資料採礦分類分析系統(tǒng)之建構(gòu)與應(yīng)用

-信用貸款違約與選股系統(tǒng)應(yīng)用

指導(dǎo)教授：姜林杰祐博士學(xué)生：陳冠名第一頁，共五十五頁。摘要本研究以資料採礦的分類方法為核心，嘗試建構(gòu)一開放式的分類分析系統(tǒng)，其內(nèi)含的分類演算法包括ID3、C4.5、貝氏分類法與記憶基礎(chǔ)推論法等。為驗(yàn)證本系統(tǒng)的有效性，本研究以銀行信用貸款資料庫為例，分類正常戶與違約戶；並將此分類工具應(yīng)用於股市的分析、預(yù)測，期能以此系統(tǒng)發(fā)展資料趨導(dǎo)式的選股模型CompanyLogo第二頁，共五十五頁。報(bào)告大綱第一章、研究目的與動(dòng)機(jī)。第二章、文獻(xiàn)探討。第三章、資料採礦分類分析系統(tǒng)開發(fā)。第四章、實(shí)例應(yīng)用一。第五章、實(shí)例應(yīng)用二。第六章、結(jié)論與未來研究。CompanyLogo第三頁，共五十五頁。研究動(dòng)機(jī)與目的

近年來資料氾濫，如何在過度氾濫的資料中去蕪存菁，將無用的資料過濾，進(jìn)而獲得有用的資訊、知識(shí)是相當(dāng)重要的議題，而資料採礦即是對資料進(jìn)行分析，以求在大量資料中獲取資訊的有效方法。CompanyLogo第四頁，共五十五頁。資料採礦方法在財(cái)金領(lǐng)域應(yīng)用現(xiàn)況PhilipJoos等(1998)將LogitModel以及決策樹用於比利時(shí)某大型銀行資料庫進(jìn)行信用分類，獲得80%以上之的準(zhǔn)確度。NazliIkizler等(2000)使用決策樹C4.5演算法對銀行放款資料進(jìn)行分析，試圖找出令人感興趣的分類規(guī)則，此研究結(jié)果發(fā)現(xiàn)數(shù)條有用之分類規(guī)則，可供決策運(yùn)用。Muh-CherngWu等(2006)以決策樹結(jié)合濾嘴法則，應(yīng)用於股市交易，獲得13%的報(bào)酬率。CompanyLogo第五頁，共五十五頁。資料採礦於金融業(yè)之應(yīng)用資料來源：吳振晃(2003)應(yīng)用領(lǐng)域應(yīng)用情況信用卡公司信用卡公司使用資料採礦來增加信用卡的應(yīng)用，作購買授權(quán)決定，分析持卡人購買行為，並偵測詐騙行為金融服務(wù)機(jī)構(gòu)分析師使用資料採礦技術(shù)，來分析大量的財(cái)務(wù)資料，建立交易模型來發(fā)展投資策略銀行銀行使用資料倉儲(chǔ)來促進(jìn)資料採礦作業(yè)，並詳細(xì)的分析客戶資料，然後整合這些成果以形成行銷策略，也可以使用資料採礦技術(shù)，識(shí)別客戶的貸款活動(dòng)，調(diào)整金融商品以符合客戶需求，尋找新客源，加強(qiáng)客戶服務(wù)。保險(xiǎn)公司資料採礦技術(shù)最近已提供保險(xiǎn)業(yè)者，從大型資料庫中取得有價(jià)值的資訊以進(jìn)行決策，這些資訊可讓保險(xiǎn)業(yè)者進(jìn)一步認(rèn)識(shí)客戶，並可有效的偵測保險(xiǎn)詐欺。CompanyLogo第六頁，共五十五頁。資料採礦方法分群。分群是針對樣本進(jìn)行劃分，與分類不同的是，進(jìn)行分類時(shí)使用者必須明確知道要以何種準(zhǔn)則來對樣本進(jìn)行劃分，而分群屬於非監(jiān)督式學(xué)習(xí)法，使用者不需知道樣本要依何種準(zhǔn)則進(jìn)行劃分(有時(shí)也無法得知)，分群演算法會(huì)自動(dòng)對樣本進(jìn)行劃分，在圖形辨識(shí)、市場區(qū)隔等領(lǐng)域都有優(yōu)異的表現(xiàn)，主要演算法有K-平均法、K-物件法等。