應用類神經網路探討股市技術指標之有效管理 曾家翔、李俊德
E-mail: [email protected]
摘 要
本研究以台灣加權指數(TAIEX)為研究對象，從現今的技術指標中，去檢驗其預測股市走向的準確率為何，研究中所採用 的是乖離率(BIAS)、擺盪指標 (MACD)、威廉指標(WMS%R)等三個技術指標預測準確性，藉由倒傳遞類神經網路的訓練，
分析大量的歷史資料，來判別股市未來的走勢，同時也探討效率市場假說理論的可靠性。 本研究實驗結果顯示，單一技術 指標結合類神經網路的整體準確率可以達到70%以上的準確率，結合適當的相異指標則可以達到74%以上的準確程度，如 果將容易震盪的平盤區間扣除則可達到83%以上的準確率。 本研究發現，同樣的技術指標不同的參數設定或不同的技術指 標組合對股價走勢預測的準確性會有顯著的差異。本研究提供一個利用類神經網路來最佳化乖離率、MACD以及威廉指標 三種技術指標的股市預測系統，讓股票市場投資者有良好的參考工具來輔助投資決策。
關鍵詞 : 類神經網路;乖離率;威廉指標
目錄
內容目錄 中文摘要 ．．．．．．．．．．．．．．．．．．．．．．．． iii 英文摘要 ．．．．．．．．．．．．．
．．．．．．．．．．． iv 誌謝辭 ．．．．．．．．．．．．．．．．．．．．．．．． v 內容目錄 ．．．．．．
．．．．．．．．．．．．．．．．．． vi 表目錄 ．．．．．．．．．．．．．．．．．．．．．．．． viii 圖目錄 ．．．．．．．．．．．．．．．．．．．．．．．． ix 第一章 緒論．．．．．．．．．．．．．．．．．．．
．．． 1 第一節 研究背景與動機．．．．．．．．．．．．．．．． 1 第二節 研究目的．．．．．．．
．．．．．．．．．．．． 3 第三節 研究流程．．．．．．．．．．．．．．．．． 4 第四節 研究範圍 與限制．．．．．．．．．．．．．． 5 第五節 論文架構．．．．．．．．．．．．．．．．．．． 6 第二章 文獻探討．．．．．．．．．．．．．．．．．．．．．． 8 第一節 效率市場假說．．．．．．．．．．．．
．．．．． 8 第二節 技術指標概論．．．．．．．．．．．．．．．．． 11 第三節 類神經網路．．．
．．．．．．．．．．．．．．． 23 第四節 國內外文獻探討．．．．．．．．．．．．．． 28 第三章 研究 方法．．．．．．．．．．．．．．．．．．．．．． 42 第一節 實驗步驟．．．．．．．．．．．．．．．．
．．． 42 第二節 變數與資料建置．．．．．．．．．．．．．． 43 第三節 類神經網路建置．．．．．
．．．．．．．．．． 48 第四節 類神經網路的訓練與驗證．．．．．．．．．．．．． 50 第四章 實驗結果與 分析．．．．．．．．．．．．．．．．．．．．．．52 第一節 類神經網路架構之探討．．．．．．．．．．．
． 52 第二節 平盤區間判定探討．．．．．．．．．．．．．．．． 55 第三節 比較預測能力．．．．．
．．．．．．．．．．．． 56 第四節 指標組合之預測能力探討．．．．．．．．．．． 59 第五節 訓練時間與驗 證時間相關性之探討．．．．．．．． 63 第六節 美國NASDAQ的運用．．．．．．．．．．．．． 64 第五章 研究結論
．．．．．．．．．．．．．．．．．．．．．． 68 第一節 研究結論．．．．．．．．．．．．．．．．． 68 第二節 研究貢獻．．．．．．．．．．．．．．．．．．． 69 第三節 未來研究方向．．．．．．．．．．．．．．
．．． 70 參考文獻．．．．．．．．．．．．．．．．．．．．．．．．． 72 參考文獻
一、中文部份 王鐘億(1998)，類神經網路投資決策支援系統投資策略之研究，國立成功大學商學研究所未出版之碩士論文。 金恩(2003)
，RSI與乖離率，台北:經史子集出版社。 故國瑜(1996)，類神經網路產業盈餘預測及其投資策略之研究-以電子電機及紡織業為例，國立 政治大學資管所未出版之碩士論文。 徐松奕(2003)，以技術指標對台灣加權股價期貨指數報酬之研究，國立東華大學企業管理研究所未 出版之碩士論文。 陳正榮(2001)，以濾嘴法則檢驗台灣股票市場弱勢效率性之研究，高雄第一科技大學管理學系未出版之碩士論文。 陳 應慶(2004)，應用技術分析指標於台灣股票市場加權指數買進時機切入之實證研究─以RSI、MACD及DIF為技術指標，佛光人文社會學 院管理學研究所未出版之碩士論文。 陳進忠(2005)，股票聖經-技術分析寶典，台北:中經社文化有限公司。 陳志龍(2006)，運用類神經網 路與技術指標預測股票型基金漲跌及交易時機之研究－以臺灣50指數股票型基金為例，朝陽科技大學資訊管理研究所未出版之碩士論文
。 許智和(2002)，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，雲林科技大學資訊管理系碩士班未出版之碩士論文。 張振 魁(2000)，以類神經網路提高股票單日交易策略之獲利，國立中央大學資訊管理研究所未出版之碩士論文。 曾思博(1999)，類神經網路於 股價預測與資金配置之應用，國立中央大學資訊管理研究所未出版之碩士論文。 黃怡中(2002)，在不同技術指標交易策略停損機制設置
與否之績效分析，銘傳大學在職專班未出版之碩士論文。 楊孟龍(2000)，類神經網路於股價波段預測及選股之應用，國立中央大學資訊 管理研究所未出版之碩士論文。 楊家維(2000)，技術分析用於當沖之有效性研究-台灣股市之實證分析，台北大學經濟研究所未出版之碩 士論文。 葉怡成(1997)，應用類神經網路，台北:儒林圖書有限公司。 葉怡成(2003)，類神經網路模式應用與實作，台北:儒林圖書有限公 司。 蔡尚儒(2000)，台灣店頭市場技術分析的實證研究，國立中正大學財務金融所未出版之碩士論文。 劉明漲(2007)，技術指標與電子 類股操作績效，國立中正大學財務金融研究所未出版之碩士論文。 劉映興(1995)，台灣股票市場符合隨機漫步假說？──以多重技術分 析及統計檢定驗證，大葉大學事業經營研究所未出版之碩士論文。 賴宏祺(1997)，技術分析有效性之研究，國立中興大學企業管理學研 究所未出版之碩士論文。 謝玉華(1999)，以拔靴複製法檢驗技術分析交易策略，銘傳大學金融研究所未出版之碩士論文。 羅華強(2005)
