跳到主要內容

臺灣博碩士論文加值系統

(44.201.97.0) 您好!臺灣時間:2024/04/14 03:57
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:宋安勝
研究生(外文):An-Shung Sung
論文名稱:建構一精簡化模糊規則模式於股價預測之研究
論文名稱(外文):Establish A Simplied Fuzzy Rule Model for Stock Price Forecasting Problem
指導教授:張百棧張百棧引用關係
指導教授(外文):Pei-Chann Chang
學位類別:碩士
校院名稱:元智大學
系所名稱:工業工程與管理學系
學門:工程學門
學類:工業工程學類
論文種類:學術論文
畢業學年度:94
語文別:中文
論文頁數:98
中文關鍵詞:精簡模糊規則K-means分群技術指標模擬退火法案例式推演
外文關鍵詞:Simplified Fuzzy RuleK-means clusteringSimulated AnnealingTechnical IndexCase Base Reasoning
相關次數:
  • 被引用被引用:4
  • 點閱點閱:334
  • 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
傳統上,模糊規則庫之規則數,會隨著輸入樣本數目與模糊區間的增加,而呈指數的增加,進而增加了模糊規則庫推理的時間及降低預測的準確度。為了改善此缺點,本研究期望藉由因子的篩選找出最佳的技術指標組合,基於K-means分群技術,建立精簡化的模糊規則庫預測模式(SFR),減少規則數的產生,有效的達到精簡之目的,而規則的參數部分則使用模擬退火法來進行最適化調整,最後將建立好的預測模型運用於股價的預測上,針對大盤及個股之收盤價進行預測。顯示本研究所建構之SFR預測模式在績效評比方面,皆比GANN與K-GAWM兩方法有著較佳的預測效果。以大盤為例,SFR預測模式平均MAPE值可達0.038。由此可知本研究所提出之SFR預測模式優於其他兩種預測模式,且較適用於台灣股價之預測。為了探討模式在實際應用的可行性,本研究嘗試使用三種案例式推演方法來預測技術指標值,並代入SFR預測模式中。3種方法中以方法3之二階段資料處理法有較佳的預測結果,在相對誤差方面,四個探討案例中以大盤的預測結果較佳,其相對誤差約在2%以內。
Traditionally, fuzzy inference system has been used in a wide variety of applications. However, with the number of data and fuzzy sets increasing, there often exist redundant rules or similar fuzzy sets in system. This results in unnecessary structural complexity and decreases the interpretability of the system. In this paper, a rule base simplification method (SFR) is proposed to establish interpretable fuzzy models from numerical data. After identifying the key variables by stepwise regression analysis, K-means clustering technique is used to simplify and find out the optimal number of rule base. When the model is constructed, SA is used to tune the consequent parameters of the rules. The result indicates that the SFR model has better performance than GANN and K-GAWM. Take TSE (Taiwan Stock Exchange) for example, the MAPE attains 0.038. To investigate the feasibility of SFR model, three methods are proposed to predict key variables and combined with SFR model for forecasting. The experimental results show that method 3 is better than others. In four cases, TSE has better performance and the relative error is under 2%.
中文摘要 i
英文摘要 ii
致謝 iii
目錄 iv
圖目錄 viii
表目錄 x
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究範圍與目的 2
1.3 研究方法 2
1.4 研究架構與流程 2
第二章 文獻探討 5
2.1 股價分析方法 5
2.1.1 基本分析法 5
2.1.2 技術分析法 6
