跳到主要內容

臺灣博碩士論文加值系統

(44.213.63.130) 您好!臺灣時間:2023/02/01 02:13
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:謝宏鑫
研究生(外文):Hung-Hsin Hsieh
論文名稱:考量投資標的基本面、技術面分析並運用遺傳基因演算法決定最佳投資組合
論文名稱(外文):Using Genetic Algorithm to Determine the Optimal Portfolio with Fundamental and Technical Analysis
指導教授:吳泰熙吳泰熙引用關係
指導教授(外文):Tai-Hsi Wu
學位類別:碩士
校院名稱:國立臺北大學
系所名稱:企業管理學系
學門:商業及管理學門
學類:企業管理學類
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:90
中文關鍵詞:基因演算法投資組合基本分析技術分析下方標準差
外文關鍵詞:Genetic algorithmPortfolioFundamental analysisTechnical analysis
相關次數:
  • 被引用被引用:29
  • 點閱點閱:1403
  • 評分評分:
  • 下載下載:483
  • 收藏至我的研究室書目清單書目收藏:3
1952年Markowitz提出投資組合的概念,奠定了投資研究領域的基礎。爾後隨著投資標的增加、數學模型及交易機制的變化,使得投資研究不再只是單純的數學問題;衍生而成的是一種結合傳統投資理論、科學模型與投資市場相關訊息的整合性研究。
近代投資研究領域中,運用各類型的人工智慧演算法,例如:遺傳基因演算法(Genetic Algorithm,簡稱GA),在決定最佳投資組合的議題上有眾多的貢獻。於許多以GA求解投資組合的研究當中,屬指數追蹤的研究最為廣泛。然而,上述的研究卻忽略了投資人除了以過去績效和風險,選擇投資標的外,仍重視投資標的之基本面資訊。另外,技術分析亦是研究時必須考慮的要因之一。故本研究除了運用GA決定最佳投資組合外,亦考量投資標的之基本、技術面分析,試圖模擬投資決策的步驟與考量的資訊。
  本研究建構的模型主要概念來自於夏普指標,但由於夏普指標考量的風險為變異數,故本研究將採用與實務投資關聯性較高的半變異數進行修正。實證階段中,本研究以所提出之修正夏普指標建構五大投資模式,於2005至2008年為投資期間進行實證,並以台灣50指數之績效為標竿進行比較。結果顯示考量基本分析,並以修正夏普指標最大化為決策目標,運用GA決定權重之投資組合,在投資期間可獲得平均年報酬率17.11%的績效,而台灣50指數於同一期間僅獲得-3.1%的平均年報酬。顯示本研究建構之投資模式於投資期間內,獲利能力優於台灣50指數之表現。
In 1952, Markowitz innovates the mean-variance model for the portfolio selection problems. Henceforward this model has been the cornerstone of portfolio research and has served as a basis for the development of financial investment methodology. However, the problems of modern investment have become more complex, so the conventional methodology seems incapable of solving those problems effectively. Therefore, it is a very important issue that how to acquire the problem-solving methods between the computational technology and the traditional model.
During the last decade, using artificial intelligence to solve portfolio problems has become a creative trend in investment research and one of those popular artificial intelligence is the genetic algorithm (GA). In many portfolio researches using GA, the index tracking problem is the most common subject. However, the fundamental and technical analysis, which have been emphasized criteria in stock investment, have been ignored. Meanwhile, because the Sharpe Index can not reflect the investment loss literally, so we revise the Sharpe Index through the Semi-Deviation.
Therefore, this paper presents a modified Sharpe Index model and applies genetic algorithm on the optimal portfolio selection problems, in which the investments’ fundamental and technical analysis are considered and performed. Meanwhile, we propose five investment procedures, and those proposed investment procedures have been tested with TSEC Taiwan 50 Index’s data from 2005 to 2008. The empirical results show the one of proposed investment procedures (Procedure 3) is able to obtain approximately 17.11% average rate of return. Furthermore, the results also dominate the performance of TSEC Taiwan 50 Index during the same empirical period. Besides, the synergy of combining the rule of experience and scientific models has been observed in this paper.
目 錄
謝 詞 I
中文論文提要 II
英文論文提要 III
目 錄 .. IV
圖 次 .. VI
表 次 .. VIII

