臺灣博碩士論文加值系統

本論文應用AdaBoost於臺灣股價指數期貨當沖交易，我們實作了一個交易系統，可依據盤中即時資料進行實務交易，亦可根據臺灣期貨交易所提供之行情資訊，進行歷史資訊回測模擬交易，檢驗交易策略之可行性。
我們選定臺灣股價指數期貨(以下簡稱臺股期貨)作為研究標的，以2004－2007年每分鐘成交資訊為訓練資料，檢測期間則為2008年1－6月。AdaBoost演算法在物件辨識方面有良好的效果，本交易系統即是用此方法訓練看漲與看跌兩個分類器，藉此找出臺股期貨適當的交易買賣點，提供交易人一個低風險且穩定獲利之投資參考。

We use AdaBoost for the Taiwan stock index future intra-day trading system. We design a trading system which can trade futures contracts automatically according to real-time streaming quotes. In addition, it allows us to use historical data for back testing and then examines the performance of our trading strategies.
The training data are 1 minute candlesticks from 2004 to 2007. The period of testing starts from January 2008 and ends in June 2008. AdaBoost is an excellent machine learning technique for solving pattern classification problems. We train bull and bear classifiers by AdaBoost. These two kinds of classifiers support our trading system to find the proper time to long or short futures contract. In this thesis we provide low risk and steady profit models for futures traders.

口試委員會審定書 i
誌謝 ii
中文摘要 iii
英文摘要 iv
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 論文架構 4
第二章 文獻探討 5
2.1 效率市場假說 5
2.2 技術分析 6
2.2.1 技術分析理論 6
2.2.2 技術指標 7
2.2.2.1 K線 7
2.2.2.2 平均線 8
2.2.2.3 KD隨機指標 9
2.2.2.4 CDP逆勢操作系統 9
2.2.2.5 相對強弱指數 10
2.2.2.6 資金流向指數 10
2.2.2.7 能量潮指標 11
2.2.2.8 布林帶 11
2.2.2.9 停損點轉向指標 11
2.2.2.10 指數平滑異同移動平均線 12
2.2.2.11 動向指數 13
2.2.2.12 乖離率 14
2.3 AdaBoost 14
2.3.1 AdaBoost概論 14
2.3.2 AdaBoost演算法 15
2.3.3 Cascade AdaBoost 19
2.3.4 相關應用 20
第三章 研究方法 21
3.1 資料來源 21
3.2 辨識系統設計 21
3.3 交易系統設計 24
3.4 實驗設計 28
第四章 實驗結果與分析 35
4.1 辨識系統訓練結果 35
4.2 辨識系統效能分析 36
4.3 交易系統績效分析 37
第五章 總結與展望 53
5.1 結論 53
5.2 未來展望 53
參考文獻 55

[1] Creamer, German G. and Freund, Yoav, “A Boosting Approach for Automated Trading” In Proceedings of the Data Mining for Business Applications Workshop on International Conference on Knowledge Discovery and Data Mining (KDD 2006), Philadelphia, August 20–23, 2006.

[2] Richard O. Duda, Peter E. Hart, and David G.. Stork. Pattern Classification. (Second Edition), Wiley-Interscience, New York, 2001.

[3] Robert D.Edward and John Magee. Technical Analysis of Stock Trends, AMACOM, New York, 1966.

[4] Yoav Freund and Robert E. Schapire. “A decision-theoretic generalization of on-line learning and an application to boosting.” Journal of Computer and System Sciences, 55(1):119–139, August 1997.

[5] Irwin Scott H. and Park Cheol-Ho. “What Do We Know About the Profitability of Technical Analysis?” Journal of Economic Surveys, 21(4):786–826, 2007.

[6] Michael Kearns. Thoughts on hypothesis boosting. Unpublished manuscript.1988.

[7] Paul Viola and Michael J. Jones. “Robust Real-Time Face Detection,” International Journal of Computer Vision, 57(2):137–154, May 2004.

[8] 吳典林，“基於模糊聚類之台股盤整區間期貨交易系統”，國立臺灣科技大學資訊工程研究所碩士論文，2005.

[9] 周俊志，“自動交易系統與策略評價之研究”，國立臺灣大學資訊工程研究所
碩士論文，2007.

[10] 林俊吉，“應用灰聚類進行台股指數期貨程式交易設計”，國立臺灣科技大學資訊工程研究所碩士論文，2005.

[11] 洪育安，“台灣股價指數期貨波動度預測模型之建立與績效比較：兼論納入成交量、到期期間與VIX資訊內涵”，國立台北大學合作經濟研究所碩士論文，2007.

[12] 曾永政，“期貨操作不靠內線：程式交易打造富足生活”，2007.

[13] 蔡明欽，“台股指數期貨之預測與交易策略之研究”，輔仁大學管理學研究所碩士論文，2005.