臺灣博碩士論文加值系統

本研究試圖結合統計與人工智慧的技術來尋找出是否台灣加權指數的股價行為具有可預測的特性，據此本文建立的的研究目的如下：一、將基因演算法的搜尋能力整合至狀態空間模型，以建立合理的統計架構，試圖尋找出短期間內的股價行為的非線性方程式。二、比較本文所建立的預測模型是否能超越買進持有策略。三、將本研究所建立的預測模型與單純使用時間數列的預測能力相比較，以進一步了解本研究所建立之模型其績效之優劣。本研究所採用的基因演算法其最大的特色便是在於他的巨量平行的最佳化搜尋能力，而本研究藉由股市的價量資訊，整理出17種指標，借以讓基因演算法搜尋最佳組合，並且以二階段的方式將基因演算法和指何進入狀態空間模型。經由過去相關文獻的探討和模型架構的建立與比較，本研究主要的發現可以分為下面兩點：一、本研究的所採用的指標共有163種變化，而每一染色體共擁有十種，因此搜尋空間為 ，約為2.753064116×1015，然而本研究的基因演算法只有為數300個的染色體數和300代的演化，很可能無法找尋到真正的最佳組合，然而以本研究目前估計每一個預測值時就得花上將近十分鐘來說，進一步擴大染色體數或是演化代數似乎是違背實際交易，因為目前期貨交易在現貨收盤之後十五分鐘也隨之收盤。然而若是一般公司中擁有像更高階的伺服器或是大電腦時，便有可能進一步進行更廣泛的搜尋，預測結果也應該會更好、更穩定。二、由於基因演算法包含隨機的成分，而且本研究的染色體數和演化代數很可能還不夠高，因此每次的結果都不盡相同，但是本研究經過多次測試，而且由於242個交易日的預測值每次都是藉由樣本外預測所獲得，因此本研究既然能夠在長期間內獲得利潤，外部效度應當是有的。

This research combined the technic of statistic and artificial intelligence to find if there is the characteristic of predictability or not in Taiwan Weighted Stock Index. The purposes of this paper are listed below:1. By integrating the searching ability of genetic algorithm (GA) into the State Space Model and then building reasonable Statistics frameworks, this research tried to find the nonlinear function of short-term stock behavior.2. By comparing the models built in this research with the buy-and-hold strategy, we can know whose performance is better.3. For testing the models of this research, we compared the performance of the model built in this research and the performance of the time series model.One of the most significant characteristic of genetic algorithm is its massive parallel optimizing ability. The 17 kinds of technical indexes was calculated with the information of prices and volumes and would be chosen automatically by GA. Then we used two-stepwised method to integrate GA into State Space Model. Two of the main results of this research are listed below: 1. The technical indexes used in this research are 163 kinds of varieties, and each chromosome has ten of these. Thus the search space is , about 2.753064116×1015. For the practical purpose, the amount of chromosome and generation was chosen and restricted by a reasonable time frame and the data processing ability in this research. The forecasting ability might improve further if a company or an organization has higher data processing ability.2. Because the characteristic of GA, the forecasting models will not be the same every time. Through many times of in-sample and out-sample testing, this research can stably make profits in a long term. The result of this research shall be valid.

目錄
目錄……………………………………………………………………….I
表次……………………………………………………………………..III
圖次……………………………………………………………………..IV
第壹章 緒論………………………………………………….1
第一節 研究動機與目的…………………………………………1
第二節 研究對象與資料期間……………………………………3
第三節 研究架構…………………………………………………4
第貳章 相關理論與文獻探討………………………….……6
第一節 股價決定理論……………………………………..…..…6