關(guān)聯(lián)。此演算法主要是要探究，當(dāng)某一事件發(fā)生時(shí)，是否會(huì)帶動(dòng)另一事件跟著發(fā)生，是一種探究因果關(guān)係的方法，最著名的應(yīng)用為購物籃分析，用以發(fā)現(xiàn)消費(fèi)者的購買行為，以Apriori演算法最為經(jīng)典。分類。為一監(jiān)督式學(xué)習(xí)方法，主要用於對樣本進(jìn)行類別的劃分，如對銀行客戶進(jìn)行信用分級(jí)、預(yù)測違約戶…等都是其主要應(yīng)用領(lǐng)域，分類包含了眾多演算法可供使用，如決策樹、類神經(jīng)網(wǎng)路、支援向量機(jī)(SVM)、貝氏分類法、記憶基礎(chǔ)推論法(MBR)…等都是知名的分類演算法。CompanyLogo第七頁，共五十五頁。決策樹ID3：以資訊理論作為屬性選擇之依據(jù)C4.5：改良自ID3CompanyLogo第八頁，共五十五頁。貝氏分類法貝氏定理：現(xiàn)實(shí)中，類別C中出現(xiàn)X客戶的機(jī)率無法求得再假設(shè)各屬性值相互獨(dú)立由上述可得CompanyLogo第九頁，共五十五頁。記憶基礎(chǔ)推論法步驟1選取訓(xùn)練樣本集步驟2計(jì)算屬性距離絕對差：平方差：標(biāo)準(zhǔn)差：步驟3計(jì)算資料距離，將上述求得各屬性距離加以組合成一個(gè)值，用以代表兩資料間的距離，常用合成方式如下總和：標(biāo)準(zhǔn)化總和：歐基里徳距離：CompanyLogo第十頁，共五十五頁。記憶基礎(chǔ)推論法(續(xù))步驟4選取k筆鄰近資料進(jìn)行表決，為了避免表決時(shí)有平手的情況，k應(yīng)取單數(shù)為佳。步驟5表決方式選擇，判定方式以選出之k個(gè)鄰近資料進(jìn)行多數(shù)決，多者即為該預(yù)測樣本歸屬之類別，常用判定方式如下：民主選舉法：所選之k個(gè)鄰近樣本具有相同權(quán)重，以多者為勝。加權(quán)選舉法：依據(jù)所選之k個(gè)鄰近樣本與預(yù)測樣本的距離給予權(quán)重，距離預(yù)測樣本愈近，則權(quán)重愈大。CompanyLogo第十一頁，共五十五頁。系統(tǒng)架構(gòu)CompanyLogo第十二頁，共五十五頁。決策樹流程CompanyLogo第十三頁，共五十五頁。貝氏分類法流程CompanyLogo第十四頁，共五十五頁。記憶基礎(chǔ)推論法流程CompanyLogo第十五頁，共五十五頁。銀行信用貸款違約分析實(shí)驗(yàn)流程決策樹分析貝式分類法分析記憶基礎(chǔ)推論法分析CompanyLogo第十六頁，共五十五頁。實(shí)驗(yàn)流程資料獲取：將欲進(jìn)行分析之資料載入資料表資料前置處理：共有雜訊處理、資料離散化、訓(xùn)練/測試樣本選取三部份雜訊處理：將兩標(biāo)準(zhǔn)差以外之資料視為雜訊。資料離散化：以等寬裝箱法將連續(xù)型資料分為五類。訓(xùn)練/測試樣本選取：隨機(jī)挑選151筆資料進(jìn)行訓(xùn)練，75筆資料用於測試。探勘方法選?。阂朗褂谜咝枨筮x取合適之探勘方法，系統(tǒng)提供方法有決策樹、貝氏分類法、記憶基礎(chǔ)推論法。CompanyLogo第十七頁，共五十五頁。決策樹分析實(shí)驗(yàn)設(shè)定

