基於灰類神經模型之金融資訊分析與預測系統研究

行政院國家科學委員會專題研究計畫 成果報告

基於灰類神經模型之金融資訊分析與預測系統研究

計畫類別： 個別型計畫

計畫編號： NSC93-2213-E-011-040-

執行期間： 93 年 08 月 01 日至 94 年 07 月 31 日 執行單位： 國立臺灣科技大學資訊工程系

計畫主持人： 徐演政

報告類型： 精簡報告

處理方式： 本計畫可公開查詢

中 華 民 國 94 年 9 月 9 日

基於灰類神經模型之金融資訊分析與預測系統研究

Researches of Financial Information Analysis and Prediction System based on Grey Neural Network

計劃編號:NSC-93-2213-E-011-040 執行期間:93 年 8 月 1 日至 94 年 7 月 31 日 主持人:徐演政 國立台灣科技大學資工系 教授

一、中文摘要

關鍵詞：灰色理論；灰色關聯理論；人工 智慧股票預測；類神經網路；金 融資訊系統

本計劃主旨在提出一種利用灰色關聯 分析(Grey Relational Analysis)、灰色預測 模型(Grey Predictive Model)與類神經網路 (Neural Network)等理論為基礎，建立一種 具有分析與預測能力之金融資訊系統。

本計劃結合灰色關聯分析理論與自適 應共振理論(Adaptive Resonance Theory, ART)，發展出一種新的分類方法，稱為 Grey-based ART ，可將金融資訊之盤整 (Uncertainty)狀態、牛市(Bull)狀態與熊市 (Bear)狀態等各種金融資訊特徵資料分類 和學習記錄起來，而實現由人工智慧來分 析金融資訊系統的現階段趨勢狀態。同 時，本計劃在金融資訊分析與預測系統 中，基於 Grey-based ART 所分析的現階段 趨勢狀態，而建立出各種灰色類神經網路 模型，可用來預測金融指數未來走勢圖，

以提供投資者未來操作的建議，其中包括 盤整狀態、牛市狀態或熊市狀態等灰色類 神經網路模型。最後，將根據所研發的金 融資訊分析與預測系統，建立出各種交易 策略(Trading Strategies)，以期達到可以實 際落實到金融市場的投資操作上。

Abstract

Keywords: Grey Theory, Grey Relational

Theory, AI-based Stock Market Prediction, Neural Network and Financial Information System The purpose of this project is to propose an analysis and predictive model of financial information system (APM_FIS) based on the grey relational analysis (GRA), grey predictive model (GPM) and neural network (NN) theories.

According to relational database this project combines grey relational analysis with adaptive resonance theory (ART) to develop a novel categorization approach called as Grey-based ART that is able to learn, classify and store uncertain, bullish as well as bearish types in neural network.

Therefore, it is able to analyze and extract the present trend of financial information system by utilizing the artificial intelligent model of APM_FIS. At the same time, based on the trend status of Grey-based ART this project employ the grey model and neural network to build grey neural predictive models that include of uncertain, bullish and bearish types, to provide commands for financial investor. Finally, we also develop many investment strategies in the analysis and

predictive model of financial information system to realize it in the practical financial market.

二、計劃緣由

在現今世界經濟趨勢的全球化發展 下，各種金融衍生性商品如雨後般的春筍 興起，包括貨幣、股票、房地產、期貨等 金融商品，使得經濟市埸更加蓬勃發展。

再者，台灣在金融、塑化及高科技電 子產業的發展下，台灣加權股市也幸運地 被納入摩根史坦利指數，促使許多外資機 構投入台股，讓台股逐漸邁向國際化，成 為一個較健全成熟的投資環境。但是因為 台灣股市有其十分複雜的特性，容易受到 外來因素的影響，很難以一成不變的買賣 法則來進行投資。由鄧聚龍教授所提出的 灰色理論，能對資訊不完整、模型不明確 的系統有卓越的分析效果，尤其台灣股票 市場可以視為一個十分複雜且訊息不明確 的灰色系統，很適合進行灰色分析，故本 計劃以台灣期貨為例，以風險控管為前 提，利用灰色關聯分析、灰色模型、類神 經網路對所有金融資訊資料做進一步的探 討分析與建模，進而提出一具有分析與預 測之金融資訊系統。

三、研究方法

一 個 智 慧 型 之 金 融 資 訊 系 統 (Financial Information Systems)應具備有圖 形識別、物件識別、資料分類、建立預測 模型等整合來自不同資訊來源之知識的能 力。但是在實際應用中，整合一些具有不 確定、不清楚、含糊等特性之資訊，往往 使得其結果之合理性受到質疑。而目前正 蓬勃發展之灰色理論與類神經網路剛好可 以提供一套完整之分析架構及理論來解決 此類問題。