2.2 傳統預測方法 7
2.3 現有股價預測方法探討 8
2.3.1 迴歸分析 9
2.3.2 類神經網路 10
2.3.3 基因演算法結合類神經網路 12
2.4 模糊理論 15
2.4.1 模糊推論系統 15
2.4.2 模糊規則類型 16
2.5 案例式推理 18
2.5.1 案例式推理的運作流程 19
2.5.2 案例式推理的優缺點 20
2.5.3 K最鄰近法(K-Nearest Neighbor Algorithm:KNN) 21
2.5.3.1 K最鄰近法說明 21
2.5.3.2 投票法 22
2.5.3.3 K最鄰近法的四大步驟 22
2.6 模擬退火法 23
2.6.1 模擬退火法理論介紹 24
2.6.2 Metropolis演算法 25
2.6.3 模擬退火法邏輯 26
2.7 田口方法 27
2.7.1 品質特性 27
2.7.2 直交表與S/N比 27
2.7.3 田口實驗設計 28
2.8 小結 28
第三章 問題定義與描述 30
3.1 研究資料之範圍 30
3.2 研究變數之說明 30
3.3 預測績效評估指標 35
第四章 研究方法 37
4.1 逐步迴歸因子篩選 38
4.2 K-means集群分析法 39
4.3 精簡化模糊規則推論系統的建立 41
4.3.1 精簡化模糊規則庫的建立 41
4.3.2 模擬退火法訓練規則參數 46
4.4 案例式推演預測技術指標 49
4.5 比較方法介紹 53
4.5.1 GANN法 53
4.5.2 KGA-WM法 54
第五章 實驗結果與分析 56
5.1 逐步迴歸選取因子 56
5.2 預測模式的建構與方法比較 58
5.2.1 大盤部份 58
5.2.1.1 SA參數實驗設計 58
5.2.1.2 決定最佳分群數 61
5.2.1.3 方法比較 62
5.2.2 聯發科技部份 64
5.2.3 威剛部份 66
5.2.3 友達部份 67
5.3 實際應用研究分析 68
5.3.1 大盤部份 69
5.3.2 聯發科技部份 73
5.3.3 威剛部份 73
5.3.4 友達部份 74
5.4 小結 74
第六章 結論及未來展望 76
6.1 研究結論 76
6.2 未來展望 76
參考文獻 78
附錄A 82
附錄B 84
附錄C 90
附錄D 93

圖目錄
圖 1-1 論文架構圖 4
圖 2-1 模糊推論系統方塊圖 16
圖 2-2 案例式推理循環週期 19
圖 2-3 模擬退火演算法跳脫局部最小值能力示意圖 25
圖 4-1 研究架構初步流程圖 37
圖 4-2 精簡化模糊推論系統建構細部流程圖 38
圖 4-3 K-means演算法分群過程 40
圖 4-4 精簡化模糊規則庫建構流程圖 41
圖 4-5 輸出值的預測流程 45
圖 4-6 SA流程圖 47
圖 4-7 初始解編碼示意圖 48
圖 4-8 鄰近解編碼示意圖 48
圖 4-9 GANN方法流程圖 54
圖 4-10 KGA-WM方法流程圖 55
圖 5-1 因子回應圖 60
圖 5-2 大盤不同分群數預測之平均MAPE值 62
圖 5-3 SA收斂圖 62
圖 5-4 聯發科技不同分群數預測之平均MAPE值 65
圖 5-5 威剛不同分群數預測之平均MAPE值 66
圖 5-6 友達不同分群數預測之平均MAPE值 68
圖 5-7 大盤方法一預測值與實際值比較圖 69
圖 5-8 大盤方法一相對誤差圖 70
圖 5-9 大盤方法二預測值與實際值比較圖 71
圖 5-10 大盤方法二相對誤差圖 71
圖 5-11 大盤方法三預測值與實際值比較圖 72
圖 5-12 大盤方法三相對誤差圖 72

表目錄
表 2-1 技術指標分類表 7
表 2-2 股價預測分析方法相關文獻整理 14
表 2-3 學者對案例式推理之解釋 19
表 3-1 技術指標之輸入變數表 35
表 5-1 大盤逐步迴歸分析結果 57
表 5-2 大盤田口實驗設計因子與水準設定表 59
表 5-3 各參數水準組合之實驗結果與S/N比 59
表 5-4 因子回應表 60
表 5-5 大盤之SA確認實驗之S/N值比較 61
表 5-6 大盤之SA最佳參數組合 61
表 5-7 大盤不同規則數預測結果 61
表 5-8 大盤GANN最適參數組合 63
表 5-9 大盤之GANN試驗結果 63
表 5-10 大盤K-GAWM最適參數組合 64
表 5-11 大盤之K-GAWM試驗結果 64
表 5-12 大盤之各方法综合比較 64
表 5-13 聯發科技之SA最佳參數組合 65
表 5-14 聯發科技之各方法综合比較 65
表 5-15 威剛田口實驗設計因子與水準設定表 66
表 5-16 威剛之SA最佳參數組合 66
表 5-17 威剛之各方法综合比較 67
表 5-18 友達之SA最佳參數組合 67
表 5-19 友達之各方法综合比較 68
表 5-20 大盤方法一參數設定實驗 69
表 5-21 大盤方法二參數設定實驗 70
表 5-22 大盤方法三參數設定實驗 71
表 5-23 大盤各方法综合比較 73
表 5-24 聯發科技各方法综合比較 73
表 5-25 威剛各方法综合比較 73
表 5-26 友達各方法综合比較 74
1. Aamodt, A. and E. Plaza, “Case-Based Reasoning: Foundational Issue Methodological Variations and System,” Artificial Intelligence Communications, 7:1, pp.39-59, 1994.
