跳到主要內容

臺灣博碩士論文加值系統

(44.222.82.133) 您好!臺灣時間:2024/09/08 19:20
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:蔡幸娟
研究生(外文):Hsing-Chuan Tsai
論文名稱:線型組合近似分析預測台灣加權股價指數
論文名稱(外文):The Similarity Analysis of Linear Combination for the Prediction of Taiwan Weighted Stock Indices
指導教授:周宗南周宗南引用關係
指導教授(外文):Tsung-Nan Chou
學位類別:碩士
校院名稱:朝陽科技大學
系所名稱:財務金融系碩士班
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:2009
畢業學年度:97
語文別:中文
論文頁數:63
中文關鍵詞:基因演算法灰色關聯分析線型分析
外文關鍵詞:Linear AnalysisGrey Relational AnalysisGenetic Algorithms
相關次數:
  • 被引用被引用:1
  • 點閱點閱:413
  • 評分評分:
  • 下載下載:18
  • 收藏至我的研究室書目清單書目收藏:0
許多研究皆以股價指數過往的數據去預測未來的走勢,然而「過往的數據」代表多近、多久的期間?未來的收盤價又一定是現在價格趨勢所構成嗎?
  本文藉由基因演算法,運用長、短期移動平均線概念,做為灰關聯線型移動區間之參數,透過一般漲跌均數模型、灰關聯線型之漲跌均數模型、一般線型修正模型及灰關聯線型之線型修正模型四種方法預測台灣加權股價指數,欲以找出最適預測模型,並比較灰關聯線型是否有助提升預測準確度,期以提供一個更適合預測市場變化的參考工具。
本研究實證結果如下:
一、運用移動平均線交叉概念,以基因演算法求得結果,最適合灰關聯移動區間之參數,短期為15日、長期為32日。
二、從短期整體性灰關聯結果,發現比較序列中關聯度較高之序列,落在預測目標時間點前後各半年的比例並不高,表示預測參考序列與鄰近序列關聯度不高。
三、依長、短期灰關聯序高低排序結果之序列時間點進行預測,相較一般運用落後期數收盤指數的預測效果會較佳,即以歷史線型做未來走勢的預測準確率高於近期趨勢之預測。
Many researchers have been endeavoring to analyze and forecast the trend of Taiwan Weighted Stock Indices (TAIEX) from historical data for years. However, the effective duration of the past data applied for the prediction work is still arguable since the future closing prices are not always constituted by the related present closing prices.
In this study, the Moving Average approach, both long-term and short-term, is integrated with Genetic Algorithm (GA) and their outcomes are employed as parameters for the grey relational linear moving analysis then others.
Four different models including General Fluctuation Average Model, Grey Relational Fluctuation Average Model, General Linear Revision Model, and Grey Relational Linear Revision Model, are implemented to forecasts the trend of TAIEX. The results show that the Grey Relational Linear Model performs higher prediction accuracy.
The empirical results are summarized as follows:
1.The best duration parameters acquired from GA for Grey Relational Linear Models are 15-days for short-term and 32-days for long-term respectively.
2.The results of the Globalized Grey Relational Analysis for short-term discovery that comparison sequences prior to or posterior six months are less related to the target sequence.
3.The Grey Relational Fluctuation Average Model and General Linear Revision Model perform better prediction accuracy than that of the General Fluctuation Average Model and General Linear Revision Model in terms of short-term and long-term periods. This result is conformable with our suggestion that historical linear patterns provide effective information for the trend prediction of TAIEX.
