以基因演算法改進臺灣股價指數 模擬的可行性
黃 崇 賢
9016610
研 究 架 構
• 壹、前言
• 貳、基因演算法及模擬股價指數之架構
• 參、模擬指數實驗結果
• 肆、結論與未來研究方向
壹、前言
• 運用最少的股票組合來模擬股價指數
• CAPM及APT之缺失：
不能掌握股價的非線性行為
• 本文模擬指數之策略：
平均誤差平方和之最小平方根
相關係數極大
貳、基因演算法及模擬股價指數之架構
（一）
• 一、何謂基因演算法
構成要素：族群、染色體、基因
運算方式：選擇、繁殖、交換、突變 程序：（一）目標函數
（二）建立族群
（三）轉換成位元字串
（四）設定繁殖之機率
（五）交換與突變
（六）持續﹙三﹚–﹙五﹚之過程
貳、基因演算法及模擬股價指數之架構
（二）
• 二、模擬股價指數之架構
A﹒均分差平方根極小值〈RMSE〉
B﹒相關係數極大值〈RHO〉
∑ ∑
= = T −t
k
i
t it
i W
W
NF index
NF P
W
k
i 1 1
2 2
1 / )
/
min
(```
``````````
∑
= k =i
it i W
W
T t
NF index
NF P
W correl
k
i 1
2
1, / ; 1,... )
/
max
(`````
``````````
貳、基因演算法及模擬股價指數之架構
（三）
• 基本參數設定﹕
族群規模 50 交換率 0.9 突變率 0.01
收斂標準 0.00001 菁英選擇 採用
參、模擬指數實驗結果(一)
• 一、模擬資料
樣本：85年6月1日在報紙上登錄每類股之第一 家並且在民國79年1月1日時已存在於市 場之股票，結果共33家。
期間：82年6月1日起至85年5月31日止 資料來源：AREMOS
參、模擬指數實驗結果(二)
• 二、模擬結果
• (一)模擬所需樣本家數〔表一〕
均分差平方根極小值〈RMSE〉：29–30家 相關係數極大值〈RHO〉：25–30家
• (二)模擬指數與股價指數相對水準間的關係
﹝表2-1﹞基因演算法可以在訓練期間提供最佳的模 擬效果
﹝表2-2﹞基因演算法的模結果和時間成反比，其它 方法卻相反
參、模擬指數實驗結果(三)
• (三)檢視檢測期間模擬指數報酬率與股價指數報酬率 間的關係
〔表3〕以基因演算法的表現最好，而傳統二次規劃法的 表現最差。
• (四)以迴歸方式檢視模擬指數與股價指數的關係
﹝表4-1~表4-6﹞基因演算法的配適結果最好，而傳統的 二次規劃法以均方差平方根之極小為目 標函數的配適效果最差。
