傳統的儲蓄理財已經無法滿足一般社會大眾的理財需求，在眾多的投資標的中又以股票最受國人青睞，開戶人數最多，至民國96年已超過815萬人，成交額已達72兆台幣。如何正確的制定投資策略進而達到高報酬的目的，儼然成為投資者最關切的問題。
本研究將利用遺傳演算法(Genetic Algorithms)於股票投資策略中選股、擇時及資金配置三大決策，其中將結合技術分析於擇時策略中，並透過演化找出最佳投資決策給予投資建議，幫助投資人賺取利潤。本次研究的重點將著墨於遺傳演算法中的染色體編碼，將選股、擇時及資金配置三項決策編入同一條染色體中，以達到單一階段的演化，提供最佳化投資策略參考建議。
實驗結果指出本研究創新的編碼不僅簡化了演化流程，且提高求解速度，並結合技術分析幫助投資者在適當的時機交易進而獲取利潤，且在負報酬率的股市中還能逆勢成長獲得正報酬率，並超過買入持有策略下八大類股指數的平均報酬率及定存利率。

This research applies genetic algorithms (GAs) on investment decision making for selection, timing and capital allocation. Combine technical analysis with GAs in the timing decision can find out the optimal investment decision and help investors earning profits. The research proposes new encoding and decoding methods that chromosomes can conditionally fit in when initialing population and combining selection, capital allocation and timing decisions in one single chromosome.
The experimental consequences point out that the new encoding method simplifies the procedure of evolution and accelerate the speed for searching solution. Successfully combined technical analysis with genetic algorithms and helped investors can therefore be benefited to trade stocks at appropriate opportunity in simulate transactions. The new model indeed earned profits and exceeded the interest rate of deposit certificate, as well as the average return rate of eight major types stock price index gained by using buy-and-hold strategy.

目錄
誌謝…… i
摘要…… ii
Abstract… iii
目錄…… iv
表目錄.... vii
圖目錄… viii
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 2
1.3 研究流程 3
1.4 論文架構 4
第二章 文獻探討 5
2.1 技術分析(Technical Analysis) 5
2.1.1 移動平均線(Moving Average, MA) 7
2.1.2 指數平滑異同移動平均線(Moving Average Convergence and Divergence, MACD) 7
2.1.3 隨機指標(Stochastic Line, KD) 8
2.1.4 威廉指標(WMS%R) 8
2.1.5 趨向指標(Directional Movement Index, DMI) 8
2.1.6 相對強弱指標(Relative Strength Index, RSI) 9
2.1.7 心理線(Psychological Line, PSY) 9
2.1.8 動量指標(Momentum, MTM) 9
2.1.9 買賣氣勢指標(AR) 10
2.1.10 買賣意願指標(BR) 10
2.2 限制滿足模式(Constraint Satisfaction Mode) 11
2.3 遺傳演算法(Genetic Algorithms) 12
2.3.1 選擇(Selection) 15
2.3.2 交配(Crossover) 16
2.3.3 突變(Mutation) 17
2.4 夏普指數(Sharpe Ratio) 19
第三章 研究方法 20
3.1 遺傳演算法三大運算元 21
3.1.1 選擇(Selection) 21
3.1.2 交配(Crossover) 22
3.1.3 突變(Mutation) 23
3.2 交易訊號判斷 23
3.3 一般遺傳演算法 25
3.3.1 一般模式染色體編碼與解碼 25
3.3.2 一般模式適應函數 26
3.3.3 一般模式演化流程 27
3.3.4 一般模式模擬交易流程舉例說明 28
3.4 限制滿足式遺傳演算法 30
3.4.1 限制滿足模式染色體編碼與解碼 30
3.4.2 限制滿足模式適應函數 32
3.4.3 限制滿足模式演化流程 32
3.4.4 限制滿足模式模擬交易流程舉例說明 33
第四章 實驗與結果 36
4.1 實驗假設 36
4.2 實驗結果 37
4.2.1 實驗一：2007年1月2日至2007年6月29日，118個交易日 37
4.2.2 實驗二：200年7月2日至2007年12月31日，127個交易日 39
4.2.3 實驗三：2008年1月2日至2008年6月30日，119個交易日 41
4.3 實驗結果分析 47
第五章 結論與未來研究方向 50
5.1 結論 50
5.2 未來研究方向 51
參考文獻 52

表目錄
表3.1. 交易規則選用 31
表4.1. 實驗一買入持有策略下買入價格、賣出價格及報酬率 38
表4.2. 實驗一結果統計表 38
表4.3. 實驗二買入持有策略下買入價格、賣出價格及報酬率 40
表4.4. 實驗二結果統計表 40
表4.5. 實驗三買入持有策略下買入價格、賣出價格及報酬率 41
表4.6. 實驗三結果統計表 42
表4.7. 實驗3-7之食品類股交易明細 43
表4.8. 實驗3-7之營建類股交易明細 44
表4.9. 報酬率總統計表 47
表4.10. 收斂代數總統計表 48

