元培科技大學
元培科技大學
元培科技大學
元培科技大學
資訊管理系畢業專題
資訊管理系畢業專題
資訊管理系畢業專題
資訊管理系畢業專題
結 合 模 糊 邏 輯 與 類 神 經 網 路 模 型
結 合 模 糊 邏 輯 與 類 神 經 網 路 模 型
結 合 模 糊 邏 輯 與 類 神 經 網 路 模 型
結 合 模 糊 邏 輯 與 類 神 經 網 路 模 型
於
台
股
指
數
預
測
於
台
股
指
數
預
測
於
台
股
指
數
預
測
於
台
股
指
數
預
測
指導教授：杜建志 老師
組 員：蔡雅雲(0982408001)
鍾承翰(0982408008)
張哲源(0982408010)
江育彬(0982408023)
中 華 民 華 一 百 零 一 年 五 月
摘
摘
摘
摘
要
要
要
要
本專題是利用臺灣證券交易市場之部份歷史資料，透過模糊邏輯與類神經網 路模型來進行台股漲跌走勢的預測，並且給予投資人適當的買賣時機建議。實驗 顯示，運用本專題之模型的輸出結果來進行買賣模擬交易，該獲益表現會比參考 同時間的臺灣加權指數來得更優異。 關鍵字 關鍵字 關鍵字 關鍵字：：：：模糊邏輯、類神經網路、台股目
目
目
目
錄
錄
錄
錄
摘 要 ... ii 目 錄 ...iii 表 目 錄 ... iv 圖 目 錄 ... v 第一章 緒論 ... 1 1.1 背景與動機 ... 1 1.2 目的 ... 1 1.3 限制 ... 1 1.4 關鍵名詞定義 ... 2 第二章 文獻探討 ... 6 2.1 模糊邏輯與類神經網路簡介 ... 6 2.1.1 模糊邏輯 ... 6 2.1.2 類神經網路 ... 6 2.2 模糊邏輯與類神經網路於台股指數預測系統簡介 ... 9 2.3 模糊邏輯與類神經網路於台股指數預測系統發展現況 ... 10 第三章 專題規劃 ... 12 3.1 專題規劃目標 ... 12 3.2 系統開發方法 ... 12 3.3 系統藍圖描述 ... 12 3.4 專題設備 ... 13 3.5 專題時程規劃 ... 13 3.6 專題分工 ... 13 第四章 專題成果 ... 14 4.1 需求分析 ... 14 4.2 系統分析 ... 15 4.2.1 系統評估 ... 15 第五章 結論 ... 16 5.1 結論與新發現 ... 16 5.1.1 結論 ... 16 參考文獻 ... 17表
表
表
表目錄
目錄
目錄
目錄
表 1：模糊邏輯與類神經網路優缺點比較表 ... 8 表 2：專題分工表 ... 13圖
圖
圖
圖目錄
目錄
目錄
目錄
圖 1：簡單算術平均數 ... 2 圖 2：指數平滑移動平均數 ... 2 圖 3：黃金交叉 ... 3 圖 4：死亡交叉 ... 3 圖 5：乖離率計算公式 ... 4 圖 6：KD 值計算公式 ... 4 圖 7：RSI 計算公式 ... 5 圖 8：類神經網路架構圖 ... 8 圖 9：模糊邏輯與類神經網路於台股指數預測系統範例 ... 9 圖 10：系統整體架構圖 ... 12第一章
第一章
第一章
第一章 緒論
緒論
緒論
緒論
1.1 背景與動機
背景與動機
背景與動機
背景與動機
隨著景氣變遷與通貨膨脹的影響，面對什麼都漲，只有薪水沒漲的大環境， 若想增加財富，投資理財儼然成為現代人必備的能力，而其中又以股市是目前一 般大眾最常使用的投資工具之一。然而，影響股市漲跌的資訊非常複雜也不夠明 確，因此在欠缺股市相關知識的情況之下，大部份的投資者很難從中獲得合理的 報酬，但若是能夠透過初步的分析並預測公司未來的獲利狀況，投資者便可藉此 增加報酬並減少風險。 近年來，模糊邏輯與類神經網路均已成功地應用在各種不同的領域中。在類 神經模糊系統方面，模糊邏輯與類神經網路可說是彼此互補的技術，將兩者結合 起來的類神經模糊系統將具有人工智慧的優點，並且把模糊邏輯這種高階且接近 人類思考、推理的功能運用在類神經網路上。如此一來，在類神經網路這方面， 整個網路結構將透明化，這將使得它更像模糊系統；相對的，模糊系統自我調整 的功能，則使它更接近類神經網路。 然而時至至今，卻少有學者結合兩者的優點將之應用於商學方面的研究，因 此，本專題將深入探討當模糊邏輯與類神經網路模型結合於台股指數預測時之績 效成果。1.2 目的
