跳到主要內容

臺灣博碩士論文加值系統

(44.200.169.3) 您好!臺灣時間:2022/12/04 10:29
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

: 
twitterline
研究生:林詠智
研究生(外文):Lin,Yung-Chih
論文名稱:應用遺傳演化類神經網路模型建立衍生性金融商品投資策略之研究
論文名稱(外文):The Study of the Investment Strategies for Financial Derivatives – The Genetic Neural Networks Approach
指導教授:方鄒昭聰方鄒昭聰引用關係林慶昌林慶昌引用關係
指導教授(外文):FANG TSOU, SHAO-TS''UNGLIN,CHING-CHANG
學位類別:碩士
校院名稱:國立臺北大學
系所名稱:資訊管理研究所
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:2007
畢業學年度:95
語文別:中文
論文頁數:115
中文關鍵詞:類神經網路基因演算法衍生性金融商品預測模型投資策略
外文關鍵詞:artificial neural networkgenetic algorithmfinancial derivativesforecasting modelinvestment strategy
相關次數:
  • 被引用被引用:8
  • 點閱點閱:574
  • 評分評分:
  • 下載下載:119
  • 收藏至我的研究室書目清單書目收藏:8
自1973年Fischer Black與Myrom Scholes推出著名的Black-Scholes選擇權評價模式以來,各式的後續改良研究也不斷的推陳出新,隨著國內各式衍生性金融商品交易的日益活絡,國內也開始有越來越多的學者與業界,開始各式的相關研究與金融工具創新。但由於臺灣股市與歐美大型股票市場的眾多特性不同,因此往往無法直接應用國外所發展的相關分析理論,也增加進行投資分析上的難度,尤其是對於臺灣的一般小額投資人來說,在資訊不對稱與高槓桿比例的情況下,往往得承受擁有專業團隊的大型投資機構風險轉嫁,無法在投資市場中獲利。
本研究選取目前影響臺股市場最常用的幾種交易資訊作為研究變數,結合人工智慧中之基因演算法與類神經網路,建立一個可提供衍生性金融商品投資建議之計算智慧模型,並與傳統廻歸模型進行其績效評比;結果顯示遺傳演化類神經網路模型,在投資績效上有顯著的優異表現。
經過大量的相關文獻閱讀,本研究選取目前影響臺股市場最常用的幾種交易資訊作為研究變數,包括:臺灣加權股價指數、臺指期前十大交易人淨持有部位、臺指選擇權賣權買權未平倉比例、臺指選擇權成交量變化、隱含波動率指數(VIX)變化、摩臺指變化、外資臺股累計買賣超變化等。本研究運用以上7項研究變數,作為本研究之交易資訊歷史資料,結合人工智慧中之基因演算法與類神經網路,以衍生性金融商品中的臺指期貨與臺指選擇權做為投資對象,建立一個可提供衍生性金融商品投資建議之計算智慧模型,並與其他投資策略進行績效評比。
本文模擬金融投資,除了對累積報酬率與命中率檢定外,並進行各項策略的投資績效評比,透過方向正確率(DA)檢定與Wilcoxon符號檢定證明,遺傳演化類神經網路模型在投資績效上皆顯著優於其他本研究所比較之投資策略;在加入門檻值與停損機制後,並將其延伸應用至波動更敏感的臺指選擇權市場,經過檢定驗證,同樣具有顯著優異的投資績效。本研究亦可印證,人工智慧技術不光是可應用在傳統擅長的工程領域,在財務預測方面,人工智慧技術一樣可有出色的表現。
This research utilize several kind of transaction information which is frequently used in Taiwan stock market as our variables. The seven variables are TWSE, front ten large TX trader holding, TXO Put/Call Ratio of open interest, TXO volume of trade, Volatility Index (VIX ), MSCI futures, foreign capitals Taiwan stock net buy volume and net sell volume cumulatively .We select TWSE futures and TXO of financial derivatives as our portfolio. The main object of this study is intended to establish a genetic neural networks model and tries to provide some suggestions to the financial derivatives investor. Finally, an illustrative investment strategy is used to show the concept developed.
The paper simulated financial investment and compared reward ratio cumulatively and direction hit ratio of different investment strategies. At the compared results, the investment strategy used genetic neural networks model is better than the other investment strategies chosen conspicuously by the research with the Pesaran & Timmermann’s directional accuracy test and the Wilcoxon signed-rank test.After adding investment threshold value and stop loss value into the investment strategies, the investment strategy used genetic neural networks model is still superior conspicuously to other investment strategies. Therefore, this study suggests that the strategy can reduce the investment risk and help to build the optimal portfolio.
謝 辭.......................................... I
中文論文提要..................................... II
英文論文提要..................................... III
目 次.......................................... IV
圖 次.......................................... VI
表 次.......................................... VIII