圖目錄
圖1.1. 研究流程 3
圖2.1. 一般遺傳演算法與限制滿足式遺傳演算法搜尋示意圖 12
圖2.2. Simple Genetic Algorithm (SGA) 14
圖2.3. 單點交配 16
圖2.4. 雙點交配 16
圖2.5. 均勻交配 17
圖2.6. 反轉突變 17
圖2.7. 插入突變 18
圖2.8. 取代突變 18
圖2.9. 互相交換突變 18
圖3.1. 研究設計 21
圖3.2. 一般模式交配示意圖 22
圖3.3. 限制滿足模式交配示意圖 22
圖3.4. 突變示意圖 23
圖3.5. 交易訊號判斷示意圖 25
圖3.6. 一般模式染色體示意圖 26
圖3.7. 一般模式演化流程 27
圖3.8. 一般模式染色體Day0 28
圖3.9. 一般模式初始染色體母體 28
圖3.10. 一般模式染色體適應值計算方式示意圖 29
圖3.11. 一般模式交配示意圖 29
圖3.12. 一般模式突變示意圖 30
圖3.13. 限制滿足模式資金配置染色體 31
圖3.14. 限制滿足模式演化流程 33
圖3.15. 限制滿足模式染色體Day0 33
圖3.16. 限制滿足模式初始染色體母體 34
圖3.17. 限制滿足模式資金配置染色體 34
圖3.18. 限制滿足模式各類股買賣訊號 34
圖3.19. 限制滿足模式染色體調整示意圖 35
圖3.20. 限制滿足模式交配示意圖 35
圖4.1. 實驗區間 37
圖4.2. 實驗1-10每日總資產示意圖 39
圖4.3. 實驗2-8每日總資產示意圖 41
圖4.4. 實驗3-7每日總資產示意圖 42
圖4.5. 實驗3-7食品類股買賣時點示意圖 44
圖4.6. 實驗3-7營建類股買賣時點示意圖 45
圖4.7. 實驗3-7各類股買賣時點示意圖 46
圖4.8. 一般模式收斂圖 48
圖4.9. 限制滿足模式收斂圖 49

