臺灣博碩士論文加值系統

以往在利用遺傳演算法求解交易規則的問題時，常因適應度函數設計的優劣而產生最佳解極大的差異。以「平均報酬率」與「風險值」的概念，來設計適應度函數是常見的方式。在同時考量「風險值最小」、「平均報酬率最大」下，雖能找出極佳之一條的交易規則，但實際上，因股價資料型態的差異，最佳解反而並非擁有最佳的績效表現。因此在萃取交易規則時，應考量的並非是最佳的一條交易規則，而是如何萃取出較佳的「多點交易規則」。
研究中使用字串編碼方式來表達多種「技術指標」相互組合成的交易規則，在系統搜尋的過程中設定一固定的平均報酬率與風險值作為搜尋的目標，經適應度函數的評估，找出設定條件下，最佳的交易規則。之後並利用四種方法來進行績效驗證比較，這四種方法分別為：(1)買入持有策略(Buy and Hold)(2)傳統遺傳演算法萃取規則方式以及本文所提出之兩種方法(3)效率前緣萃取規則(4)報酬率與風險值交點搜尋規則。

In the past, A common method that use genetic algorithm to search for problem of trading rules, however, the difference design of fitness function is often lend to difference outcome. In general, the design of the fitness function is often contain risk-reward in genetic algorithm. We can fine best solution that to consider bath “maximum of average return” and “minimum of risk”, but best trading rule sometimes haven’t best return. Therefore, we should consider how to find the more effective rules of trading, when we extract the rule of trading.
This study utilizes the genetic algorithm to search the technical indicators. We will modify the fitness function in the procedure of search the trading rule. At last, we examine the performance with the other methods.

中文摘要 I
英文摘要 II
誌謝 III
目錄 IV
圖目錄 VI
表目錄 VII
第1章 緒論 1
1.1 研究背景與動機 1
1.2 目的 3
1.3 研究方法與步驟 3
1.4 重要性 4
第2章 文獻探討 5
2.1 證券投資分析 5
2.2 遺傳演算法於擇時交易規則之應用 8
2.2.1 遺傳演算法簡介 9
2.2.2 遺傳演算法在交易規則上的應用 11
第3章 研究方法 14
3.1 交易規則產生的概念 14
3.1.1 效率前緣概念應用 15
3.1.2 報酬率與風險值交點搜尋 19
3.2 系統架構 20
3.2.1 資料前置處理 22
3.2.2 遺傳演算法模組 22
第4章 實驗結果與分析 27
4.1 實驗基本假設 27
4.2 實驗設計 27
4.2.1 資料來源與使用工具 27
4.2.2 實驗對象與驗證 28
4.2.3 實驗時間 29
4.3 實驗結果與分析 29
4.4 系統實作 33
4.4.1 系統結構 33
4.4.2 資料下載模組 33
4.4.3 資訊檢索模組 33
4.4.4 圖形介面物件 33
4.4.5 人工智慧擇時交易分析 33
第5章 結論與建議 39
5.1 結論 39
5.2 建議 40
參考文獻 41
中文部份 41
英文部份 43
附錄一 技術指標計算公式 46
附錄二 測試期發生的交易規則 51
作者簡介 60