目的
目的
目的
本專題係以台股做為研究對象，採用各種技術分析並搭配模糊邏輯與類神經 網路，評估、測試模型是否能夠有效預測台股指數之趨勢，同時驗證實際準確率 及誤差，以提供投資者決策時參考之依據並減少投資的風險。因此，本專題之研 究目的可歸納如下： 一、利用模糊邏輯與類神經網路模型來判斷台股的買賣時機 二、利用模糊邏輯與類神經網路模型來判斷台股的漲跌方向 三、結合買賣時機與漲跌方向來發展台股的交易策略1.3 限制
限制
限制
限制
首先，影響股票漲跌的因素可概括分為下列幾點： 1. 基本面：從各家公司本身的獲利成長性、本益比以及股價淨值比，到臺灣、 美國乃至全球的經濟景氣表現、國際油價的波動情形、總體經濟成長率以及 各產業景氣等因素，都會影響到股市的漲跌。 2. 資金面：包括央行貨幣政策、MIB 貨幣供給成長率、外資資金進出情形、 外匯的升貶等。 3. 政治面：政府財經政策、兩岸關係、朝野政黨互動以及各種選舉活動。4. 法人動態：包含外資、自營商、投信的買賣超以及持股比例。 5. 國際股市：歐美股市與亞洲股市當日之表現。尤其臺灣多以電子產業為主， 因此更容易受到 NASDAQ 指數與費城半導體指數的表現影響。 其中，又以政治面以及投資大眾的心理因素最難以掌控，因為這些因素難以 被量化做為類神經網路的輸入變數，因此本研究的限制如下： 1. 不考慮政治面因素：由於台股包含各種不同的產業，因此相同的政治因素對 其造成的影響不一。例如：政府開放大陸人民至臺灣觀光，對於觀光旅遊業 呈現正面影響，但對其他產業則無明顯影響，故本研究不考慮政治面因素。 2. 不考慮投資者的心理面因素：各種市場訊息對於不同的投資者會產生各自不 同的解讀。例如：當中華電信出現獲利衰退的利空消息，某些投資者會視為 良好的進場時機而買進股票，某些投資者則會考慮退場賣出持股，因此本研 究並不探討各種股市相關消息會造成的影響。
1.4 關鍵名詞定義
關鍵名詞定義
關鍵名詞定義
關鍵名詞定義
本專題計用到下列幾個重要的名詞，茲分別定義如下： 一、 移動平均線（Moving Average，MA）：在某一段期間內的平均價，代表這段 期間投資人的持股成本，亦是多空雙方暫時平衡點。當股價在移動平均線之 上，表示多頭強勢；反之，股價落在移動平均線之下，則表示空方強勢。 移動平均線可用算術平均數及指數平滑移平均數兩種方式，其計算方式如以 下二圖所示： 圖1：簡單算術平均數 圖2：指數平滑移動平均數
移動平均線的種類：在本研究中將移動平均線分為短期、中期及長期，分述 如下： I. 短期移動平均線 (a) 5日線：即週線，為強勢股拉回的第一買賣時點。 (b) 10日線：確實反應短期股價平均成本，為短期回整的重要支撐，為 指數整理的第一買賣時點。 II. 中期移動平均線 (a) 20日線：即月線，使用普遍。 III. 長期移動平均線 (a) 60日線：即季線，波動幅度平滑，轉折點明顯有效。通常用來觀察 景氣變化。 圖3：黃金交叉 圖4：死亡交叉
二、 乖離率(Bias)：所謂乖離率，即是以股價和移動平均線的距離，除以移動平 均線計算而來。移動平均線代表投資人的平均持股成本，當股價在移動平均 線之上時，稱為正乖離。當正乖離擴大時，投資人普遍獲利頗豐，自然會出 現獲利回吐賣壓，行情因而拉回整理。反之，股價在移動平均線之下，稱為 負乖離。負乖離越大，代表投資人虧損嚴重，較不可能認賠殺出，反而會有 很多投資人進場撿便宜貨，股價因而出現跌深反彈行情。 圖5：乖離率計算公式
三、 隨機指標、KD線（Stochastics KD、Line KD）：KD線原名隨機指標（Stochastic Line），為喬治藍恩（George Lane）發表，融合了相對強弱指標超買超賣現 象及移動平均線的觀念，本質上是一個隨機波動的觀念，可協助掌握短中期 行情走勢。KD線一般採用的基期為九日，先由第九日的收盤價減去九日內 最低價，其差距占九日內最高價減去九日內最低價差距的百分比求出未成熟 隨機指標（Raw StochasticValue，RSV），再計算RSV的三日指數平滑動平均 線，可算出快速隨機指標K線及慢速隨機指標D線，再運用K線及D線交叉情 況來研判買賣點。 圖6：KD值計算公式
