跳到主要內容

臺灣博碩士論文加值系統

(34.226.244.254) 您好!臺灣時間:2021/08/03 04:09
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:陳帝豪
研究生(外文):Chen, DiHao
論文名稱:基因表達規劃法為基的集成擇時交易策略之探勘
論文名稱(外文):Mining of Ensemble Stock Timing Trading Rules Based on Gene Expression Programming
指導教授:林文修林文修引用關係
指導教授(外文):Lin,WenShiu
口試委員:胡筱薇楊亨利
口試委員(外文):Hu,HsiaoWeiYang,HengLi
口試日期:2011-07-14
學位類別:碩士
校院名稱:輔仁大學
系所名稱:資訊管理學系
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:2012
畢業學年度:100
語文別:中文
論文頁數:113
中文關鍵詞:股票交易規則技術分析集成學習基因表達規劃法最佳計算資源分配
外文關鍵詞:Stocks trading ruleTechnical analysisEnsemble learningGene Expression ProgrammingOptimal Computing Budget Allocation
相關次數:
  • 被引用被引用:18
  • 點閱點閱:408
  • 評分評分:
  • 下載下載:30
  • 收藏至我的研究室書目清單書目收藏:0
本研究的主要目的,乃是以基因表達規劃法(Gene Expression Programming, GEP)強韌的搜尋能力,以集成(Ensemble)技術指標結合隨機數值常數(RNC)編碼,採用最佳計算資源配置(Optimal Computing Budget Allocation, OCBA)尋求GEP之最佳參數組,解決傳統GEP眾多參數設定上的困擾;據此,設計一套最適股票交易規則,用以解決投資人在金融市場普遍存在的過度自信(Overconfidence)與處置效應(Disposition Effect)的非理性投資行為。GEP最適股票交易模組中,以台灣加權股價指數為對象,使用了集成學習(Ensemble learning)的九項技術分析指標,建構獲利穩定的相對報酬模型,與無風險考量絕對報酬模組進行評估分析。
研究結果顯示:(1)OCBA參數最佳化模組,能夠有效的計算最佳的參數組合;(2)本研究建構之集成學習的股票交易規則,讓多個學習器共同決策克服單一分類器噪音問題,提升訊號捕捉(分類)的成功率;(3)本研究提出之相對、絕對報酬模型,均有良好的表現,且在熊市中仍有不錯的投資報酬率;(4)本研究所提出模型,可適用於美國、中國不同效率的股票市場中。總之,根據本研究以GEP為本的集成擇時交易策略,能解決投資人過度自信與處置效應的非理性投資行為,提升投資人控制風險與投資績效的能力。在投資實務中,具有很大的應用價值。

The main purpose of this study is to solve parameter design of traditional gene expression programming (GEP), and construct the optimal stock trading rules with ensemble learning strategy. Hope to solve the investment behavior of investor overconfidence and disposition effect. We explored the optimal parameter combination to resolve the problems of traditional GEP by integrating among GEP which is good at searching, encoding with combination of ensemble technical index and RNC, and Optimal Computing Budget Allocation (OCBA). Firstly, we constructed the relative return model which has the stable profit in GEP optimal stocks trading module. The relative return model was derived from nine ensemble technical indexes on the basis of Taiwan Capitalization Weighted Stock Index. Then, we conducted absolute return model with risk-free factor to evaluate the annual index return.
The experimental results show that: (1) OCBA optimal parameters model yields the optimal parameter combination effectively. (2) The proposed ensemble stocks trading rules are more appropriate to short-dated training set and testing set due to a great number of discriminant indexes. (3) Both the proposed absolute return model and relative return model achieve good performances in training set and testing set. Especially, they yield the good return on investment in bear market. (4) The proposed module can apply in different performances stocks market in United States of America and China.
In conclusion, the GEP-based ensemble timing trading rules can effectively resolve the problems of investor overconfidence and the irrational investing behaviors and increase the ability of investors in risk handling and investment performance.