故本計畫主要是基於灰色理論與類神 經網路的研究，以及其應用於金融資訊分 析系統架構的研製，圖一為本計劃所提出 之金融資訊分析與預測系統之架構圖：

圖一 金融資訊分析與預測系統之架構圖

研究過程主要分析之方法如下：

1. 金融資訊特徵擷取與灰色關聯數

值分析

在灰色理論與類神經網路分析架構 中，本計劃採取灰色關聯數值方法來進行 資料特徵擷取的工作，以達到智慧型資料 分析系統之首要任務，也就是說，我們能 選擇正確與適當的資料來進行分析。圖二 為本計劃在灰色理論所提出一個金融資訊 特徵分析模型。

圖二 金融資訊特徵分析模型

本計劃在特徵擷取的工作中，採用灰 色理論之資料前處理方式，達到不同資料

Financial Database

Grey Feature Extraction Data

Information

&

Maintenance

Grey ART

UP Class

Uncertain Class

Down Class

UP GNM

Uncertain GNM

Down GNM

Strategies

Grey Decision

GRA

&

Grey Statistics Grey Clustering

Whitened Information

...

Financial Data

Data Frequency Grey

Numerical Analysis

Grey Clustering

Feature Extraction

Data Property

Data Relation

Grey Statistics

Data Weight

型態的分析功能，其包括：

I.

原始數據的處理

系統中若因素的物理意義不同，

則數據的量綱也不相同，在進行 分析比較時很難得到正確的結 果。因此：

(A) 均值化處理：

先分別求出各個原始序列的 平均值，再用均值去除對應序列 中每個數據，得到新的數據列，

即均值化序列。

(B) 初值化處理：

分別用原始序列的第一個原 始數據去除後面的各個數據，得 到其倍數數列，也就是初值化序 列。在一般情形下，對於穩定的 社會經濟系統進行發展態勢的分 析時，多採用初值化處理。

II. 關聯係數

max )

(

max ) min

(

, 0 ,

0

∆ + ∆

∆ +

= ∆

ρ ρ k k

L

i i

III. 關聯度

∑

=

=

ⁿ

k i

i

L k

n

1 , 0 ,

0

1 ( )

γ

IV. 關聯順序

(A)

若

_γ

_0,α

_{> γ}

_0,β，稱稱

x

_α對於

x

₀優 於

x

_β對於

x

₀，記作(

x

_α

x

₀)

φ

(

x

_β

x

₀)。

(B)

若

γ

0,_α

< γ

0,_β，稱

x

_α對於

x

₀劣於

x

_β

對於

x

₀，記作(

x

_α

x

₀)

π

(

x

_β

x

₀)。

(C)

若

γ

0,_α

= γ

0,_β，稱

x

_α對於

x

₀等價於

x

β對於

x

₀，記作(

x

_α

x

₀)

⇔

(

x

_β

x

₀)。

V. 關係矩陣

 

 





 

 





=

nm n

n

m m

R

γ γ

γ

γ γ

γ

γ γ

γ

Λ Μ

Λ Λ

2 1

2 22 21

1 12 11

或

















=

mn m

m

n n

R

γ γ γ

γ γ γ

γ γ γ

Λ Μ

Λ Λ

2 1

2 22 21

1 12 11

2. 灰色關聯聚類與統計架構之分析

灰色系統近年來已成功地應用在各種 領域，且一再顯示出

GRA

在聚類與統計 分析之優越性。因此本計劃在圖二之金融 資訊特徵分析模型的灰聚類與統計程序 中，以

GRA

當做金融資訊系統之聚類與 統計分析器的基礎，經由灰聚類與統計演 算法對股票與期貨等各種歷史資料指標做 分析，獲得股票與期貨未來走勢之相關資 料，做為金融資訊分析與預測系統之主要 輸出資料。圖三為本計劃所提之一灰色關 聯聚類演算法。

圖三 灰色關聯聚類演算法

其中本計劃著重在不同形態的指標特

性分析，選擇適用的灰色關聯模型來衡量 指標向量之間的關係，以完成粗分群工 作。接著再以灰色關聯度計量每一群中的

「混亂程度」，根據分裂演算法挑選適當的 群組並細分之，直至能量函數收斂為止。

透過此演算法，將可針對大量金融系統資

Training Vector Pool (TVP)

N Groups In the scanning direciton, Choose the first unclassified vector as

Have all of vectors been classified ?