四、 指數平異同移動平均線（Moving Average Convergence and Divergence， MACD）：MACD為美國Gerald Appel及W. Fredrick Hitschler所提出的交易方 法。其原理仍是利用快速與慢速兩條指數平滑移動平均線，計算兩者間的差 離值（DIF），再利用差離值與差離值平均值（DEM）的聚合與分散的徵兆 功能，藉以研判股市或個股的買進或賣出時機，MACD可去除移動平均線常 出現假訊的缺點，找出股價真正趨勢方向。
五、 相對強弱指標（Relative Strength Index， RSI）：為1978年美國威爾德（Welles Wilder JR.）所提出，RSI是基於供需平衡的原理，其主要計算的目的在於計 算某一段期間內，股價漲幅平均值除以股價漲幅平均值加股價跌幅平均值兩 者總合的比例，來衡量多空買賣雙方的強弱程度，多空買賣雙方的力道需取 得平衡，股價才能趨於穩定，可用RSI的強弱表現研判股市處於超買或超賣， 藉以研判該買進或賣出股票。 圖7：RSI計算公式
六、 威廉指標（Williams Overbought／Oversold Index）：由美國人賴利。威廉斯 （Larry Williams）在1973年提出，當時稱為威廉超買超賣指標（Williams Overbought／Oversold Index），簡稱W%R，是判斷個股在某一段時間內超買 超賣狀況的有效指數。威廉指標的數值越大代表賣方力道越大，數值越小代 表買方力道越大（正好與RSV相反）買方力道或賣方力道用盡後必有衰竭之 時，買方強勢後必因買超而後買盤動能後繼無力，而使得股價上漲的力道不 足而股價反轉。同理，賣方亦無法永遠強勢，會在某一程度後呈現後繼無力， 威廉指標一般以20及80分別代表買超及賣超的界線，當W%R小於20時，表 示買超，W%R大於80時代表賣超，此時均表示股價反轉的機會大增。
第二章
第二章
第二章
第二章 文獻探討
文獻探討
文獻探討
文獻探討
2.1 模糊邏輯與類神經網路簡介
模糊邏輯與類神經網路簡介
模糊邏輯與類神經網路簡介
模糊邏輯與類神經網路簡介
2.1.1 模糊邏輯模糊邏輯模糊邏輯（模糊邏輯（（（Fuzzy logic））））：：：： 模糊邏輯是一種以數學模型來描述語意式變數的方法。傳統的明確集合 （crisp set）是屬於二值的，也就是說，領域（universe of discourse）中的元素對 一個集合的歸屬程度不是 0 就是 1。而模糊集合（fuzzy set）是傳統的明確集合 的一種推廣，其允許模糊集合中的元素對此集合的歸屬程度（degree of
membership）是介於 0 到 1 之間的任意值。也就是說，模糊邏輯理論提供一種方 法，將研究對象以 0 與 1 之間的數值來表示模糊概念的程度，稱為「部分函數」 (membership function)，並將人類的主觀判斷數值化，使得研究結果更能符合人 類思考模式。而語意式變數在模糊邏輯與模糊推論系統（Fuzzy Inference System， FIS）則扮演了重要的角色，其代表一種用自然語言中的文字來形容的變數，譬 如說“速度”就是一個語意式變數，而此變數的值可以是“快”、“適中”或 “慢”等。當問題複雜到無法用傳統的數值來描述時，語意式變數便成為一種可 被用來處理此類問題的一個工具。而模糊推論（fuzzy reasoning）或近似推論 （approximate reasoning）的意義，是如何從一些已知的事實及相關的模糊規則 中，經過推論的過程，得到應有的結論。 2.1.2 類神經網路類神經網路類神經網路（類神經網路（（（Neural Networking）：）：）： ）： 類神經網路是一種利用高度平行相互連結的單元（稱為神經元），來模擬生物神 經系統處理資訊的計算網路。在神經網路中，每一個神經元把許多進來的輸入值 處理後當成是另一個輸出值，之後這個輸出值就與其他神經元連接，一些這樣的 神經元就形成了神經網路介面。使用類神經網路的目的，是以一種預先被訓練好 的方法來處理資訊。訓練時採用許多輸入及相對稱輸出的取樣數據集合，採用學 習演算法（Learning Algorithm）加以訓練。網路建立之初，類神經網路是愚笨且 無法展現任何行為的。之後，學習演算法就以網路的行為反射到所期望的行為上， 以此方式來調整網路上個別神經元以及他們連結點上的權數。