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 論文架構 ............................... 4
第四節 研究流程 ............................... 5

第二章 文獻探討 ............................... 6
第一節 臺灣衍生性金融商品市場.................... 6
第二節 大額交易資訊揭露......................... 11
第三節 臺指選擇權成交量、未平倉量與臺股波動率指數.. 12
第四節 外資市場................................ 16
第五節 類神經網路與基因演算法.................... 17
第六節 人工智慧應用於財務預測相關研究............. 24
第七節 文獻探討彙整............................. 28

第三章 研究方法................................ 32
第一節 研究架構................................ 32
第二節 研究變數相關性分析 ....................... 34
第三節 研究變數處理............................. 40
第四節 研究設計與模型建構 ....................... 42
第五節 績效計算方式與檢定 ....................... 48
第六節 研究範圍與資料來源 ....................... 50

第四章 實證結果與分析........................... 51
第一節 預測模型比較與結果分析.................... 51
第二節 符號預測成功率檢定:方向正確率分析.......... 63
第三節 研究模型應用............................. 64
第四節 衍生性金融商品投資策略.................... 67
第五節 投資策略績效差異性檢定.................... 82

第五章 結論與建議............................... 90
第一節 結論.................................... 90
第二節 研究貢獻................................ 93
第三節 研究限制................................ 94
第四節 未來研究方向與建議 ....................... 95

參考文獻 ....................................... 96
一、中文部份..................................... 96
二、英文部份..................................... 98

附錄1 ....................................... 100
附錄2 ....................................... 105

簡 歷 ....................................... 115
一、中文部份
1.古智偉 (2004),營收資訊揭露對股價報酬率預測效果之影響─應用修正式基因類神經網路模型,臺北大學資訊管理研究所碩士論文。
2.林詠智、方鄒昭聰、林慶昌 (2007),交易資訊揭露作為臺指選擇權投資建議之研究-應用類神經網路模型,2007電子商務與數位生活研討會論文集。
3.林詠智、林維垣 (2007),應用遺傳演化類神經網路模型建立衍生性金融商品投資決策之研究,2007資訊科技管理與資訊人才培育研討會論文集。
4.林建成 (2003),遺傳演化類神經網路於臺灣股市預測與交易策略之研究,東吳大學經濟研究所碩士論文。
5.李惠妍、吳宗正、溫敏杰 (2006),迴歸模式與類神經網路在臺股指數期貨預測之研究,經營管理論叢,Vol.2,No.1,pp.83-99。
6.李進生、謝文良、吳壽山、蔣炤坪 (2002),臺股指數期貨與操作實務,中華民國證券暨期貨市場發展基金會。
7.李恩傑 (2002),模糊理論與類神經網路在企業信用評等之應用,交通大學工業工程與管理研究所碩士論文。
8.楊延福 (2006),以會計資訊及盈餘品質指標預測企業信用風險之研究-區別分析與類神經網路模型之比較,臺北大學國際財務金融碩士在職專班碩士論文。
9.周宗南、劉瑞鑫 (2005),演化式類神經網路應用於臺股指數報酬率之預測,財金論文叢刊,2005年10月,第三期,pp.77-94。
10.胡僑芸 (2003),臺指選擇權VIX指數之編制與交易策略分析,中山大學財務管理研究所碩士論文。
11.洪安裕 (2004),以知識規則與類神經網路之整合對臺灣加權股價指數收盤走勢預測之行為研究,交通大學管理科學研究所碩士論文。
12.黃怡中 (2006),如何分析臺指選擇權市場部位行為模式,集保結算所月刊,2006年8月號,pp.21-38。
13.黃玉娟、蔡明利 (2006),從前(十)大交易人未平倉量發展出選擇權交易策略,臺灣經濟金融月刊,2006年8月號,pp.43-53。
14.黃境煌 (2006),以自組織映射圖網路為基礎建構多種投資組合策略之研究-以臺灣上市電子公司為例,真理大學財經研究所碩士論文。
15.陳達新、周恆志 (2007),財務風險管理:工具、衡量與未來發展,雙葉。
16.徐定國 (2006),臺指選擇權VIX與未平倉分佈狀況對臺指期貨之關聯研究,元智大學資訊管理研究所碩士論文。
17.葉怡成 (2003),類神經網路模式應用與實作,儒林。
18.葉明政 (2004),應用遺傳演化模糊類神經網路於指數期貨套利之研究,東吳大學經濟學研究所碩士論文。
19.潘世煌 (2006),類神經網路於臺股指數與臺指期貨基差變動之實證研究,臺北大學企業管理研究所碩士論文。
20.蘇俊輔 (2004),應用分類元股票交易系統於臺灣加權指數趨勢預測之研究,交通大學資訊管理研究所碩士論文。

