智慧型系統(tǒng)整合傳統(tǒng)投資技術(shù)法則

支援證券投資決策之實證研究

指導(dǎo)教授：許中川教授黃金生教授研究生：馬千慧第一頁，共五十六頁。大綱一、緒論二、文獻探討三、研究架構(gòu)四、實證結(jié)果與分析五、結(jié)論與未來工作第二頁，共五十六頁。一、緒論1.1研究背景與動機1.2研究目的1.3研究範圍與限制1.4研究流程1.5研究架構(gòu)第三頁，共五十六頁。本資料來源第四頁，共五十六頁。1.1研究背景與動機類神經(jīng)網(wǎng)路，無法告知使用者整個系統(tǒng)的決策過程智慧型系統(tǒng)所萃取出的法則，與傳統(tǒng)技術(shù)分析是否有謀合能力傳統(tǒng)財務(wù)學(xué)家多傾向認為市場至少具備弱勢效率，而在臺灣股市技術(shù)分析廣為投資者使用，且多有實證證明有獲利空間相關(guān)研究著重於智慧型系統(tǒng)與經(jīng)驗法則預(yù)測能力第五頁，共五十六頁。1.2研究目的建立以知識為基礎(chǔ)之類神經(jīng)網(wǎng)路股票預(yù)測系統(tǒng)

資料庫知識結(jié)構(gòu)的探勘，提升預(yù)測結(jié)果的可理解性

與傳統(tǒng)技術(shù)分析法則進行比較

選定全樣本期間進行測試，對本實驗的決策工具進行嚴謹?shù)臋z定分析。第六頁，共五十六頁。1.3研究範圍與限制89年1月5日至91年2月27日之臺灣股票加權(quán)指數(shù)日資料作為研究範圍將資料期間分割為五個區(qū)間假設(shè)投資市場不具弱勢效率市場特性

僅選取目前在市面上廣為使用的計量型技術(shù)指標作為輸入變數(shù)

技術(shù)指標之計算無法考量同步交易之誤差效果不考慮交易成本與融資、融券之市場實況第七頁，共五十六頁。1.4研究流程尋找並確認研究主題確認研究動機與目的

文獻探討資料收集與整理程式撰寫實證結(jié)果與分析評估

技術(shù)分析之實證分析

類神經(jīng)網(wǎng)路之實證分析

法則萃取之實證分析

結(jié)論與建議

第八頁，共五十六頁。1.5研究架構(gòu)第一章緒論第二章文獻探討第三章投資決策支援系統(tǒng)研究架構(gòu)

第四章實驗分析與結(jié)果

第五章結(jié)論與未來研究方向

第九頁，共五十六頁。二、文獻探討2.1股市預(yù)測之技術(shù)分析相關(guān)理論2.2類神經(jīng)網(wǎng)路演算法2.3法則萃取演算法2.4智慧型系統(tǒng)在財務(wù)上的應(yīng)用第十頁，共五十六頁。2.1股市預(yù)測之技術(shù)分析相關(guān)研究效率市場劃分成三種類型，技術(shù)分析法則無用[FamaandBlume1966,JensenandBenington1970]理性交易者使用公開資訊下，技術(shù)分析仍有潛在效率[BrownandJennings,1989]由市場微結(jié)構(gòu)的觀點認為技術(shù)分析可以獲利，且使用交易量與價格資訊可以提高技術(shù)分析績效[Blume,EaslsyandO’Hara]第十一頁，共五十六頁。2.1股市預(yù)測之技術(shù)分析相關(guān)研究(續(xù))26種技術(shù)分析交易法則在道瓊工業(yè)指數(shù)(1897-1986)年有顯著獲利能力[BLL,1992]移動平均法與濾嘴法則等技術(shù)分析法則，在外匯市場獲利之證據(jù)，並以bootstrap模擬獲利的顯著性[Sweeney1986,LevichandThomas1993]第十二頁，共五十六頁。2.2類神經(jīng)網(wǎng)路演算法(1/2)2.2.1類神經(jīng)網(wǎng)路基本概念「類神經(jīng)網(wǎng)路是一種計算系統(tǒng)，包括軟體與硬體，它使用大量簡單的相連類神經(jīng)元來模仿生物神經(jīng)網(wǎng)路的能力。類神經(jīng)元是生物神經(jīng)元的簡單模擬，它從外界環(huán)境或者其它類神經(jīng)元取得資訊，並加以非常簡單的運算，並輸出其結(jié)果到外界環(huán)境或者其它類神經(jīng)元?！梗ㄈ~怡成，民國89年）