由於類神經網路具 有高度的平行計算特性、容錯性、調整性，以及自主學習能力等優點，使得此方 法在很多領域的應用上已得到豐碩的成果。而類神經網路的源起，最早可追溯至 McCulloch and Pitts（1943）所提出的神經元數學模型，其以數學模式來模擬神 經元狀態。之後，Hebb（1949）進一步將其擴展，利用數學演算法則與電腦科 學相互結合，提出了學習法則。然而，直至 Rumelhart，Hinton，and Williams（1986） 提出運用差距法則（Generalized Delta Rule），一個具體可行的網路模型才正式產 生。
類神經網路的模型，依據其學習方式與網路架構大約可區分為十四種，包括 倒傳遞類神經網路（BPN）、自適應共振理論網路（ART）、雙向聯想記憶網路 （BAN）…等。其中，學習方式又可區分為監督式、無監督式、聯想式，以及 最適化學習；網路架構則可區分為只接受前一層輸入的「前向式架構」，與可接 受輸出層回饋之「回饋式架構」。而在多種的類神街網路模型中，最被廣泛運用 的是倒傳遞類神經網路（Back-Propagation Network，BPN），其係屬於前向監督 式網路模型。所謂監督式學習網路，是指取得包含輸入變數與輸出變數之訓練範 例，並從網路的訓練過程中，學習輸出，入變數間之映對關係，在應用於新的案 例。
圖 8：類神經網路架構圖 表 1： 知識代表性 知識代表性知識代表性 知識代表性 明確 效率高 訓練能力 訓練能力訓練能力 訓練能力 完全沒有 明確定義 資料來源：秉昱科技編譯 台北 類神經網路架構圖(S輸入層，H 隱藏層，Y 輸出層 ：模糊邏輯與類神經網路優缺點比較表 模糊邏輯 模糊邏輯模糊邏輯 模糊邏輯 類神經網路類神經網路類神經網路類神經網路 明確，容易被驗證和最佳化且 效率高。 不明確，不能容易被解讀或調 整的系統。 完全沒有，對每件事情都必須 明確定義。 透過數據資料集合進行自我 學習。 秉昱科技編譯，模糊邏輯與類神經模糊實例說明 台北：儒林，民國八十五年，3-9 輸出層) 類神經網路 類神經網路類神經網路 類神經網路 不能容易被解讀或調 透過數據資料集合進行自我 模糊邏輯與類神經模糊實例說明
2.2 模糊邏輯與類神經網路於台
模糊邏輯與類神經網路於台
模糊邏輯與類神經網路於台股指數預測系統簡介
模糊邏輯與類神經網路於台
股指數預測系統簡介
股指數預測系統簡介
股指數預測系統簡介
圖 9：模糊邏輯與類神經網路於台股指數預測系統範例 如上圖 9：模糊邏輯與類神經網路於台股指數預測系統範例中所示，其中 INPUT LAYER 模擬人腦接收各種資訊，例如：股價、基本分析、技術分析、總體經濟、 政治因素及其他因素等，每一個因素在類神經網路中即等於一個人工神經元，層 與層之間每一個人工神經元均有一條線與其他人工神經元相連，並有各自的權重 值，然後每一個人工神經元之間的連結權重運算，則類似人腦在接收到資訊後所 做的各種運算，最後得到 OUTPUT LAYER 的輸出值，共有買進股票、持有股票 及賣出股票，再依據三個輸出值的數值，選出其中數值最大的做為最後的結果 值。2.3 模糊邏輯與類神經網路於台股指數預測系統發展現況
模糊邏輯與類神經網路於台股指數預測系統發展現況
模糊邏輯與類神經網路於台股指數預測系統發展現況
模糊邏輯與類神經網路於台股指數預測系統發展現況
類神經模糊結合了模糊邏輯明確表達技術知識的能力與類神經網路的訓練 學習能力。有關類神經模糊運用於加權股價指數預測方面的文獻如下： 一、國外方面： 1. Schoneburg（1990）運用類神經網路來預測短期股票的價格。研究樣本： 隨機選取三支德國股票為對象，以Perceptron、Adaline與Madaline三種 網路架構來對隔日股價漲跌趨勢作預測，結果發現此種類神經網路能發 展自己的啟發式自我辨識（heuristic），而且表現出的行為類似指數平 滑法（exponential smoothingalgorithm）。 2. Margarita（1991）運用類神經網路與遺傳（Genetic）演算法來分析股票 市場的動態性，並提供投資人做為投資策略的參考。