參與屬性

貸款金額、性別、學(xué)歷、婚姻、職業(yè)、是否雙薪、保證人、收入、年齡、子女人數(shù)、負(fù)債、信用卡、用卡狀況、建物樣式、建物坪數(shù)、建築年數(shù)、押品樓層、寬緩本金、信用型態(tài)…等19個(gè)屬性。目標(biāo)屬性

信用型態(tài)，0代表不違約，1代表違約。雜訊處理

將2標(biāo)準(zhǔn)差以外的資料視為雜訊，予以刪除。資料離散化

以等寬裝箱法，將連續(xù)型資料分為5類樣本選取原本300筆資料，經(jīng)過雜訊處理後剩下226筆，隨機(jī)挑選151筆為訓(xùn)練樣本，75筆為測試樣本。探勘演算法

ID3、C4.5。中止條件

最大深度1、2、3層，及無限制。CompanyLogo第十八頁，共五十五頁。決策樹分析(續(xù))實(shí)驗(yàn)結(jié)果

ID3實(shí)驗(yàn)結(jié)果C4.5實(shí)驗(yàn)結(jié)果

無限制最大深度1最大深度2最大深度3樣本內(nèi)準(zhǔn)確度10.73510.7550.9338樣本外準(zhǔn)確度0.520.70670.53330.5733無限制最大深度1最大深度2最大深度3樣本內(nèi)準(zhǔn)確度10.72190.74170.7616樣本外準(zhǔn)確度0.61330.73330.69330.7067CompanyLogo第十九頁，共五十五頁。決策樹分析(續(xù))分類規(guī)則

CompanyLogo第二十頁，共五十五頁。決策樹分析(續(xù))樹狀圖CompanyLogo第二十一頁，共五十五頁。貝式分類法分析實(shí)驗(yàn)設(shè)定實(shí)驗(yàn)結(jié)果參與屬性貸款金額、性別、學(xué)歷、婚姻、職業(yè)、是否雙薪、保證人、收入、年齡、子女人數(shù)、負(fù)債、信用卡數(shù)、用卡狀況、建物樣式、建物坪數(shù)、建築年數(shù)、押品樓層、寬緩本金、信用型態(tài)…等19個(gè)屬性目標(biāo)屬性信用型態(tài)，0代表不違約，1代表違約。雜訊處理將2標(biāo)準(zhǔn)差以外的資料視為雜訊，予以刪除。資料離散化以等寬裝箱法，將連續(xù)型資料分為5類樣本選取原本300筆資料，經(jīng)過雜訊處理後剩下226筆，隨機(jī)挑選151筆為訓(xùn)練樣本，75筆。探勘演算法貝氏分類法。樣本內(nèi)準(zhǔn)確度0.7610樣本外準(zhǔn)確度0.6578CompanyLogo第二十二頁，共五十五頁。記憶基礎(chǔ)推論法分析實(shí)驗(yàn)設(shè)定參與屬性

貸款金額、性別、學(xué)歷、婚姻、職業(yè)、是否雙薪、保證人、收入、年齡、子女人數(shù)、負(fù)債、信用卡、用卡狀況、建物樣式、建物坪數(shù)、建築年數(shù)、押品樓層、寬緩本金、信用型態(tài)…等19個(gè)屬性。目標(biāo)屬性

信用型態(tài)，0代表不違約，1代表違約。雜訊處理

將2標(biāo)準(zhǔn)差以外的資料視為雜訊，予以刪除。資料離散化

以等寬裝箱法，將連續(xù)型資料分為5類樣本選取各類別隨機(jī)挑選30筆，共60筆資料作為訓(xùn)練樣本集；挑選15筆鄰近資料作為表決資料集，隨機(jī)挑選75比為測試資料集。探勘演算法

