臺灣博碩士論文加值系統

近年來，臺灣股市成為了主要的投資管道。而未來的消息面、基礎建設的方向與外資走向都是投資者選擇股票的消息來源。雖然建立一個高效率的股市預測決策支援系統是相當困難，但如果能透過此決策系統給予投資者額外的資訊，投資者也許能夠從股票市場中賺取更多的獲利。本研究利用線段切割法(Piecewise Linear Representation-PLR)與動態時間校正法(Dynamic Time Warping-DTW)來進行股票轉折點的預測。線段切割法主要將歷史股價作細部線段切割，以判斷未來股價走勢，然而如何決定細部線段切割之最佳門檻值為一重要關鍵；而動態時間校正法主要是將目前需要判斷的股價片段取出，再利用DTW在過去的歷史資料中尋找相似的歷史片段來當作倒傳遞類神經網路(Back-propagation Neural Network, BPN)之學習片段，透過此方式加強BPN對目前趨勢調適出最佳權重。
因此，本研究利用動態時間校正法(DTW)與線段切割法(PLR)結合倒傳遞類神經網路(BPN)，建構動態時間校正結合線段切割法，形成一交易決策支援系統，協助投資人為一個明確的投資考量指標，以選擇買賣股票的適當時機，有效地降低投資風險並提高報酬。
其中，倒傳遞類神經網路主要在訓練技術指標(Input variables)與買賣點(Output variables)之連結權重，基因演算法(Genetic Algorithms, GA)用來演化較佳的切割門檻值，期望能找出未來較佳買賣點時機。本研究以台灣股市與美國股票證劵交易市場中的個股為研究對象，將以預測出的買賣點進行實際的投資獲利計算，經實驗結果證明，本研究所建構之動態時間校正結合線段切割法預測模型比傳統的技術指標方法能更加準確的預測出股價走勢之最佳買賣點。

The stock market has become the main outlet for investment recently in Taiwan. The futures indicator, investment foundations, foreign capitals are diverse choices for investors. How to establish an efficient decision support system on stock market prediction is pretty difficult but it’s necessary. By adopting a good forecasting system, investors may earn more money form the stock market. This research suppose a piecewise linear representation method with a Dynamic Time Warping window for stock turning points detection. The piecewise linear representation method is able to generate numerous local stock turning points from the historic data, then the Dynamic Time Warping window will be applied to retrieve similar stock price patterns from historic data for training the system. These turning points represent short-term trading signals for selling or buying stocks from the market. A Back-Propagation neural network (B.P.N) is further applied to learn the connection weights from these historic turning points and afterwards it is applied to forecast the future turning points from the set of test data. Experimental results demonstrate that the system integrating PLR and neural networks can make a significant amount of profit when compared with other approaches using stock data such as Taiwan Stock Exchange Market, Google, Lockheed Martin Corporation, Delta Air Lines , and Caterpillar Inc., etc. , to be research object and compute actual return on investment by utilizing the prediction model, DTW-PLR. This research result can make a significant amount of profit when compared with other approaches using stock data to predict better commerce occasions (trading points) than experts’ judgment from technical indexes or other prediction models by experimental results.

目錄
書頁名 I
論文口試委員審定書 II
授權書 III
中文摘要 IV
英文摘要 V
致謝 VII
目錄 VIII
表目錄 X
圖目錄 XII
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機 1
1.3 研究目的 2
1.4 研究方法 3
1.5 研究架構與流程 3
第二章　文獻探討 5
2.1 股價預測分析方法 5
2.1.1 技術分析（Technical Analysis） 7
2.1.2 技術分析於買賣點預測之相關文獻 8
2.2 篩選變數方法(Stepwise Regression) 11
2.2.1 　迴歸分析法 11
2.3 型態比對之方法 13
2.3.1 小波轉換（ Discrete Wavelet Transform） 13
2.3.2 資料探勘（Data Mining） 15
2.3.3 線段切割法(Piecewise Linear Representation，PLR ) 17
2.3.4 動態時間校正法(Dynamic Time Warping，DTW ) 22
2.4 類神經網路(Neural Network) 25
2.4.1 類神經網路之概述 25
2.4.2　類神經網路之相關文獻 27
2.5 基因演算法(Genetic Algorithm) 29
2.5.1 基因演算法概述 29
2.5.2　結合基因演算法與類神經網路之相關文獻 30
2.5.3 結合基因演算法與其他方法之相關文獻 31
2.6　小結 32
第三章　問題定義與描述 33
3.1　研究資料之範圍 33
3.2　研究變數說明 34
3.2.1　技術指標 34
3.2.2　其他技術指標 38
3.3　預測評估指標 40
3.3.1　誤差均方根( ) 40
3.3.2　投資獲利之計算 41
第四章　研究方法 42
4.1　線段切割法 ( Piecewise Linear Representation，PLR ) 43
4.2　動態時間校正法 50
4.3　倒傳遞類神經網路 53
4.3　基因演算法 61
4.4　比較方法介紹 64
第五章 實驗結果與分析 66
5.1 研究對象 66
5.2 初始門檻設定 68
5.3 逐步迴歸篩選因子 69
5.4 實驗設計 69
5.4.1倒傳遞類神經網路之參數設計 69
5.4.2基因演算法之參數設計 74
5.5 實驗結果評估 78
5.6 小結 89
第六章 結論及後續研究建議 94
6.1　研究結論 94
6.2　研究建議 95
6.3　後續研究方向 96
參考文獻 98
附錄一 各股門檻值變化與相關之技術指標 102
附錄二 倒傳遞類神經網路參數設定 111
附錄三 基因演算法參數設定 138

參考文獻
1.Agrawal, R. and R. Srikant, “Fast Algorithm for Mining Association Rules in Large Databases, ”Proc.20th Very Large Database Conf.,pp.478-499, Sept.,1994.
