臺灣博碩士論文加值系統

本文主要研究價量整合移動平均法擇時模型在台灣股市之實證，包括 (1) 固定法與優化法最佳化擇時模型在個股之實證，(2) 個股之股價與報酬率的時間數列特性分析，(3) 基因遺演算法最佳化擇時模型在大盤之實證。本研究將資料分為訓練期與測試期，訓練期以2000年1月4日至2006年3月15日做為訓練範圍；測試期以2006年3月16日至2011年9月30日做為測試範圍。結論如下：(1) 固定法中以代表股價趨勢的MAI與代表成交量趨勢的MVI的權重各50％時的績效最佳。(2) 優化法中訓練期能獲得高度超額報酬的參數在測試期的報酬都不如預期。(3) 擇時模型在不同產業有不同的績效，其中以電子、電器、觀光、紡織、營建股最佳，水泥、食品、航運、化學、玻璃、塑化、金融股最差。(4) 各產業在訓練期與測試期的ACF有明顯關係，即過去ACF高的產業，在未來可能也會高。(5) 基因遺演算法發現的對訓練期間對大盤非常有效的參數，在未來的測試期間未必有效，可以推論出基因遺演算法有嚴重的過度學習問題。(6) 基因遺演算法發現在訓練期間對大盤非常有效的參數中，代表成交量趨勢的MVI權重都大於0，這表示成交量也是重要的市場訊息。

This research studied the experimental studies of integration of price and volume moving average approach in Taiwan stock market, including (1) the empirical studies of optimizing the timing model using fixed method and optimization method in stocks, (2) time series analysis of stock price and return, (3) the empirical studies of optimizing the timing model using genetic algorithms. In this study, the data set was divided into the training period and test period. The training period start from 2000/1/4 to 2006/3/15, and the test period start from 2006/3/16 to 2011/9/30. Conclusions are as follows : (1) Fixed method get best return when the weight of stock price trend (MAI) and volume trend (MVI) are 50%, respectively. (2) Although the optimization method can get the highest return in the training period, it got low return in test period. (3) Timing model got different return in different industries, and got high return in electronics, electrical appliances, tourism, textiles, construction industries, and got low return in cement, food, shipping, chemical, glass, plastics, and financial industries. (4) There is significant relevance between the ACF in training period and test period in most industries; that is if the industries got high ACF in the former period, they may get high ACF in the test period. (5) The optimum parameters of timing model found by genetic algorithms are not useful in the test period. Therefore, there must be high over-fitting in the algorithms. (6) Most weights of volume trend (MVI) in the optimum parameters of timing model found by genetic algorithms are greater than zero, which represented the volume is an important market information.

目錄
第一章 導論 1
1.1 研究動機 1
1.2 研究方法 1
1.3 研究內容 2

第二章 文獻回顧 3
2.1 前言 3
2.2 選股因子之研究 3
2.3技術分析有效性正面結果的文獻 3
2.4技術分析有效性混合結果的文獻 8
2.5以遺傳演算法建構擇時系統的文獻 12

第三章 個股之移動平均線擇時績效分析 14
3.1 前言 14
3.2移動平均線擇時模型 14
3.2.1股票交易決策函數 14
3.2.2移動平均線擇時模型建構 15
3.3擇時模型實證方法 17
3.3.1資料 17
3.3.2計算公式定義 18
3.3.3優化法與固定法 19
3.4擇時模型實證結果 21
3.4.1優化法 21
3.4.2固定法 23
3.4.3優化法與固定法績效與買入持有策略比較 28
3.4.4優化法與固定法績效比較 30
3.4.5產業的差異 31
3.5結論 32

