(3.238.174.50) 您好!臺灣時間:2021/04/18 16:02
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:徐志銘
研究生(外文):Chih-ming Hsu
論文名稱:以技術指標建構ETF交易策略-灰關聯及類神經網路之應用
論文名稱(外文):Applying Technical Indictors to Construct ETF Trading Strategy-An Application of Grey Relational and Neural Networks
指導教授:徐清俊徐清俊引用關係
指導教授(外文):Ching-jun Hsu
學位類別:碩士
校院名稱:南華大學
系所名稱:財務管理研究所
學門:商業及管理學門
學類:財務金融學類
論文種類:學術論文
論文出版年:2007
畢業學年度:95
語文別:中文
論文頁數:69
中文關鍵詞:類神經網路灰關聯分析指數股票型基金移動平均線
外文關鍵詞:Artificial neural networkGrey relationExchange-traded fundMoving average
相關次數:
  • 被引用被引用:2
  • 點閱點閱:354
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:1
  • 收藏至我的研究室書目清單書目收藏:0
  本研究以台灣五十ETF為研究標的,利用ETF股價移動平均線變化建立一個經過前測且具有獲利性的交易策略。
 
  本研究先應用灰關聯分析,將技術指標與ETF股價移動平均線發展變化關聯予以分析排序;再藉由技術指標與ETF股價移動平均線發展之關聯高低,以不同技術指標組合作為類神經網路輸入向量,以未來ETF股價移動平均線漲跌變化為輸出向量,應用類神經網路建構ETF股價移動平均變化預測模型。本研究除探討灰關聯分析篩選輸入變數的有效性外,並依據類神經網路預測模型,建立ETF交易策略模擬操作,比較類神經網路預測模式、買入持有策略及傳統移動平均交叉法則等投資策略的獲利績效優劣。
 
  實證結果發現,應用灰關聯分析能有效篩選輸入變數,降低類神經網路預測誤判率。本研究提出的交易策略中,結合6日及12日兩條均線預測模型的混合策略,不論在測試期或驗證期均能獲得優於傳統6日及12日均線交叉法則及買入持有策略,可以提供投資人投資ETF時之決策參考。
  This study applies the ETF stock price moving average to construct a profitable investment strategy. We first choose effective technical indicators by applying Grey relation analysis and then take the different combinations of technical indicators as input vector, the future ETF stock price moving average fluctuation as output vector to build an Artificial neural network forecast model. Furthermore, the investment performances of different trading strategies are compared. The results are as follows:
1.Choosing technical indicators by Grey relation analysis could effectively reduce forecasting bias.
2.The trading strategy derived by Artificial neural network shows a better performance than traditional six-day and twelve-day moving average crossover trading strategy and buy-and-hold strategy.
中文摘要.....i
英文摘要.....ii
目錄.....iii
表目錄.....v
圖目錄.....vii
  
第一章 緒論.....1
   第一節 研究背景.....1
   第二節 研究動機.....4
   第三節 研究目的.....5
   第四節 論文架構.....6
  
第二章 文獻探討.....8
   第一節 技術分析.....8
   第二節 類神經網路應用於股市分析.....10
   第三節 灰關聯分析.....14
   第四節 結合灰關聯與類神經網路應用於股市分析.....14
   第五節 文獻探討結論.....15
  
第三章 研究設計.....17
   第一節 研究流程.....17
   第二節 研究樣本與變數選取.....19
   第三節 類神經網路模型建構.....23
   第四節 市場擇時能力檢定.....27
   第五節 交易策略與投資績效評估.....28
  
第四章 實證結果.....32
   第一節 輸出向量報酬測試.....32
   第二節 灰關聯分析變數篩選.....40
   第三節 類神經網路模型建構.....42
   第四節 類神經網路績效評估.....47
   第五節 市場擇時能力檢定.....50
   第六節 模擬操作績效評估.....52
   第七節 交易成本敏感度分析.....56
   第八節 實證結論.....57
  