記憶基礎(chǔ)推論法。其他

1.針對各距離函數(shù)及合成方式一一測試，共有九種測試組合2.判定方式採民主選舉法CompanyLogo第二十三頁，共五十五頁。記憶基礎(chǔ)推論法分析(續(xù))實(shí)驗(yàn)結(jié)果

總和標(biāo)準(zhǔn)化總和歐基里徳距離絕對差0.760.760.6267平方差0.62670.62670.56標(biāo)準(zhǔn)差0.880.880.9333CompanyLogo第二十四頁，共五十五頁。實(shí)例一總結(jié)決策樹因?yàn)橛幸粭l條的分類規(guī)則輸出，較易解釋獲得之分類結(jié)果，在實(shí)務(wù)上較受歡迎，且輸出之規(guī)則可做為未來決策判斷之用。貝氏分類法以貝氏定理為基礎(chǔ)簡單易用，且只需知道各類別所包含的資料個(gè)數(shù)，即可計(jì)算出機(jī)率，因此此方法具漸增性–當(dāng)資料增加時(shí)不必從頭計(jì)算，只需將新舊資料各類別之資料數(shù)加總即可。記憶基礎(chǔ)推論法之預(yù)測效果最優(yōu)，對於小樣本也可獲得不錯(cuò)的準(zhǔn)確度，然而卻也是此方法之缺點(diǎn)，此法因?yàn)橛?jì)算量太過龐大，不適於大樣本之預(yù)測。CompanyLogo第二十五頁，共五十五頁。資料導(dǎo)向的選股模型建構(gòu)臺(tái)灣上市公司個(gè)股應(yīng)用臺(tái)灣大盤指數(shù)應(yīng)用CompanyLogo第二十六頁，共五十五頁。臺(tái)灣上市公司個(gè)股應(yīng)用此部份將資料探勘技術(shù)應(yīng)用於股票市場，分析上市公司的財(cái)務(wù)資料，用以預(yù)測下一季的股票平均季報(bào)酬，進(jìn)而使用這些規(guī)則來協(xié)助投資者建立選股模型。本實(shí)驗(yàn)採決策樹以及貝氏分類法進(jìn)行測試，詳細(xì)如下CompanyLogo第二十七頁，共五十五頁。決策樹實(shí)驗(yàn)設(shè)定

參與屬性

現(xiàn)金週轉(zhuǎn)率、資產(chǎn)週轉(zhuǎn)率、營收成長率、成本率、營業(yè)比率、股東權(quán)益報(bào)酬率、資產(chǎn)報(bào)酬率、財(cái)務(wù)槓桿度、資產(chǎn)、負(fù)債、股本、營業(yè)淨(jìng)利、稅後淨(jìng)利成長率、營業(yè)外收支、基本EPS、季平均報(bào)酬…等16個(gè)屬性目標(biāo)屬性

季平均報(bào)酬，0代表低於門檻，1代表高於門檻。門檻值

目標(biāo)屬性分類的依據(jù)，此實(shí)驗(yàn)測試季平均報(bào)酬0%、3%、5%三種情況。雜訊處理

將2標(biāo)準(zhǔn)差以外的資料視為雜訊，予以刪除。資料離散化

以等寬裝箱法，將連續(xù)型資料分為3類，詳細(xì)資料請見下列資料轉(zhuǎn)換前數(shù)值表，以及資料轉(zhuǎn)換後數(shù)值表。實(shí)驗(yàn)資料