第十三頁，共五十六頁。2.2類神經(jīng)網(wǎng)路演算法(續(xù))2.2.2類神經(jīng)網(wǎng)路一般在使用上的架構(gòu)藍圖網(wǎng)路結(jié)構(gòu)(Architecture):TopologyusedNumberoflayers:學(xué)習(xí)方式:

LearningruleLearningrateηmomentumαstoppingcriteriaδnumberoflearningpatternslnumberofholdoutpatternsh轉(zhuǎn)換函數(shù):

TransferfunctionNumberoflearningcycles/iterationsLInitialweightsI第十四頁，共五十六頁。2.2類神經(jīng)網(wǎng)路演算法(續(xù))類神經(jīng)網(wǎng)路的優(yōu)點類神經(jīng)網(wǎng)路在資料不完全或遺失的資料下，仍然具有穩(wěn)定性

輸入變數(shù)可為任何的資料型態(tài)

對於非線性與複雜的函數(shù)有強大的解決能力

第十五頁，共五十六頁。2.2類神經(jīng)網(wǎng)路演算法(續(xù))類神經(jīng)網(wǎng)路的缺點

網(wǎng)路的整個運作過程，不具有解釋的功能

輸入變數(shù)的選取不具有統(tǒng)一性容易發(fā)生過渡學(xué)習(xí)的現(xiàn)象

網(wǎng)路架構(gòu)與模型選擇沒有最適性第十六頁，共五十六頁。2.3法則萃取演算法從訓(xùn)練完成的神經(jīng)網(wǎng)路中，萃取出隱含的知識或法則，使其內(nèi)部的結(jié)構(gòu)及推論的過程能夠被使用者瞭解[Guptaetal,1999]知識是來自於神經(jīng)元間的交互作用，透過訓(xùn)練可以去觀察隱含在資料中的知識[Fu,LiMin,1999]每個隱藏層節(jié)點都可視為一個類別（class）的資料，而法則萃取就是在探討各類別間，可能觸發(fā)輸出的各種權(quán)值的組合[Setiono&Liu,1996]KBNN:[Towell,Shavlik,1993]第十七頁，共五十六頁。2.3法則萃取演算法(續(xù))2.3.2法則萃取的重要性提供使用者解釋的能力

發(fā)現(xiàn)輸入資料的關(guān)連與特性

提供平臺的確認性與類神經(jīng)網(wǎng)路的除錯功能

改進類神經(jīng)網(wǎng)路的普遍性第十八頁，共五十六頁。2.3法則萃取演算法(續(xù))2.3.3法則萃取演算法的分類依據(jù)1.法則萃取的解釋能力

2.法則萃取技術(shù)的透明度，可將知識的萃取區(qū)分成1.Decomposition2.Pedagogical

[Andrewsetal（1995）]DecompositionSubset（Towell&Shavlik,1993）、KTmethod(Fu,1998)、M-of-Nmethod（Towell,1994）、NeuroRule（Setiono&Liu,1996）、Partial-RE（Taha&Ghosh,1996）、Full-RE（Taha&Ghosh,1996）

PedagogicalRULENEG(Andrewsetal,1995)、

VIA（Thrun.,1994）、BRAINNE（Sestito&Dillon,1991）、BIO-RE（Taha&Ghosh,1996）

第十九頁，共五十六頁。

2.4類神經(jīng)網(wǎng)路在財務(wù)上應(yīng)用之相關(guān)研究

估計衍生性金融商品的價格公式，模擬B-S定價方式，採用２年的選擇權(quán)價格作為訓(xùn)練樣本，結(jié)果可以禰補B-S模式的缺失，還可以成功的進行避險。[Hutchinson,1994]類神經(jīng)網(wǎng)路與動態(tài)規(guī)劃類神經(jīng)網(wǎng)路的動態(tài)規(guī)劃類神經(jīng)網(wǎng)路(DNN)預(yù)測模型，以開盤、收盤、最高、最低價等資料作為預(yù)測系統(tǒng)的輸入變數(shù)，預(yù)測價格分布與線型的配對