目錄
摘要 I
Abstract II
表目錄 IV
圖目錄 V
第一章 緒論 1
第二章 文獻回顧 4
第一節 股價指數預測相關文獻 4
第二節 股票市場移動平均策略之相關文獻 7
第三章 研究方法 8
第一節 研究模型設計 8
第二節 模型評估方法 22
第四章 實證結果與分析 24
第一節 樣本來源及期間 25
第二節 基因演算最適參數 26
第三節 近似線型灰關聯分析 30
第四節 模型預測及評估 35
第五章 結論與建議 41
第一節 結論 41
第二節 建議 42
參考文獻 43
附錄 實證結果(表格含基因演算交易決策、預測結果表) 49

表目錄
表3-1 灰關聯分析方法設定 19
表4-1 灰關聯樣本期間劃分表 25
表4-2 基因演算法參數設定 28
表4-3 基因演算法終止搜尋結果 29
表4-4 基因演算法之移動平均最適參數 29
表4-5 短期整體性灰關聯序列因子集 30
表4-6 短期整體性灰關聯度 31
表4-7 短期局部性灰關聯因子集 32
表4-8 長期局部性灰關聯因子集 32
表4-9 局部性灰關聯度 33
表4-10 短期整體性預測結果 35
表4-11 短期局部性預測結果 36
表4-12 長期局部性預測結果 38
表4-13 灰關聯預測結果 40
表A1 基因演算交易決策訊號 50
表A2 2007年-2008年預測結果表 55

圖目錄
圖1-1 研究架構圖 3
圖3-1 基因演算法步驟流程圖 9
圖3-2 輪盤法 10
圖3-3 灰關聯幾何離散 13
圖3-4 灰關聯步驟圖 14
圖4-1 實證流程步驟 24
圖4-2 序列形成 25
圖4-3 移動平均線買賣訊號示意圖 27
圖4-4 2008/12/31短期局部性灰關聯近似線 34
圖4-5 2008/12/31長期局部性灰關聯近似線 34
圖4-6 2007年上半年短期預測 37
圖4-7 2007年下半年短期預測 37
圖4-8 2008年上半年短期預測 37
圖4-9 2008年下半年短期預測 37
圖4-10 2007年上半年長期預測 39
圖4-11 2007年下半年長期預測 39
圖4-12 2008年上半年長期預測 39
圖4-13 2008年下半年長期預測 39
參考文獻
一、中文部分
1.卞志祥(1996)。台灣加權股價指數投資組合之基因演算法建構模型。未出版碩士論文,國立交通大學資訊管理研究所,新竹。
2.呂玉銘(1994)。運用類神經網路於臺灣證券市場基本面分析。未出版碩士論文,國立交通大學資訊管理研究所,新竹。
3.李沃牆、張克群(2005)。運用Neuro-Fuzzy模型在台灣股票選擇權評價與套利之研究。輔仁大學資訊管理系第 16 屆國際資訊管理學術研討會發表論文,台北。
4.李怡青(2005) 。利用已公開市場資訊預測大盤漲跌之研究-Logistic Regression之應用。未出版碩士論文,國立成功大學財務金融研究所,台南。
5.李桐豪(1998)。以基因演算法改進台灣股價指數模擬的可行性。證券市場發展季刊,9(4),45-88 。
6.李禮仲(2005,7月16日)。三管齊下建構有紀律的股市交易平台。青年日報。
7.江耕南(2005)。進階Excel-投資理財寶典•財務資訊系統。台北:知城數位科技股份有限公司。
8.林金賢、張華容與李淑惠(2001)。結合類神經模糊與CRISMA 交易系統之獲利性研究。逢甲大學財務金融系現代財務論壇理論與實務研討會發表論文,台中。
9.林建成(2002)。遺傳演化類神經網路於台灣股市預測與交易策略之研究。未出版碩士論文,東吳大學經濟系研究所,台北。
10.周鵬程(2005)。遺傳演算法原理與應用-活用Matlab。台北:全華科技圖書股份有限公司。
11.洪宗貝、王乾隆與葉佳炫(2000)。應用灰色理論於財務時間序列變動性之分析。2000年第五屆灰色系統理論與應用研討會論文集(頁169-174),台北:銘傳大學。
12.曹軍、胡萬義(1993)。灰色系統理論與方法。中國:東北林業大學出版社。
13.邱建良、李命志、邱柏霖(1999)。台灣股價之預測。台灣銀行季刊,50(4),130-171。
