0.0122% 1.6697
最差報酬率 -0.0926% -2.1817 -0.0926% -2.1817 SPAl SPAc SPAu SPAl SPAc SPAu
p 值 0.226 0.232 0.232 0.196 0.202 0.202
FT 基準模型 -0.0596% -0.0596%
最顯著 -0.0023% 3.0211 0.0027 0.0141% 3.8517 0.0001 最佳報酬率 0.0082% 2.2572 0.0246 0.0253% 2.9726 0.0031 中位數 -0.0305% 1.2649 -0.0091% 1.8135
最差報酬率 -0.0770% -1.6132 -0.0953% -1.9812 SPAl SPAc SPAu SPAl SPAc SPAu
p 值 0.074 0.080 0.080 0.046 0.046 0.046
TXF 基準模型 -0.0132% -0.0132%
最顯著 0.0009% 2.5951 0.0096 0.0009% 2.5951 0.0096 最佳報酬率 0.0084% 2.1210 0.0342 0.0125% 2.3365 0.0197 中位數 -0.0057% 0.8644 -0.0028% 1.0197
最差報酬率 -0.0184% -0.7556 -0.0263% -1.6087 SPAl SPAc SPAu SPAl SPAc SPAu
p 值 0.190 0.190 0.190 0.280 0.300 0.300
附錄B. SPA test 樣本外報酬率
樣本內 樣本外
市場 方向 規則數 q 規則 進場成本 基準模型 報酬率 基準模型 報酬率 訊號數 持有期間
DJ 做空 432 0.01 MSV( 30,10,30,0.15,25 ) 10718 -73.1107% -19.2853% -52.5844% -13.9951% 5 104 4794 0.01 MSV( 125,10,20,0.15,10 ) 10718 -73.1107% 8.0052% -52.5844% 5.5887% 6 60 4794 0.1 MSV( 60,2,30,0.05,10 ) 10718 -73.1107% 8.9662% -52.5844% 16.2904% 9 87 4794 0.1 MSV( 60,2,30,0.1,10 ) 10718 -73.1107% 8.9662% -52.5844% -8.9849% 8 77 FT 做空 432 0.01 MFI&RSI( 6,6,20,30,70,70 ) 12641 -81.3069% -9.6670% -35.6380% -5.4901% 4 193
4794 0.01 MSV( 125,5,50,0.2,10 ) 12641 -81.3069% 20.8053% -35.6380% 12.1984% 6 51 4794 0.1 MSV( 50,20,50,0.15,10 ) 12641 -81.3069% 40.6534% -35.6380% -0.2611% 2 20 4794 0.5 MSV( 30,2,5,0.15,25 ) 12641 -81.3069% 22.1106% -35.6380% -14.3264% 7 159 TXF 做多 432 0.01 MSV( 30,5,10,0.15,50 ) 247632 59.3093% 98.9030% 250.2623% 210.6525% 4 190 4794 0.01 MSV( 30,5,10,0.15,50 ) 247632 59.3093% 98.9030% 250.2623% 210.6525% 4 190 做空 432 0.01 MSV( 50,2,10,0.2,50 ) 618855 -80.9346% -11.6436% -55.9217% -12.1461% 4 159 4794 0.01 MSV( 50,2,10,0.2,50 ) 618855 -80.9346% -11.6436% -55.9217% -12.1461% 4 159
註：除了q=0.25 列在表 2 外，在這裡列出其他顯著交易規則的樣本外報酬率，而表格的說明與表 5 相同。