[Tanigawa&Kamijo,1992]第二十頁，共五十六頁。

2.4類神經(jīng)網(wǎng)路在財務(wù)上應(yīng)用之相關(guān)研究(續(xù))

運用隨機指標所做的買賣策略，以S&P500每日收盤價格指標為標的，輸入值為當日與次日的K、D值，及當日相對於八天前的價格指數(shù)變動，輸出則為八天候價格指數(shù)相對於當日的變動。

[Caldwell,1995]估計成長中與經(jīng)營不彰公司的財務(wù)情形[Lacheret1995]比較類神經(jīng)網(wǎng)路、Mahalanobisdistancemeasure、兩者整合在預(yù)測公司破產(chǎn)的績效

[Markham&Ragsdale,1995]第二十一頁，共五十六頁。三、研究架構(gòu)3.1投資決策支援模型3.2倒傳遞演算法3.3Full-RE演算法3.4本研究所採用的技術(shù)分析MALKDMACDRSI3.5統(tǒng)計檢定量第二十二頁，共五十六頁。3.1投資決策支援模型財金資料庫專家知識前置處理

類神經(jīng)網(wǎng)路法則萃取傳統(tǒng)技術(shù)分析統(tǒng)計檢定評估第二十三頁，共五十六頁。3.2倒傳遞演算法採用坡降法的觀念，表達網(wǎng)路實際輸出與目標輸出之差異的誤差函數(shù)最小化，透過加權(quán)值的調(diào)整，來達成網(wǎng)路訓(xùn)練。第二十四頁，共五十六頁。3.3Full-RE演算法演算法有以下特徵：1.適用於前項式網(wǎng)路架構(gòu)2.輸入的資料型態(tài)不受限制3.適用於具有單調(diào)遞增特性的激發(fā)函數(shù)4.法則的語意較為一般大眾所接受。法則表示法為：

ifX1opV1thenconsequent。[Taha&Ghosh,1999]第二十五頁，共五十六頁。3.3Full-RE演算法1.計算群聚範圍(Chi2演算法)：1.計算卡方值：每一個屬性節(jié)點在訓(xùn)練期間所輸入的資料，予以排序、分群，再計算每一個界線的卡方χ2值。2.合併：進行深入範圍的確認第二十六頁，共五十六頁。3.3Full-RE演算法(續(xù))2.萃取法則：權(quán)重與Chi2演算法計算出的輸入值相乘，在經(jīng)過轉(zhuǎn)換函數(shù)的計算，進行組合排列3.計算法則相對準確度第二十七頁，共五十六頁。3.4本研究所採用的技術(shù)分析MAL(移動平均線)KD(隨機指標)MACD(指數(shù)平滑移動平均線)RSI(相對強弱指標)第二十八頁，共五十六頁。3.4.1移動平均線MAL移動平均代表了股價在一段時間內(nèi)的平均價格，也顯示了股價在這段時間內(nèi)合理價格，同時也是多空雙方的平衡點，因此可從移動平均線判斷股價走勢。移動平均線計算公式如下（吳宗正,民88）:短線超越長線移動平均線為買進時機，反之則賣出。第二十九頁，共五十六頁。3.4.2隨機指標

KD(2/4)觀察股價上漲時，當日收盤價總向當日價格波動的最高價接近；反之在股價下跌時，當日收盤價總向當日波動的最低價接近

[GeorgeLane,1957]KD線計算公式如下:

計算未成熟隨機值（RSV）

計算KD值第三十頁，共五十六頁。3.4.2隨機指標

KDKD線的應(yīng)用原則50以上為多頭市場，50以下為空頭市場KD指標在20以下，80以上為假背離第三十一頁，共五十六頁。3.4.3指數(shù)平滑移動平均線MACD顯示趨勢持續(xù)發(fā)展或反轉(zhuǎn)的一種指標。利用快速與慢速兩條指數(shù)平滑異動平均線，以計算兩者之間的差離值，再利用差離值與差離值平均值的收斂與發(fā)散徵兆，用以研判股市行情買進或賣出的時機。[GeraldAppel&W.FredrickHitschler,1979]第三十二頁，共五十六頁。3.4.2指數(shù)平滑移動平均線MACD(續(xù))MACD計算公式如下：