二、英文部份
1.Atiya, A. F.(2001),Prediction for Credit risk Using Neural Networks: a Survey and New Results, IEEE Tractions on Neural Networks,12(4)
2.Back, B, T. Laitinen, and K. Sere(1996), Neural Network and Genetic Algorithms for Bankruptcy Predictions, Expert System Application, 11(4)
3.Back, Thomas (1996), Evolutionary Algorithms in Theory and Practice, Oxford
University Press, New York
4.Epps, T. W. (1975), Security Price Changes and Transaction Volume, American Economic Review, Vol.65, pp.586-597.
5.Epps, T. W. (1977), Security Price Changes and Transaction Volume: Some Additional Evidence, Journal of Financial and Quantitative Analysis, Vol.12, pp.141-146.
6.Holland, John H. (1992), Adaptation in Natural and Artificial Systems, the MIT
Press, Cambridge.
7.Sheikh. A Hamid. and Zahid Iqbal(2004), Using neural network for forecasting volatility of S&P 500 Index futures prices, Journal of Business Research 57, pp.1116-1125.
8.Shaikh A. Hamid(2004), Primer on Using Neural Networks for Forecasting Market Variables.
9.Rosenblatt (1958), The Perceptron: a Probabilstic Model for Information Storage and Orgnization in the Brain, Psychological Review, pp.388-408.
10.McNelis (2005), Neural Networks in Finance:Gaining Predictive In The Market.
11.Man, K. F., et. al. (1999), Genetic Algorithms, Springer-Verlag, London
12.Monica Lam (2004), Neural Network Techniques for Financial Performance Prediction: Integrating Fundamental and technical analysis, Decision Support Systems, pp.567-581.
13.Pesaran,M.H, and A. Timmerman(1992),A Simple Nonparametric Test of Predictive Performance,Journal of Business and Economic Statistics 10.
14.Yao Jingtao, Li Yili, Tan Chew Lim (2000), Option price forecasting using neural networks, OMEGA - The International Journal of Management Science,28, pp.455-466.
15.Ying, C. C. (1966), Stock Prices and Volumes of Sales, Econometrica , Vol.34, 1 pp.676-685.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
1. 蔡錫濤,楊美雪(1996)。情境式學習的教學設計。教學科技與媒體。30, 48-53。
2. 趙美聲(1992)。教學科技的理論基礎:學習理論篇。教學科技與媒體。2, 3-8。
3. 陳曉慧(1993)。著作權法與教學媒體之創作、使用與推廣。教學科技與媒體。10, 9-15。
4. 陳淑英(1992)。教學媒體之選擇。教學科技與媒體。4, 40-44。
5. 陳家駿(1994b)。從智慧財產權之觀點─談多媒體製作及運用應注意之法律問題(下)。教學科技與媒體。17, 38-41。
6. 陳家駿(1994a)。從智慧財產權之觀點─談多媒體製作及運用應注意之法律問題(上)。教學科技與媒體。16, 52-59。
7. 陳立元(1997)。工欲善其事,必先利其器─華語教學與媒體運用。教學科技與媒體。36, 50-54。
8. 張玉玲(1995)。邁向多媒體的外語教學示範。高雄師大學報。6, 261-286。
9. 吳咸宜(1997)。運用電影於華語文教學的經驗介紹。教學科技與媒體。36, 55-56。
10. 江惠蓮(1994)。如何用電影來教學:以清秀佳人為例。英語教學。18:4, 55-69。
11. 王鳳奎(1993)。互動式電視教室 — 結合傳統教室教學與電視教學。教學科技與媒體。7, 23-30。
12. 13.黃玉娟、蔡明利 (2006),從前(十)大交易人未平倉量發展出選擇權交易策略,臺灣經濟金融月刊,2006年8月號,pp.43-53。
13. 9.周宗南、劉瑞鑫 (2005),演化式類神經網路應用於臺股指數報酬率之預測,財金論文叢刊,2005年10月,第三期,pp.77-94。
14. 5.李惠妍、吳宗正、溫敏杰 (2006),迴歸模式與類神經網路在臺股指數期貨預測之研究,經營管理論叢,Vol.2,No.1,pp.83-99。