第四章 個股之股價與報酬時間數列特性分析 34
4.1 前言 34
4.2 分析方法 34
4.3 實證方法 35
4.3.1資料收集 35
4.3.2分析變數 35
4.4實證結果 35
4.4.1各產業的個股的特徵與持續性 35
4.4.2各產業的個股的時間數列特徵與與價量技術分析績效之關聯性 38
4.5結論 40
4.5.1各產業的個股的特徵與持續性 40
4.5.2各產業的個股的時間數列特徵與與價量技術分析績效之關聯性 40

第五章 以基因遺演算法最佳化移動平均線擇時模型 41
5.1 前言 41
5.2實證方法 41
5.3實證結果 43
5.3.1資料收集 43
5.3.2系統參數 43
5.3.3第一階段實證結果 43
5.3.4第二階段實證結果 47
5.4結論 50

第六章 結論 51
6.1 結論 51
6.2 建議 52

參考文獻 53
中文文獻 53
英文文獻 54
圖目錄

圖3.1電腦操作主畫面 15
圖3.2正規化MVI的係數 16
圖3.3買入訊號門檻 16
圖3.4資料欄：正規化MAI (前200日) 16
圖3.5資料欄：正規化MAI (200日以後) 17
圖3.6模型中可調整參數 19
圖3.7優化法操作 20
圖3.8固定法操作 20
圖3.9訓練期報酬率差與測試期報酬率差的關係 21
圖3.10最佳參數範圍 21
圖3.11固定法九種參數組合年化報酬率平均值(訓練期) 24
圖3.11固定法九種參數組合年化報酬率平均值(測試期) 24
圖3.12訓練期報酬率差與測試期報酬率差的關係 25
圖3.13優化法與固定法測試期間類股超額報酬率 30
圖3.15固定法訓練期與測試期間類股超額報酬率 32
圖4.1研究架構 34
圖4.2股價250日自我相關係數 36
圖4.3成交量250日自我相關係數 36
圖4.4股價1日變化率自我相關係數 36
圖4.5成交量1日變化率自我相關係數 36
圖4.6各產業在訓練期與測試期的股價1日變化率ACF 36
圖4.7各產業的個股的股價1日變化率自我相關係數平均值與固定法價量技術分析績效之關聯性: 訓練期 39
圖4.8各產業的個股的股價1日變化率自我相關係數平均值與固定法價量技術分析績效之關聯性: 測試期 39
圖4.9各產業的個股的訓練期股價1日變化率自我相關係數平均值與測試期固定法技術分析績效之關聯性 39
圖5.1第一階段實證結果：累積期末資金 45
圖5.2第一階段實證結果：演化過程的訓練期間與測試期間的年報酬率 45
圖5.3第一階段實證結果：演化過程的訓練期間與測試期間的年報酬率關係 46
圖5.4第一階段實證結果：訓練期間的買入持有與投資組合的年報酬率關係 46
圖5.5第一階段實證結果：測試期間的買入持有與投資組合的年報酬率關係 46
圖5.6第二階段實證結果：累積期末資金 48
圖5.7第二階段實證結果：演化過程的訓練期間與測試期間的年報酬率 48
圖5.8第二階段實證結果：演化過程的訓練期間與測試期間的年報酬率關係 49
圖5.9第二階段實證結果：訓練期間的買入持有與投資組合的年報酬率關係 49
圖5.10第二階段實證結果：測試期間的買入持有與投資組合的年報酬率關係 49

