行政院國家科學委員會專題研究計畫 成果報告
智慧型金融資訊分析系統之研究
計畫類別： 個別型計畫
計畫編號： NSC92-2213-E-011-081-
執行期間： 92 年 08 月 01 日至 93 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
計畫參與人員： 徐演政、吳典林、余勃蒼、陸思皖
報告類型： 精簡報告
處理方式： 本計畫可公開查詢
中 華 民 國 93 年 9 月 16 日
智慧型金融資訊分析系統之研究
Researches of Intelligent Financial Information Analysis System
計劃編號:NSC 92-2213-E-011-081 執行期間:92 年 8 月 1 日至 93 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、灰色關聯分析、模糊 理論、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)、 模糊規則 (Fuzzy Rules) 與 類 神 經 網 路 (Neural Network)等三大理論為基礎，建立一個具 有處理金融資訊系統之人工智慧(AI)模 型。其中利用灰色關聯分析處理金融資訊 系統中所有金融指標資訊間的關係，且藉 由模糊規則將指標資訊間的灰色關聯關係 建立起來，同時配合類神經網路具有學習 與記憶的特質，可將金融資訊系統的主要 指標參數間之關係與規則記錄，實現由人 工智慧來分析與擷取金融資訊系統的特 徵 ， 而 預 測 金 融 資 訊 系 統 出 現 的 事 件 (Events)。
同時本計劃嘗試在發展之智慧型金融 資料分析與決策系統中，利用類神經網路 來處理在金融資訊系統歷史資料中之目標 資訊與其最大關聯度的系統參數之間的灰 色訊息，使類神經網路在面對灰色訊息能 夠響應其灰色關聯資訊而學習歷史事件 (History Events)的關係。為了達到本計劃 之研究目的，我們亦探究各種灰色關聯分 析模型之特性、灰色聚類之演算機制、模 糊理論規則產生之機制，以及類神經網路 系統中之學習機制等，並對於系統理論的 基礎、類型處理、資訊確認與處理演算法、
應用的例子進行研究與探討。
Abstract
Keywords: Gray Theory; Gray Relational Analysis, Fuzzy Theory, Neural Network and Financial
Information System；
The purpose of this project is to propose an artificial intelligent model of financial information system based on the grey relational analysis (GRA), fuzzy rules (FR) and neural network (NN) theories. In this artificial intelligent model, the grey relational analysis probed the relations of all message indexes in the financial information system, and the relational database is built by using the fuzzy logic techniques. At the same time, the index relationship of financial information system and the fuzzy rules are extracted by utilizing the learning ability of neural network. Therefore it is able to analyze and extract the feature of financial information system as well as then to predict the trend of financial information system.
Beside, neural network also can organize the training data or message into useful data style. Hence, this project also attempt to employ the neural network to process and learn the quantitative patterns inherent in history data sets, such as
correlation between system parameter and target material, the relationship based on rules is built for tracking and monitoring the present target material in the proposed intelligent model of financial information system. In order to achieve this research objective, we explored the characters of all kinds of grey relation analysis models, grey-clustering mechanism, generating mechanism of fuzzy rulers and learning approaches of neural network. Furthermore, the foundation of system construction, classification of pattern type, messages confirm and system algorithms are also researched.