Vci

Process the GRA with all other unclassified vectors V_bi

λ γ >

∈ cj cjbi

bi V if

V , _,

Initial λ

Yes No

料做一整體性的關聯分析及聚類，不但可 加快收斂速度、避免落入局部最佳化，並 可因應不同指標特性而分成不固定數量的 類別。

3. 灰色自適應共振理論架構之建制

自適應共振理論（

Adaptive Resonance Theory

，

ART

）是一種無監督式學習網路，

對 於 需 要 運 用 自 我 組 織 式

（

Self-Organized

）聚類方法解決問題的應 用而言，

ART

是目前較為廣泛使用之方 法，因此很多研究傾向於發展

ART

之運 用。已經有相當多的

ART

模式持續被提出 運用於解決聚類之相容性問題。早期有

ART 1

可解決二值圖樣問題，其後

ART

2

、

ART 2-A

與

Fuzzy ART

以同樣之原理 可解決二值圖樣與類比圖樣之問題。

然而，我們發現傳統的

ART

在不同資 料形態上會有不一樣的穩定能力、凝聚能 力與容錯能力，也就是說，傳統的

ART

不 適用在不同資料輸入順序或即時的資料形 態上，故本計劃結合灰色關聯分析與自適 應共振理論，並架構在

ART

搜尋週期之基 礎 上 ， 發 展 出 一 種 新 的 分 類 方 法 稱 為

Grey-based ART

，在聚類過程中以學習的 方式產生參考數列作為學習樣板，並依此 學習樣板為基準以即時的方式進行聚類，

由於參考數列是經由學習產生，因此較事 先定義的方式恰當，並且更能表現出每一 類別的特性，與達到各種金融資訊系統的 分析與可行性。圖四則為本計劃所提之

Grey-based ART

架構。

圖五則簡單說明本計劃在

Grey-based ART

形式之分類處理流程，此

Grey-based ART

形式分類方法具有分析資料間之灰 色關聯度的能力，並可以處理類比圖樣分 類問題，例如下例幾個在金融資訊系統所 分析的圖樣資料，將可被適當的歸類出 來，不會因為資料輸入的順序不同，而產

生不同的分類效果。

STM Y

STM X

G2

INPUT

G1

LTM W

F

2

F

1

Reset

圖四 Grey-based ART

圓弧底、V 型底、三重底

圓弧頭、反 V 型頭、三重頭

F1-neurons of STM receive input value from input patterns F1-neurons of STM receive input

value from input patterns

Adjusting the LTMs W, V regarding to F2- neuron J Adjusting the LTMs W, V regarding to F2-

neuron J Process

Non reset F2-neuron J with maximum relational activity by bottom-up grey_distance analysis of

LTM V is set as winner neuron Non reset F2-neuron J with maximum relational activity by bottom-up grey_distance analysis of

LTM V is set as winner neuron

LTM V denoted by F2-neuron J is compared with input pattern by top-down grey-slope analysis LTM V denoted by F2-neuron J is compared with input pattern

by top-down grey-slope analysis

GRG >= Vigilance GRG >= Vigilance Reset F2-neuron J of STM

Y Reset F2-neuron J of STM

Y

ART Search

Competing Stage

Matching Stage

Preprocessing

Adaption

圖五 Grey-based ART 架構之分類處理流程

4. 灰色類神經預測模型與演算法之建立

在確定金融市場的趨勢後，接著就是

要預測其未來漲跌的幅度，尤其是短期的 指數預測值，故需要建立一預測模型。然，

基於灰色模型能在少量資料狀況下建立金 融指數預測模型，且有好的預測效果，因 此本計劃在各種灰色預測模型上做研究與 探討，包括不同的建模點數，以期建立適 合各種趨勢下的灰色預測模型，如

Up Trend, Down Trend

與

Uncertain Condition

等不同指數趨勢之預測模型，而實際能應 用在金融市場上。

5. 金融市場風險控管模型之研究

在金融市場投資，最重要的一件事乃

「風險控管」，沒有風險控管，只要有一次 意外，投資者將會損失慘重，尤其心理上 的壓力，該如何調適，將是投資獲利的一 大因素。故根據本計劃所提出之金融資訊 分析與預測系統之輸出，我們提出一風險 控管機制，包括一系列的投資操作策略

(Strategy)

