臺灣博碩士論文加值系統

近年來巨量資料與機器學習的應用普及之後，宣告著資料分析、關聯與行為發現(Pattern Discovering)成為顯學的時代來臨，意味著機器學習的技術，將成為解決問題的基本技能，加上演算交易的成熟，使得先進國家對此方面重視度提高。
金融交易市場中，獲利之主因來自一個有正向報酬的交易，即進出間的價差。意即掌握相對高低點進出，不僅可使交易風險降低，亦可簡化模型分析的複雜度。因此本研究嘗試以技術分析，整理波段的趨式、動態、形態結合倒傳遞類神經網路學習、訓練並預測其漲跌幅，分析其中之物理現象。
文中嘗試將波段分成Not Well-formed及Well-formed兩種波的形態進行訓練。Not Well-formed在波段發展過程中只有波段臨界點而沒有均線交叉點，但Well-formed波態兩者都有。其中波段臨界點因為發生的時間點較均線交叉點早，因此可能因為時間價值而有較高的報酬；然後Well-formed中的均線交叉點其物理力量的資訊較完整，因此可能使得整體模型判斷力提升。因此設計交易策略X(參考完整波段中的兩時間點)、交易策略Y(僅參考Not Well-formed部分的資訊)，比較其績效表現。
研究結果顯示，波段臨界點與均線交叉點在準確率上，因為有倒傳遞類神經網路的學習，使波段臨界點的準確率提升，與一般認為較早交易的時間點，面臨反轉的機會較高的風險降低。因此，在實驗中此兩點的準確率已無明顯之差異。若在波段臨界點與均線交叉點在準確率上無明顯差異的前提下，觀察此兩點的年化報酬率、平均獲利點數及交易次數，發明波段臨界點的表現均較均線交叉點優。表示經倒傳遞類神經網路的學習，屏蔽早期不確定因素，可以使交易時間點提早，以享受波段帶來的獲利。

In financial markets, the profit gained from a positive reward of trading. Base on this concept, if the mode focus only on the spreads, not only can reduce the risk of the transaction (from spreads itself), can also simplify the complexity of the model. Therefore, this study attempts to gather the information by using the technical analysis, combining form back propagation neural network learning, and training and predict to find the worded-trade points.
This paper attempts to classify the price wave into two categories- the Not Well-formed and the Well-formed. The Not Well-formed wave during its life cycle only has the wave critical point and has no moving average crossing point, but the Well-formed wave has both.
Because of the wave critical point happened earlier than the moving average crossover point, we may think that the time value of the wave critical point will bring more profit than the moving average crossover point. On the other hands, the moving average crossing point in the Well-formed will have more complete information in trend, momentum, and pattern, thus improving the forecasting accuracy. Therefore, designing the two trading strategy -the strategy X (including two time points), and the strategy Y (including Not Well-formed parts only), and compare both strategies performance.
The results show that the accuracy rate between the two points has no significant which breaks the time value loss hypothesis. This is because the mode has learned from the patterns and improved the accuracy rate on the moving average crossover points. Basing on this conclusion, checking on the annualized rate of return, the average gained point per trade, and the number of transactions between two trading strategies, the result shows that the wave critical point has better performance than the moving average crossing point, which means that the BPNN can learn and shield the uncertainties at earlier trade point, thus can gain more profit in earlier trade point safely.

目錄

摘要 i
Abstract ii
誌謝 iii
目錄 iv
表目錄 vi
圖目錄 vii
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機 2
1.3 研究目的 4
1.4 研究流程 5
1.5 研究範圍與限制 6
1.5.1 研究資料來源 7
1.5.2 研究限制 7
1.6 論文架構 8
第二章 文獻回顧 9
2.1　技術分析 9
2.2　技術指標的分析原理 10
2.2.1 趨勢(Trend) 11
2.3.2 動能(Momentum) 12
2.3.3 形態(Pattern) 13
2.3 技術指標分析工具 14
2.4　技術分析與倒傳遞類神經網路於財務金融領域 17
2.5　文獻總結 19
第三章 研究方法與實驗架構 20
3.1　實驗架構說明 20
3.2　研究資料 24
3.2.1　研究對象與期間 24
3.2.1　波段的界定與轉折點的擷取 25
3.2.2　波段與轉折點的例外排除 26
3.2.3　波段中的觀察點 27
3.2.4　觀察點的擷取與其物理力量 28
3.2.5　實驗組之輸入變數 32
3.2.6　輸出變數 33
3.2.7　資料正規化 33
3.3　倒傳遞類神經網路模型設計 34
3.4　交易策略 35
3.5　績效評估模式 36
3.5.1　準確率評估 36
3.5.2　獲利能力評估 37
3.5.3　穩定度評估 37
3.6　對照組模型 38
第四章 實證結果與分析 39
4.1　實驗組交易策略X-綜合所有分類之訊號 40
4.2　實驗組交易策略Y-波段臨界點交易 42
4.3　對照組 44
4.4　實證結果分析 45
4.4.1　與對照組之比較 45
4.4.2　實驗組內之比較 45
第五章　結論與建議 50
5.1　總結 50
5.2　未來展望 51
參考文獻 53
附錄 55
附錄一：指數平滑異同移動平均線之公式（Moveing Average Convergence-Divergene, MACD） 55