臺(tái)灣上市公司2000年第一季至2007第三季。樣本選取

經(jīng)過雜訊處理後剩下11548筆，隨機(jī)挑選7698筆為訓(xùn)練樣本，3850筆為測試樣本。探勘演算法

C4.5中止條件

最大深度5層，最低樣本比例1%，以及無限制。CompanyLogo第二十八頁，共五十五頁。決策樹(續(xù))實(shí)驗(yàn)結(jié)果

季平均報(bào)酬0%實(shí)驗(yàn)結(jié)果

季平均報(bào)酬3%實(shí)驗(yàn)結(jié)果季平均報(bào)酬5%實(shí)驗(yàn)結(jié)果無限制最大深度5最低樣本比例1%樣本內(nèi)準(zhǔn)確度0.55720.52360.5423樣本外準(zhǔn)確度0.49320.52470.5106無限制最大深度5最低樣本比例1%樣本內(nèi)準(zhǔn)確度0.70170.69560.6945樣本外準(zhǔn)確度0.6660.68520.6813無限制最大深度5最低樣本比例1%樣本內(nèi)準(zhǔn)確度0.78940.78440.7832樣本外準(zhǔn)確度0.75420.7750.7732CompanyLogo第二十九頁，共五十五頁。決策樹(續(xù))分類規(guī)則由圖中規(guī)則可知，營收成長率、股東權(quán)益報(bào)酬率、資產(chǎn)週轉(zhuǎn)率…等屬性較為重要，投資者在分析公司財(cái)務(wù)狀況時(shí)，可以多留意這些屬性，例如，由圖15之規(guī)則我們可知營收成長率介於1612.85~3437.00，且資產(chǎn)週轉(zhuǎn)率介於0.14~0.34則平均季報(bào)酬大於5%，因此在進(jìn)行股票選擇時(shí)，投資者可優(yōu)先考量符合此條件之公司。CompanyLogo第三十頁，共五十五頁。貝氏分類法實(shí)驗(yàn)設(shè)定參與屬性

現(xiàn)金週轉(zhuǎn)率、資產(chǎn)週轉(zhuǎn)率、營收成長率、成本率、營業(yè)比率、股東權(quán)益報(bào)酬率、資產(chǎn)報(bào)酬率、財(cái)務(wù)槓桿度、資產(chǎn)、負(fù)債、股本、營業(yè)淨(jìng)利、稅後淨(jìng)利成長率、營業(yè)外收支、基本EPS、季平均報(bào)酬…等16個(gè)屬性目標(biāo)屬性

季平均報(bào)酬，0代表低於門檻，1代表高於門檻。門檻值

目標(biāo)屬性分類的依據(jù)，此實(shí)驗(yàn)測試季平均報(bào)酬0%、3%、5%三種情況。雜訊處理

將2標(biāo)準(zhǔn)差以外的資料視為雜訊，予以刪除。資料離散化

以等寬裝箱法，將連續(xù)型資料分為3類，，詳細(xì)資料請見下列資料轉(zhuǎn)換前數(shù)值表，以及資料轉(zhuǎn)換後數(shù)值表。實(shí)驗(yàn)資料

