跳到主要內容

臺灣博碩士論文加值系統

(44.192.38.248) 您好!臺灣時間:2022/11/26 22:54
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

我願授權國圖
: 
twitterline
研究生:柯麗美
研究生(外文):LI-MEI KO
論文名稱:股價指數期貨當沖交易策略發展之研究
論文名稱(外文):Empirical Studies of Intraday Trading Strategies in Index Futures
指導教授:林文修林文修引用關係
指導教授(外文):Wen-Shiu Lin
口試委員:洪朝富楊銘賢
口試委員(外文):Chao-Fu HongMing-Hsien Yang
口試日期:2014-06-30
學位類別:碩士
校院名稱:輔仁大學
系所名稱:資訊管理學系碩士在職專班
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:2014
畢業學年度:102
語文別:中文
論文頁數:126
中文關鍵詞:期貨當沖程式交易遺傳演算法技術指標
外文關鍵詞:FuturesIntraday tradingPrograming tradingGenetic algorithmsTechnical indicators
相關次數:
  • 被引用被引用:12
  • 點閱點閱:511
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:3
本研究目的乃針對指數期貨的高風險且高報酬特性,以遺傳演算法(Genetic Algorithms, GA)為基礎建構程式交易模型,以日內當沖交易為框架,試圖從保守的角度,避免非預期風險及過度交易的問題。據此,本研究在當沖交易策略的發展中,加入濾網設計及停利停損的機制,以及利用此模型比較不同時間框架的K棒樣本資料,分析長時間的交易績效,據以瞭解台指期貨當沖交易的優劣因素及特性。
根據實驗結果發現,本模型的菁英法保留法,是模型整體穏定正向演化的首 要影響因子,而菁英複製法則能在複製的過程中,透過特定基因的微調,利用夾擠過程找到區域最佳解,而利用交配與突變機制,可以在當沖交易中探索出更好交易策略。其次,實驗中發現停損機制可有效避免虧損過大,而啟動停利機制則對整體績效影響較小。第三,在K棒週期的選擇則以5分鐘K棒較適合日內當沖交易。第四,波動程度較大的指數期貨商品,對於使用技術指標補捉交易訊號的模型而言,仍是較為有利的因素。因此,在市場波動幅度劇烈時期,本研究交易策略模型能有更好的績效。最後,從實驗結果發現,交易成本乃是侵蝕獲利的主因,如何設計有效的濾網機制成為重要議題。

Aimed at the high risk yet high remuneration of future indexes, for the purpose of this study; based on genetic algorithms (GA) to construct the program trading model, also Intraday Trading Framework is taken into account, in order to avoid problems from unexpected risks and excessive trading problems, a conservative point of view is being attempted. Accordingly, this study added the mechanisms of filters design and stop profit yet stop loss while developing the Intraday Trading strategy, and to compare different time gap of candle stick sample trading database for analysis long term trading performance by using this model, in order to understand the pros and cons of factors and characteristics of Intraday Trading of TFX.
According to the results, the study found that evolution factors each plays a role in the genetic algorithm, the Elite Reservation law is the most important element promoting the overall evolution, and Elite Replication law can help to find the regional optimal solution by using the slight adjustment of limitation process, also Mutation law and Crossover law both help to explore the best solution through the Intraday Trading. Secondly, we also found that Stop-Loss mechanism can effectively avoid excessive loss, and that the Stop-Profit mechanism will somewhat influence the overall performance a little during the experiment. Third, in the selection of the period of candle stick chart, when analyze 5 minutes time gaps is most suitable for Intraday Trading. Fourth, the Index Futures with greater volatility, for the use of technical indicators capture the trading signals models, is still relatively favorable factors. Therefore, intense period of volatility in the market, this study trading strategy model can have better performance. Finally, from the experimental result, transaction costs is still the main cause of the erosion of profit. How to design an effective filter mechanism has become an important issue.

表次 vii
圖次 ix
第 壹 章 緒論 1
第 一 節 研究背景與動機 2
第 二 節 研究目的 4
第 三 節 研究流程及架構 5
第 貳 章 文獻探討 7
第 一 節 期貨交易 7
第 二 節 金融交易風險評估 10
第 三 節 物競天擇與演化式計算 14
第 四 節 市場連動性 17
第 五 節 技術分析 18
第 參 章 研究設計 21
第 一 節 資料來源與研究樣本 21
第 二 節 研究架構 24
第 三 節 遺傳演算法染色體設計 25
第 四 節 實驗設計 44
第 肆 章 實證與分析 47
第 一 節 樣本與實驗環境說明 47
第 二 節 演化參數最佳化 48
第 三 節 停利停損策略運用 54
第 四 節 K棒週期運用分析 63
第 五 節 市場波動與獲利分析 72
第 伍 章 結論與建議 77
第 一 節 研究結論 77
第 二 節 實務運用建議 79
第 三 節 研究限制 80
第 四 節 未來研究建議 80

參考文獻 83
附錄一、臺灣證券交易所股價指數期貨契約規格 86
附錄二、實驗期間分割列表 88
附錄三、參數最佳化實驗結果 92
附錄四、停利停損機制實驗結果 103
附錄五、K棒週期運用分析實驗結果 116