14.張烈堂(2005)。基因演算法於建構臺指選擇權投資組合的應用。未出版碩士論文,國立中央大學資訊管理研究所,桃園。
15.張國川(2006)。應用灰色關聯分析及類神經網絡建構一金融商品價差走勢預測模型。未出版碩士論文,朝陽科技大學財務金融所,台中。
16.許智和(2003)。運用基因演算法搜尋最佳化技術指標之台灣股市實證研究。未出版碩士論文,國立雲林科技大學資訊管理所,雲林。
17.黃彥聖(1995)。移動平均法的投資績效。管理評論,14(1),47-68。
18.曾清秀、吳漢雄(1996)。以統計學顯著檢定技術探討灰色關聯分析序。1996年第一屆灰色系統理論與應用研討會論文集(頁37-45),高雄:高苑科技大學。
19.廖宜隆(2004)。投資學-從失敗中記取教訓。台北:全威圖書。
20.連立川、葉怡成、江宗原與楊豐銘(2006)。遺傳演算法建構台灣股市期貨買賣決策規則之研究。政大資管評論,14,47-62。
21.劉定焜(1998)。股價指數灰色動態模式下指數期貨之避險策略評估研究-台灣發行量加權股價指數期貨之應用。未出版碩士論文,國立彰化師範大學商業教育學系,彰化。
22.郭晉源(2002)。灰色系統應用於企業財務危機預測之研究。未出版碩士論文,國立台北科技大學商業自動化與管理所,台北。
23.郭張成(1992)。模糊集合理論在臺灣股價趨勢分析的應用。未出版碩士論文,國立交通大學資訊管理研究所,新竹。
24.郭英哲(2003)。應用倒傳遞類神經網路技術於臺灣指數期貨預測之研究。未出版碩士論文,南台科技大學資訊管理研究所,台南。
25.陳明儀、夏郭賢(2002)。定量化灰關聯度研究。2002年第七屆灰色系統理論與應用研討論文集(頁I-13)。台南:遠東技術學院。
26.陳俊利(2002)。台股期貨有效性之研究。未出版碩士論文,國立台灣科技大學資訊工程研究,台北。
27.陳照憲(1998)。基因演算法技術交易法則-臺灣股市實證研究。未出版碩士論文,國立雲林科技大學財金所,雲林。
28.錢善生(1995)。模糊理論與專家系統在臺灣股市之應用。未出版碩士論文,國立臺灣大學資訊管理研究所,台北。
29.盧靜怡(2001)。企業經營績效排名之預測-灰色關聯分析與類神經網路之應用。未出版碩士論文,國立台灣科技大學資訊管理系研究所,台北。
30.鄭名軒(2005)。國內民營行動電話業者經營績效之評估-灰色關聯分析法之應用。未出版碩士論文,國立成功大學交通管理科學研究所,台南。
31.鄭美幸、詹志明(2002)。灰色理論與時間序列模型在匯率預測績效上之比較。台灣金融財務季刊,3(2),95-104。
32.鄭家豪(2007)。灰關聯雙移動平均線之應用研究-以股票市場及金屬期貨為例。未出版碩士論文,國立成功大學資源工程研究所,台南。
33.鄭駿豪、李樑堅、謝企榮與黃永成(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論文研討會發表論文,雲林。
34.鄧紹勳(1999)。遺傳演算法於股市擇時策略之研究,未出版碩士論文,國立中央大學資訊管理研究所,桃園。
35.鄧聚龍、吳漢雄與溫坤禮(1996)。灰色分析入門。台北:高立圖書。
36.鄧聚龍、郭洪、溫坤禮、張廷政與張偉哲(1999)。灰預測模型方法與應用。台北:高立圖書。
37.鄧聚龍(2000)。灰色系統理論與應用。台北:高立圖書。
38.羅仙法、蘇玄啟(2006)。移動平均線交易策略在台灣股票市場之應用。逢甲大學財務金融系現代財務論壇理論與實務研討會發表論文,台中。

二、英文部分
1.Ben-Zion, U., Klein P., Shachmurove Y. & Yagil J., (2001). A Moving Average Comparison of the Tel-Aviv 25 S&P 500 Stock Indices. Penn CARESS Working papers, Department of Economics, University of Ben-Gurion.