臺(tái)灣上市公司2000年第一季至2007第三季。樣本選取

經(jīng)過雜訊處理後剩下11548筆，隨機(jī)挑選7698筆為訓(xùn)練樣本，3850筆為測試樣本。探勘演算法

貝氏分類CompanyLogo第三十一頁，共五十五頁。貝氏分類法(續(xù))實(shí)驗(yàn)結(jié)果

門檻值0%門檻值3%門檻值5%樣本內(nèi)準(zhǔn)確度0.50520.6843

0.7708樣本外準(zhǔn)確度0.49640.68180.7734CompanyLogo第三十二頁，共五十五頁。臺(tái)灣上市公司個(gè)股應(yīng)用總結(jié)以季平均報(bào)酬5%所得預(yù)測效果不管終止條件為何皆較其他為好。實(shí)驗(yàn)最佳準(zhǔn)確度約為70%，表現(xiàn)並不優(yōu)異，可就參與屬性多做調(diào)整，已達(dá)到更理想的目標(biāo)。CompanyLogo第三十三頁，共五十五頁。臺(tái)灣大盤指數(shù)應(yīng)用本案例使用技術(shù)指標(biāo)，結(jié)合決策樹C4.5演算法，用以預(yù)測臺(tái)灣大盤趨勢，先利用系統(tǒng)求得分類規(guī)則，再挑選出具代表性之規(guī)則，利用所挑選之規(guī)則進(jìn)行回測，以測試投資績效。CompanyLogo第三十四頁，共五十五頁。資料區(qū)間資料為1968年1月至2007年12月每日之TES指數(shù)，本實(shí)驗(yàn)以移動(dòng)視窗法將資料進(jìn)行分段，每段十五年，共分六段，每段中以前八年為訓(xùn)練樣本，次兩年為測試樣本，最後五年之資料進(jìn)行回測，每段移動(dòng)幅度為五年，如下圖：CompanyLogo第三十五頁，共五十五頁。資料數(shù)值說明變數(shù)名稱

資料型態(tài)

數(shù)值說明

移動(dòng)平均(MA)類別0：其他1：MA走勢向上，指數(shù)由下向上突破MA(黃金交叉)2：MA走勢向下，指數(shù)由上向下突破MA(死亡交叉)3：MA走勢向上，指數(shù)向下突破MA(假跌破)4：MA走勢向下，指數(shù)向上突破MA(假突破)5：指數(shù)由上而下逼近MA，但沒有跌破MA，且向上翻升(拉回)6：指數(shù)由下而上逼近MA，但沒有突破MA，且向下反轉(zhuǎn)(反彈)乖離率(BIAS)類別0：其他1：BIAS小於-4.5%2：BIAS大於5%指數(shù)平滑異同移動(dòng)平均(MACD)類別0：其他1：DIF由下而上突破MACD2：DIF由下突破MACDCompanyLogo第三十六頁，共五十五頁。實(shí)驗(yàn)設(shè)定參與屬性

MA、BIAS、MACD、KD…等十三個(gè)技術(shù)指標(biāo)目標(biāo)屬性

指數(shù)投資報(bào)酬率探勘演算法

C4.5中止條件

最大深度5層，最大深3層。CompanyLogo第三十七頁，共五十五頁。實(shí)驗(yàn)結(jié)果最大深度3層實(shí)驗(yàn)準(zhǔn)確度最大深度5層實(shí)驗(yàn)準(zhǔn)確度期間

1968~1977

1973~1982

1978~1987

1983~1992

1988~1997

1993~2002

1998~2007

準(zhǔn)確度

0.59720.58180.60490.65270.5610.640206061期間

1968~1977

1973~1982

1978~1987

1983~1992

1988~1997

1993~2002

1998~2007

準(zhǔn)確度

0.6736

0.6695

0.6224

0.7047

0.6272

0.685

0.6551

CompanyLogo第三十八頁，共五十五頁。有效規(guī)則篩選期間買賣訊號(hào)使用指標(biāo)規(guī)則說明1968~1997買DMI,BR,BIAS,OBV(1)+DI由上而下突破-DI且BR介於0.6~5.2間(2)乖離率介於-0.045~0.05間且OBV值由正轉(zhuǎn)負(fù)賣DMI,BIAS,%R,OBV(1)+DI由下而上突破-DI且WMS%R介於20~80間(2)乖離率介於-0.045~0.05間且OBV值由負(fù)轉(zhuǎn)正1973~1982買BIAS,MA,DMI,%R(1)乖離率介於-0.045~0.05間且MA走勢向下，指數(shù)由上向下突破MA(死亡交叉)(2)乖離率介於-0.045~0.05間且MA走勢向上，指數(shù)向下突破MA(假跌破)(3)乖離率介於-0.045~0.05間且指數(shù)由下而上逼近MA，但沒有突破MA，且向下反轉(zhuǎn)(反彈)賣BIAS,MA,DMI,PSY(1)乖離率介於-0.045~0.05間且MA走勢向上，指數(shù)由下向上突破MA(黃金交叉)(2)乖離率介於-0.045~0.05間且MA走勢向下，指數(shù)向上突破MA(假突破)(3)乖離率介於-0.045~0.05間且指數(shù)由上而下逼近MA，但沒有跌破MA，且向上翻升(拉回)(4)+DI由下而上突破-DI且乖離率介於25%~75%間1978~1987買BIAS,DMI,%R(1)乖離率介於-0.045~0.05間且9日WMS%R值大於80(2)乖離率介於-0.045~0.05間且+DI由上而下突破-DI賣BIAS,DMI,%R(1)乖離率介於-0.045~0.05間且9日WMS%R值小於20(2)乖離率介於-0.045~0.05間且+DI由下而上突破-DICompanyLogo第三十九頁，共五十五頁。有效規(guī)則篩選

