跳到主要內容

臺灣博碩士論文加值系統

(44.221.70.232) 您好!臺灣時間:2024/05/29 04:56
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:劉大成
論文名稱:結合遺傳演化與範例學習法進行台灣股市行為預測之研究
指導教授:楊建民楊建民引用關係
學位類別:碩士
校院名稱:國立政治大學
系所名稱:資訊管理學系
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:1999
畢業學年度:87
語文別:中文
論文頁數:95
中文關鍵詞:遺傳演算法範例學習法
相關次數:
  • 被引用被引用:8
  • 點閱點閱:151
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:1
由於股票的價格常會受到許多的人為因素、政治因素、經濟因素、突發事件或是其他未知因素的影響,使得預測股價亦相當不易;然而股市也並非是毫無規則可循,縱觀股價的研究分析如基本面分析、技術面分析、政策分析、心理面分析等,無不試圖從股價交易的行為中,探索其變化規則。尤其近年來許多人工智慧已成功地應用在預測股市的行為上,其中遺傳演算法便是一例,它以模擬自然界「適者生存,不適者淘汰」的機制中來具體找出最適解且能隨時間及環境變動等因素來動態調整其交易規則,以獲得較好的成效。因此,本研究結合遺傳演算法及範例學習法,以股市之技術分析指標為線索,透過學習及演化的機制,來實際應用於股票市場,以預測加權股價指數之漲跌情形及搜尋較佳的投資策略。本研究以民國80年至86年的證交所每日加權指數及成交量的資料,進行各Agent的學習與演化。根據研究結果顯示,(1)經由實例的驗證,發現系統預測的平均命中率可達60%以上(實驗五),檢定得以證實此系統已具備預測股價指數漲跌的能力。(2)增加每個Agent的線索數目可以提昇預測之命中率。(3)訓練集涵括一年的資料,即足以學習演化出有效的判斷法則,再增加訓練集的訓練例子數並無法再大幅提高預測命中率。(4)演化到最後,各Agent所具有的線索有愈來愈相近之趨勢。(5)根據研究結果,分類效果較佳的指標計有:股價2日平均、股價3日平均、心理線6日、6日KD及RSI 6日等幾個指標。最後,本研究亦提出一些相關的建議及未來的研究方向。

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 本文架構........................................3
第二章 文獻探討..........................................5
第一節 遺傳演算法......................................5
第二節 範例學習法......................................8
第三節 金融財務上之應用...............................13
第四節 股價分析.......................................17
第五節 結語...........................................21
第三章 研究方法.........................................24
第一節 概念性架構.....................................24
第二節 演化範例學習法.................................27
第三節 資料前置處理階段...............................32
第四節 Agent之範例學習階段............................35
第五節 Agent之演化階段................................39
第四章 研究結果.........................................41
第一節 世代數對Agent預測效果之影響....................41
第二節 線索總數對預測效果之影響.......................59
第三節 Agent線索數對預測效果之影響....................66
第四節 訓練集例子數對預測效果之影響...................74
第五節 結語...........................................81
第五章 結論與建議.......................................84
第一節 結論與建議.....................................84
第二節 未來研究方向...................................86
參考文獻................................................88
附錄....................................................92