其架構了一個三層 前向（feed-forward）的「最佳結構」之類神經網路，研究結果：網路 架構中，隱藏層中以十個神經元的效能最高。 3. R.J. Kuoa(2001)等人建立了一套智慧型股票交易系統，首先使用基因演 算法結合模糊類神經網路(GFNN)，將可以用來測量股票市場的質化因 素，例如：政治因素，先將這些因素以模糊推論規則的方式建立一個公 式化的知識庫，再將這些因素結合量化因素，亦即結合技術指標透過類 神經網路進行訓練，並使用臺灣的股票市場作為訓練標的。實驗結果顯 示，考慮量化及質化因素的類神經網路，在買進賣出的時間點及績效上， 明顯優於只考慮量化因素的類神經網路。4. Seng-Cho Timothy Chou(1996)等人提出一個智慧型的股票交易決策支 援系統，運用短期及長期趨勢經由規則式類神經網路的處理，來預測買 進賣出的訊號。亦即在此系統首先將技術指標經由專業知識整理出規則， 然後做為類神經網路的輸入變數並加以訓練，本研究結果顯示該實驗所 提出之方法可以打敗同期間的臺灣加權股價指數。
二、國內方面： 1. 紀桂銓（1993）以類神經網路來進行股價反轉點的預測，以便讓投資人 能從股價指標中獲得較佳的資訊並做最充分的利用。此論文並提出兩個 建議，一為模型過於樂觀，二為研究所建立的類神經網路模式太少，可 增加類神經網路模式的數目，以產生更佳的結果。 2. 岑英勤（1993）利用類神經網路與模糊邏輯推論方法的結合設計出三種 系統模組，最後將此三種模組整合發展出智慧決策系統，希望用於提供 投資顧問的服務。三種系統模組分別為：K線預測之類神經網路、型態 辨識之類神經網路和模糊邏輯決策。研究結果發現此三種模組在預測能 力方面或辨識型態方面，均有相當好的結果，且可以綜合各類股價分析 的資訊，以做為股票趨勢的整合研判。 3. 游崇智（1996）建構倒傳遞類神經網路，再採用三種不同的類神經模式， 藉由不同的輸入輸出類型，表現出總體經濟與股市之間的互動情形，藉 以預測股價指數。研究結果： (a) 在全期間多變量預測誤差較單變量模式低，故以多變量預測績效較 佳。 (b) 後期則沒有任何一模式績效較佳，其推論可能是研究期間過短。 4. 簡辰丞(2001)針對在台灣證交所上市的41家金融股做為研究對象，使用 類神經模糊技術建立股票的預測模型，輸入變數採用MACD 指標、乖 離率、相對強弱指標及威廉指標等，研究結果顯示對於趨勢預測有相當 不錯的預測能力，且可獲得較佳的報酬。 5. 林婉茹(2004)針對台灣50指數ETF建立開盤價格預測模型及漲跌預測 模型，並利用倒傳遞類神經網路之方式，以檢視非現貨交易時段之期貨 價格變動是否能夠有效預測台灣50指數ETF之開盤價格和漲跌方向。研 究結果如下： (a) 日收盤價格對於隔日開盤價格具有預測之能力。 (b) 台指期貨價格有對開盤價格之預測。 (c) 美國股票市場之價格變動，可提高開盤價格預測能力。 (d) 台指期貨價格有助於對價格漲跌之預測。 (e) 美國股票市場之價格變動，可提高價格漲跌之預測。 (f) 重大突發事件會嚴重降低該模型之預測能力。 (g) 前一日現貨之交易量可以提高對跌之預測能力與穩定性。
第三
第三
第三
第三章
章
章 專題規劃
章
專題規劃
專題規劃
專題規劃
3.1 專題規劃目標
專題規劃目標
專題規劃目標
專題規劃目標
3.2 系統開發方法
系統開發方法
系統開發方法
系統開發方法
1. 模糊化介面與解模糊化介面：前者功能主要為接收輸入值，將其轉換為模糊 集合中的語意變數，亦即將輸入值與歸屬函數相對應，取得歸屬值。而後者 之功能為將模糊輸入轉為明確的輸出，反模糊化有許多種方法，如。反模糊 化的方法有很多，常見到的有最大中心法、面積中心法或稱重心法及最大平 均法等。 2. 知識庫：包含應用領域的知識以及參與控制的目標，其包含資料庫以及規則 庫。資料庫提供語意變數所需要的定義，無變數論域、歸屬函數等設定，而 規則庫包含一組組的模糊規則。 3. 決策邏輯：此部分為模糊推理機制，其根據知識庫中的規則推導出新的結 論。3.3 系統藍圖描述
系統藍圖描述
系統藍圖描述
系統藍圖描述
模糊推論系統是結合模糊集合理論，模糊規則與模糊推理的系統，主要功能 為模糊推論的計算，其主要由四個部分組成，整體架構圖如下所示： 圖 10：系統整體架構圖3.4 專題設備
專題設備
專題設備
專題設備