1.計算需求指數(shù)（DI,DemandIndex）:

2.計算指數(shù)平滑移動平均線（EMA）:

3.計算差離值DIF=12日EMA-26日EMA

4.計算差離值平均值DEM

第三十三頁，共五十六頁。3.4.2指數(shù)平滑移動平均線MACD(續(xù))MACD的應(yīng)用原則趨勢線向下，DIF由上往下跌破DEM時宜賣出；反之宜補空。

長期移動平均線將跟上短期移動平均線，則正差離值將縮小為賣出時機

第三十四頁，共五十六頁。3.4.4相對強弱指標

RSI主要是以股價上漲或下跌的趨勢，判斷市場為超買或超賣，以決定應(yīng)買進或賣出股票。[J.WellesWilder,1978]臺灣股市所使用的技術(shù)分析方法，通常以6日及12日的股價來計算，RSI的計算公式如下：

第三十五頁，共五十六頁。3.4.4相對強弱指標

RSI(續(xù))RSI的應(yīng)用原則

：RSI很小時，表示市場賣超過旺，建議投資人買進；反之則買超過剩，建議投資人出清。第三十六頁，共五十六頁。3.5統(tǒng)計檢定量買進與賣出之檢定統(tǒng)計量買進-賣出之檢定統(tǒng)計量第三十七頁，共五十六頁。四、實證結(jié)果與分析4.1實驗環(huán)境與資料來源4.2前置處理4.3實驗流程4.4實驗結(jié)果與分析MALKDMACDRSI第三十八頁，共五十六頁。4.1實驗環(huán)境與資料來源硬體方面處理器使用IntelPentiumⅢ600記憶體為320MB軟體方面開發(fā)工具採用Matlab6.1開發(fā)平臺為Microsoftwindows2000Serve資料來源臺灣經(jīng)濟新報財金資料庫，近兩年(1999/01/05-2001/02/27)股市交易日資料，含括了:交易日期、開盤價、最高價、最低價、收盤價。第三十九頁，共五十六頁。4.2前置處理與參數(shù)設(shè)定前置處理針對研究所需要的欄位資料進行技術(shù)指標與報酬率之計算，透過正規(guī)化的方式，將資料區(qū)間分布於

[-1,1]。輸入變數(shù)為傳統(tǒng)技術(shù)分析專家所建議之資料欄位，輸出變數(shù)為漲、跌、持平。第四十頁，共五十六頁。4.2前置處理與參數(shù)設(shè)定(續(xù))參數(shù)名稱設(shè)定值參數(shù)名稱

設(shè)定值輸入變數(shù)3個誤差平方和0.05輸出變數(shù)1個轉(zhuǎn)換函數(shù)

Logsigmoid

訓(xùn)練期間

4個月學(xué)習(xí)速率0.01測試期間1個月訓(xùn)練次數(shù)

600

隱藏節(jié)點數(shù)

2最小梯度

1e-10類神經(jīng)網(wǎng)路參數(shù)設(shè)定第四十一頁，共五十六頁。4.2前置處理與參數(shù)設(shè)定(續(xù))利用公式後定法，判斷類神經(jīng)網(wǎng)路訓(xùn)練後的輸出，0.3以下為跌，0.7以上為漲，區(qū)間為持平。類神經(jīng)判斷的輸出門檻值亦為法則萃取的門檻值。卡方演算法之顯著水準值，起始值為0.5，每次遞減0.05直至0.05。技術(shù)分析法則之參數(shù)設(shè)定，選用研究上或者是目前市面上常用的參數(shù)組合：MAL[160]KD[92]MACD[122692]RSI[6122]第四十二頁，共五十六頁。4.4實驗結(jié)果與分析(期間四為例)