中文部份
[1] 王邵佑，2000，「隨機指標(KD值)投資績效之實證研究」，國立台北大學企業管理研究所碩士論文。
[2] 王鐘億，1998，「類神經網路投資決策支援系統投資策略之研究」，國立成功大學企業管理研究所碩士論文。
[3] 江吉雄，2002，「遺傳演算法於股市選股與擇時策略之研究」，國立中央大學資訊管理研究所碩士論文。
[4] 吳健良，2000，「基因演算法在股市預測與交易策略之研究」，國立中山大學企業管理研究所碩士論文。
[5] 李安邦，1997，「以遺傳演算法為基底的模糊專家系統於投資策略之應用」，元智大學管理研究所碩士論文。
[6] 杜金龍，1996，「基本分析在台灣股市應用的訣竅」，台北，金錢文化。
[7] 杜金龍，1998，「技術指標在台灣股市應用的訣竅」，台北，金錢文化。
[8] 林萍珍，1998，「遺傳演算法在使用者導向的投資組合選擇之應用」，國立中央大學資訊管理研究所碩士論文。
[9] 林耀堂，2001，「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碩士論文。
[10] 邱昭彰、李安邦，2000，「遺傳模糊專家系統(GA-Fuzzy)技術在證券投資操作之決策輔助」，資訊管理研究，第二卷，第二期，61-82.頁。
[11] 侯佳利，2001，「組合編碼遺傳演算法於投資組合及資金分配之應用」，國立中央大學資訊管理研究所碩士論文。
[12] 洪美慧，1997，「技術分析應用於台灣股市之研究－移動平均線、乖離率指標與相對強弱指標之評估」，東海大學管理研究所碩士論文。
[13] 高梓森，1994，「台灣股市技術分析之實證研究」，國立台灣大學財務金融研究所碩士論文。
[14] 張真卿，1997，「股市技術分析操作勝典」，台北，台灣廣廈出版公司。
[15] 陳劭儀，2000，「技術指標與法人買賣超資訊配合運用之可行性實證研究」，實踐大學企業管理研究所碩士論文。
[16] 陳建全，1998，「台灣股市技術分析之實證研究」，國立台灣大學商學研究所碩士論文。
[17] 陳進忠，1999，「證券投資技術分析」，台北，台灣實業文化出版社。
[18] 陳照憲，1999，「基因演算法技術交易法則獲利績效─臺灣股票市場實證研究」，國立雲林科技大學企業管理研究所碩士論文。
[19] 黃怡芬、許溪南、陳俊郎，2001，「道氏理論、濾嘴法則與買入持有策略在台灣股市投資績效之比較」，第十五屆龍騰論文獎集─人文科技類。
[20] 劉大成，1999，「結合遺傳演化與範例學習法進行臺灣股市行為預測之研究」，國立政治大學資訊管理研究所碩士論文。
[21] 蔡瀚賢，2001，「成交量放大訊號及技術指標綜合策略在台灣股市之實證研究」，國立成功大學企業管理研究所碩士論文。
[22] 鄧紹勳，1999，「遺傳演算法於股市擇時策略之研究」，國立中央大學資訊管理研究所碩士論文。
[23] 魯秉鈞，2001，「技術分析於台灣股票市場的運用─移動平均線與均量指標」，東海大學企業管理研究所碩士論文。
[24] 蕭永一，1995，「股票交易策略系統－使用改良式遺傳演算法」，國立台灣大學資訊管理研究所碩士論文。
英文部份
[25] Achelis, S. B., 1995, “Technical Analysis from A to Z,” Chicago, Probus Inc.
[26] Allen, F. and Risto, K., 1999, “Using genetic algorithms to find technical trading rules,” Journal of Financial Economics, Vol. 51, pp. 245-271.
[27] Bauer, R. J., and Liepins, G. E., 1992, “Genetic Algorithms and Computerized Trading Strategies,” New York, Elsevier Science Publishers.
[28] Bauer, R. J., 1994, “Genetic Algorithms and Investment Strategies,” New York, John Wiley & Sons Inc.
[29] Brown, S., Goetzmann, W. and Ross, S., 1995, “Survival,” Journal of Finance, Vol. 50, pp. 853-873.
[30] Chang, J., Jung Y., Yeon K., Jun J., Shin D. and Kim H., 1996, “Technical Indicators and Analysis Methods,” Seoul, Jinritamgu Inc.
[31] Chenoweth, T., Obradovic, Z., and Lee, S. S., 1996, “Embedding Technical Analysis into Neural Network Based Trading System,” Applied Artificial Intelligence, Vol. 10, pp. 523-541.
[32] Darrel, R. J., 1994, “Handbook of Technical Analysis: A Comprehensive Guide to Analytical Methods, Trading Systems and Technical Indicators,” New York, McGraw-Hill Book.
[33] Edwards, R. and Magee, J., 1997, “Technical Analysis of Stock Trends,” New York: John Magee Inc.
[34] Goldberg, D. E. and Segrest, P., 1987, “Finite Markov Chain Analysis of Genetic Algorithms,” Proceedings of the Second International Conference on Genetic Algorithms, Vol. 48, pp. 1-8.
[35] Iba, H. and Nikolaev, N., 2000, “Genetic Programming Polynomial Models of Financial Data Series,” Proceedings of the 2000 Congress on Evolutionary Computation on IEEE Press, pp. 1459-1466.
[36] Jang, G. S., Lai, F. and Parng, T. M., 1993, “Intelligent stock trading decision support system using dual adaptive-structure neural networks,” Journal of Information Science and Engineering, Vol. 9, pp. 145-169.
[37] Kassicieh, S. K., Paez, T. L. and Vora, G., 1998, “Data Transformation Methods for Genetic-Algorithm-Based Investment Decisions,” Proceedings of the Thirty-First Hawaii International Conference on System Sciences, pp. 122-127.
[38] Kyoung, J. K. and Ingoo, H., 2001, “The extraction of trading rules from stock market data using rough sets,” Expert Systems, Vol. 18, pp. 194-202.
[39] Levy, R. A., 1967, “Relative strength as a criterion for investment selection,” Journal of Finance, Vol. 22, pp. 595-610.
[40] Mahfoud S. W., 1995, “Niching methods for genetic algorithms,” PhD thesis, University of Illinois at Urbana-Champaign.
[41] Markowitz, H., 1952, “Portfolio selection,” Journal of Finance, Vol. 7, pp.77-91.
[42] Mitchell, M., 1996, “An introduction to genetic algorithms,” MIT Press, Cambridge, Massachusetts.
[43] Murphy, J. J., 1986, “Technical Analysis of the Futures Markets: A Comprehensive Guide to Trading Methods and Applications,” New York, Prentice-Hall Inc.
[44] Neely, C. J., Weller, P. and Dittmar, R., 1997, “Is Technical Analysis in the Foreign Exchange Market Profitable? A Genetic Programming Approach,” Journal of Financial Quantitative Analysis, Vol. 32, pp. 405-426.
[45] Sikora, R., and Shaw, M. J., 1994, “A double-layered learning approach to acquiring rules for classification: Integrating genetic algorithms with similarity-based learning,” ORSA Journal on Computing, Vol. 6, pp. 174-187.
[46] Srinivas, M. and Patnaik, L. M., 1994, “Adaptive probabilities of crossover and mutation in genetic algorithms,” IEEE Transactions on System, Man and Cybernetics, Vol. 24, pp. 656-667.
[47] Tushar, S. C. and Stanley, K., 1994, "The New Technical Trader: Boost Your Profit by Plugging into the Latest Indicators," John Wiley & Sons Inc.
[48] Yao, J. and Poh, H., 1995, ”Forecasting the KLSE Index Using Neural Networks,” IEEE International Conference on Neural Networks, Vol. 2, pp. 1013-1017.