中文部份:
1. 王國榮,Visual Basic 5.0 實戰講座,旗標出版股份有限公司,民國86年8月。
2. 白晉榮,「給例學習專家系統」,國立政治大學企業管理所碩士論文,民國78年6月。
3. 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」,國立交通大學資訊管理研究所碩士論文,民國82年6月。
4. 李安邦,「以遺傳演算法為基底的模糊專家系統於投資策略之應用」,元智工學院管理研究所碩士論文,民國86年6月。
5. 杜金龍,技術指標在台灣股市應用的訣竅,非凡出版社,民國82年5月10日。
6. 金必煌,「運用遺傳基因演算法建立動態證券市場技術模型」,國立交通大學資訊管理研究所碩士論文,民國83年6月。
7. 范饒耀,「遺傳演算法在財務預測上之應用」,國立政治大學資訊管理研究所碩士論文,民國85年6月。
8. 馬芳資,「信用卡信用風險預警範例學習系統之研究」,國立政治大學資訊管理研究所碩士論文,民國82年6月。
9. 張家澍,「智慧型證券投資組合管理與趨勢預測類神經網路資訊系統」,國科會研究計劃,台大資管系,民國83年4月。
10. 許宏安,「以專家系統和範例式推理為基礎之智慧型證券交易決策支援系統」,國立台灣大學資訊工程研究所碩士論文,民國84年6月。
11. 許和順,「智慧型證券交易決策支援系統:利用類神經網路及法則歸納法」,國立台灣大學資訊工程研究所碩士論文,民國84年6月。
12. 許顯榮,「使用模糊專家系統之智慧選股決策支援系統」,國立台灣大學資訊工程研究所碩士論文,民國84年6月。
13. 陳炎欽,「資訊遺漏與雜訊對企業盈虧預測範例學習系統衰減與干擾效果之研究」,國立政治大學資訊管理研究所碩士論文,民國86年6月。
14. 陳英琪,「台灣地區股票上市公司經營績效評等及其資訊價值之研究-範例學習法之應用」,國立政治大學資訊管理研究所碩士論文,民國84年6月。
15. 陳啟煌,「已可調適法則類神經網路為基礎之智慧型證券交易決策支援系統」,國立台灣大學資訊工程研究所碩士論文,民國84年6月。
16. 傅麗容,「以決策樹方法預測匯率變動趨勢」,國立成功大學工業管理研究所碩士論文,民國82年6月。
17. 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」,國立交通大學資訊管理研究所碩士論文,民國83年6月。
18. 黃天佑,「模糊熵決策樹歸納學習法」,國立中山大學資訊管理研究所碩士論文,民83年6月。
19. 楊建民,林震岩,劉立倫,「以範例學習法預測台灣股市行為」,國立政治大學學報第六十三期,民國80年9月。
20. 劉子貴,股市分析與預測,漢宇出版有限公司,民國84年5月。
21. 蕭文峰,「運用決策樹歸納學習法預測連續數值」,國立中山大學資訊管理研究所碩士論文,民國83年6月。
22. 蕭永一,「股票交易策略鑑別系統-使用改良式遺傳演算法則」,國立台灣大學資訊工程研究所碩士論文,民國85年6月。
23. 鐘朝宏,投資學,五南圖書出版公司,民國81年5月。
24. 顧志遠、洪國勝,Visual Basic 入門與應用,松崗電腦圖書資料股份有限公司,民國84年4月。
英文部份:
25. Arthur,W.B. , Holland,J.H. ,etc. “ Asset Pricing Under Endogenous Expectations in an Artificial Stock Market “ ,1996.
26. Colin , A.M., “ Genetic Algorithms for Financial Modeling “ , Trading on the Edge — Neural , Genetic , and Fuzzy systems for chaotic financial managements , John Wiley&Sons , Inc , pp.148 , 1989.
27. Frydman ,H.,Altman E.I. & Kao D.L. , “ Introducing Recursive Partitioning for Financial Classification:The Case of Financial Distress “ , The Journal of Finance , pp.269-291 , 1985.
28. Goldberg ,D.E., “ Genetic Algorithms in Search , Optimization , and Machine Learning “ , Addison-Wesley Publishing Company ,1989.
29. Gramham , B., Dodd , D.L.and Cottle , S. Security Analysis , Principles and Techniques , 4 th ed., McGraw-Hill , New York , 1962.
30. Holland , J.H., “ Adaptation in Natural and Artificial Systems “ , University of MichiganPress , 1975.
31. Hunt , E.B., Marin , J. & Stone , P.T., “Experiments in Induction “ ,Academic Press , New York , 1966.
32. Liang , T.P., “ A Composite Approach to Inducing Knowledge for Expert System Design “ , Management Science ,Vol.38 No.1.,pp.1-17,January 1992.
33. Margarita , Sergio. ” Neural Networks , Genetic Algorithms and Stock Trading “, Artificial Neural Networks , pp. 1763-1766 , 1991.
34. McCluskey P.C. “ Feedforward and Recurrent Neural Networks and Genetic Programs for Stock Market and Time Series Forecasting “ , Brown University’s Master thesis , September , 1993.
35. Michalski, R.S. & Chilausky, R.L., “ Learning by Being Told and Learning From Examples:An Experimental Comparison of the Two Methods of Knowledge Acquisition in the Context of Developing An Expert System For Soybean Disease Diagnosis “, Journal of Policy Analysis & Information Systems , Vol.4 No.2 ,pp.125-160,1980.
36. Mingers John , “ An Empirical Comparison of Pruning Methods for Decision Tree Induction “ , Machine Learning , Vol.4 , pp.227-243 , 1989.
37. Packard,N.H., ‘ A Genetic Learning Algorithm for the Analysis of Complex Data “ ,Complex Systems , pp.543-572 ,1990.
38. Price ,T.C., “Using co-evolutionary programing to simulate strategic behaviour in markets “, Evolutionary Economics , pp.219-254 , 1997
39. Quinlan , J.R., “ Discovering Rules From Large Collections of Examples:A Case Study” ,Expert System in the Micro Electronic Age(D.Michie,Ed.),EdinBurgh University Press , 1979.
40. Quinlan ,J.R., “ Induction of Decision Tree “ , Machine Learning , Vol.1 ,pp.81-106,1986.
41. Schoneburg , E. , “ Stock Price Prediction Using Neural Networks:A Project Report ” , Neurocomputing2 , pp. 17-27 , 1990.
42. Shannon , C.E. & Weavwe , W., “The Mathematical Theory of Communication “ , Urbana University of Illinois Press ,pp.1-201.
43. Utgoff , P.E., “ ID5:An incremental ID3 “ Proceeding of the 5th International Conference on Machine Learning , pp.107-120 , 1988.

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top