1.王昭元,個別投資人日內交易損益:臺灣期貨市場實證分析,國立中央大學財務金融學系碩士論文,2011。
2.王喬緯,一個多重時間架構與多交易策略的當沖交易系統應用,國立交通大學管理學院財務金融學程碩士論文,2010。
3.宋嘉凌,台灣股市與主要國際股市之相關性研究,臺灣大學國際企業學系碩士論文,2007。
4.李建輝,遺傳演化類神經網路在預測台股指數期貨的應用,東吳大學經濟學系碩士論文,2002。
5.李盈穎,利用遺傳演算法進行台灣股市日內期貨交易策略最佳化,國立彰化師範大學企業管理學系碩士論文,2013。
6.吳銀釧,臺灣與國際股市相關係數的時間序列分析,國立政治大學國際貿易學系碩士論文,1998。
7.林昇甫,徐永吉,遺傳演算法及其應用,五南圖書出版股份有限公司,2009/09,頁6-12。
8.林萍珍、陳稼興、林文修,遺傳演算法在使用者導向的投資組合選擇之應用,資訊管理學報,第7卷,第1期,2000,頁155-171。
9.徐明鏞,運用基因演算法找尋日內期貨交易策略-以台灣股價指數期貨為例,中興大學高階經理人碩士在職專班碩士論文,2011。
10.洪克明,台灣指數期貨日內交易之操作績效研究,世新大學資訊管理學系碩士論文,2011。
11.徐坤豪,運用K線、KD指標於台股指數期貨效果之研究,東吳大學會計學系碩士論文,2006。
12.陳威光,衍生性金融商品-選擇權、期貨與交換,智勝文化出版社,2004。
13.侯燕伶,組合編碼遺傳演算法於投資組合及資金分配之應用,中央大學資訊管理學系碩士論文,2001。
14.陶宏德,應用遺傳演算法達成知識之最適化—以臺灣股市技術分析指標為例,交通大學資訊管理學系碩士論文,1995。
15.張簡士煌,台灣股市與國際股市關聯性之研究,朝陽科技大學企業管理學系碩士論文,2005。
16.廖家宏,技術分析之移動平均價與量雙指標策略投資績效之實證研究-台灣與日本股票市場比較,國立高雄應用科技大學工業工程與管理學系碩士論文,2006。
17.簡珮珊,美、滬、台三地股價指數連動性及共整合之研究─以中、台ECFA實施前後期為例,國立臺北科技大學經營管理系碩士論文,2013。
18.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,2009。
19.賴盈穎,遺傳演算法建構產業指數的資金配置,國立高雄應用科技大學金融資訊學系碩士論文,2010。
20.Black, F., Noise, Journal of Finance, 41, 1986, pp.529-541
21.Bentley, P. J., Gordon, T., Kim, J., and Kumar, S., New trends in Evolutionary Computation. The 2001 Congress on Evolutionary Computation (2) (CEC2001). 2001.
22.Collins, T. D., The application of software visualization technology to evolutionary computation: A case study in genetic algorithms, Ph.D Thesis, Knowledge Media Institute, The Open University, UK.1998.
23.Dorigo, M., & Gambardella, L. M., Ant colony system: a cooperative learning approach to the traveling salesman problem, Evolutionary Computation, IEEE Transactions on 1(1),1997, pp.53-66.
24.Edwards, R. D., Magee, J., & Bassetti, W. H. C., Technical analysis of stock trends. CRC Press, 2012.
25.Ferreira, C., Gene Expression Programming: Mathematical Modeling by an Artificial Intelligence, New York: Springer, 2006.
26.Granville, J, Granville’s New Key to Stock Market Profits, NJ: Prentice Hall, 1976.
27.Han, K. H. & Kim, J. H., Quantum-inspired evolutionary algorithm for a class of combinatorial optimization, IEEE Trans. On Evolutionary Computation, 6(6), 2002, pp.580-593.
28.Holland, J. H., Adaptation in natural and artificial systems: An introductory analysis with applications to biology, control, and artificial intelligence., U Michigan Press, 1975.
29.Kahneman, D., & A.Tversky, Prospect theory: An analysis of decision under risk, Economertrica.47(2) ,1979, pp.263-291.
30.Keynes, J. M., General theory of employment, interest and money, Atlantic Publishers & Dist, 2006.
31.Lin, P. C., & Ko, P. C., Portfolio value-at-risk forecasting with GA-based extreme value theory, Expert Systems with Applications, 36(2),2009, pp.2503-2512.
32.Lichenstein, S. & B. Fischoff, Do Those Who Know More Also Know More About How Much They Know? The Calibration of Probability Judgements, Organizational Behavior and Human Performance, 3,1997.
33.Sharpe, W.F, The Sharpe Ratio, The Journal of Portfolio Management, Fall 1994, pp.49-59.
34.Sharpe, W.F, Mutual Fund Performance, Journal of Business, 1966, pp.119-138.
35.Sortino, F. A., & Price, L. N., Performance Measurement in a Downside Risk Framework, Journal of Investine 3(3), 1994, pp.59-64.
36.Spears, W. M., De Jong, K. A., Back, T., Fogel, D. B., and deGaris, H., An overview of evolutionary computation, Proceedings of the 1993 European Conference on Machine Learning, 1993.
37.Shefrin, H. & M. Statman, The disposition to sell winners too early and ride losers too long: theory and evidence. Journal of Finance, 40, 1985, pp.777- 790.

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top