表 次 v
圖 次 vii
第壹章 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 論文架構與研究流程 5
第貳章 文獻探討 7
第一節 技術分析 7
第二節 集成學習(ENSEMBLE LEARNING) 13
第三節 基因表達規劃法(GENE EXPRESSION PROGRAMMING, GEP) 16
第四節 最佳計算資源配置(OPTIMAL COMPUTING BUDGET ALLOCATION, OCBA)
26
第五節 文獻彙總 31
第参章 研究方法 33
第一節 研究架構 33
第二節 變數選擇與定義 34
第三節 基因表達規劃法設計 40
第四節 OCBA-GEP參數最佳化模組設計 48
第五節 交易策略設計 52
第六節 實驗設計與評估 53
第肆章 實驗結果與分析 59
第一節 OCBA-GEP參數最佳化模組與效果評估 59
第二節 模型訓練、測試期最佳適用期限評估 66
第三節 模型報酬、風險評估與分析 70
第四節 模型適用性評估與分析 91
第五節 綜合分析與比較 100
第伍章 結論 105
第一節 結論 105
第二節 研究貢獻 106
第三節 研究限制 107
第四節 未來研究 107
參考文獻 109

中文部分:
方國榮,證券投資最適決策指標之研究,台灣大學商學研究所碩士論文,1991年。
吳聲昌,以資料探勘技術於台灣股票市場尋找低風險投資組合之研究,世新大學資訊管理學系碩士論文,2006年。
林良炤,KD技術指標應用在台灣股市之實證研究,台灣大學商學研究所碩士論文,1997年。
林詠傑,運用一種有效率的方法於啟發式粒子群演算法找尋最佳專案排程,元智大學工業工程學系碩士論文,2011年。
林耀暄,模糊理論和基因演算法於股市買賣點決策及資金比例配置之研究,中華大學資訊工程研究所碩士論文,2001。
洪志豪,技術指標KD、MACD、RSI與WMS%R之操作績效實證,台灣大學國際企業研究所碩士論文,1999年。
洪美慧,技術分析應用於台灣股市之研究-移動平均線、乖離率指標與相對強弱指標之評估,東海大學管理研究所碩士論文,1997年。
陳伊伶,演化式計算於證券投資組合與擇時規則建構之研究,輔仁大學資訊管理系碩士論文,2011年。
陳旭宏,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碩士論文,2001年。
陳奕帆,演化式計算在股票型共同基金最適資產配置之研究,輔仁大學資訊管理學系碩士論文,2010年。
高梓森,台灣股市技術分析之實證研究,台灣大學財務金融研究所碩士論文,1994年。
翁龍翔,各國股市技術分析的有效性,台灣大學財務金融研究所碩士論文,1994年。
黃光廷,技術分析、基本分析與投資組合避險績效之研究,成功大學會計學系碩士論文,2002年。
傅光萬,遺傳程式規劃為基礎的股票動態交易策略之研究-模糊化技術指標擇時策略之應用,輔仁大學資訊管理系碩士論文,2005年。
黃怡婷,演化式計算於共同基金投資組合與交易策略推薦模型建構之研究,輔仁大學資訊管理系碩士論文,2011年。
黃華威,演化計算整合式編碼於最適投資組合建構之研究,輔仁大學資訊管理系碩士論文,2011年。
董茲莉,由技術分析效果驗證我國股市效率性,中山大學企業管理研究所碩士論文,1995年。
賈偉廉,基因表示規劃法探勘股票交易規則之研究,輔仁大學資訊管理系碩士論文,2011年。
鄭潮駿,使用一個有效率的啟發式模擬退火法求解不確定需求下的庫存策略,元智大學工業工程學系碩士論文,2011年。
魯秉釣,技術分析於台灣股票市場的運用-移動平均線與均量指標,東海大學管理研究所碩士論文,2001年。
潘效黎,以技術面投資策略分析台灣股市,成功大學統計研究所碩士論文,1995年。
蔡慧菊,基因表示規劃法於臺股期貨價格發現之研究,輔仁大學資訊管理學系碩士論文,2010年。
賴怡潔,利用最佳資源配置於啟發式演算法尋較佳參數設定,元智大學工業工程學系碩士論文,2011年。
謝劍平,現代投資學-分析與管理,再版,台北:智勝文化,2001年。
鐘仁甫,技術分析簡單法則於台灣電子個股之應用,東海大學管理研究所碩士論文,2001年。
蘇俊輔,應用分類元股票交易系統於台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,2005年。

