(44.192.66.171) 您好!臺灣時間:2021/05/18 01:25
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:林大為
研究生(外文):LIN, TA-WEI
論文名稱:基因表達規劃法決策樹在買賣日報表資料之設計與應用
論文名稱(外文):Design and Applications of Daily Trading Report Based on Gene Expression Programming with Decision Tree
指導教授:林文修林文修引用關係
指導教授(外文):LIN, WEN-SHIU
口試委員:盧瑞山杜逸寧
口試委員(外文):Lu, RUEI-SHANTU, YI-NING
口試日期:2016-07-28
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:2016
畢業學年度:104
語文別:中文
論文頁數:86
中文關鍵詞:籌碼集中度基因表達規劃法基因表達規劃法決策樹買賣日報表
外文關鍵詞:Equity concentration ratioGene Expression ProgrammingGene Expression Programming with Decision TreeDaily Trading Report
相關次數:
  • 被引用被引用:1
  • 點閱點閱:156
  • 評分評分:
  • 下載下載:18
  • 收藏至我的研究室書目清單書目收藏:0
本研究主要目的是利用人工智慧領域中的基因表達規劃法決策樹(Gene Expression Programming with Decision Tree, GEP-DT),應用在台灣證券市場的買賣日報表資料的設計。檢驗GEP-DT模型使用隨機數值常數(RNC)是否能搜尋出最佳的變數,以及變數的常數數值範圍為何? 此外,本研究以個股股本為基礎,處理出五等分的個股資料集,驗證是否能發現在不同變數與動態參數下,GEP-DT模型對股價影響力是否有顯著影響。

本研究結論顯示,(一) 基因表達規劃法決策樹(GEP-DT)結合隨機常數(RNC)可以找到有效的變數與參數範圍,並處理多而複雜的決策變數與參數。 (二) 以股本而言,股本愈大,其最佳適應值數值愈佳。反之股本愈小,其最佳適應值數值愈差。(三) 透過基因表達規劃法決策樹的內部節點統計與CfsSubset、ChiSquared與Information Gain三種挑選變數方法比較,券商分點買賣家數確實是關鍵變數。(四)本研究提出的模型對買賣日報表的籌碼變數分析與模型穩定度而言,相較於傳統人工處理資料或經驗累積,更有效且可靠。

The purpose of this paper is to develop how GEP-DT, Gene Expression Programming with Decision Tree, apply in daily trading report at Taiwan stock market. How to find out the best variable and the optimal value of variable by Random Numerical Constants (RNC) in GEP-DT model. In addition, daily trading report are divided into five groups in different capital because this research want to know the relationship between stock price and capital.

Results show that: (1) GEP-DT with RNC can find out the best variable and the optimal value of variable. At the same time, GEP-DT with RNC deal with many and complex decision variables and parameters. (2) The greater the share capital, the better the fitness value of the best. On the contrary, The smaller the share capital, the worse the value of its best fitness value. (3)After Compare internal node of GEP-DT and three kinds of select attributes methods, CfsSubset, ChiSquared and Information Gain, net branches of buy and sell is key variables. (4) GEP-DT with RNC have compared more efficient and reliable with manual processing of data or experience.


表次
圖次

第壹章 緒論
第一節 研究背景與動機
第二節 研究問題及目的
第三節 論文架構與流程

第貳章 文獻探討
第一節 股票籌碼面分析
第二節 證券商買賣日報表
第三節 基因表達規劃法

第參章 研究方法
第一節 研究架構
第二節 變數選擇定義與操作化
第三節 基因表達規畫法決策樹設計(GEP-DT)
第四節 實驗方法設計
第五節 模型績效評估

第肆章 實驗結果與分析
第一節 系統績效測試
第二節 實驗結果
第三節 分析與討論

第伍章 結論與建議
第一節 結論
第二節 研究貢獻
第三節 研究限制
第四節 未來研究建議

參考文獻
附錄
1.余慧葶,股票投資交易策略發展之研究,輔仁大學資訊管理學系碩士在職專班碩士論文,新北市,2014。

2.莫海芳,電腦與訊息技術,湖南,中國電子協會,2007。

3.張云濤、龔玲,資料探勘原理與技術,台北,五南出版,2007。

4.郭仕淳,移動平均價與量雙指標獲利提升之研究-台灣與中國股市分析比較,國立高雄應用科技大學工業工程與管理系碩士論文,高雄市,2006。

5.陳志彬,提升技術分析獲利能力之研究-以KD隨機指標為基礎,國立高雄應用科技大學工業工程與管理系碩士論文,高雄市,2005。

6.陳志萍,應用關連式規則分析於主力券商分行之操作策略,國立清華大學高階經營管理碩士在職專班碩士論文,新竹市,2009。

7.陳明汰,台灣興櫃股票市場交易集中度與異常報酬率之關係,國立臺灣大學財務金融學研究所碩士論文,台北市,2014。

8.許毓泰,以籌碼集中度指標檢測台灣50成份股之投資績效,逢甲大學經營管理碩士在職專班碩士論文,台中市,2010。

9.黃建勳,台灣股票籌碼集中度指標與股價之間的動態關係研究-以週轉率和公司特徵觀點探討,國立臺灣大學經濟學研究所碩士論文,台北市,2014。

10.黃昭誠,技術分析獲利能力之研究-以量價關係為基礎,朝陽科技大學財務金融系碩士論文,台中市,2008。

11.黃柏雄,技術指標與超額報酬關聯性-臺灣實證研究,亞洲大學財務金融學系碩士論文,台中市,2015。

12.葉鎮源,圖書館學與資訊科學大辭典,國家教育研究院,2012,取自:http://terms.naer.edu.tw/detail/1678987/

13.廖子瑄,股市主力交易行為與委託簿資訊內涵之互動,國立中山大學財務管理學系研究所碩士論文, 高雄市,2014。

14.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,新北市,2010。

15.蔣定安,基因表達規劃法決策樹於企業財務危機預警模型之設計,輔仁大學資訊管理學系碩士論文,新北市,2015。

16.鄭家茜,以基因表達規劃法建置匯率預測模型之研究,輔仁大學資訊管理所碩士論文,新北市,2013。

17.蕭必偉,價量分析之理論實務與實證,國立政治大學統計研究所碩士論文,台北市,1990。

18.賴漢楨,技術指標在台灣股市之實證研究─相對期間價量分析法,大葉大學國際企業管理學系碩士論文,彰化縣,2004。

19.謝劍平,投資學,台北,智勝出版,2014。

20.Blume et al., Market statistics and technical analysis: The role of volume, The Journal of Finance, Vol. 49(1), 1994, pp.153-181.

21.Chi et al., Evolving accurate and compact classification rules with gene expression programming, IEEE Transactions on Evolutionary Computation, Vol.7(6), 2003, pp. 519-531.

22.Dehuri, S. & Cho, S.-B., Multi-objective Classification Rule Mining Using Gene Expression Programming, 2008 Third International Conference on Convergence and Hybrid Information Technology, 2008.

23.Ferreira C., Gene Expression Programming: Mathematical Modeling by an Artificial Intelligence, Springer, 2006.

24.Nofsinger R. J., & Sias W. R., Herding And Feedback Trading by Institutional and Individual Investors, Journal of Finance, Vol. 54, 1999, pp. 2263-2295.

25.Lakonishok et al., The impact of institutional trading on stock prices, Journal of Financial Economics, Vol. 32(1), 1992, pp. 23-43.

26.Smirlock, M. & Starks, L.T., An empirical analysis of the stock price-volume relationship, Journal of Banking Finance, Vol. 12 , 1988, pp. 31-41.


QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top