(9) BandWidth%表示帶狀寬度資訊，為辨識「擠壓」(Squeeze 指價格波動率在歷 史偏高或低的狀態，價格即將發生「物極必反」的現象):
‧
轉(Pseudo inverse)矩陣，運用虛反轉矩陣是因為，可克服矩陣的行列式皆為 0 及 奇異點的情況，且虛反轉矩陣透過奇異值分解函數求得最小模組之合理解使整個‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
28
一、預測模型與步驟:
在資料前置處理方面，本研究透過各主要機構所發佈的經濟指標歷史數據、
各主要股市歷史價格、原油歷史價格，等資料進行收集、使其他主要市場資料與 台股指數進行日期之一致性處理，根據台股歷史資料計算台股技術分析指標。最 後將所有變數作正規化處理，設定樣本之訓練期日數、測試期日數以及預測樣本 之驗證期。
本研究運用自組織特徵映射網路的分群技術，對所有樣本進行分群，相似的 樣本被分為若干群組，將各個群組分別透過倒傳遞類神經網路、Elman 反饋式類 神經網路和徑向基底函數網路，以三種類神經網路針對股價影響因子，台股收盤 指數進行線性擬合預測。最後，比較三種類神經網路之下四個群組因素的預測績 效。圖 3-1 為本研究架構圖:
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
29
圖 3-1 研究架構圖 [本研究整理]
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
31
權重 W 調整: η
中心值 C 調整: η
核半徑 調整: η
調整權重 W 學習係數: η η 調整中心值 C 學習係數: η η 調整核半徑 學習係數: η η 步驟 3:
(1) 輸出 SOM-BP network 之隔日台股指數預測結果。
(2) 輸出 SOM-Elman network 之隔日台股指數預測結果。
(3) 輸出 SOM-RBF network 之隔日台股指數預測結果。
步驟 4:
重復步驟 1~步驟 3，直到所有網路樣本向量 X 輸入完成和所有網路之學習速 率 收斂為止。
二、訓練、驗證和測試期資料
本研究依照分群之後的時間序列資料，將樣本區分成訓練組樣本、驗證組樣 本及最終的測試組樣本實證。資料期間依照台灣股市交易日從 2001/1/2，至 2011/10/31，共 2676 個日數，以移動視窗(Moving Window)預測下一個交易日價 格，故訓練期間從 2001/1/2 至 2009/12/31，計 2223 個日數，驗證組以台股隔日 收盤價格為預測目標，實證資料測試期間從 2010/1/4 至 2011/10/31，計 453 個 日數。圖 3-2 呈現樣本移動視窗，而所有輸入資料會經過正規化處理並介於[-1,1]
之間。
圖 3-2 研究樣本之移動視窗圖 [本研究整理]
‧
(6) 美國聯邦基金利率(Federal Funds Rate ,FED rate) (7) 美國失業率(Unemployed rate US,UR)
(8) 美國消費者物價指數(U.S. Consumer Price Index ,CPI) (9) 美國存貨/銷貨比率(Inventory to Sales Ratio,ISRATIO)
二、國際主要股市與原油市場
(1) 道瓊工業指數 (Dow Jones Industrial Average Index, DJI) (2) 那斯達克指數 (NASDAQ)
(3) 標準普爾 500 指數 (Standard & Poor's 500 Index, S&P 500) (4) 日經 225 指數 (NIKKEI 225)
(5) 恆生指數 (Hang Seng Index, HIS)
(6) 上海證券綜合指數 (Shanghai Stock Exchange Composite Index, SSE) (7) 深圳證券綜合指數 (Shenzhen Stock Exchange Composite Index, SZSE)
‧
(8) 西德州中級原油 (West Texas Intermediate Crude Oil, WTI) (9) 杜拜原油 (Dubai crude oil, Dubai)
(10) 布蘭特原油 (Brent crude oil, Brent)
三、隔日波段與綜合技術分析指標
(1) 心理線指標 (Psychological Line, PSY) (2) 相對強弱指標 (Relative Strength Index,RSI)
(3) 威廉指標 (Williams Overbought/Oversold Index,WMS%R) (4) 未成熟隨機值 (Raw Stochastic Value, RSV)
‧
Input train pattern輸入訓練樣本
2001/1/2~2009/12/31
目標分類訊號 檢視樣本之間存在的相似性 Input test pattern
輸入測試樣本 Input train pattern
輸入訓練樣本
Input test pattern 輸入測試樣本
‧
集中趨向程度採取的誤差評估方法為帄均相對誤差(Average Mean Relative Error, AMRE)和帄均絕對誤差 (Average Absolute Error, AAE)。當 AMRE 或 AAE 愈低，
整體預測誤差效果愈小，則模型預測結果愈佳。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
36