二、計劃緣由
金融資訊系統通常擁有太多的資料訊 息，包括有用的資訊、不重要的資訊、不 完整的資訊、不確定的資訊、常出現或不 常出現的資訊等，所以我們通常也稱金融 資訊系統是一個灰色系統。就因為有太多 不確定的資料，因此要如何將金融資訊系 統的資料進行分析與分類，以期達到預測 未來金融市場之走勢，是目前重要的研究 課題。例如股票、期貨與匯率金融資訊系 統等市場。因此有一個好的金融資訊系統 之分析工具，將可幫助政府機關或民間企 業在進行金融投資與避險時，有穩健的投 資風險控管機制，以期能使投資者獲得最 大效益，並將風險降至最低。
然而，要如何藉由資訊擷取的流程建 立一具有智慧型資料分析與決策之系統，
是有很多問題待解決的，尤其是在金融資 訊系統的分析。譬如說，如何定義金融資 訊系統資料的定量特徵、系統的學習是否 夠 完 整 或 夠 穩 定 、 資 料 的 分 類 (Categorization)與聚類 (Clustering)結 果是
否具有真實性與實用性、需要使用何種適 當的資料擷取模式、該採用何種預測模型 等。因此本計劃主要目的係提供一種具人 工智慧(AI)之金融資訊分析與預測系統，
其 中 該 系 統 將 擁 有 學 習 機 制 (Machine Learning) 、 自 動 分 類 (Automatic Categorization)能力、預測(Prediction)能力 等特性。
本計劃係提供一種具有學習能力的金 融資訊擷取系統，特別是配合灰色關聯與 灰聚類(Grey Clustering)之分析結果，以類 神經網路來學習系統的各種金融指標特性 與記憶系統的智慧。
三、研究方法
智 慧 型 分析 系 統 (Intelligent analysis system) 在 本 質 上 必 須 具 備 有 整 合 (aggregating)不同來源之資訊的能力。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。
本計畫主要是基於灰色理論、模糊理 論與類神經網路研究的應用，以及其應用 金融資訊分析系統架構的研製，圖一為本 計劃所提出之智慧型金融資訊分析與決策 之系統架構圖：
圖一 智慧型金融資訊分析與決策之系統架構圖
研究過程主要分析之方法如下：
Data Information
&
Maintance
Grey Feature Extracting
GRA
&
Grey Clustering
Fuzzy Feature Extracting
Neuro Feature Extracting
Classification
&
Whited Information
Fuzzy Rule Generating
NN Learning
Rule Base
Grey-Fuzzy-Neuro Model Database
Knowledge
Acquistion
1.金融資訊系統資料收集與維護
本計劃首先針對不同的金融資訊系統 資料進行收集，包括股票、期貨與匯率等 資料，同時進一步的實施資料庫管理。
2.金融資訊特徵擷取與量化分析
在灰色理論、模糊理論與類神經網路 等三種不同的分析架構中，本計劃採取不 同 的 資 料 特 徵 擷 取 與 向 量 量 化 (Vector Quantization)的工作，以達到智慧型資料分 析系統之首要任務。圖二為本計劃在灰色 理論所提出一個資料特徵分析模型。
圖二 資料特徵分析模型
本計劃在特徵擷取的工作中，則採用 灰色理論之資料前處理的方式，以達到不 同資料型態的分析功能，其中一部份的資 料前處理模式將如下所示：
I. 初值化：
) 1 (
) ) (
(
( 0 )
) 0 (
*
i i
i x
k k x
x
其中
x i *
(k
)為經灰關聯生成 後的數列。II. 最 大 值 化 ：
)]
( max[
) ) (
(
( 0 )
) 0 (
*
k x
k k x
x
i i
i
III. 最 小 值 化 ：
)]
( min[
) ) (
(
( 0 )
) 0 (
*
k x
k k x
x
i i
i
IV. 區 間 值 化 ：
)]
( min[
)]
( max[
)]
( min[
) ) (
(
( 0 ) ( 0 )
) 0 ( )
0 (
*
k x k
x
k x k
k x x
i i
i i
i
而在效果測度方法則會採用下列望大型、
望小型與望目型等方式來實施，
I. 望大型：希望效果愈大愈好
)]
( max[
) ) (
(
( 0 )
) 0 (
*
k x
k k x
x
i i
i
II. 望小型：希望效果愈小愈好
) (
)]
( ) min[
(
( 0 )
) 0 (
*
k x
k k x
x
i i
i
III. 望目型：希望效果愈接近某目標 (OB)愈好
} )], ( max{[
} )], ( min{[
)
(
( 0 )
) 0 (
*
OB k x
OB k k x
x
i i
i
其中 OB 為特定值。
3. 灰色關聯自我聚類分析架構建制 灰色系統是一新興的研究領域，近年 來已成功地應用在各種領域，且一再顯示 出 GRA 在聚類分析之優越性。因此本計 劃在圖二之資料特徵分析模型的灰聚類程 序中，則以 GRA 當做金融資訊系統之聚 類分析器的基礎，經由灰聚類演算法對股 票、期貨與匯率等各種歷史資料指標做分 析，以期獲得股票、期貨與匯率未來走勢 之相關資料，做為灰色模糊規則產生器建 構之主要輸入資料。
Information
Data Frequency
Data Relation
Data Property Quantization
Feature Extracting
Grey Clustering
...
