4. 實驗結果分析
6.3 研究限制
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
6.3 研究限制
在股票交易策略模型部份的限制，由於 EPSO 最佳化演算法之決策準則是 採 SMA 之黃金死亡交叉決策準則計算比較而得，SMA 技術指標優點是簡單易 於計算，且代表著股票市場持有該股票投資人的總持有成本，在進行股票交易 決策時，具有交易成本的參考意義，便於股票投資人行使決策。然隨著 SMA 天數愈大，其經平均後所代表當下股票市場的資訊量愈少，較無法立即反應當 前股票市場的漲跌趨勢，因此，由於 SMA 指標的特性，本研究策略對於進行 短期股票交易決策的資訊解讀能力較為有限。
在股票選擇策略模型部份的限制，（1）屬量部份，本研究採 GHSOM 演 算法產生分群分類規則，將個股之財務指標資料進行分群，由於本研究在 GHSOM 資料屬性維度設計加入時間的因素，希望資料屬性維度能識別個股財 務狀況健全與否，因此，將參考年度之財務指標按年度排列為一筆資料，以使 資料屬性維度具有趨勢意義，但也增加資料屬性維度的複雜度。然 GHSOM 演 算法之分群分類規則與資料屬性維度習習相關，較大資料屬性維度對分群分類 的效率將易受到影響。（2）屬質部份，本研究採網路探勘暨情緒分析方法，由 於目前網路財經新聞資料僅儲存近期資料，對於過去歷史資料取得較為不易，
因此，無法進行大量的探索，較易影響分析品質。
在平台建構部份的限制，由於本研究是採分散式運算平台架構而成，透過 各個 Server node 間協同合作再匯聚而成實驗結果，因此，Server node 間的網路 節點佈建是否得宜，以及網路頻寬的品質優劣，將會影響分散式運算的效能。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
在研究方法的限制，本研究方法是以個股的角度為研究理論的基礎，選擇 個股之歷史交易資料與技術指標、財務報告與財務指標、網路財經新聞作為資 料來源，進行分析、提供決策。因此，本研究未考量總經面、產業面、政策 面，以及不可抗力之因素等，以上因素亦會影響本研究策略之決策品質。
在股票領域知識的限制，本研究之股票選擇策略是建立在 Buffet 價值投資 理論（Buffett and Carol, 2001；Hagstrom, 1997）上，即運用簡單財務指標計算 股票內外價值及安全邊際，以挑選優質低價且安全的股票，此外，運用定性分 析及集中投資，以及提供更嚴謹財務觀點檢視股票標的。由於此理論是以衡量 股票真正內在的價值為基礎，因此，本研究對於炒作股（股票價值低，但 ROI 投資報酬高）或現況財報狀況不佳但未來成長性高之股票較難清楚識別。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
7.結論與建議
本研究運用巨量資料分析（Big Data Analytics）的資料觀點、分析方法與 平台架構技術，結合知識發掘方法，以及變動天數移動平均線技術指標
（VLMA）與其黃金死亡交叉決策準則、價值投資理論等股票領域知識，提出 具資料驅動能力之 EPSO-GHSOM 股票選擇交易策略。整體 EPSO-GHSOM 股 票選擇交易策略，是經由股票選擇策略後挑選出優質的股票，再依股票交易策 略決定最佳的買賣點提供給投資人進行決策。
在股票選擇策略部份，（1）應用增長層級式自我組織映射圖（GHSOM）
演算法，由來源資料自我生成聚類分群特性建立模型，輸入變量為基本面資 訊，以價值投資理論之公司經營獲利能力相關財務指標－股東權益報酬率、盈 餘再投資率、稅後淨利、配息率、每股盈餘、董監事持股比率為主，輸出變量 為股票交易策略產生之投資報酬率，經訓練並由來源資料找出辨識優質安全股 票標的之規則、態樣（pattern），以使股票交易獲利最大、降低交易風險。
（2）此外，運用網路探勘技術及情緒分析方法，對於網路財經新聞剖析及資料 結構化（datafication），根據情緒關鍵字庫，進行正負情緒辨識評價並計算積 分，依所得正負向情緒積分與 GHSOM 財務屬性進行特徵萃取（feature extraction）後，將產生態樣準則作為股票選擇策略的參考。
在股票交易策略部份，本研究以技術面資訊為基礎，運用變動天數移動平 均線（VLMA）、黃金死亡交叉決策準則等，提出 EPSO 最佳化演算法建立模
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
型，由來源資料找出並決定股票最佳交易決策準則及買賣點，以提供最佳的股 票交易決策建議。
從實驗結果顯示，在投資報酬率部份，本研究 EPSO-GHSOM 選擇交易策 略測試期間屬初期上升盤整而末期下降盤整趨勢，測試期間每支平均投資報酬 率達 210.80%，最高績效達 1,584.00%，最低績效為 51.35%，篩選績效達 100%
以上的股票佔 75%，本研究投資報酬績效優於長期持有交易策略、MMPSO 策 略及 KennedyPSO 策略。
而與其他研究方法股票平均獲利程度進行比較，本研究之每家股票平均獲 利程度為 210.80%，優於大盤 181.60%；而其他研究方法如 KNN（Teixeira et al., 2010）優於大盤 75.09%、GRNN（Chavarnakul and Enke, 2009）優於大盤 24.71%、PLR-GMKL（Lin et al., 2014）優於大盤 37.46%、TDM（Peng et al., 2005）優於大盤 33.61%、Kansei SOM（Pham et al., 2014）優於大盤 6.21%，本 研究方法投資報酬績效相對偏高。由於，本研究策略在提升投資報酬率表現相 對較佳，代表本研究之決策準則在股票選擇交易決策應用上，相對其他方法更 具決策能力與品質。
