4.1 資料與研究變數 資料與研究變數 資料與研究變數 資料與研究變數
4.4.2 GA- -- -SVR SVR SVR 小型股大型股 SVR 小型股大型股 小型股大型股 小型股大型股交替策略與其它方法實驗結果之 交替策略與其它方法實驗結果之 交替策略與其它方法實驗結果之 交替策略與其它方法實驗結果之 比較
比較 比較 比較
在本小節我們比較了 GA-SVR 方法、GA-SVM 方法與其它的投資策略的年平均報酬 率，以檢視本研究所提出之 GA-SVR、GA-SVM 小型股大型股資策略是否勝過其它傳 統的投資策略。
在買入持有的策略中我們是分別與 S&P 600 指標作買入持有之年平均報酬率、
S&P 500 指標作買入持有年平均報酬率作比較，其原因是本研究之使用之小型股及 大型股之資料分別為 S&P 600 小型股指標及 S&P 500 大型股指標，因此在和買入持 有策略作比較時，必需和 S&P 600 指標作買入持有之年平均報酬率、S&P 500 指標 作買入持有之年平均報酬率作比較。與本研究比較之另外一個投資方法為被動式價 值股-成長股策略，這個投資方法，不考慮 S&P 價值股之股價漲跌，只持續地買入 S&P 價值股，這個投資策略的根據是因為有文獻指出，持續地投資價值股所獲得之 報酬勝過長期地投資於成長股。
由 表 30 可 以 看 出 ， GA-SVR 小 型 股 大 型 股 交 替 策 略 的 年 平 均 報 酬 率 為 22.6389%，買入持有策略(年平均報酬率 12.7504%)及被動式小型股差大型股策略 (年平均報酬率 3.6863%)；此外 GA-SVM 小型股大型股交替策略的年平均報酬率為 26.5824%，高過其它的投資策略，實驗結果顯示了 GA-SVM 方法表現最佳。
表 表
表表 30 GA-SVR 小型股大型股交替策略及其它方法報酬率之比較小型股大型股交替策略及其它方法報酬率之比較小型股大型股交替策略及其它方法報酬率之比較 小型股大型股交替策略及其它方法報酬率之比較 投
投 投
投 資資資 資 策策策策 略略略略 年平均報酬率年平均報酬率年平均報酬率年平均報酬率 GA-SVR 小型股大型股交替策略 22.6389%
GA-SVM 小型股大型股交替策略 26.5824%
S&P 600(小型股)買入持有 12.7504%
S&P 500(大型股)買入持有 9.0642%
被動式小型股差大型股策略 3.6863%
第伍章 第伍章 第伍章
第伍章 結論與未來展望 結論與未來展望 結論與未來展望 結論與未來展望
本研究結合基因演算法與支持向量迴歸以預測美國股市的趨勢。在 GA-SVR 及 GA-SVM 價值股成長股交替策略中，我們嘗試探索股市價值溢價的交替策略，能 夠避免局部最佳化、overfitting 等分類的問題，並有能力減少輸入變數的雜訊以 選擇趨近於最理想的輸入變數。我們運用了基因演算法以找出趨近於最佳的技術變 數及經濟變數的組合。而支持向量迴歸非線性及高維度的特性則被運用來決定選擇 價值股或成長股。我們的目標是 S&P 500 價值指標及 S&P 500 成長指標之間的價 值溢價。最後則是實驗結果的評估，以檢視本研究所提出之策略之年平均報酬率是 否能勝過買入持有策略及被動式價值股差成長股交替策略
而在 GA-SVR 及 GA-SVM 小型股大型股交替策略中，則為探索股市規模溢價的 交替策略，同樣地，我們運用了基因演算法以找出趨近於最佳的技術變數及經濟變 數的組合。而支持向量迴歸則被運用來決定選擇小型股或大型股。我們的目標是 S&P 600 小型股指標及 S&P 500 大型股指標之間的規模溢價。在實驗結果的評估方 面，則是檢視本研究所提出策略之年平均報酬率是否能勝過 S&P 600 小型股買入持 有策略、S&P 500 大型股買入持有策略與被動式小型股差大型股投資策略。
根據實驗結果，我們將實驗的發現總結如下：
(1) 本研究提出四種投資策略：GA-SVR 價值成長交替策略、GA-SVR 小型股大型股 交替策略、GA-SVM 價值成長交替策略與 GA-SVM 小型股大型股交替策略，其中，
GA-SVM 小型股大型股交替策略年平均報酬率為 26.5824%，勝過 GA-SVR 小型股大型 股交替策略的 22.6389%；而所提出的策略皆勝過買入持有策略、被動式小型股差 大型股策略及被動式價值股差成長股策略。
(2) 使用本研究所提出的 GA-SVR 方法及 GA-SVM 方法，可以探索股市中的價值溢價 與規模溢價。
未來的研究可朝以下幾點作延續:
(1)使用本研究所提出的 GA-SVR 方法及 GA-SVM 方法探索其它國家股市的價值溢價 及規模溢價。
(2)應用其它的人工智慧方法，像是隱藏式馬可夫模型，去探索股市的動態複雜。
(3)本研究所使用的資料 S&P 500 價值股及 S&P 500 成長股，是以 book-to-market 這個屬性分類價值股及成長股，未來的研究也可使用其它的屬性作分類。
(4)應用其它可減少資料但又不會降低準確率之方法。