2.Chang K. H. (2004). Applying Grey Forecasting Model on the Systematic Risk Estimation: A Study of the Dow Jones Industry Index Component Securities. Journal of Grey System and Uncertainty, 7(2), 113-120.
3.Dickinson, D. G. (2000). Stock Market Integration and Macroeconomic Fundamentals: an Empirical Analysis. Applied Financial Economics, 10, 261-276.
4.Fama, E. F. (1965). The Behavior of Stock Market Prices. Journal of Business, 38, 34-105.
5.Fama, E. F. (1991). Efficient Capital Markets: Ⅱ. Journal of Finance 46, 1575-1671.
6.Gencay, R. (1996). Non-linear Prediction of Security Returns with Moving Average Rules. Journal of Forecasting, 15(3), 165-174.
7.Goldberg, B. L. (1989). Genetic Algorithms in Search, Optimization and Machine Learning. United States: Addison-Wesley Inc.
8.Grudnistski G. & Osburn L. (1993). Forecasting S&P and Gold Futures Price: An Application of Neural Networks. The Journal of Futures Market, 13(6), 631-643.
9.Holland, J. H. (1975). Adaptation in Natural and Artificial System , University of Michigan Press, Ann Arbor.
10.Kim K. J. & Han I. (2000), Genetic Algorithms Approach to Feature Discretization in Artificial Neural Networks for the Prediction of Stock Price Index. Expert Systems with Applications, 19, 125-132.
11.Kryzanowski L., Galler M. & Wright D. W. (1993), Using Artificial Neural Network to Pick Stocks. Financial Analysis Journal, 49, 21-27.
12.Maillet, B. & Michel, T. (2000). Further insights on the puzzle of technical analysis profitability. The European Journal of Finance, l, 196-224.
13.Mizuno, H., Kosaka, M., Yajima, H. & Komoda, N. (1998), Appliction of Neural Network to Technical Analysis of Stock Market Prediction. Studies in Informatics and Control, 7(2), 111-120.
14.Neo, T. H. & Wang, J. (1997). The Self-Evolving Logic of Financial Claim Prices," The Third International Conference on Computing in Economics and Finance, Stanford, California, U.S.A.
15.Orit, Y. & Yamazaki, G. (2001). Index Fund Portfolio Selection by Using GA. in Proceedings of the Fourth International Conference on Computational Intelligence and Multimedia Applications, 82-87.
16.Ostermark, R. (1999). A Neuro-Genetic Algorithm for Heteroskedastic Time-Series Processes Empirical Tests on Global Asset Returns. Soft Computing, 3, 206-220.
17.Ratner, M. & Leal, R. P. C., (1999). Tests of technical trading strategies in the emerging equity markets of Latin America and Asia. Journal of Banking and Finance, 23, 1887-1905.
18.Schoneburg, E. (1990). Stock Price Prediction Using Neural Network: A Project report. Neurocomputing, 2, 17-27.
19.Spiro, P. S. (1990). The Impact of Interest Rate Changes on the Stock Price Volatility. The Journal of Portfolio Management, 16, 63-68.
20.Tan, C. N. W. (1993). Trading a NYSE-Stock with a Simple Artificial Neural Network-based Financial Trading System. The First New Zealand International Two Stream Conference on Artificial Neural Networks and Expert Systems (ANNES), University of Otago, Dunedin, New Zealand, November 24-26.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top