英文部分:
Akbar, E.& Somayeh, M., A genetic programming model to generate risk-adjusted technical trading rules in stock markets, Expert Systems with Applications ,Volume 38, Issue 7, July 2011, pp.8438-8445.
Binoy, B.N,, Mohana,D. & Mohandas V.P., A Stock market trend prediction system using a hybrid decision tree-neuro-fuzzy system, in proceedins of 2010 International Conference on Advances in Recent Technologies in Communication and Computing, 2010 ,pp.381-385.
Breiman, L.& Bagging predictors, Machine Learning, 1996, Vol. 24, No. 2, pp.123-140.
Chen, C. H. , Lin, J. ,U ̈cesan, E. & Chick, S.E., Simulation Budget Allocation for Further Enhancing the Efficiency of Ordinal Optimization, Discrete Event Dynamic System, 10, 2000, pp.251-270.
Chen, Y., Mabu, S., Member , Hirasawa, K. & Hu, M. J., Genetic Network Programming with Sarsa Learning and Its Application to Creating Stock Trading Rules,IEEE Evolutionary Computation, 2008 ,pp.220-227.
Dasarathy, B. V. & Sheelaa B. V., Composite Classifier System Design: Concepts and Methodology, PROCEEDINGS OF THE IEEE, 1979, VOL. 67, NO. 5, MAY.
Dietterich, T. G., Machine learning research: Four current directions, AI Magazine, 1997,18(4), pp.97-136.
Ferreira, C., Function Finding and the Creation of Numerical Constants in Gene Expression Programmung, in proceedins of Industrial Applications,September 23 – October 4,2002.
Ferreira, C., Gene Expression Programming:Mathematical Modeling by an Artificial Intelligence, 2nd, Springer-Verlag, Germany, 2006.
Ferreira, C.,Gene Expression Programming:A New Adaptive Algorithm for Solving Problem,Complex System,Vol.13,2001,pp.87-129.
Freund, Y., Boosting a Weak Learning Algorithm by Majority, Proceedings of the Third Annual Workshop on Computational Learning Theory,1990.
Freund, Y. & Schapire, R.. E., “A decision-theoretic generaliation of on-line learning and an application to boosting”, Journal of Computer and System Sciences , 1997, pp. 119-139.
Hansen, L. & Salamon, P., Neural network ensembles, IEEE Transactions on Pattern Analysis and Machine Intelligence,12(10), 1990, pp.993-1001.
Heitor, S.L. & Wanger, R.W., EGIPSYS: An Enhanced Gene Expression Programming Approach For Symbolic Regression Problems, Journal of Applied Mathematics and Computer,vol.14, No.3, 2004, pp.375-384.
Holland, J. H., Adaptation in Natural and Artificial Systems, Universitty of Michigan Press,1975.
Hsieh, L. F., Hsieh, S. C. & Tai, P. H. ,Optimize stock price variation prediction via DOE and BPNN,Supply Chain Management and Information Systems (SCMIS), 2010, pp.1-7.
Jung, H. J. & Aggarwal, K.A. , Binary Stock Event Model for stock trends forecasting: Forecasting stock trends via a simple and accurate approach with machine learning, 2011 11th International Conference on Intelligent Systems Design and Applications, ,2011, pp.714-719.
Kahneman, D. & Tversky, A., Prospect Theory:An Analysis of Decision Under Risk, Econometrica ,1979, pp.263-291.
Kahneman, D. & Tversky, A., The Framing of decision and the psychology of choice, Science ,1981, pp.453-458.
Koza, J. R., Genetic Programming: On the Programming of Computers by Means of Natural Selection, MIT Press, 1992.
Li,Q., Cai,Z.H., Jiang,S.W. & Zhu,L.,Gene Expression Programming in Prediction , Proceedings of the 5th World Congress on Intelligent Control and Automation,June 15-19,2004,pp.2171-2175.
Lui, Y. H. & Mole, D. ,The use of fundamental and technical analyses by foreign exchange dealers: Hong Kong evidence, Journal of International Money and Finance,1992, pp.535-545.
Potvin, J. Y. , Soriano, P. & Vall’ee, x. ,Generating trading rules on the stock markets with genetic programming ,Computers & Operations Research 31 (2004) , pp. 1033-1047.
Schapire, R., The strength of weak learnability. Machine Learning, 1990, pp.197-227.
Shefrin, H. & Statman M.,The Disposition to Sell Winners Too Early and Ride Losers Too Long: Theory and Evidence, Journal of Finance,1985, pp.777-790.
Witten, I.H. & Frank, E., Data Mining, (second edition), Elsevier, Morgan Kaufmann Publishers, 2005.
Zadeh, L.A., Fuzzy Sets, Information and Control, 8, 1965, pp.338-353.
Zhang, L.,Optimal parameters selection for simulated annealing with limited computational effort,Neural Networks and Signal Processing, Proceedings of the 2003 International Conference,Vol.1, 2003 ,pp. 412-415.
Zhou, C., Xiao W., Tirpak, T. M. & Nelson, P.C., Evolving Classification Rules with Gene Expression Programming, IEEE Transactions on Evolutionary Computation, vol. 7,no.6,2003,pp.519-531.
Zhou, Z. H., Wu J. & Tang W., “Ensembling neural networks: many could be better than all”. Artificial Intelligence, Vol. 137, No.1-2, 2002, pp. 239-263.

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