第五章 結論與建議.....59
   第一節 結論.....59
   第二節 後續研究建議.....60
  
參考文獻.....62
附錄 技術指標計算公式.....67
中文部分
 
余尚武及游梓堯(2003),「美國與台灣股票市場之連動與關聯性-VAR、GARCH、與灰關聯分析之應用」,經濟情勢暨評論,第八卷第四期,160-186頁。
 
余尚武及黃雅蘭(2003),「台灣股價指數期貨套利之研究-類神經網路與灰色理論之應用」,電子商務學報,第五卷第二期,87-115頁。
 
李友錚及李瑞東(2006),「財經指標與股市報酬率」,2006產業管理創新研討會論文。
 
周宗南及劉瑞鑫(2005),「演化式類神經網路應用於台股指數報酬率之預測」,財金論文叢刊,第三期,77-94頁。
 
林金賢及李家豪(2003),「利用類神經模糊建構投資組合」,管理學報,第二十卷第二期,339-364頁。
 
胡遠來及賈玥(2002),「灰色優勢識別演算法在儲層預測中的應用」,礦物岩石,第二十二卷第一期,87-90頁。
 
張百棧、王彥文及楊雯寧(2004),「混合式預測模式之發展-預測台灣股價指數之波動」,工業工程學刊,第二十一卷第四期,358-368頁。
 
張振魁(2000),「以類神經網路提高股票單日交易策略之獲利」,國立中央大學資訊管理系碩士論文。
 
陳昭宏、吳東璟及趙永祥(2002),「以輸入資訊內涵觀點建構台灣股價指數類神經網路預測模式之研究」,2002年財務金融學術研討會論文集。
 
陳應慶(2004),「應用技術分析指標於台灣股票市場加權指數買進時機切入之實證研究─以RSI、MACD 及DIF 為技術指標」,佛光人文社會學院管理學研究所碩士論文。
 
游淑禎(1998),「類神經網路應用於臺灣股市預測」,臺灣銀行季刊,第四十九卷第三期,27-59頁。
 
黃光廷(2002),「技術分析、基本分析與投資組合避險績效之研究」,國立成功大學會計學研究所碩士論文。
 
黃怡芬(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」,國立成功大學企業管理學系碩士論文。
 
黃華山及邱一薰(2005),「類神經網路預測台灣50股價指數之研究」中央警察大學資訊、科技與社會學報,第五卷,第二期,19-41頁。
 
楊智傑(2006),「台股技術線型實證研究」,南台科技大學財務金融系碩士論文。
 
溫坤禮、黃宜豐、張偉哲、張廷政、游美麗及賴家瑞(2003),灰關聯模型方法與應用,台北:高立圖書。
 
葉怡成(2004a),應用類神經網路,台北市:儒林圖書。
 
葉怡成(2004b),類神經網路模式應用與實作,台北:儒林書局。
 
詹錦宏及袁澤峻(1999),「景氣循環與股價指數之預測─類神經網路之應用」,證交資料月刊,第450期,1-15頁。
 
廖文正(2005),「灰色系統理論於不動產價格影響因素與個案優選評估之應用」,計量管理期刊,第二卷第一期,79-88頁。
 
劉維新及林志遠(2002),「披著羊皮的狼-中實戶的投機世界」,2002年社會學年會會議論文。
 
劉維新及林志遠(2004),「中實戶的世界(II):社會網絡與市場資訊」,第二屆金融與社會學術研討會論文集。
 
蔡依玲(1999),「台灣股票市場之研究」,成功大學統計學系碩士論文。
 
蔡金豐(2001),「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系碩士論文。
 
蔡耀全、陳住銘、楊棠堯及王鐘億(1999),「類神經網路應用於股票投資之應用」,中華管理評論,第十二卷,第三期,25-48頁。
 
鄭駿豪、李樑堅、謝企榮及黃永成(1999),「應用類神經網路及灰關聯分析建立店頭市場股價指數預測基礎模式之研究」,中國財務學會1999年會暨財務金融學術研討會論文集。
 
鄧聚龍(1988),灰色系統基本法,華中理工大學出版社。
 
西文部分
 
Baba, N. and M. Kozaki (1992), “An Intelligent Forecasting System of Stock Price Using Neural Networks,” International Joint Conferenceon Neural Networks-Baltimore, Vol.1, pp.371-377.
 