2.Berndt, D. & Clifford, J., ”Using dynamic time warping to find patterns in time series,” AAAI-94 Workshop on Knowledge Discovery in Databases (KDD-94), Seattle,Washington,1994.
3.Bjorn, V., “Multiresolution methods for financial time series prediction, ”Computational Intelligence for Financial Engineering,Proceedings of the IEEE/IAFE,pp.97.1995.
4.Cha, S and L. Chan, “Trading Signal Prediction,” Computer Science and Engineering Department, pp.842-846, 2000.
5.Chung, F.L., et al, “Evolutionary time series segmentation for Stock Data Mining,” Proceedings of the IEEE International Conference on Data Mining (ICDM), pp.83- 90,2002.
6.Chen, T., “A Fuzzy Back Propagation Network for Output Time Prediction in a Wafer Fab,” Applied Soft Computing 2/3F, pp.211-222, 2003.
7.Depei B. and Zehong Y., “Intelligent stock trading system by turning point confirming and probabilistic reasoning,” Expert Systems eith Applications 34, pp.620-627, 2008.
8.Eamonn J. Keogh and Michael J. Pazzani, “Derivate Dynamic Time Warping” in First SIAM International Conference on Data Mining, 2001.
9.Goldberg D.E., Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley, Reading, MA, 1989.
10.Gencay, R., “Non-linear Prediction of Security Returns with Moving Average Rules,” Journal of Forecasting, Vol.15, pp.165-174, 1996.
11.Ge, X., “Pattern Matching in Financial Time Series Data,“ In Final Project Report for ICS 278 UC Irvine ,1998.
12.Han, J.J., et al, “Freespan: Frequent pattern-projected sequential pattern mining,” Proceedings of the International Conference of Knowledge Discovery and Data mining, pp. 355-359 ,2000.
13.James, F. E., “Monthly Moving Averages-An Effective Investment Toll?” Journal of Financial and Quantitative Analysis, September, pp.315-326,1968.
14.Jeong, Bongju, H. -S. Jung, N. -K. Park, “A computerized causal forecasting system using genetic algorithm in supply chain management,” The Journal of Systems and Software, Vol.60, pp.223-237, 2002.
15.Kimoto, T. and K. Asakawa, “Stock market prediction system with modular neural network,” IEEE International Joint Conference on Neural Network, pp.1-6, 1990
16.Kuan, C. M., and White, H., “Artificial Neural Networks: An Econometric Perspective”, Econometric Reviews, 13, pp.1-91,1994.
17.Kim, K. J. and I. Han, “Genetic Algorithms Approach to Feature Discretization in Artificial Neural Networks for The Prediction of Stock Price Index,” Expert Systems with Applications, 19, pp.125-132, 2000.
18.Keogh, E., et al, “An Online Algorithm for Segmenting Time Series,” In IEEE International Conference on Data Mining, pp. 289–296, 2001.
19.Liu, J. N. K. and R. W. M. Kwong, “Automatic extraction and identification of chart patterns towards financial forecast ,” Applied Soft Computing, In Press, Corrected Proof, Available online 20 March ,2006.
20.Montana, D. and L., Davis, “Training feed forward neural networks using genetic algorithms,” Proceedings of 11th International Joint Conference on Artificial Intelligence, San Mateo, CA, Morgan Kaufmanns, pp.762-767, 1989.
21.Pruitt, S. W. and R. E. White, ”The CRISMA Trading System: Who Says Technical Analysis Can’t Beat the Market？”Journal of Portfolio Management, pp.55-58,1988.
22.Quah, T. S. and B. Srinivasan, “Improving returns on stock investment through neural network selection,” Expert Systems with Application, 17, pp.295-301, 1999.
23.Ramazan, G.., “Non-linear prediction of security returns with moving average rules,” Journal of Forecasting, 15, pp.165-174, 1996.
24.Steyerberg, E. W., Marinus J. C. Eijkmans, and J. Dik F. Habbema “Stepwise Selection in Small Date Sets: A Simulation Study of Bias in Logistic Regression Analysis,” J Clin Epidemiol, Vol.52, No. 10, pp.935-942, 1999.