本專題所需使用之軟硬體有： (1) 軟體方面：WEKA 平台 (2) 硬體方面：電腦一部3.5 專題時程規劃
專題時程規劃
專題時程規劃
專題時程規劃
本專題由開始規劃至系統完成，預計會有下列幾項工作： 一、問題定義與文獻探討：此一步驟在確認研究方向，且藉由研究相關文獻資料， 瞭解基本分析此一應用於證券市場的主要工具，且探討模糊類神經網路以及 模糊類神經網路於財務投資方面之應用。 二、資料蒐集與分析：在此部份進行相關資料的收集，以及實驗進行中所需之資 料。 三、建立預測模型：在本步驟中，將建立以漸進模糊類神經網路為基礎，預測每 股盈餘成長率之模型，且找出影響未來盈餘之重要指標，以提供投資者參 考。 四、實驗結果分析：根據實驗結果，分析本研究所提出論點之成效，瞭解漸進模 糊類神經網路於預測每股盈餘成長率之效果。3.6 專題分工
專題分工
專題分工
專題分工
表 2：專題分工表 蔡雅雲蔡雅雲蔡雅雲 蔡雅雲 張哲源張哲源 張哲源張哲源 鍾承翰鍾承翰 鍾承翰鍾承翰 江育彬江育彬 江育彬江育彬 資料蒐集 資料蒐集 資料蒐集 資料蒐集 文書處理 文書處理 文書處理 文書處理 專題整合 專題整合 專題整合 專題整合 指揮策略 指揮策略 指揮策略 指揮策略 口頭報告 口頭報告 口頭報告 口頭報告第四
第四
第四
第四章
章
章 專題成果
章
專題成果
專題成果
專題成果
4.1 需求分析
需求分析
需求分析
需求分析
一、 交易策略—連續兩次轉換： 假設蔡依玲以「臺灣證券交易市場之週加權股價指數」為研究對象，交易策 略是採取一買一賣或一賣一買的交易方式，即在研究期間內，若是多頭市場則第 一次出現買進的訊號即買進，直到出現第一次賣出的訊號才予以賣出，期間如有 買進的訊息則不操作。但若是空頭市場時則採第一次出現賣出的訊號時則放空， 直到出現第一次買進的訊號才予以買進，期間如有賣出的訊號亦不操作。由於上 述研究需以人工的方式判斷是位在多頭或是位在空頭，再以類神經網路模擬輸出 之買、賣時點決定買或賣。為了減少買、賣訊號過於敏感，以及避免人工的方式 介入判斷多、空趨勢，並且有效降低交易成本，本研究提出了「連續兩次的轉換」 類神經網路輸出訊號的交易策略。 I. 一次轉換： 一次轉換結果主要是以「一日預測之報酬率」來判斷買、賣的時點。當一日 的報酬率超過上限門檻值則買；當一日的報酬率低於下限門檻值則賣；若是 介於上下限門檻值之間則持平。上、下限門檻值的決定，主要考量的是買賣 ETF50時所花費之交易成本為主，買入時所花之成本為股票本金之1.425‰ （手續費）；賣出時所花之成本為股票本金之2.425‰（1.425‰的手續費及1‰ 的證交稅）。所以將「預測之報酬率」之上限門檻值設定於1.425‰，下限 值則設定為-2.425‰，一次轉換交易策的方式條列。 II. 連續兩次轉換： 實際上，經由「一次轉換」的結果，其買、賣訊號過於敏感，且過於頻繁的 交易會使得交易成本快速地增加。而且，股市中的線型中經常出現連續漲或 連跌的情現。因此，本研究提出「二次轉換」的交易策略，以有效降低交易 之次數及交易成本。此交易策略介紹如下： (1) 若「連續出現兩次買訊」，則「買入」（若之前為放空則先回補再買入） (2) 若「連續出現兩次賣訊」，則「放空」（若之前買入則先賣出再放空） (3) 其餘情況則延續前次已買或已賣之動作而維持「持平」，並不加買或加 賣之動作，直到出現上述(1)或(2)任一種情況，才轉換為買或賣。 (4) 在最後一日之交易時，不管是原來是買或賣，均需出場結算報酬率。 經由連續二次轉換步驟後所得之買、賣時點，為本研究交易策模擬時所採用 之真正買、賣時點。以10日的模擬交易情況為例加以說明，由測試期的股價線型 的中期段可以看出，實際的股價指數為下跌之趨勢，而模擬訓練出來之預測股價 指數領先下跌，如“a點”為第25日之實際股價，“a點”為第26日之預測股價指 數，則“a＞a”表示在下跌段之預測股價已經漲不上去而開始下跌了；而在後期 實際股價指數開始上漲時，預測之股價指數領先上漲，如“b點”為第82日之實 際股價指數，“b點”為第83日之預測股價指數，“b＜b”表示在上漲段之預測 股價已經跌不下去而開始上漲了。而在測試期其它的區域，實際股價指數與預測二、 交易模擬策略： 利用本研究提出之交易策略結合類神經網路，利用測試期100筆的日資料， 計算出投資報酬。即是在一次及二次轉換後之買、賣訊號次數統計及複利方式計 算投資報酬之結果。