[1]杜金龍，“最新技術指標在臺灣股市應用的訣竅”，財訊出版社股份有限公司，2006。
[2]林信助、張念慈，“技術分析與組合預測指標在台灣股市獲利能力之探討”，國立政治大學國際貿易研究所碩士論文，2006。
[3]林銘郎，“技術指標通論”，簡愛洋行，2004。
[4]唐順明、許智和，“用運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碩士論文，2003。
[5]張應華、余芳佩，“以共演化限制式遺傳演算法解決供應鏈產銷整合問題-以台灣織布業為例”，大同大學資訊經營研究所碩士論文，2008。
[6]張應華、張宏瑋，“動態式準則評估於旅遊行程安排之最優化”，大同大學資訊經營研究所碩士論文，2007。
[7]郭照榮、趙永昱，“技術分析法則在股市擇時之實證研究”，國立中山大學財務管理學系碩士論文，2002。
[8]陳稼興、江吉雄，“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碩士論文，2002。
[9]陳稼興、吳詩敏，“組合編碼遺傳演算法於投資策略資金分配之應用”，中央大學資訊管理研究所碩士論文，2007。
[10]陳稼興、林耀堂，“遺傳程式規劃於股市擇時交易策略之應用”，國立中央大學資訊管理研究所碩士論文，2001。
[11]臺灣證券交易所網站，http://www.twse.com.tw/ch/index.php
[12]劉書助、黃瑋瀅，“運用資料探勘技術於股市擇時之研究”，國立屏東科技大學資訊管理系碩士論文，2003。
[13]劉書助、劉俊鴻，“運用遺傳演算法萃取股市交易規則之應用”，國立屏東科技大學資訊管理系碩士論文，2002。
[14]羅乃維、蔡安燦，“運用基因遺傳演算法以輔助股票市場投資人判斷進場時機之研究”，國立台灣科技大學資訊管理學系碩士論文，2005。
[15]Baba, N., W. Yaai, T. Kawachi, X. Lina and D. Zhenglong, “An Intelligent DSS Which Improves the Traditional Technical Analysis”, SICE Annual Conference in Fukui, August 4-6, 2003.
[16]Bielli, M., M. Caramia and P. Carotenuto, “Genetic Algorithms in Bus Network Optimization”, Transportation Research, Part C 10, 2002, pp.19-34.
[17]Braathen, S. and O.J. Sendstad, “A Hybrid Fuzzy Logic/Constraint Satisfaction Problem Approach to Automatic Decision Making in Simulation Game Models”, IEEE Transactions on Systems, Man, and Cybernetics – Part B: Cybernetics, Vol. 34, No. 4, August, 2004
[18]Chang, K.H. and K.L. Lu, “A Study of Grey Theory on Improving the Investment Performance of Technical Analysis Index – an Example of Morgan Stanley Taiwan Index’ Component Stocks”, International Conference on Grey Systems and Intelligent Services, November 18-20, 2007, Nanjing, China.
[19]Edwards, R.D. and J. Magee, “Technical analysis of stock trends”, Amacom Books, 2001.
[20]Gen, M. and R. Cheng, “Genetic Algorithms and Engineering Optimization”, Addison Wesley, New York, 2000.
[21]Goldberg, D.E., “Genetic Algorithms in Search, Optimization and Machine Learning”, Addison Wesley, 1989.
[22]Hou, Y.C. and Y.H. Chang, “Research on Co-Evolutionary Electronic Commerce’s Negotiating Mechanism”, Anthology of Industry Electronic Operations Management Academic and Practical Conference, 2002, pp: 1-9.
[23]Kaboudan, M.A., “Genetic Programming Prediction of Stock Prices”, Computational Ecnomics 16, 2000, pp: 207-236.
[24]Klemz, B.R., “Using Genetic Algorithm to Assess the Impact of Pricing Activity Timing”, Omega The International Journal of Management Science 27, 1999, pp: 363-372.
[25]Korcazk, J. and P. Roger, “Stock Timing Using Genetic Algorithm”, Applied Stochastic Models in Business and Industry 18, 2002, pp: 121-134.
[26]Kwon, Y.K. and B.R. Moon, “A Hybrid Neurogenetic Approch for Stock Forecasting”, IEEE Transactions on Neural Networks, Vol. 18, No. 3, 2007.
[27]Lai, F.B., C.C. Yang, C.C. Cao, and C.H. Chen, “An intelligent stock trading decision support system using adaptive rule-based neural network”, Master Thesis, National Taiwan University, 1994.
[28]Lee, T., D. Kim, and P.I. Hoh, “Maximizing Return on Security Safeguard Investment with Constraint Satisfaction”, International Conference on Information Security and Assurance, 2008.
[29]Mandziuk, J. and M. Jaruszewicz, “Neuro-evolutionary Approach to Stock Market Prediction”, Proceedings of International Joint Conference on Neural Networks, 2007.
[30]Nagarajan, V., Y. Wu, M. Liu and Q.G. Wang, “Forecast Studies for Financial Markets using Technical Analysis”, International Conference on Control and Automation (ICCA 2005), 2005.
[31]NG, H.S., K.P. Lam, and S.S. Lam, “Incremental Genetic Fuzzy Expert Trading System for Derivatives Market Timing”, International Conference on Computational Intelligence for Financial Engineering, 2003.
[32]Nunez-Letamendia, L., “Trading Systems Designed by Genetic Algorithms”, Managerial Finance Vol. 28, 2002, pp: 87-106.
[33]Papadamou, S. and S. Tsopoglou, “Investigating the Profitability of Technical Analysis Systems on Foreign Exchange Markets”, Managerial Finance Volume 27, 2001.
[34]Pring, M.J., “Technical Analysis Explained – The Successful Investor’s Guide to Spotting Investment Trends and Tuning Points, 3/E”, McGraw-Hill, Inc., 2002.
[35]Schoreels, C., B. Logan and M.G. Jonathan, “Agent based Genetic Algorithm Employing Financial Analysis for Making Trading Decision Using Historical Equity Market Data”, International Conference on Intelligent Agent Technology (IAT’04), 2004.
[36]Sharpe, W.F., “Mutual Fund Performance”, Journal of Business 39(1), 1966, pp: 119-138.
[37]Shen, L. and H.T. Loh, “Applying rough sets to market timing decisions”, Decision Support System 37, 2004, pp: 583-597.
[38]Shoaf, J. and J.A. Foster, “The Efficient Set for Stock Portfolios”, IEEE World Congress on Computational Intelligence, 1998.
[39]Tsang, E., P. Yung, and J. Li, , “EDDIE-Automation, a Decision Support Tool for Financial Forecasting”, Decision Support System 37, 2004, pp: 559-565.
[40]Wang, J.H. and J.Y. Leu, “Dynamic Trading Decision Support System Using Rule Selector Based On Genetic Algorithm”, Neural Networks for Signal Processing VI. Proceedings of the 1996 IEEE Signal Processing Society Workshop, 4-6 Sept. 1996, pp: 119-128.
[41]Wang, J.L. and S.H. Chan, “Stock Market Trading Rule Discovery Using Pattern Recognition and Technical Analysis”, Expert System with Application 33, 2007, pp: 304-315.
[42]Yu, K.W., X.Q. Yang and H. Wong, “Asset Allocation by Using the Sharpe rule: How to Improve an Existing Portfolio by Adding Some New Assets?”, Journal of Assets Management, 2007, Vol. 8, 2, pp: 133-145.