參考文獻 參考文獻 參考文獻 參考文獻
中文部份：
1. 楊之宜譯，投資學，台灣西書出版社，1993
2. Charles P. Jones，投資學分析與管理，台灣西書出版社，1998
3. Zvi Bodie, Alex Kane, Alan J. Marcus, 投資學精要，麥格羅‧希爾集團，
2004
4. 徐俊明，投資學理論與實務第六版，新陸書局股份有限公司，2007
5. 蘇木春、張孝德，機器學習：類神經網路、模糊系統以及基因演算法則修訂二 版，全華圖書股份有限公司，2004
6. Pang-Ning Tan, Michael Steinbach, Vipin Kumar,資料探勘，培生教育出版 集團，2008
7. 劉秉龍，成長型與價值型投資策略之實證分析－以台灣股票市場為例，靜宜大 學企業管理所碩士論文，2002
8. 許智和，運用基因演算法搜尋最佳化技術指標之台灣股市實證研究，國立雲林 科技大學資訊管理系所碩士論文，2003
9. 林詠智，應用遺傳演化類神經網路模型建立衍生性金融商品投資策略之研究，
國立臺北大學資訊管理所碩士論文，2007
10. 楊慶豪，台灣股票市場投資策略分析之研究-價值投資與成長投資之比較，2007
11. 周俊言，探討多國股市季節性的變動-結合類免疫演算法與人工智慧方法，
2009
12. 張順榮，探討台灣金融衍生性商品-結合財務技術與人工智慧技術，2009
英文部份：
1. Chih-Hung Wu , Gwo-Hshiung Tzeng , Yeong-Jia Goo, Wen-Chang Fang, “A real-valued genetic algorithm to optimize the parameters of support vector machine for predicting bankruptcy,” Expert System with Application 32, 2007
2. Chih-Wei Hsu, Chih-Chung Chang, and Chih-Jen Lin, “A Practical Guide to Support Vector Classification,” 2010
3. Cristianini, Nello Shawe-Taylor, John , “An introduction to support vector machines : and other kernel-based learning methods,” Cambridge New York Cambridge University Press, 2000
4. Darrell Whitley, “A Genetic Algorithm Tutorial,” available at
<http://www.cs.iastate.edu/~honavar/ga_tutorial.pdf>
5. Deng-Yiv Chiu, Ping-Jie Chen, “Dynamically exploring internal mechanism of stock market by fuzzy-based support vector machines with high dimension input space and genetic algorithm,” Expert Systems with Applications 36, 2009 6. Deng-Yiv Chiu, Chin-Ching Lin, “Exploring internal mechanism of warrant in
financial market with a hybrid approach,” Expert System with Application 35, 2008 7. Fama, Eugene F. and French, Kenneth R., Value Versus Growth: The International
Evidence. Available at SSRN:< http://ssrn.com/abstract=2358 or DOI:
10.2139/ssrn.2358>, 1997
8. Md. Rafiul Hassan, Baikunth Nath, Michael Kirley, “A fusion model of HMM, ANN and GA for stock market forecasting,” Expert System with Application 33, 2006
9. Nalbantov, Georgi, Bauer, Rob and Sprinkhuizen- Kuyper, Ida,“Equity Style Timing Using Support Vector Regressions,” Available at SSRN :<
http://ssrn.com/abstract=564502>, 2004