，以期達到投資者能在適當的心 理壓力下，進行長時間的投資買賣，最後 達到穩定的獲利報酬。

四、研究成果

本計畫結合以上所提出之由灰色預測 模型與類神經網路對金融資訊系統之資料 建立出灰色類神經模型。台指期貨從

88

年至

93

年之模擬預測結果如表一所示。明 顯地，以

Grey-based ART

之方式可以濾掉 較多的雜訊，以勝率與總損益整體來看則 比另外兩個沒有灰色理論方式為佳。

表 一 測試方法 獲利

次數

損失 次數

利潤

(Profit)

勝率

(WR)

(Win) (Loss)

SCC-R 90 59 11496 60.4%

FCC-R 127 88 12151 59.1%

GbART 102 32 23181 76.2%

五、結論

本計畫主要是基於灰色理論與類神經 網路的研究，以及其應用於金融資訊分析 系統架構的研製，進而深入探討，一種具 有智慧型金融資訊分析與預測系統，最後 達到金融資訊擷取與預測未來趨勢的功 能 。 本 計 劃 的 另 一 目 的 在 自 動 分 類

(Automatic Categorization)

方面的研究，採 用灰色關聯分析、灰聚類與自適應共振理 論，以達到股票與期貨等各種金融指標特 性之自動分類的目的，同時具有協助類神 經網路處理灰色資訊的問題。

六、參考文獻

[1] S. Grossberg, “Adaptive pattern classification and universal recording, I:

Parallel development and coding of neural feature detectors”, Biological Cybernetics, 23 , pp.121-134, 1976a.

[2] S. Grossberg, “Adaptive pattern classification and universal recording, II: Feedback, expectation, olfaction, and illusions”, Biological Cybernetics, 23 , pp.187-202, 1976b.

[3] Hopfield, J.J., “Neural Networks and Physical Systems with Emergent Collective Computation Abilities,”

Proc. Of the National Academy of Sciences, Vol. 79, pp. 2554-2558, 1982.

[4] Kohonen, T., “Self-organized

Formation of Topologically Correct

Feature Maps,” Biological Cybernetics, Vol. 43, pp. 59-69, 1982.

[5] Anderson, J.A. and E. Rosenfeld, eds.

“Neurocomputing: Foundations of Research,” Cambridge: MIT Press, 1988.

[6] Kosko, B., “Feedback Stability and Unsupervised Learning,” IEEE ICNN, Vol. 1, pp.141-152, 1988.

[7] Hecht-Nielsen, R., “Theory of Backpropagation Neural Network,”

IEEE IJCNN, Vol. 1, pp.593-611, 1989.

[8] Hornik, K., “Approximation Capabilities of Multilayer Feedforward Networks,” Neural Networks, Vol. 4, pp. 251-257, 1991.

[9] Yen-Tseng Hsu, Chien-Ming Chen and Hsin-Chin Yeh, “A High Noise Recognition System with Self-Organizing Feature”, IEEE

International Conference on Neural Networks, pp.2121-2125, 1995.

[10] G. A. Carpenter, & S. Grossberg, “ART 2: stable self-organization of pattern recognition codes for analog input patterns”, Applied Optics, 26, pp.4919-4930, 1987b.

[11] G. A. Carpenter, & S. Grossberg, “ART 3: Hierarchical search using chemical transmitters in self-organizing pattern recognition architectures”, Neural Networks, 3, 129-152, 1990b.

[12] C. T. Lin and C. S. G. Lee,

"Neural-network-based fuzzy logic control and decision system," IEEE Trans. Computers, vol 40, pp 1320-36, 1991.

[13] J. S. Jang, "Self-learning fuzzy controllers based on temporal back propagation," IEEE Trans. on NetlralNetvorks, vol 3, no 5, pp 741-723, 1992.

[14] Deng Julong, “Control problems of Grey System,” Systems and Control Letters, 1(5), pp.288-94, 1982.

[15] Deng Julong, “The Essential Methods of Grey Systems,” Huazhong University of Science & Technology Press., pp.64-67, 1987.

[16] Deng Julong, “The Grey System Control,” Huazhong University of Science & Technology Press., pp.

86-91, 1985.

[17] Chien-Ming Chen and Yen-Tseng Hsu

“A Grey Neural Network for Classification”, The Journal of Grey System, 2000, vol. 12, no. 1, pp. 7-18.

[18] A.J. Frost, and Robert Prechter, Elliott Wave Principle, 1978.

[19] Tzu-Yu Liu, Jerome Yeh, Chien-Ming

Chen and Yen-Tseng Hsu, “A

GreyART system for grey information

processing,” Neurocomputing, , 2003.