2. Abraham, A., N. Baikunth, and P.K. Mahanti, “Hybrid Intelligent Systems for Stock Market Analysis,” Lecture Notes in Computer Science, 2074, pp.337-345, 2001.
3. Allen, B. P., “Case-based reasoning: business applications,” Communications of the ACM, 37, pp.40–42, 1994.
4. Chang, P. C, and C. Y. Lai, “A hybrid system combining self-organizing maps with case-based reasoning in wholesaler’s new-release book forecasting,” Expert Systems with Application, 29, pp.183-192, 2005.
5. Chaochang C., “A case-based customer classification approach for direct marketing,” Expert Systems with Applications, 122, pp.163-168, 2002.
6. Chen, M. Y., and D. A. Linkens, “Rule-base self-generation and simplification for data-driven fuzzy models,” Fuzzy Sets and Systems, 142, pp.243–265, 2004.
7. Chun, S. H., and Y. J. Park, “A new hybrid data mining technique using a regression case based reasoning: Application to financial forecasting,” Expert Systems with Application, 31, pp.329-336, 2006.
8. Chi, S. C., H. P. Chen, and C. H. Cheng, “A Forecasting Approach for Stock Index Future Using Grey Theory and Neural Networks,” IEEE International Joint Conference on Neural Networks, 6, pp.3850-3855, 1999.
9. Edwards, R. D., and J. Magee, Jr., Technical Analysis of Stock Trends 8th edition, Amacom, 2001.
10. Granville, and E. Joseph, Granville''s New Strategy of Daily Stock Market Timing for Maximum Profit, Englewood Cliffs, NJ: Prentice-Hall, 1976.
11. Haddock, J., and J. Mittenthal, “Simulation Optimization Using Simulated Annealing,” Computers Industrial Engineering, 22, pp.387-395, 1992.
12. Hunt, J. “Case based diagnosis and repair of software faults,” Expert Systems, 14, pp.15-23, 1997.
13. 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.
14. Kimoto, T., and K. Asakawa, “Stock market prediction system with modular neural network,” IEEE International Joint Conference on Neural Network, 1, pp.1-6, 1990.
15. Kuo, R. J., and K. C. Xue, “A decision support system for sales forecasting through fuzzy neural networks with asymmetric fuzzy weight,” Decisions Support System, 24, pp.105-126, 1998.
16. Kwon, Y. K., and B. R. Moon, “Daily Stock Prediction Using Neuro-genetic Hybrids,” Lecture Notes in Computer Science, 2274, pp.2203-2214, 2003.
17. Lee, J. W., “Stock Price Prediction Using Reinforcement Learning,” IEEE International Joint Conference on Neural Networks, 1, pp.690-695, 2001.
18. Li, Y., R. Zhao, and Y. Zhang, “A hybrid design method of fuzzy systems,” 7th International Conference of Signal Processing, Beijing, 2, pp.1618-1621, 2004.
19. Liao, T. W., “Classification of Welding Flaw Types with Fuzzy Expert Systems,” Expert Systems with Applications, 25, pp.101-111, 2003.
20. Luxhoj, J. T., J. O. Riis, and B. Stensballe, “A hybrid econometric-neutral network modeling approach for sales forecasting,” International Journal of Production Economics, 43, pp.175-192, 1996.
21. Michael D.G. and S.A. Moore, “Depicting the use and purpose of documents to improve information retrieval,” http://www.umich.edu/~samoore/resear..index,1997.
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. Schank, R.C. “Dynamic Memory: Theory of Reminding and Learning in Computers and People”, Cambridge University Press, 1982.
25. Smyth, B., “Constructing Competent Case Based Reasoners: Theories, Tools and Techniques,” Proceedings of the Workshop on Automating the Construction of Case Based Reasoners, Stockhol, Sweden, 1999.
26. Sun, H. R., H. Pu, and L. H. Zhou, “A New Method to Construct Fuzzy Systems Based On Rule Selecting,” Proceedings of International Conference of Machine Learning and Cybernetics, Shanghai, 3, pp.1855-1858, 2004.
27. Takagi, T. and M. Sugeno, “Fuzzy Identification of Systems and its Application to Modeling and Control,” IEEE Transactions on Systems, Man and Cybernetics, 15, pp.116-132, 1985.