，類神經網路:MATLAB的應用，台北:高立圖書有限公司。 二、英文部分 Shmilovici, A. , Alon-Brimer, Y. & Hauser, S. (2003). Using a stochastic complexity measure to check the efficient market hypothesis. Computational Economics, 22(2), 273-284. Bessembinder, H., & Chan, K.
(1995). The profitability of technical trading rules in the Asian stock markets. Pacific-Basin Finance Journal, 3(2), 257-284. Bohan, J. (1981).
Relative Strength: Further Positive Evidence. Journal of Portfolio Management, 7(1), 36-39. Baba, N. & Kozaki, M. (1992). An Intelligent Forcasting System of Stock Price Using Nerual Network. IEEE/INNS International Joint Conferenceon Neural Networks, 1, 371-377. Brock, W., Lakonishok, J., & LeBaron, B. (1992). Simple technical trading rules and stochastic properties of stock return. Journal of Finance, 47(5), 1731-1764.
Chenoweth, T., Obradovic, Z., & Lee, S. (1995). Technical trading rules as a prior knowledge to a neural networks prediction system for the S&P 500 Index. IEEE Technical Applications Conference and Workshop, 111-115. Fama, E. F. (1970). Efficient capital markets. A review of theory and empirical work. Journal of Finance, 25(2), 383-417. Fama, E. F. (1991). Efficient capital markets Ⅱ. Journal of Finance 46(5), 1575-1618.
Gunasekarage, A. & Power D. M.（2001）. The profitability of moving average trading rules in South Asian stock markets. Emerging Markets Review, 2, 17-33. Jame, F. E.(1968). Monthly Moving Average : An Effective Investment Tools. Journal of financial and Quantitative Analysis, 3, 315-326. Kimoto, T., & Asakawa, K. (1990). Stock market prediction system with modular neural network. The Mit Press, 25(23), 36-43. Malkiel, B. G. (1999). A random walk down Wall Street (7th ed). New York: W. W. Norton & Company: London. Kuo, R. J., Chen, C. H. & Hwang, Y. C.
(2001). An intelligent stock trading decision support system through integration of genetic algorithm based fuzzy neural network and artificial neural network. Fuzzy arts and systems, 118(1), 21-45. Lee, C. T. & Chen, Y. P. (2007). The efficacy of neural networks and simple technical indicators in predicting stock markets. Proceedings of the 2007 International Conference on Convergence Information Technology, 2292-2297.
Levy, Robert A. (1967). Relative strength as a criterion for investment selection. Journal of Finance, 22, 595-610. Pruitt, Stephen W., & Richard E.
W. (1988). The CRISMA trading system: who says technical analysis can’t beat the market ? Journal of Portfolio Management, 55-58. Szakmary, A., Davidson, W. N., & Schwarzy, T. V. (1999). Filter tests in Nasdaq Stocks. Finance Review, 34, 34-70.