(續(xù))期間買賣訊號(hào)使用指標(biāo)規(guī)則說明1983~1992買BIAS,DMI,%R乖離率小於-0.045乖離率介於-0.045~0.05間且9日WMS%R值大於80乖離率介於-0.045~0.05間且+DI由上而下突破-DI賣BIAS,DMI,%R(1)乖離率介於-0.045~0.05間且9日WMS%R值小於20(2)乖離率介於-0.045~0.05間且+DI由下而上突破-DI且WMS%R介於20~80間1988~1997買BIAS,MA,DMI乖離率小於-0.045乖離率介於-0.045~0.05間且MA走勢向下，指數(shù)由上向下突破MA(死亡交叉)乖離率介於-0.045~0.05間且MA走勢向上，指數(shù)向下突破MA(假跌破)乖離率介於-0.045~0.05間且+DI由上而下突破-DI賣BIAS,MA,DMI(1)乖離率介於-0.045~0.05間且MA走勢向上，指數(shù)由下向上突破MA(黃金交叉)(2)乖離率介於-0.045~0.05間且MA走勢向下，指數(shù)向上突破MA(假突破)(3)乖離率介於-0.045~0.05間且指數(shù)由上而下逼近MA，但沒有跌破MA，且向上翻升(拉回)(4)乖離率介於-0.045~0.05間且指數(shù)由下而上逼近MA，但沒有突破MA，且向下反轉(zhuǎn)(反彈)(5)乖離率介於-0.045~0.05間且+DI由下而上突破-DI且WMS%R介於20~80間1993~2002買BIAS,DMI,%R,PSY(1)乖離率介於-0.045~0.05間且9日WMS%R值大於80(2)乖離率介於-0.045~0.05間且+DI由上而下突破-DI(3)乖離率小於-0.045且PSY介於25%~75%之間賣BIAS,DMI,%R(1)乖離率介於-0.045~0.05間且9日WMS%R值小於20(2)乖離率介於-0.045~0.05間且+DI由下而上突破-DICompanyLogo第四十頁，共五十五頁?；販y系統(tǒng)所獲得之分類規(guī)則，無非想建立一選股模型，以運(yùn)用於股票市場，期能對投資者有所幫助，此處說明將先前獲得之分類規(guī)則做適當(dāng)處理，再利用程式交易軟體”TradeStation”對選股規(guī)則進(jìn)行回測，驗(yàn)證選股模型對投資者是否有所幫助。報(bào)酬率回測期間1978~19821983~19871988~19921993~19971998~20022003~2007總報(bào)酬率53%-574.8%1707.8%985%-629.2%866.8%CompanyLogo第四十一頁，共五十五頁。交易資訊以及報(bào)酬曲線期間一(1978~1982)交易資訊