參考文獻
[1] 厲秀忠，「證券網路交易對台灣證券商發展之研究」，國立中正大學國際經濟研究所，碩士論文，民國96年。
[2] 吳宛怡, 王宏瑞「證券交易市場之回顧、演進與展望」，證券暨期貨月刊，民國100年。
[3] 黃綺年，「統計方法與類神經網路應用於國內開放式股票型基金投資績效分類及投資報酬率預測之研究」，國立成功大學統計學系，博士論文，民國93年。
[4] 吳岳霖，「台灣股市與國際股市關聯性之探討」，國立成功大學統計學系，博士論文，民國99年。
[5] 林芳君，「群體決策與自組織特徵映射應用於期貨投資報酬率預測之研究」，國立交通大學，碩士論文，民國94年。
[6] 阮榆方，「應用分類元-類神經網路模型於台灣加權指數趨勢預測之研究」，國立交通大學，碩士論文，民國96年。
[7] 魏健宏、陳奕志，「類神經網路模式在國內交通運輸研究之成果評析」，運輸計劃季刊，30卷2期，90年6月。
[8] 蔡宜龍，「台灣股票市場技術分析指標有效性之衡量」，國立成功大學，碩士論文，民國79年。
[9] 洪若信，「金融工程學行為實證之研究-以艾略特波浪理論隱含波浪行為知識的發現為例」，國立交通大學，碩士論文，民國98年。
[10] 陳儒琦，「具艾略特波浪特徵之股市趨勢研究」，國立交通大學，碩士論文，民國99年。
[11] 葉怡成，類神經網路模式應用與實作，台北市，儒林圖書有限公司出版發行，民國98年4月。
[12] 林萍珍，投資分析：含Matlab應用、類神經網路與遺傳演算法模型，台北市，新陸書局股份有限公司出版發行，民國97年3月。
[13] 黃閔淞，「應用自組織映射神經網路進行公司動態財務行為之體質檢定」，國立交通大學，碩士論文，民國97年。
[14] Viktor Mayer-Schönberger, Kenneth CukierBig Data. "Big Data: A Revolution That Will Transform How We Live, Work, and Think". 2013.
[15] Government Office for Science from UK Government "The Future of Computer Trading in Financial Markets Working paper",pp.53, 2011
[16] E. Michael Azoff. 1994. Neural Network Time Series Forecasting of Financial Markets (1st ed.). John Wiley & Sons, Inc., New York, NY, USA.
[17] Kirkpatrick and Dahlquist. Technical Analysis: The Complete Resource for Financial Market Technicians. Financial Times Press, 2006, page 3
[18] Gencay, R. “Non-linear Prediction of Security Returns with Moving Average Rules“, Journal of Forecasting,Vol.15, pp.165-174,1996.
[19] Kimotoand Asakawa, K.T. "Stock Market Prediction System with Modular Neural Networks", IJCNN-1990, 1, pp.11-16, 1990.
[20] Jiawei Han and Micheline Kamber, Data Mining: Concepts and Techniques, Second Edition, 2006.
[21] HornikStinchcombe, M. and White, H.K. "Multilayer feedforward networks Universal Approximations", Neural Networks, 2, pp. 336-359, 1989.
[22] ZhangPatuwo, B. E. and Hu, M. Y.G. "Forecasting with artificial neural networks: the state of the art", International Journal of Forecasting, 14, 1, pp. 35-62, 1998.
[23] FreemanA. and Skapura, D. M.J. "Neural Networks Algorithms, Applications, and Programming Techniques", New York: Addison-Wesley Publishing Company, 1992.