在知識發現部份，（1）本研究進行股票交易策略分析，發現多數的股票不 符合移動平均線 SMA 技術指標的黃金死亡交叉決策準則，而且實驗所得最佳 決策之 SMA 天數型態多屬中長期天數。另外，ROI 投資報酬績效易受買賣高 低價差的影響，當股票價差愈大，ROI 獲利或損失則愈大。（2）本研究之股票 選擇策略屬量分析，以稅後淨利（the net profit）、股東權益報酬率（ROE）、
每股盈餘（EPS）等財務指標，鑑別公司經營獲利能力最為顯著，而且從歷年
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
財務指標趨勢發現有優質成長明星股（straight up）、經營不善之地雷股
（straight down）及混合型股（U- or W-shaped）等三種型態，由於混合型股
（U- or W-shaped）仍包含獲利能力好及不佳之公司，本研究針對混合型股（U- or W-shaped）分群結果特徵分析後建立篩選股票規則（filter），過濾公司經營 獲利能力穩定股及較過去表現差之股票，有效提升鑑別股票的能力。（3）而在 屬質之網路財經新聞資料情緒分析部份，發現實驗來源媒體報導多以每股盈餘
（EPS）、稅後淨利（the net profit）等財務指標作為評價報導依據，與屬量財 務指標的分析結果相依性高，因此，本研究建立情緒積分指標並按高低排序，
篩選出情緒積分表現高之股票，更強化股票選擇策略能力。（4）股票市場偏向 無效率運作機制。（5）技術分析可有效增進股票買賣決策能力。
本研究與其他文獻之研究方法進行比較，本研究採巨量資料分析方法，並 包含基本分析與技術分析、選擇與交易策略、同時處理結構與非結構資料、實 驗股票標的較多，以及實驗期間較長（實驗由股票上市日起至實驗日止）等特 點，整體策略涵蓋層面較其他方法完整（如表 5-6 所示）；另實驗結果顯示本 研究偏中長期策略，而其他研究偏短期、中期策略。
此外，由於巨量資料分析（Big Data Analytics）屬於近年來新興發展學 科，實際研究案例尚少，本研究提出之整體研究方法、系統架構與建置步驟，
已經系統化實現並運用於真實股市進行股票投資決策，未來可套用至其他領域 進行建構巨量資料分析研究案例，以及以本研究為基礎發展理財智慧機器人等 輔助決策模型。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
本研究限制包含，（1）由於 SMA 指標的特性，本研究策略對於進行短期 股票交易決策的資訊解讀能力較為有限。（2）本研究在 GHSOM 資料屬性維 度加入時間的因素設計，增加資料屬性維度的複雜度，對 GHSOM 分群分類的 效率較易受到影響。（3）目前網路財經新聞資料僅儲存近期資料，對於過去歷 史資料取得較為不易，因此，在網路探勘暨情緒分析部份，無法進行大量的探 索，較易影響決策分析品質。（4）在進行平台架構時，Server node 間網路節點 佈建是否得宜，以及網路頻寬的品質優劣，將會影響分散式運算的效能。
未來研究發展建議可朝技術指標選擇、股票價值投資評估、資料分析技術 與策略應用方向著手。（1）由於本研究使用之技術指標為 SMA，屬於落後指 標，對於股票市場漲跌趨勢反應較為遲鈍，未來研究可再挑選具領先能力指標 輔助先行。（2）此外，影響 SMA 高低點之因素，尚包括總體經濟環境面（景 氣）、個體經濟環境面、產業方向及群眾心理等，未來皆屬可加以探討的議 題。（3）在股票價值投資評估方法部份，本研究選用之價值投資評價方式為巴 菲特價值投資理論，此理論本身的特性，對於炒作股及目前獲利能力差而未來 發展潛力成長股等識別能力稍弱，有鑑於此，建議未來研究可選擇不同的價值 衡量方式識別此類型股票。（4）在資料分析演算法部份，本研究選用之資料分 析演算法為 EPSO、GHSOM 及網路探勘暨情緒分析演算法，針對最佳化、分群 分類及非結構化分析進行設計，由於資料分析演算方法多元，未來亦可以選用 不同的分析技術作為研究發展的參考。（5）而在策略應用而言，由於本研究屬 理財智慧代理人（機器人）核心範疇，未來亦可朝理財智慧代理人（機器人）
方向研究。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
參考文獻
[1]. Aboueldahab, Tarek, and Mahumod Fakhreldin. "Prediction of stock market indices using hybrid genetic algorithm/particle swarm optimization with perturbation term." International Conference on Swarm Intelligence. 2011.
[2]. Alfarano, Simone；Milakovic, Mishael. "Network structure and N-dependence in agent-based herding models." Journal of Economic Dynamics and Control 33.1（2009）: 78-92.
[3]. Antweiler, W., and Frank, M. "Is All That Talk Just Noise? The Information Content of Internet Stock Message Boards. " The Journal of Finance 59.3
（2004）: 1259-1295.
[4]. Arik, Sercan, Sukru Burc Eryilmaz, and Adam Goldberg. "Supervised
classification-based stock prediction and portfolio optimization." arXiv preprint
classification-based stock prediction and portfolio optimization." arXiv preprint