4.2 系統
系統
系統
系統分析
分析
分析
分析
4.2.1 系統評估系統評估系統評估 系統評估 此部份區為兩部份，一是訓練後類神經網路的評估，二是類神經網路搭配投 資策略產生報酬之評估。 一、類神經網路之評估： 一般評估類神經網路在函數性的目題，通常採用「平均絕對誤差（mean absoluteerror，MAE）」、「平均誤差平方（mean square error）」或「平均誤差 平方根（root meansquare error，RMSE）」。在本研究中則採用平均誤差平方（MSE）。 平均誤差平方為預測誤差平方和之平均，此方法給予預測誤差較大的權數較重， 是最普遍使用的誤差衡量統計量。 二、投資報酬評估： 在評估得到較佳的類神經網路模式後，利用100筆測試段之日資料模擬產生 預測之臺灣證券交易市場股價指數，搭配本研究提出之交易策略，以“複利”之 計算方式來計算投資報資報酬率。所得到之報酬率再與以其它常使用之技術指標 為買賣決策所獲得之投資報酬率進行比較。第五
第五
第五
第五章
章
章 結論
章
結論
結論
結論
5.1 結論與新發現
結論與新發現
結論與新發現
結論與新發現
主要將實驗結果加以分析，首先針對類神經網路模式加評估，找出較佳的網 路模式。同時配合連續二次轉換的交易策略，找出較佳的買、賣時點，以所得出 之報酬率來評估類神經網路及技術指標之投資報酬高低。由於投入類神經網路之 變數高達378個，因此，在訓練時所花費的時間成本的確很高，不過相較於可以 獲得的投資報酬，仍是非常值得的！ 本研究在網路評估部份是以實際股價與模擬股價平均誤差平方（mean square error，MSE）為主要的評估模式，MSE愈小則表示實際股價指數與模擬所得之股 價指數誤差愈小，模擬出來的類神經網路的配適度愈佳。依據類神經網路訓練之 結果，選擇出網路訓練期間MSE誤差值最小的五個網路架構，此五個網路架構應 該是較佳的模型。 5.1.1 結論結論結論 結論 類神經網路模式具有良好的預測能力，將類神經網路的輸出預測次日收盤股 價指數經由一次轉換形成買賣之時點，依此結果進行投資，在不考慮交易成本之 前提下，最高報酬達到 30%；若在考慮交易成本之下，因為交易次數過多，使投 資報酬率由正轉負，報酬均被交易成本所侵蝕！因此，本研究之交易策略係以連 續兩次出現買訊或賣訊，做為實驗中真正之買、賣時點，經由 100 日樣本資料驗 證所獲得之投資報酬約 25%，相較於只單純以技術指標來判斷買、賣點的方式， 可獲取較高的之利潤。參考文獻
參考文獻
參考文獻
參考文獻
1. 呂國宏（2001），運用演化式類神經網路預測台灣股市行為之研究，國立政 治大學資訊管理學系碩士論文。 2. 吳孟儒（2001），以輸入資訊內涵觀點構建台灣股價指數類神經網路預測模 式之研究，義守大學管理科學研究所碩士論文。 3. 李沃牆(1998)，計算智慧在選擇權定價上的發展—人工神經網路、遺傳規劃、 遺傳演算法，國立政治大學經濟研究所博士論文。 4. 李沃牆與林維垣（2000），基因演化類神經網路模型於台股上限型權證的評 價，2001 東吳經濟學術研討會論文集。 5. 杜金龍(1993)，技術指標在台灣股市應用的訣竅。非凡出版社。 6. 杜金龍(1996)，基本分析在台灣股市應用的訣竅。金錢文化。 7. 周行一與劉璞(2000)，投資學的世界。台北：天下文化。周慶華（2001）， 整合基因演算法及類神經網路於現貨開盤指數之預測-以新加坡交易所摩根 台股指數期貨為例，輔仁大學金融研究所碩士論文。 8. 林萍珍（1998），遺傳演算法在使用者導向的投資組合選擇之應用，中央大 學資訊管理研究所碩士論文。 9. 林維垣（2000），人工智慧在投資策略之應用─電腦模擬與其績效之統計分 析。華泰文化事業公司。 10. 林維垣（2000）， 有關對調適與演化機制的再審思--在財務時間序列資料中 應用的統計分析，國立政治大學經濟學系博士論文。 11. 洪崇恩（1999），以類神經網路預測台灣股價報酬率 - 以電子股為例，朝陽 科技大學財金所碩士論文。 12. 莊文慶（2001），總體經濟因素與股價關聯性之行為分析--類神經網路模型 之應用，國立交通大學資訊管理學程碩士論文。 