4. 灰色模糊規則產生器建構
模糊系統的建立，其關鍵過程就是如 何獲得相關的模糊規則，而模糊規則的取 得有兩種方式，第一種也是最直接的方式 就是經由詢問人類專家而得。然而當人類 專家試著將其專業知識轉成語意式模糊規 則時，一些重要的資訊可能會遺漏，也就 是說，人類專家往往無法完整地提供所有 必需的語意式模糊規則。因此第二種取得 語意式模糊規則的方式，即經由訓練法 則，從數值型資料(numerical data)中取得 模糊規則，將有更強大之適應特性，故此 種方式非常適合於資訊系統的分析，也是 本計劃所要採用的。圖三為本計劃所提之 Grey fuzzy rulers generating 架構。其中系 統方塊為任何能描述系統輸入-輸出行為 的適應性模型，此處是以前述灰色關聯聚 類之結果當做輸入，而金融指數資料(如股 票大盤指數)當做輸出。
state
k1
state
k+input
kplant fuzzy
rulers
error measure
parameter set
actual goal
desired goal
圖三 Grey fuzzy rulers generating 架構
5. 灰色類神經網路的研究
自 我 組 織 特 徵 映 射 (Self-Organizing Feature Maps, SOM)是一種非監督式的類 神經網路學習法則，其主要目的係將高維 度的圖樣特徵，映射至一維或二維的輸出 神經元陣列。另一項是競爭方式的學習過 程，不僅是最後勝利的神經元可學習權 值，而且其周圍的神經元亦可獲得某種程 度上的學習。然而，我們發現 SOM 在權 重調整規則中並未考慮各個欲調整節點所 對應連接權重與輸入資料之間的關聯性，
此問題將導致分析的時間過長，以及需要 較大的儲存空間才能完成大量資訊系統之 資料分析，故本計劃提出一灰色自我組織 特 徵 映 射 (Grey Self-Organizing Feature Maps) 架構，在於調整輸出節點各維度權 重時，本計劃將以輸出節點所對應權重與 輸入資料各維度間的灰關聯係數為基礎，
以達到各種金融資訊系統的分析與可行 性。
如圖四所示，本計劃以灰色關聯度為 基礎之 SOM 形式分類方法，此 Grey-based SOM 形式分類方法具有分析資料間之灰
圓弧底、V 型底、三重底
圓弧頭、反 V 型頭、三重頭 圖四
色關聯度的能力，並可以處理類比圖樣分 類問題。Grey-based SOM 在資料前處理與 網路訓練將包括下列各項工作：
完成資料分析。
完成訓練組(約 80%)、測試組(約 20%)、案例驗證組資料之隨機取 樣。
完成輸入參數量化。
其中 Grey-based SOM 在測試與敏感度分 析將包括下列各項工作：
完成網路訓練完畢之測試分析。
若測試成果不滿意，重新取樣再訓 練。
進行所有參數兩兩組合之敏感度 分析。
經由敏感度分析找出資料缺漏部 份。
根據以上研究，我們發展出一種具有 智慧型金融資料分析與決策之系統與方 法，而達到金融資訊擷取的功能。其中利 用灰色關聯分析處理金融資訊系統中指標 參數與目標資訊間的關聯度，而使用類神 經網路完成兩者之系統歷史資料的特徵或 事件的學習，以擷取金融資訊系統運作中 特定參數的變化範圍而掌握目前目標資訊 可能或即將出現的特徵與事件等等。
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 92 年之模擬預測結果如表一所示。明 顯地，以 Grey-based SOM 之方式可以濾 掉較多的雜訊，以勝率與總損益來看則比 另外兩個方式為佳。
表 一 測試方法 獲利
次數 (Win)
損失 次數 (Loss)
利潤 (Profit)
勝率 (WR) Class 72 85 16273 45.9%
Parameter 65 82 15213 44.2%
GbSOM 79 45 21738 63.2%
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、灰聚類與自我組織特徵 映射，以達到股票、期貨與匯率等各種金 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] Anderson,J.A.,“A ModelforMemory Using Spatial Correlation Function,” Kybernetik, Vol. 5, pp. 113-119, 1968.