10. Shian-Chang Huang, Tung-Kuang Wu, “Integrating GA-based time-scale feature extractions with SVMs for stock index forecasting,” Expert Systems with Applications 35, 2008
11. Hui Li, Jie Sun, “Predicting financial distress using multiple case-based reasoning combined with support vector machine”, Expert Systems with Applications, 2009
12. Reshma Khemchandani, Jayadeva, Suresh Chandra, “Regularized least squares fuzzy support vector regression for financial time series forecasting”, Expert Systems with Applications 36, 2009
13. Cheng-Lung Huang *, Cheng-Yi Tsai, “A hybrid SOFM-SVR with a filter-based feature selection for stock market forecasting, ” Expert Systems with Applications 36, 2009
14. Yingjie Wang, “Fuzzy clustering analysis by using genetic algorithm, ICIC Express Letters, ” Vol. 2, no. 4, pp. 331-337, December 2008
15. Yen-Tseng Hsu, Hui-Fen Hung, Jerome Yeh and Ming-Chung Liu, “Forecast of financial time series based on grey self-organizing maps, ” International Journal of Innovative Computing, Information and Control, Vol. 6, no. 2, pp. 475–486, February 2010
16. Kuo-Ping Lin and Ping-Feng Pai, “A fuzzy support vector regression model for business cycle predictions, ” Expert Systems with Applications, vol. 37, no. 7, pp. 5430-5435, 2010.
17. Kimoto, T., Asakawa, K., Yoda, M., Takeoka, M. “Stock market prediction system with modular neural networks, ” International Joint Conference, pp.1-6, 1990
18. Kuo-Ping Lin and Ping-Feng Pai, “A fuzzy support vector regression model for business cycle predictions, ”Expert Systems with Applications, vol. 37, no. 7, pp. 5430-5435, 2010.
19. Maggie M. Copeland and Thomas E. Copeland, “Market Timing: Style and Size Rotation Using the VIX, ” Financial Analysts Journal,1999
20. Mario Levis and Manolis Liodakis, “The Profitability of Style Rotation Strategies in the United Kingdom, ”The Journal of Portfolio Management, vol. 26, no. 1, pp. 73-86, Fall 1999 21. DL Kao, RD Shumaker, “Equity Style Timing, ” Financial Analysts Journal, 1999
22. Standardandpoors website: http://www.standardandpoors.com/home/en/us 23. Investopedia website: http://www.investopedia.com/university/releases/napm.asp