第一章 緒論 1
第一節 研究背景及動機 1
第二節 研究目的 3
第三節 研究架構 5
第二章 文獻回顧 7
第一節 投資組合理論 7
第二節 基本分析 11
第三節 技術分析 14
第四節 遺傳基因演算法 17
第三章 研究方法 21
第一節 模型與指標說明 22
第二節 交易機制與假設 27
第三節 實證環境與參數設定 29
第四章 實證研究 31
第一節 研究樣本與期間 31
第二節 實證流程說明 31
第三節 實證範例說明 34
第四節 績效彙整分析 40
第五節 投資模式比較 45
第六節 投資參數設計比較 66
第七節 GA參數設計比較 68
第五章 結論與建議 69
第一節 結論 69
第二節 建議 71
參考文獻 72
一、中文部份
江吉雄(2002),遺傳演算法於股市選股與擇時策略之研究,國立中央大學資訊管理研
 究所,未出版之碩士論文。
林萍珍(2008),初版,投資分析含Matlab應用、類神經網路與遺傳演算法模型, 
 台北市,新陸書局。
吳詩敏(2007),組合編碼遺傳演算法於投資策略資金分配之應用,國立中央大
 學資訊管理研究所,未出版之碩士論文。
施正宏(2004),結合總體經濟指標及個股財務資料以預測個股漲跌-以台灣電
 子類股為例,中原大學資訊管理研究所,未出版之碩士論文。
陳旭宏(2001),基本分析運用於股票超額報酬之研究,大同大學事業經營研究
 所,未出版之碩士論文。
陳達新、周恆志(2007),初版二刷,財務風險管理:工具、衡量與未來發展,
 台北市,雙葉書廊。
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,未出版之碩士論文。
黃旭鋒(2004),以技術分析法則與公司特性選股之投資績效,東海大學管理碩 
 士學程在職進修專班,未出版之碩士論文。
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,國
 立雲林科技大學資訊管理系研究所,未出版之碩士論文。
廖靜妏(2002),上市公司財務績效與股價報酬關聯性之實證研究,逢甲大學會
 計與財務研究所,未出版之碩士論文。
劉明漲(2007),技術指標與電子類股操作績效,國立中正大學財務金融研究所,
 未出版之碩士論文。
蕭義展(2001),財務報表資訊內涵與股價報酬率的關聯性,國立中山大學經濟
 學研究所,未出版之碩士論文。

二、英文部分
Allen, F., Karjalainen, R. (1999). Using genetic algorithms to find technical trading rules. Journal of Finance Economics, 51, 245-271.
Beaver, W. H. (1968). The information content of annual earnings announcements. Journal of Accounting Research, 6, 67-92.
Burke, M. D. (1994). A test of fit for a semi-parametric additive risk model. Biometrika, 84, 631-639.
Beasley, J. E., Meade, N., Chang, T.-J. (2003). An evolutionary heuristic for the index  
 tracking problem. European Journal of Operation Research, 148, 621-643.
Chi, S. C., Chen, H. P., Cheng, C. H. (1999). A forecasting approach for stock index
 future using grey theory and neural networks. Neural Networks.
Chen, J. G., Chen, D. H. (2004). The downside risk and equity evaluation: New
 proposal for risk measures. Journal of Emerging Market Finance, 3, 77-93.
Fama, E. F. (1965). The Behavior of Stock Market Prices. Journal of Business, 38,
 34-105.
Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning,
Boston: Addison-Wesley.
Hogan, W. W., Warren, J. M. (1972). Computation of the the efficient boundary in the E-S
portfolio selection model. Journal of Financial and Quantitative Analysis, 7, 1881-1896.
Holland, J. H. (1975), Adaptation in natural and artificial systems, Unpublished
 doctoral dissertation, The University of Michigan, Ann Arbor.
Lev, B., Thiagarajan, S. R. (1993). Fundamental information analysis. Journal of Accounting Research, 31, 190-215.
Lin, C. C., Liu, Y. T. (2008). Genetic algorithm for portfolio selection problems with
 minimum transaction lots. European Journal of Operational Research, 185, 393-404.
Markowitz, H. M. (1952). Portfolio Selection. Journal of Finance, 7, 77-91.
Markowitz, H. M. (1959). Portfolio Selection: Efficient Diversification of Investments, New
York: John Wiley & Sons.
Ou, J.A., Penman, S. H. (1989). Financial statement analysis and the predication of stock
returns. Journal of Accounting and Economics, 27, 295-329.
Orito, Y., Yamamoto, H., Yamazaki, G. (2003). Index fund selections with genetic algorithms
and heuristic classifications. Computers & Industrial Engineering, 45, 97–109.
Oh, K. J., Kim, T. Y., Min, S. (2005). Using genetic algorithm to support portfolio optimization for index fund management. Expert Systems with Applications, 28, 371–379.
Sharpe, W. F. (1966). Mutual fund performance. Journal of Business, 39, 119–138.
Schwagner, J. (1985). Alternative to Sharpe Ratio better measure of performance. Futures,
The Magazine of Commodities & Options, 14, 56-58.
Sortino, F. A., Price, L. N. (1994). Performance measurement in downside risk framework.
Journal of Investing, 3, 59-64.
Sehgal, S., Garyhan, A. (2002). Abnormal returns using technical analysis: the Indian experience. Finance India, XVI
Thawornwong, S., Enke, D., Dagli, C. (2003). Neural networks as a decision maker
 for stock trading: A technical analysis approach. Journal of Smart Engineering
 Systems Design, 5, 1-13.
Venugopal, M. S., Subramanian, S., Rao, U. S. ( 2004). Usefulness of genetic algorithm model for dynamic portfolio selection. Journal of Financial Management and Analysis, 17, 45-53.
Yang, X. (2006). Improving portfolio efficiency: A genetic algorithm approach.
 Computational Economics, 28, 1-14.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