第二節 相關實證文獻探討………………………………..…..…9
第三節 探討文獻之意涵與對本研究之影響……………..……18
第參章 研究方法…………………………………………...20
第一節 研究流程………………………………………………..20
第二節 技術指標………………………………………..………22
第三節 基因演算法……………………………………..………31
第四節 多元迴歸模型…………………………………..………41
第五節 狀態空間模型…………………………………..………42
第六節 移動窗格法…………………………………….….……45
第七節 模型之建立與模擬交易之策略…………………..……47
第肆章 實證結果與分析…………………………………...52
第一節 資料初步分析…………………………………………..52
第二節 各模型之測試結果……………………………..………53
第三節 以報酬率為依變數的測試績效………………..………55
第四節 以虛擬變數作為依變數的測試績效……………….….61
第伍章 結論與建議……………………………………..….66
第一節 結論與管理意涵………………………………………..66
第二節 研究限制………………………………………………..68
第三節 後續研究建議…………………………………………..69
參考文獻…………………………………………………...…70
一、中文部分……………………………………………………….….70
二、英文部分……………………………………………………….….73

一、中文部分
1. 丁偉，台灣股票報酬之預測性與貨幣政策的角色-向量自我迴歸模型（VAR）之應用，雲林科技大學企業管理研究所未出版碩士論文，民國八十六年六月。
2. 卞志祥，台灣加權股價指數投資組合之基因演算法建構模型，交通大學資訊管理研究所未出版碩士論文，民國八十五年。
3. 王隆盛，運用啟發式演算法於股價指數套利投資組合模型之建立，交通大學資訊管理未出版碩士論文，民國八十五年。
4. 古永嘉譯，企業研究方法，華泰書局，第五版，民國八十五年三月。
5. 余尚武，楊政麟，運用類神經網路於股價指數之套利─以日經225為例。
6. 林萍珍，遺傳演算法在使用者導向的投資組合選擇之應用，中央大學資訊管理研究所未出版碩士論文，民國八十七年。
7. 林耀堂，遺傳程式規劃於股市擇時交易策略之應用，國立中央大學資訊管理研究所未出版碩士論文，民國九十年。
8. 林耀暄，模糊理論和基因演算法於股市買賣點決策及資金比例配置之研究，中華大學資訊工程學系未出版碩士論文，民國九十年。
9. 李詩文，股市外資、自營商與基金之互動關係─狀態空間模型應用之實證研究，國立中興大學企管研究所未出版碩士論文，民國八十五年。
10. 呂佳諺，時間數列預測及決策支援系統-運用神經網路與基因演算法，國立海洋大學電機工程研究所未出版碩士論文，民國八十五年。
11. 吳振坤，類神經網路在台灣股價行為上的應用，交通大學資訊管理研究所未出版碩士論文，民國八十年。
12. 岑英勤，智慧型決策系統運用於台灣股票市場技術面分析之研究，交通大學資訊管理研究所未出版碩士論文，民國八十二年。
13. 曾淑青，運用類神經網路於台灣股票市場價量關係的預測與分析，交通大學資訊管理研究所未出版碩士論文，民國八十三年六月。
14. 紀桂銓，類神經網路對股市反轉點之學習與預測應用，交通大 學資訊管理研究所未出版碩士論文，民國八十二年六月。
15. 陶宏德，應用基因演算法達成知識之最適化─以台灣股市技術分析指標為例，國立交通大學資訊管理研究所未出版碩士論文，民國八十五年五月。
16. 教育部電算中心編譯，SAS/ETS套裝程式集中文手冊，松崗電腦圖書資料公司，民國七十七年十二月。
17. 教育部電算中心編譯，SAS使用者指引﹙上﹚，松崗電腦圖書資料公司，民國七十九年一月。
18. 教育部電算中心編譯，SAS使用者指引﹙下﹚，松崗電腦圖書資料公司，民國七十七年一月。
19. 陳建光，技術分析、基因演算法與資料窺探：台灣股市之實證研究，雲林科技大學企業管理研究所未出版碩士論文，民國九十年。
20. 陳明杰，基因演算擇時策略在台灣股市的實證研究，雲林科技大學企業管理研究所未出版碩士論文，民國八十六年六月。
21. 陳進富，擇時策略之可行性分析臺灣股市之實證研究，淡江大學金融研究所未出版碩士論文，民國八十二年六月。
22. 陳建福，遺傳程式與市場擇時策略之研究：台灣股票市場的應用，政治大學經濟研究所未出版碩士論文，民國八十四年六月。
23. 陳照憲，基因演算法技術交易法則獲利績效-台灣股票市場實證研究，雲林科技大學企業管理研究所未出版碩士論文，民國八十八年。
24. 揚孟龍，類神經網路於股價波段預測及選股，中央大學資訊管理研究所未出版碩士論文，民國八十九年。
25. 鄧紹勳，遺傳演算法於股市擇時策略之研究，中央大學資訊管理研究所未出版碩士論文，民國八十七年六月。
26. 劉克一，以遺傳演算法演化類神經網路在股價預測上的應用，真理大學管理科學研究所未出版碩士論文，民國九十年。
27. 劉興唐，國際股市連動效應之實證研究─狀態空間模型之應用，國立中興大學企管研究所未出版碩士論文，民國八十七年。
28. 賴宏仁，結合技術分析與類神經網路以支援股票投資決策之研究，中山大學資訊管理研究所未出版碩士論文，民國八十四年六月。
29. 寰宇財務顧問公司譯，史瓦格期貨基本分析﹙上﹚，寰宇，民國八十七年。
30. 寰宇財務顧問公司譯，史瓦格期貨基本分析﹙下﹚，寰宇，民國八十七年。
31. 寰宇財務顧問公司譯，史瓦格期貨技術分析﹙上﹚，寰宇，民國八十七年。
32. 寰宇財務顧問公司譯，史瓦格期貨技術分析﹙下﹚，寰宇，民國八十七年。
二、英文部分
1. Allen, F., and R. Karjalainen, “Using Genetic Algorithms to Find Technical Trading Rules,” Journal of Financial Economics, 1999, Vol. 51, pp245-271.
2. Andrews, M. and R. Prager, “Genetic Programming for the Acquisition of Double Auction Market Strategies.” In Advances in Genetic Programming, ed. by K. E. Kinnear, Cambridge: The MIT Press, 1994.