Bessembinder H. and K. Chan(1995), “The Profitability of Technical Trading Rules in the Asian Stock Markets,” Pacific-Basin Finance Journal, Vol.3, pp.257-284.
 
Brock, W., J. Lakonishock and B. LeBaron(1992) “Simple Technical Trading Rules and The Stochastic Properties of Stock Returns,” Journal of Finance, Vol.47, pp.1731-1764.
 
Chi, S. C., H. P. Chen and C. H. Cheng (1999), “A Forecasting Approach for Stock Index Futures Using Grey Theory and Neural Networks,” IEEE International Joint Conference on Neural Networks, Vol.6, pp.3850-3855.
 
Corrado, C.J. and S.H. Lee(1992), “Filter Rule Tests of the Economic Significance of Serial Dependencies in Daily Stock Returns,” The Journal of Financial Research, Vol.15, pp.369-387.
 
Coutts J. A. and K. C. Cheung(2000),“Trading Rules and Stock Returns: Some Preliminary Short Run Evidence from the Hang Seng 1985-1997,”Applied Financial Economics, October, pp.579-586.
 
Cumby, R. E. and D. M. Modest(1987), “Testing for Market Timing Ability,” Journal of Financial Economics, Vol.19, pp.169-189.
 
Cutler, D., J. Porterba and L. Summers(1991),“Speculative Dynamics,” Review of Economic Studies, Vol.58, pp.29-46.
 
Dimson E. and P. Marsh(1984), “An Analysis of Brokers and Analysts Unpublished Forecasts of UK Stock Returns,” Journal of Finance, Vol.39, pp.1257-1292。
 
Fang, Y. and D. Xu(2003), “The Predictability of Asset Returns: An Approach Combining Technical Analysis and Time Series Forecasts,” International Journal of Forecasting, Vol.19, pp.369-385.
 
Fernandez-Rodriguez, F., C. Gonzalez-Martel and S. Sosvilla-Rivero(2000), “On the rofitability of Technical Trading Rules Based on Artificial Neural Networks: Evidence from the Madrid Stock Market,” Economic Letters, Vol.69, pp.89-94.
 
Ito, A. (1999), “Profits on technical trading rules and time-varying expected returns: Evidence from Pacific-Basin equity markets, ” Pacific-Basin Finance Journal, Vol.7, pp.283-330.
 
Jacobs, B. and K. Levy(1989), “The complexity of the stock market,” Journal of Portfolio Management, Vol.16, pp.19-27.
 
Liu, Y. and X. Yao (2001), “Evolving Neural Networks for Hang Seng Stock Index Forecast,” Proceedings of the Congress, Vol.1, pp.256-260.
 
Hinich Melvin J., Douglas M. Patterson(1985), ”Evidence of Nonlinearity in Daily Stock Returns,” Journal of Business & Economic Statistics, Vol.3, pp. 69-77.
 
Neftci, Salih N.(1991), “Naive Trading Rules in Financial Markets and Weiner-Kolmogorov Prediction Theory: A Study of Technical Analysis,” Journal of Business, Vol.64, pp.549-571.
 
Park,C-H. and S.H. Irwin(2004), “The Profitability of Technical Analysis: A Review,” AgMAS Project Research Report, 2004-04.
 
Pruitt, S. W. and R. E. White(1988), “The CRISMA Trading System: Who Says Technical Analysis Can’t Beat the Market?” Journal of Portfolio Management, Vol.14, pp.55-58.
 
Sweeny, R. J. (1986), “Beating the foreign exchange market,” Journal of Finance, Vol.41, pp.163-182.
 
Timmermann, A. and C. W. J. Granger(2004), “Efficient Market Hypothesis and Forecasting,” International Journal of Forecasting, Vol.20, pp.15-27.
 
Turban, E. (2001), “Decision Support Systems and Expert Systems,”Prentice-Hall, N.J.
 
Yao, J., L-T Chew and H-L Poh(1999), “Neural Networks for Technical Analysis,” A Study on KLCI International Journal of Theoretical and Applied Finance, Vol.2, pp.221-241.
電子全文 電子全文(本篇電子全文限研究生所屬學校校內系統及IP範圍內開放)
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