28. Wang, L. X., and J. M. Mendel, “Generating Fuzzy rules by Learning form Examples,” IEEE Transactions on Systems, Man and Cybernetics, 22, pp.1414-1427, 1992.
29. Wang L. M., and J. M. Mendel, “Generating fuzzy rules by learning from examples,” The First IEEE international Conference on Fuzzy Systems, 22, pp.203-210, 1992.
30. Wilhelm, M. R., and T. L. Ward, “Solving Quadratic Assignment Problems by Simulated Annealing,” IIE Transactions, 19, pp.107-119, 1987.
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. Zadeh, L. A., “Fuzzy Sets,” Information and Control, 8, pp.338-353, 1965.
33. 于宗先,經濟預測,中央研究院經濟研究所,1972。
34. 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」,國立台灣大學資訊管理研究所碩士論文,1996。
35. 江珊,「用模糊預測系統預測領先指標綜合指數」,私立淡江大學資訊工程學系碩士論文,2002。
36. 李沃牆和林維垣,「基因演化類神經網路模型於台股上現行權證的評價」,東吳經濟學學術研討會論文集,2000。
37. 李惠妍,「類神經網路與迴歸模式在台股指數期貨預測之研究」,國立成功大學企業管理學系碩士論文,2003。
38. 杜金龍,基本分析在台灣股市應用的訣竅,財訊,1996。
39. 林建成,「遺傳演化類神經網路於台灣股市預測與交易策略之研究」,私立東吳大學經濟學系碩士論文,2001。
40. 周湘蘭,「類神經網路在多重產品需求預測上之應用」,私立元智大學工業工程與管理學系碩士論文,2002。
41. 洪國智,「建構加權演化式模糊類神經網路於PCB生產預測之研究」,私立元智大學工業工程與管理研究所碩士論文,2005。
42. 徐子峻,「預測台灣電子類股指數報酬率之風險值-比較歷史模擬法、指數平滑法及複迴歸分析法」,私立長庚大學企業管理研究所碩士論文,2002。
43. 徐桂祥,「灰色系統在商情預測上之研究」,國立雲林技術學院資訊管理技術研究所碩士論文,1997。
44. 許維宸,「應用聚類技術於模糊資料萃取方法之研究」,國立台北科技大學生產系統工程與管理研究所碩士論文,2001。
45. 郭秀敏,「模糊倒傳遞網路於印刷電路板生產預測之運用」,私立元智大學工業工程與管理研究所碩士論文,2004。
46. 陳光南,「依學生偏好及學習狀態建構學習輔助者與知識協尋系統」,國立中央大學資訊工程研究所碩士論文,2000。
47. 陳家隆,「運用統計方法與人工智慧技術建構整合性投資策略」,國立成功大學統計研究所碩士論文,2002。
48. 陳秀榛,「整合分群技術與演化式模糊系統於訂單交期預測之研究」,私立元智大學工業工程與管理研究所碩士論文,2005。
49. 曾煥雯,「跨廠訂單分配模式之建構─應用模擬退火演算法」,私立元智大學工業工程與管理研究所碩士論文,2000。
50. 湯健文,「類神經網路於因果關係模型與時間數列模型之應用」,私立中華大學土木工程學系碩士論文,2003。
51. 葉怡成,「類神經網路模式應用與實作」,儒林圖書,2003。
52. 詹金凌,「整合碼蟻理論與案例式推理於知識管理之應用」,國立台北科技大學生產系統工程與管理研究所碩士論文,2002。
53. 楊基鴻,「(新)股票操作大全」,產京實業,2002。
54. 楊雯寧,「台灣股價指敗預測模型之探討」,私立元智大學工業工程與管理研究所碩士論文,2001。
55. 楊東翰,「整合基因演算法及類神經網路於印刷電路板生產預測之研究」,私立元智大學工業工程與管理研究所碩士論文,2004。
56. 蔡依玲,「台灣股票市場報酬率之研究」,國立成功大學統計學研究所碩士論文,2000。
57. 蔡金豐,「類神經網路於台灣股市預測之應用」,國立高雄第一科技大學電腦與通訊工程研究所碩士論文,2001。
58. 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」,私立真理大學管理科學研究所碩士論文,2000。
59. 劉瑞鑫,「時間序列與人工智慧方法在台股指數報酬率預測之績效比較」,私立朝陽科技大學財務金融系碩士論文,2003。
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