臺灣博碩士論文加值系統

摘要
近年來，由於投資風氣的盛行，股票價格的預測一直是投資中的一個重要的課題。而在從事股價預測時，運用移動平均線來作股價分析的葛蘭碧法則是最常見的方法之一。雖然以移動平均線配合葛蘭碧法則來從事股價預測具有一定的成效，但是並不能有效地過濾掉不正確的買賣訊號。因此本研究將利用現代強大電腦運算功能，結合模糊理論、倒傳遞類神經網路、 模糊化類神經網路的優點，配合葛蘭碧法則，發展出一套模糊類神經系統作為預測股市大盤及股票價格之工具。
本研究首先利用倒傳遞類神經網路經過大量的歷史資料之學習，以獲得一類似現實股價之線形，再運用模糊理論對於輸入變數及輸出變數，定義出二者間的關係及模糊推理邏輯，並透過大量的歷史資料利用類神經網路加以學習、歸納，進而發展出一套能結合時間點與股價趨勢以發出買賣訊號的模糊類神經系統。
在投資績效的實證上，本文所建構之模糊類神經系統在本研究期間對於研究標的買賣策略確實優於葛蘭碧法則中第一法則與第五法則的買賣策略。經實證後亦可得知，此模糊類神經系統在使用的方便性及降低投資風險並增加投資報酬的功能性上確實達到本研究之研究目的。

Abstract
In recent year, the anticipation of stock market play an important role in financial investment , J.Granville Rules has became popular approach to predict stock price with moving average method.
In spite of J.Granville Rules is one of stock predication methods, it still can’t completely filter inaccuracy information .
With the objective of attaining a sufficient level of J.Granville Rules for using in stock market prediction , this work provide an extension to the base of J.Granville Rules, combining with Fuzzy Sets Theory, Back-Propagation Neural Network, Neuro-Fuzzy as well as computer powerful calculation ability .
For the purpose of developing a system to know what is the time to buy and sell stock, this work use mass history data learning advantage of Back-Propagation Neural Network to get reality alike stock trend, furthermore, putting input and output variables into Fuzzy Sets Theory to define out the relationship and fuzzy logic.
This work is developed to research strategy of commerce price, the effect has been proved by mass history data simulation during research period, it’s better than the first and the fifth rule in J.Granville Rules . The work also meet the research purpose of reducing investment risk, increasing the return of investment as well as easy to use.

目 次
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 6
1.3 研究資料 8
1.4 研究架構 8

第二章 研究理論簡介 10
2.1 傳統技術分析指標─移動平均線及葛蘭碧八大法則 11
2.1.1 移動平均線 13
2.1.2 葛蘭碧八大法則 15
2.2 模糊理論 20
2.3 類神經網路 23
2.3.1 倒傳遞類神經網路的基本架構 24
2.3.2 倒傳遞類神經網路的網路演算法 26
2.4 模糊化類神經網路 31
2.4.1 梯度調整方法 31

第三章 研究方法 39
3.1 模糊類神經網路股票系統之變數定義 39
3.2 倒傳遞類神經網路 41
3.3 葛蘭碧八大法則 43
3.4 模糊類神經網路 43

第四章 實證分析 51
4.1 研究樣本與時間 51
4.2 模糊類神經網路股票系統及葛蘭碧–移動平均線之操作策略 52
4.3 模糊類神經網路股票系統之績效驗證 55
4.4 模糊類神經網路股票系統與十日移動平均線之績效比較 68

第五章 結論與建議 70
5.1 研究結論 70
5.2 研究建議 71

參考書目及文獻
一、中文部份 73
二、英文部份 75





圖 目 次
圖1.1 研究架構圖 9
圖2.1 葛蘭碧八大法則圖 17
圖2.2 三角形隸屬函數 22
圖2.3 倒傳遞網路基本架構圖 25
圖2.4 三角形隸屬函數 33
圖3.1 各類斜率隸屬函數圖 47
圖3.2 交叉類別隸屬函數圖 48
圖4.1 上市指交易圖 56
圖4.2 聯電交易圖 58
圖4.3 矽統交易圖 60
圖4.4 亞泥交易圖 62
圖4.5 南亞交易圖 64
圖4.6 開發金交易圖 66





表 目 次
表3.1 模糊類神經網路股票系統之模糊規則庫 49
表4.1 上市指交易及績效明細 57
表4.2 聯電交易及績效明細 59
表4.3 矽統交易及績效明細 61
表4.4 亞泥交易及績效明細 63
表4.5 南亞交易及績效明細 65
表4.6 開發金交易及績效明細 67

參考書目及文獻
一、中文部份
台灣證券交易所網站：http://www.tse.com.tw/ch/statistics/statistics.php?tm=07
中華民國證券櫃檯買賣中心網站：http://www.otc.org.tw/c_index.htm
楊鴻基（民88）。股票操作大全。台北：產經實業。
陳共、周升業、吳曉求主編；蘇哲仁校訂（民90）。證券投資分析。 台北：五南圖書。
黃韋中（民94）。主控戰略移動平均線。台北：寰宇。
葉怡成（民93）。類神經網路模式應用與實作。台北：儒林。
張斐章、張麗秋、黃浩倫（民93）。類神經網路理論與實務。台北：東華。
秉昱科技（民90）。模糊邏輯與類神經模糊在商業和財政的應用。 台北：儒林。
王進德、蕭大全（民94）。類神經網路與模糊控制理論入門。台北：全華。
李允中、王小璠、蘇木春（民93）。模糊理論及其應用。台北：全華。
王文俊（民94）。認識Fuzzy。 台北：全華。
九章出版（民89）。模糊數學入門。台北：九章。
林財印（民88）。應用時間序列在台灣加權股票指數的預測。義守大學管理科學研究所碩士論文。
何旭輝（民88）。應用不確定模式於股票投資之研究。成功大學企業管理研究所碩士論文。
黃煥彰（民87）。提高台灣電子類股投資績效之研究–類神經網路結合技術指標。中興大學企業管理研究所碩士論文。
洪崇恩（民88）。以類神經網路預測台灣股價報酬率–以電子股為例。朝陽大學財務金融研究所碩士論文。



一、英文部份
White ( 1988 )”Economic prediction using neural networks : the case of IBM daily stock returns；
Allen Hobbs, Nikolaos G. Bourbakis, “ A Neuro-Fuzzy Arbitrage Similator for Stock Investing “, Computational Intelligence Financial Engineering, 1995
Harrald, P.G. , Kamstra, M ,”Evolving artificial neural networks to combine financial forecasts”, IEEE Transactions on Evolutionary Computation, Volume : 11,April 1997
K. N. Pantazopoulos, L. H. Tsoukalas, E.N. Houstis, “Neurofuzzy Characterization of Financial Time Series in an Anticipatory Framework”, Computational Intelligence for Financial Engineering, 1997
Yoshinori Kawasaki, Seisho Sato, Shigeru Tachiki,”Vector-Valued Miltiple Regression Model with Time Varying Coefficients and Its Application to Predict Excess Stock Returns”, Computational Intelligence for Financial Engineering,2000
Mojzes, I., Farkas, Z. B., “Empirical study on the impact of electronics on stock exchange indices”, Technology and Society at a Time of Sweeping Change Proceeding, 1997. International Symposium on Technology and Society, 1997
Baker,D. (1990).”Analyzing financial health,” PC AI” May/June 1990,24-64
Bergerson, K. and Wunsch, D.C. (1991). “ A commodity trading model based on a neural network-expert system hybrid,” IJCNN-91,I,289-293.