–

卡方演算結(jié)果

MAL卡方演算法運算結(jié)果短線區(qū)間

漲

跌卡方值

長線區(qū)間

漲

跌卡方值

判斷區(qū)間

漲

跌卡方值

85360136.7497462.29245.652-602.232207.07148849.917298.552923920169-139.1610440.8799744.96099957.7095.625-42.54504809911.4034100313309931.91059934.6047100093061006402810127500第四十三頁，共五十六頁。4.4實驗結(jié)果與分析(期間四為例)-

檢定統(tǒng)計表決策準則

N(Buy)N(Sell)Buyb

Sellb

Buy>0

Sell>0

Buy-Sell

大盤報酬(%)

類神經(jīng)網(wǎng)路

訓(xùn)練期34

50

1.34(0.00)-0.90(0.01)82.35%

34.00%2.24(0.004)0.041

測試期838-0.90(0.01)-0.42(0.15)87.50%

31.58%1.96(0.004)-0.08法則萃取

訓(xùn)練期38460.98(0.00)-0.64(0.047)71.05%39.13%0.424(0.00)0.041測試期16300.75(0.04)-0.5286

(0.12)68.75%26.67%1.28(0.00)-0.08技術(shù)分析

訓(xùn)練期48360.97(0.01)-1.14(0.01)70.83%33.33%2.11(0.00)0.041測試期17290.93(0.01)-0.77(0.03)72.22%

20.69%0.70(0.00)-0.08第四十四頁，共五十六頁。4.4實驗結(jié)果與分析(期間四為例)-

法則呈現(xiàn)MAL:IF短線>=9744.9and長線>=9239and穿越區(qū)<-139.16

THEN明日股價漲，相對機率為77.10%IF短線>=9711.4and長線>=8462.2and穿越區(qū)<-42.545

THEN明日股價漲，相對機率為77.11%IF短線<9911.4and長線<9957.7and穿越區(qū)<-139.16

THEN明日股價漲，相對機率為77.11%

第四十五頁，共五十六頁。4.4實驗結(jié)果與分析(期間四為例)-

法則呈現(xiàn)(續(xù))KD:IFK>=77.708andD>=86.154AND穿越區(qū)＞＝－20.516THEN明日股價漲，信賴準度為62.175%

IFK>=77.708and86.154>D>=45.889AND穿越區(qū)＞＝23.378THEN明日股價漲，信賴準度為63.9%

IFK<13.137andD>=86.154AND穿越區(qū)＞＝-39.326THEN明日股價跌，信賴準度為76.5%第四十六頁，共五十六頁。4.4實驗結(jié)果與分析(期間四為例)-

法則呈現(xiàn)(續(xù))MACDIF55.199>dif>=-619.15anddem>=276.96and-230.63>macd>=-925.41THEN明日股價漲，相對機率為76.10%

IFdif>=55.199anddem>=804.54and-230.63>macd>=-925.41 THEN明日股價漲，相對機率為72%

IFdif>=970and276.96>dem>=-438.76andmacd>=-925.41 THEN明日股價跌，相對機率為74.5%

IF-54.8>dif>=-107.14and276.96>dem>=-438.76andmacd>=-44.798 THEN明日股價跌，相對機率為63.36%IF55.199>dif>=-54.8and276.96>dem>=-438.76andmacd>=-230.63THEN明日股價跌，相對機率為64.36% 第四十七頁，共五十六頁。4.4實驗結(jié)果與分析(期間四為例)-

法則呈現(xiàn)(續(xù))RSIIF63.217>RSI6>5.8697andRSI2>=58.889andRS6-RSI12>-25.172 THEN明日股價漲，相對機率為83.4%IFRSI6>63.217andRSI12>58.889andRS6-RSI12>9.6299 THEN明日股價漲，相對機率為76.02%IFRSI6>5.8697andRSI2>=58.889andRS6-RSI12>-63.663 THEN明日股價跌，相對機率為76.6%第四十八頁，共五十六頁。4.4實驗結(jié)果與分析(期間四為例)全樣本期間，採用移動平均之買點之訓(xùn)練期與類神經(jīng)之相關(guān)係數(shù)為0.72；測試期為0.60；賣點之訓(xùn)練