13. 陳明智（1992），股市經典，台北：漢宇出版社。 14. 張振魁（2000），以類神經網路提高股票單日交易策略之獲利，中央大學資 訊管理碩士論文。 15. 葉怡成（1999），應用類神經網路（二版）。儒林圖書公司。 16. 葉怡成（（2000），類神經網路模式應用與實作（七版）。儒林圖書公司。 17. 劉克一（2001），以遺傳演算法演化類神經網路在股價預測上的應用，真理 大學管理科學研究所碩士論文。 18. 劉宜峰（1996），以類神經網路與 ARIMA 模式預測臺灣股市行為之適用性 比較，東吳大學會計學系碩士論文。 19. 蔡金豐（2001），類神經網路於台灣股市預測之應用，高雄第一科技大學電 腦與通訊工程系碩士論文。 20. 梁定澎，「決策支援系統」，初版，松崗電腦圖書資料公司，台北，民國 80 年 12 月。21. 王文科譯，「學習心理學--學習理論導論 (B. R. Hergenhahn 原著)」，初版， 五南圖書出版公司，台北，民國 78 年 8 月。
22. 沈中華，「臺灣遠期美元外匯市場效率性之再檢定----兩狀態 Markov 模型的 應用」，台大經濟論叢，第 21 卷第 1 期，民國 82 年，頁 87-115。
23. Bagozzi， R. P. Causal Models in Marketing， Wiley， New York， 1980. 24. Bollen， K. A. “Outlier Screening and a Distribution-Free Test for Vanishing
TETRADEs，” Sociological Methods and Research (19:1)， August 1990， pp. 80-92.
25. Cook， S. A. “The Complexity of Theorem-Procedures，”3rd. Annual ACM Symp， Theory of Computing， 1971， pp. 151-158.
26. Galletta， D. F.， and Lederer， A. L. “Some Cautions on the Measurement of User Information Satisfaction，” Decision Science (20)， 1989， pp. 419-438. 27. Joyce， J. D.， and N. N. Oliver. “REGIS-A Relational Information System with Graphics and Statistics，” Proceedings of the National Computer Conference， Vol. 45， 1975， pp. 839-844.
28. Newwstead， P. R.， Munro， M. H.， and Huff， S. L. “Data Acquisition Instruments in Management Information Systems，” in The Information Systems Research Challenge: Survey Research Method (Vol. 3)， K. Kraemer (ed.)， Harvard Business School Press， Cambridge， MA， 1991.
29. Simpson， B. H. “Improving the Measurement of Chassis Dynamometer Fuel Economy，” Society of Automotive Engineers Technical Paper Series 750002， 1975.
30. Taylor， S.， and Todd， P. “Understanding Information Technology Usage: A Test of Competing Models，” Working Paper， Queen's University， Kingston， Ontario， 1994.