3. Bauer, R. J. and G. E. Liepins. “ Genetic Algorithms and Computerized Trading Strategies.” In Expert Systems in Finance, ed. by D. E. O''Leary and P. R. Watkins, Amsterdam: Elsevier Science Publishers, 1992.
4. Bauer, R. J., Genetic Algorithms and Investment Strategies, NY: John Wiley & Sons, 1994.
5. Bauer, R. J. and J. R. Dahlquist, Technical market indicators, NY: John Wiley & Sons, 1999.
6. Chen, S. H. and C. H. Yeh, “Toward a Computable Approach to the Efficient Market Hypothesis: An Approach of Genetic Programming.” Journal of Economic Dynamics and Control, Vol.21, Issue 6, pp1043-1061, 1997.
7. Chen, S. H. and C. H. Yeh, “Evolving traders and the business school with genetic programming: A new architecture of the agent-based artificial stock market” Journal of Economic Dynamics and Control, Vol.25, pp363-393, 1997.
8. Chew, D. H., The new corporate finance: where theory meets practice, Singapore: McGraw-Hill, 1998.
9. Chenoweth, T., and Obradovic Z., “A multi-component nonlinear prdiction system for S&P 500 Index”, Neurocomputing, 10, pp275-290, 1996.
10. Chorafas, D. N., Chaos Theory in the Financial Markets, Probus Publishing Company, 1994.
11. Creedy, J., V. L. Martin, Nonlinear Economic Models, Edward Elgar, 1997.
12. Davis, L., Handbook of Genetic Algorithms, NY: Van Nostrand Reinhold, 1991
13. Dorsey, R. E., and W. Mayer, “Genetic Algorithms for Estimation Problems with Multiple Optima, Nondifferentiability, and Other Irregular Features.” Journal of Business & Economic Statistics, Vol. 13, No.1, January, 1995, pp53-66.
14. Goldberg, D. E., Genetic Algorithms in Search, Optimization and Machine Learning, Reading, MA: Addison-Wesley, 1989.
15. Holland, J. H., Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence, Cambridge: MIT Press, 1992. (New Edition)
16. Holland, J. H., and J. H. Miller, “Artificial Adaptive Agents in economic Theory.” American Economic Review, 18, pp.365-370., 1991
17. Kaufman, P. J., Trading System and Method, NY: John Wiley & Sons, 1999.
18. Kohzadi, H., M. S. Boyd, B. Kermanshahi, I. Kaastra, “A comparison of artificial neural network and time series model for froecasting commodity prices”, Neurocomputing, 10, pp.169-181, 1996.
19. Koza, J. R., Genetic Programming: On the Programming of Computers by Means of Natural Selection, Cambridge: The MIT Press, 1992.
20. ___________, Genetic Programming II: Automatic Discovery of Reusable Programs, Cambridge: The MIT Press, 1994.
21. Kuo, R. J., C.H. Chen, and Y.C. Hwang, “An intelligent stock trading decision support system through integration of genetic algorithm based fuzzy neural network and artificial neural network”, Fuzzy Sets and Systems, 118, 2001, pp21-45.
22. Lisi, F., and R. A. Schiavo, “A comparison between neural networks and chaotic models for exchange rate prediction”, Computational Statics & Data Analysis, 30, pp.87-102, 1999.
23. Mills, T. C., The Econometric Modelling of Financial Time Series, United Kingdom: Cambridge University Press, 1999.
24. Neely, C., P. Weller, and R. Dittmar, “Is Technical Analysis in Foreign Exchange Market Profitable? A Genetic Programming Approach.” Journal of Financial and Quantitative Analysis, Dec 1997, Vol.32, No.4, pp405-426.
25. Quah, T. S., Tan C. L., H. H. Teh, B. S. Srinivansa, “Utilizing a Neural Logic Expert System in Currency Option Trading”, Expert System with Application, Vol. 9, No. 2, pp.213-222, 1995.
26. Refenes, P., Neural Networks in the Capital Markets, John Wiley & Sons, 1999.
27. Shin, T., I. Han, “Optimal signal multi-resolution by genetic algorithm to support artificial neural networks for exchange-rate forecasting”, Expert Systems with Applications, 18, 2000, pp.257-269.
28. Steeb, H., The Nonlinear Workbook, Singapore: World Scientific, 1999.
29. Stender, J., E. Hillebrand and J. Kindon, Genetic Algorithms in Optimisation, Simulation and Modelling, Washington DC: IOS Press, 1994.
30. Trippi, R. R., E. Turban, Neural Network in Finance and Investing, Probus Publishing Company, 1993.
31. Tsaih, R., Y. Hsu, and C. C. Lai, “Forcasting S&P 500 index futures with a hybrid AI system”, Decision Supporting System, 23, pp.161- 174, 1998.
32. Vonk, E., L. C. Jain, and R. P. Johnson, Automatic Generation of Neural Network Architecture Using Evolutionary Computation, Singapore: World Scientific, 1997.
33. Zhang, G., and M. Y. Hu, “Neural Network Forecasting of the British Pound/US Dollar Exchange Rate”, Omega, Int. J. Mgnt. Sci., Vol. 26, No. 4, pp.495-506, 1998.