附 附 附
附 錄 錄 錄 錄
附錄一 附錄一 附錄一
附錄一：：：：技術變數與經濟變數技術變數與經濟變數技術變數與經濟變數 技術變數與經濟變數 (一)技術變數：
1.VOL：VIX 是芝加哥委員會選擇權交換波動指標，是 S&P 500 指標選擇(權)一個受歡迎的指 標。它所代表的是對未來 30 天期間市場預期的波動量。例如，如果 VIX 指數值為 15，則代表 15%的預期年度變化；因此，就可以推斷出指數選擇市場預期在未來 30 天，S&P 500 會往上或往 下波動： 15%
4.33%
12months = 。 [http://en.wikipedia.org/wiki/VIX]
2. MOM：Jegadeesh 和 Titman(1993)發現股票呈動力(momentum)性質，即最近好或壞的績效會持 續下去，其結論是雖然個股績效難以預測，最近表現最佳的股票組合似乎以足夠的可靠度超越其 它股票，並提供利潤機會。(Bodie et al.，2004)
3. PE dif：P0/E1=
會影響預計本益比的因素:
(1)股利發放率(D/E) (2)必要報酬率
(3)股利之預期成長率
其它條件不變下，下列關係會成立：
I.發放率愈高，本益比愈高
II.預期成長率 g 愈高，本益比愈高 III.必要報酬率 k 愈高，本益比愈低
例如:假設發率為 60%，則以改變 k 值及 g 值的方式改變兩者的差距；投資人便可評估其對 本益比的影響，說明如下：
假設 k=0.15 而 g=0.07 則 P/E =
07 . 0 15 . 0
6 . 0
− =7.5
現在假設 k=0.16 而 g=0.06 則 P/E =
06 . 0 16 . 0
6 . 0
− =6 或 k=0.14 而 g=0.08 則 P/E=
08 . 0 14 . 0
6 . 0
− =10 g
k E D
−
1 1/
PE dif 為價值股和成長股指標之間本益比的差異，假設價值股之本益比為 7.6，成長股之本 益比為 6 則 PE dif=7.6-6=1.6
4. DY dif.：DY (Dividend yield) 即股利殖利率，是指公司配發的股利除以公司股票市值的比 率。
(二)經濟變數：
1. 核心通貨膨脹：消費者物價指數(CPI-U)是由美國勞工統計局所匯編，是根據以 1982 年指數 值為 100 為基礎。例如，消費者物價指數若為 158 則是指出從 1982 年到現在有 58%的通貨膨 脹。核心通貨膨脹的資料可由美國勞工統計局網站或 Datastream 資料庫取得。
2. 油價(Oil Price)：油價突然高漲或下跌時，會對股市產生負面衝擊或正面鼓舞，但分析股勢 走勢時，不能 只以油價來判斷股價，而是要同時考慮總體環境中的其它條件(徐俊明，
2007)。
3. ISM：採購經理指數(Purchasing Managers Index ,PMI)是一個複合指標-它有五個次指標，
其權重如下：
(1)Production level (0.25)
(2)新訂單(from customers) (0.30)
(3)供應商交貨(Supplier deliveries) (0.15) (4)存貨(0.10)
(5)Employment level (0.20)
PMI 指數若等於或大於 50，則指出產業正在擴展當中，如果製造業在擴張則一般的經濟應當 也 是 如 此 。 如 果 指 數 落 在 42 以 下 ， 則 指 出 經 濟 的 衰 退 期 已 經 來 臨 (http://www.investopedia.com/university/releases/napm.asp)。
圖 9 為採購經理指標之波動圖。可以看出 1994 年整個年度皆高於 50，表示產業正在擴 展當中，2001 年則表現較差，指數皆小於 50。
採購經理指標(ISM)
0 10 20 30 40 50 60 70
1994/1/3 1995/1/3
1996/1/3 1997/1/3
1998/1/3 1999/1/3
2000/1/3 2001/1/3
2002/1/3 2003/1/3
2004/1/3 2005/1/3
ISM
圖 9 採購經理指標
4. 領先指標(Leading Indicators) ：經濟學家經常會使用一些經濟領先指標來預測未來的景氣 概況。表 31 列出美國政府編製的經濟景氣領先指標(徐俊明)。
表 表
表表 31 領先指標之主要因素領先指標之主要因素領先指標之主要因素 領先指標之主要因素
NO 名稱 影響
1 製造業每週平均工時 正
2 首次請領失業救濟金平均每週金額 負
3 製造業新接訂單 正
4 延滯出貨率 正
5 新企業設立指數 正
6 機器設備採購訂單指數 正
7 民宅建造許可指數 正
8 存貨淨變動值 負
9 重要原料價格變化 負
10 標準普爾股價指數 正
11 貨幣供給額 正
12 企業及個人借款之變動 負