國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第一章 緒論
第一節 研究動機
時間序列的分析與預測一直是國內外許多學者研究的課題，尤其在資本市場 裡股價行為分析、資產定價和證券投資等等多年來一直是研究領域的熱點。本研 究試圖利用深度學習的技術與概念，套用到金融市場的資料上，進行時間序列的 分析與預測。
在 2012 年，Krizhevsky 提出 Alexnet [18]並在 ILSVR（ImageNet Large Scale Visual Recognition Competition）由 ImageNet 所舉辦的年度大規模視覺識別挑戰 賽獲得冠軍，以極大差距擊敗當時火紅的機器學習技術，例如 SVM、KNN…。
自此之後深度學習技術開始吸引全球關注。在 2016 年，Google 團隊所研發的圍 棋人工智慧 Alpha Go 與世界棋王李世石的對決中拿下四勝一敗的成績，該機器 其中有部分利用圖形辨識的深度學習技術框架所組成，其棋力遠遠勝過過去所有 的圍棋軟體，也掀起世界一股深度學習的浪潮。而 2017 年，Google 團隊又發表 了 Alpha Go 的最新版 AlphaGo Zero，該版本不須依靠人類玩家的數據，透過自 我對弈，在訓練三天後以 100 比 0 的比數擊敗李世石版本的 Alpha Go。不再受 限於人類認知，對於人工智慧的開發具有重大意義。
深度學習雖然不是新的概念，但最近才成為熱門的研究對象。目前主流且基 礎的深度學習演算法為 NN(Neural Network)、CNN(Convolution Neural Network) 以及 RNN(Recurrent Neural Network)等。由於近幾來年來深度學習概念成功的創 舉，因此本研究嘗試將深度學習的概念引入金融領域。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第二節 研究目的
本研究中，將使用深度學習 CNN(Convolution Neural Network)對台灣加權股 價指數期貨的未來走勢進行預測，以評估深度學習之概念套用於金融商品價格走 勢預測的可行性，進而建構可以穩定擊敗大盤的交易策略。
透過各種大量市場的分鐘資料，例如不同分 k 中的開盤價、最高價、最低價、
收盤價，讓類神經網路反覆地進行訓練，擷取出可以決定未來走勢的特徵。然而 卷積神經網路其卓越的能力為圖形辨識，因此勢必要將一維的時間序列資料轉換 為二維的圖像資料。Wang and Oates (2015)提出格拉姆角場(Gramian Angular Field, GAF)的概念[29]，GAF 的作法是發想自線性代數裡格拉姆矩陣(Gramian Matrix)，
其重要的應用為計算在一個向量的集合裡每個向量是否兩兩線性獨立。在本研究 中，將會針對兩種 GAF 作圖方法進行實證分析。
以往因為時間序列通常具有自我相關的性質，因此在深度學習領域許多時間 序列預測上的研究是用遞迴式神經網路(RNN)作為研究方法。然而將時間序列經 過二維化的轉換後，原本一段的時間序列可以從原本單純數值的觀點轉換到空間 的概念，得到任兩兩時間點數值間的關係。本研究試圖從不同的角度來看時間序 列的關係，企圖從二維的圖像裡找出在時間序列裡可以決定未來走勢的因素。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第三節 研究背景
從 1950 年代，經濟領域開始使用電腦進行分析，當時研究景氣循環及股價 走勢的學者認為，若能掌握幾個較重要的總體經濟指標，將有助於了解經濟繁榮 與蕭條的交替變化，甚至能夠進行預測。而因股價常被視為能夠反映公司前景及 景氣循環的領先指標，因此股市的表現遂成為許多學者觀察及研究的對象。
Kendall (1953)是率先從事相關研究的學者之一，他發現股價變化的隨機性。
換言之，投資人其實很難根據過去的資料來預測未來的股價。因此 Kendall (1953) 認為股價呈現隨機漫步[15]。新資訊隨機產生，而股價迅速反映新資訊，因此股 價走勢也隨機波動，不具可預測性。Fama (1970)提出了效率市場假說[9]，意即股 價反映了所有可以獲得的資訊。根據效率市場假說，投資人無法藉由其擁有的公 開資訊獲得超額報酬。
然而，在效率市場假說提出後，受到許多學者的挑戰。學界曾觀察某些財務 變數，來檢測是否具有解釋及預測市場報酬的能力。Keim and Stambaugh (1986) 發現，來自債券市場的資訊有助於預測股市[14]。Fama and French (1988)指出，
當股利收益率(現金股利除以股價)愈高時，整體股票市場的報酬也越高[10]。
Campbell and Shiller (1987)發現，盈餘率可以有效預測市場報酬[5]。Jegadeesh and Titman (1993)觀察股價中期(三至十二月)走勢，指出前期股價表現較好的公司，
其未來表現也較佳，這種強者恆強的現象稱為動能效應(momentum effect)[13]。
Basu (1997)發現，本益比效應(P/E effect)，低本益比投資組合的平均報酬，高於 高本益比投資組合的平均報酬[3]。Banz (1981)發現規模效應(size effect)，他指出 若投資人將 NYSE 的股票一事質大小分成十組，市值規模較小的公司會產生較 高的報酬[2]。Fama and French (1992)發現，公司的帳面價值和市值之間的比率 (book to market ratio)可形成一個具有正報酬的投資組合，Fama and French 將公司
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
分為十個群組，結果發現帳面市值比高的群組平均報酬高於帳面市值比低的平均 報酬，這種現象稱為帳面市值比效應(book to market effect)[11]。綜上所述，在財 務領域中，規模效應、本益比效應、動能效應和帳面市值比效應等無法被效率市 場假說解釋，因為這些超額報酬的存在隱含市場不具效率性。Moskowitz et al.
(2012)提出時間序列自身的動能效應，不管是在證券、商品、債券和外匯都有動 能的現象，其建構的動能策略投資組合即使是經過系統性風險因子的控制後依然 存在超額報酬[23]。AQR 資產管理公司創辦人 Asness et al. (2013)發現價值策略 除了可以用在股票，其他無法衡量價值商品如外匯、債券一樣可以用論文裡所定 義的價值方式取得超額報酬[1]。
在上述基本分析外(fundamental analysis)，技術分析(technical analysis)也是許 多學者研究的領域，而部分學者認為技術分析確實有其價值，Lu et al. (2015)利用 8 種 k 棒特徵、3 種定義趨勢方式以及 4 種出場策略在美國股市獲得超額報酬 [22]。技術分析是研究股價的週期性和預測股價走勢的線形圖，利用股價的歷史 資料取出不同的特徵來預測股價的走勢，例如由價、量等資料計算出各種技術指 標(MA、RSI、KD、MACD…)，供投資人作為進出場參考的依據。由於部分投資 人仰賴技術指標執行交易策略，影響了他們的交易行為，也會進而影響到股市的 表現。近年來，程式交易興起，透過電腦軟體，並利用市場上常用之技術指標建 構出投資策略，讓交易邏輯系統化、一致化，達到快速交易的目的，使得技術指 標能在市場上更有效地被利用。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
確立研究動機與目的
確立研究架構
結論與建議
文獻探討 蒐集資料
研究方法
建構交易策略及績效評估因子
實證結果
時間序列二維化 CNN 技術研究
第四節 研究架構