25.Suraphan T., David E. and Cihan D. “Genetic Algorithms and Neural Networks for Stock Trading Prediction and Technical Signal Optimization”, Decision Sciences Institute 2002 Annual Meeting Proceedings, 2002.
26.Thomas, J. B. and L. L. Richard, “Stepwise Regression is an Alternative to Splines for Fitting Noisy Data,” J. Biomechanics, Vol. 29, No. 2, pp.235-238, 1996.
27.Ting, C. K., S.T. Li, and C.N. Lee, “TGA: A new integrated approach to evolutionary Algorithms”, Congress on Evolutionary Computation, pp.917-924, 2001.
28.Van Horne, J. C. and G. G. C. Parker, “The Random Walk Theory：An Emperical Test,”　Financial Analysts Journal, 23, pp.87-92, 1967.
29.Wang, C. and W. S. X, “Supporting content-based searches on time series via approximation,” Scientific and Statistical Database Management, Proceedings. 12th International Conference, pp.69-81, 2000.
30.Wu, H., B Salzberg. and D. Zhang, “Online Event-driven Subsequence Matching over Financial Data Streams,” SIGMOD, 2004.
31.Yoon, Y. and J. Swales, “Prediction stock price performance: a neural network approach,” Proceeding of Twenty-Fourth Annual Hawaii International Conference on System Science, 4, pp.156-162, 1991.
32.Yu, L., S. Wang, and K. K. Lai, “Mining Stock Market Tendency Using GA-Based Support Vector Machines,” pp.336-345, 2005.
33.王春笙，「以技術指標預測台灣股市股價漲跌之實證研究-以類神經網路與複回歸模式建構」，台灣大學資訊管理研究所，1996年碩士論文。
34.王惠娟，「結合灰色預測及演化是類神經網路建構台灣加權股價指數之預測模式」，朝陽科技大學財務金融系2005年碩士論文。
35.李龍麟，「應用類神經網路於製程品質參數之即時監控-以印刷電路板之DES製程為例」，元智大學工業工程與管理學系，2002年碩士論文。
36.阮士峰，「資料探勘在股市序列型樣的應用」，東華大學資訊工程學系，2004碩士論文。
37.林純如，「利用小波轉換建立財務計量模型-以台灣股票市場為例」，長庚大學企業管理研究所，2005年碩士論文。
38.洪志豪，「技術指標KD、MACD、RSI與WMS%R之操作績效實證」，台灣大學，國際企業學系，1998年研究所碩士論文。
39.施惠萍，「結構係變化的偵測與其在技術分析中的應用」，台灣大學經濟學研究所，1998年研究所碩士論文。
40.范正忠，「利用Haar小波轉換對時間序列作資料查詢--以台灣股市為例」，臺灣大學資訊管理系，2001年碩士論文。
41.許育嘉，「結合小波分解和小波神經網路於非定性財務時間序列之預測」，交通大學資訊管理系，2002年碩士論文。
42.陳育信，「以移動平均線(MA)與乖離率(Bias)檢測台指選擇權單一部位投資策略之績效」，逢甲大學經濟管理系，2004年碩士論文。
43.張振魁，「以類神經網路提高股票單日交易策略之獲利」，中央大學，資訊管理系，2000碩士論文。
44.張博雄，「中文語音情緒之自動辨識」，成功大學，工程科學系，2001碩士論文。
45.張曉青，「建構智慧型線段切割法」，元智大學工業工程與管理學系，2007年碩士論文。
46.黃俊英，「多變量分析」，中國經濟企業研究所，中華民國七十七年二月三版。
47.黃瑋瀯，「運用資料探勘技術於股市擇時之研究」，屏東科技大學資訊管理系，2002年碩士論文。
48.黃美玲，「整合模糊群聚分析與類神經模糊系統在股價預測應用之研究」，淡江大學會計系，2003年碩士論文。
49.黃婷湘，「專家判斷法建立案例式推理系統與類神經網路預測架於個股漲跌趨勢之研究」，元智大學工業工程與管理學系，2006年碩士論文。
50.楊夢龍，「類神經網路於股價波段預測及選股之應用」，中央大學資訊管理研究所，1999年碩士論文。
51.葉怡成，類神經網路模式應用與實作第六版，儒林圖書有限公司，1999年。
52.楊雯寧，「台灣股價指數預測模型之探討」，元智大學工業工程與管理學系，2002年碩士論文。
53.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，2000年碩士論文。
54.劉科成，「使用動態規劃搜尋股市線形之探討及實作」，暨南大學資訊管理研究所，2000年碩士論文。
55.趙永昱，「技術分析交易法則在股市擇時之實證研究」，中山大學財務管理學系碩士在職專班，2001年碩士論文。
56.蔡依玲，「台灣股票市場報酬率之研究」，成功大學統計學研究所，2000年碩士論文。
57.賴鍵元，「軟性計算於商品管理之應用」，元智大學工業工程與管理學系，2006年博士論文。
58.謝玉華，「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， 1998年碩士論文。