期間一(1978~1982)報(bào)酬曲線期初金額100000期末淨(jìng)利53000交易次數(shù)30獲利次數(shù)23勝率76.67%平均交易獲利/損失1766.67最大獲利金額30000最大損失金額-26000平均獲利交易金額4452.17平均損失交易金額-7057.14期末報(bào)酬率53%CompanyLogo第四十二頁，共五十五頁。交易資訊以及報(bào)酬曲線(續(xù))期間二(1983~1987)交易資訊期間二(1983~1987)報(bào)酬曲線期初金額100000期末淨(jìng)利-574800交易次數(shù)154獲利次數(shù)96勝率62.34%平均交易獲利/損失-3732.47最大獲利交易金額167800最大損失交易金額-286200平均獲利交易金額4608.33平均損失交易金額-17537.93期末報(bào)酬率-574.8%CompanyLogo第四十三頁，共五十五頁。交易資訊以及報(bào)酬曲線(續(xù))期間三(1988~1992)交易資訊期間三(1988~1992)報(bào)酬曲線期初金額100000期末淨(jìng)利交易次數(shù)114獲利次數(shù)56勝率49.12%平均交易獲利/損失14980.7最大獲利交易金額934800最大損失交易金額-287800平均獲利交易金額86514.29平均損失交易金額-54086.21期末報(bào)酬率1707.8%CompanyLogo第四十四頁，共五十五頁。交易資訊以及報(bào)酬曲線(續(xù))期間四(1993~1997)交易資訊期間四(1993~1997)報(bào)酬曲線期初金額100000期末淨(jìng)利985000交易次數(shù)186獲利次數(shù)106勝率56.99%平均交易獲利/損失5295.7最大獲利交易金額293200最大損失交易金額-104000平均獲利交易金額33416.98平均損失交易金額-31965期末報(bào)酬率985%CompanyLogo第四十五頁，共五十五頁。交易資訊以及報(bào)酬曲線(續(xù))期間五(1998~2002)交易資訊

期間五(1998~2002)報(bào)酬曲線期初金額100000期末淨(jìng)利-629200交易次數(shù)243獲利次數(shù)144勝率59.26%平均交易獲利/損失-2589.3最大獲利交易金額203200最大損失交易金額-395800平均獲利交易金額27530.56平均損失交易金額-46400期末報(bào)酬率-629.2%CompanyLogo第四十六頁，共五十五頁。交易資訊以及報(bào)酬曲線(續(xù))期間六(2003~2007)交易資訊期間六(2003~2007)報(bào)酬曲線期初金額100000期末淨(jìng)利-629200交易次數(shù)217獲利次數(shù)144勝率65.44%平均交易獲利/損失-2589.3最大獲利交易金額204000最大損失交易金額-395800平均獲利交易金額20814.08平均損失交易金額-46400期末報(bào)酬率866.8%CompanyLogo第四十七頁，共五十五頁。臺(tái)灣大盤指數(shù)應(yīng)用總結(jié)由實(shí)驗(yàn)結(jié)果看出，第二及第五段訓(xùn)練期間所得之規(guī)則，使用移動(dòng)平均作為判斷依據(jù)，在TradeStation回測下所得之報(bào)酬皆為負(fù)報(bào)酬，且由報(bào)酬曲線可看出，隨著交易次數(shù)增多，投資報(bào)酬率漸漸趨向於負(fù)，曲線呈負(fù)斜率，投資者在做投資時(shí)可稍加留意。由第三、第四以及第六訓(xùn)練期間所得之規(guī)則，同時(shí)使用乖離率、趨向指標(biāo)以及威廉指標(biāo)作為選股依據(jù)，可獲得良好之報(bào)酬率，再觀察報(bào)酬曲線，可發(fā)現(xiàn)使用此三項(xiàng)指標(biāo)作為策略依據(jù)之報(bào)酬曲線，期間雖小有震盪，但大致趨勢呈正斜率，此三指標(biāo)應(yīng)可作為投資者參考之用。CompanyLogo第四十八頁，共五十五頁。結(jié)論與未來研究此篇論文簡單說明了資料採礦方法及其應(yīng)用，並以自建系統(tǒng)操作兩個(gè)實(shí)例，分別為銀行和股市方面的應(yīng)用，期望能以系統(tǒng)所得之分類規(guī)則幫助使用者決策。在銀行應(yīng)用方面，對銀行貸款資料進(jìn)行分析，以本系統(tǒng)所提供之各方法求得之分類規(guī)則，準(zhǔn)確度約為70%