[2] Anderson, J.A. and E. Rosenfeld, eds.
“Neurocomputing: Foundations of Research,” Cambridge: MIT Press, 1988.
[3] Hofield, J.J., “Neural Networks and Physical Systems with Emergent CollectiveComputation Abilities,”Proc.
Of the National Academy of Sciences, Vol. 79, pp. 2554-2558, 1982.
[4] Hecht-Nielsen, R .,“Theory of Backpropagation Neural Network,” IEEE IJCNN, Vol. 1, pp.593-611, 1989.
[5] Hornik, K., “Approximation Capabilities of Multilayer Feedforward Networks,” NeuralNetworks, Vol. 4, pp.
251-257, 1991.
[6] Kosko, B., “Feedback Stability and Unsupervised Learning,” IEEE ICNN, Vol. 1, pp.141-152, 1988.
[7] S. Grossberg, “Adaptive pattern classification and universal recoding, I:
Parallel development and coding of neural feature detectors”, Biological
Cybernetics, 23, pp.121-134, 1976a.
[8] S. Grossberg, “Adaptive pattern classification and universal recoding, II:
Feedback, expectation, olfaction, and illusions”, Biological Cybernetics, 23,
pp.187-202, 1976b.
[9] L. I. Burke, “Clustering
Characterization
of Adaptive Resonance”, Neural Networks, Vol. 4, pp.485-491, 1991.[10] G. A. Carpenter, & S. Grossberg,
“A massively parallelarchitecturefora self-organizing neural pattern recognition machine”,ComputerVision, Graphics, and Image Processing, 37, pp.54-115, 1987a.
[11] G. A. Carpenter, S. Grossberg, N.
Markuzon, J. H. Reynolds, & D. B.
Rosen, “Fuzzy ARTMAP: A Neural Network Architecture for Incremental Supervised Learning of Analog Multidimensional Maps”, IEEE Trans. on Neural Networks, 3, pp.698-713, 1992.
[12] Deng Julong, “Control problems of Grey System,”Systemsand Control Letters, 1(5), pp.288-94, 1982.
[13] Deng Julong, “The Essential Methods of Grey Systems,” Huazhong University of Science & Technology Press., pp.64-67, 1987.
[14] Deng Julong, “The Grey System Control,” Huazhong University of Science & Technology Press., pp. 86-91, 1985.
[15] Deng Julong,“Relationalspaceof Grey Systems,” Fuzzy Mathematics, (Special Issue of Grey systems) 2, pp.1-10, 1985.
[16] Deng Julong,“Essentialproblems of Grey System Theory,” Journal of Xiangfan University, 1, pp.5-27, 1986.
[17] H. C. Cheng, C. M. Chen and Y. T.
Hsu,“Grey ModelSelectionsbased on
Fuzzy Trend Prediction,” Proceedingsof 1997 Grey System Theorem and Applications Conference, pp. 223-225, 1997.
[18] Shi Kaiquan, Zhang Yuanxi, and Liu Yuelan, “Grey Relational Characteristics on (X,)(I),”Journalof Grey System 4, pp. 275-282, 1993
[19] Yen-Tseng Hsu, Chyun-Shin Cheng and Chwan-Chia Wu, “Grey Modeling using Neural Network,” The Journal of Grey System, Vol. 9, No. 3, pp. 219-232, 1997.
[20] Chyun-Shin Cheng, Yen-Tseng Hsu and Chwan-ChiaWu,“Grey Neural Network,” IEICE Trans. Fundamentals of Electronics, Communications and Computer Sciences, Vol. E81-A, No. 11, pp. 2433-2442, 1998.