參考文獻
一、中文部分
朱玉菁(2008).「指數期貨操作策略與技術指標關聯性之研究 ─以移動平均線與KD指標為例」，銘傳大學，財務金融學系碩士在職專班，碩士論文。
江淵舟 (2005).「台灣期貨市場程式交易之實證研究--策略組合交易模型」，臺灣大學，財務金融學研究所，碩士論文。
曲恬頤 (2009). 「運用決策樹與倒傳遞類神經網路建構台股之整合性投資策略」，國立清華大學，工業工程與工程管理學系，碩士論文。
林育吉 (2008). 「多種技術分析建立指數股票型基金之交易策略」，臺灣大學，財務金融學研究所，碩士論文。
林金賢、李淑惠 (2006).「技術指標與股價漲跌幅非線性關係之獲利能力之探討」，台灣管理學刊，第六卷，第一期，第129-156頁.
孫碧波、方健雯(2004)，「對中國證券市場弱態有效性的檢驗 - 基于技術分析獲利能力的實證研究」，上海財經大學學報，第六卷，第六期，第135-140頁。
俞海慶 (2009).「以White的真實性檢定與Stepwise Multiple Testing來檢驗技術分析在不同股票市場的獲利性」，國立政治大學，國際經營與貿易研究所 ，碩士論文。
郭桓愉 (2008). 「技術分析應用於中國股市之實證研究」，嶺東科技大學，財務金融研究所，碩士論文。
郭彥廷 (2008). 「技術分析交易策略在台灣股票市場之實證研究」，國立暨南國際大學，財務金融學系，碩士論文。
蔡宗達 (2008). 「不同技術指標投資策略在台指期貨市場之績效實證」，國立高雄應用科技大學，碩士論文。
鄧杰、唐國興 (2009) 「中國股票市場技術交易規則有效性的實證研究」，華東經濟管理，第二十三卷，第五期，第52-57頁。。
趙永昱(2002).「技術分析交易法則在股市擇時之實證研究」，國立中山大學， 財務管理學系研究所，碩士論文。
趙永昱(2002).「技術分析交易法則在股市擇時之實證研究」，國立中山大學， 財務管理學系研究所，碩士論文。

賴聖傑(2008).「葛蘭碧法則在台灣股市的實證 ─ 以加權指數及台指指數期貨為例」，銘傳大學，財務金融學系碩士在職專班，碩士論文。
魏嘉君(2008).「技術分析指標之獲利能力：已開發國家與開發中國家整合探討」，東海大學，財務金融學系，碩士論文。

二、英文部分
Brock, W., Lakonishok, J., and LeBaron, B. (1992). “Simple technical trading rules and the stochastic properties of stock returns,” Journal of Finance, Vol. 47, No.5, pp.1731–1764.
Chang, E. J., Lima, E. J. A., and Tabak, B. M. (2004). “Testing for predictability in emerging equity markets,” Emerging Markets Review, Vol5, No.3, pp. 295-316.
Chiu, Deng-Yiv and Chian, Shin-Yi (2010). “Exploring stock market dynamism in multi-nations with genetic algorithm, support vector regression, and optimal technical analysis,” 2010 Sixth International Conference on Networked Computing and Advanced Information Management (NCM), 16-18 Aug. 2010, Seoul, pp. 694 – 699.
Chiu, Deng-Yiv and Chen, Ping-Jie (2009). “Dynamically exploring internal mechanism of stock market by fuzzy-based support vector machines with high dimension input space and genetic algorithm,” Expert Systems with Applications, Vol. 36, No. 2, Part 1, pp. 1240–1248
Edwards, R. D. and Magee, J. (1997). Technical Analysis of Stock Trends, 7 edition, John Maggee, Inc., Chicago, Illinois.
Gerov, M. (2006). “The predictive power and economic effectiveness of trading strategies,” Canadlan investment review, Winter 2006, pp. 8-16.
Hameed, A. and Ashraf, H. (2009). “Stock market volatility and weak-form efficiency: evidence from an emerging market,” International Journal of Business and Emerging Markets, Vol.1, No.3, pp. 249 – 263.
Hsu, Po-Hsuan , and Kuan, Chung-Ming (2005). “Reexamining the profitability of technical analysis with data snooping checks,” Journal of Financial Econometrics, Vol. 3, No.4 pp.606–628.
Kwon, K.Y., and Kish, R.J. (2002). “A comparative study of technical trading strategies and return predictability: an extension of Brock, Lakonishok, and LeBaron (1992) using NYSE and NASDAQ indices,” The Quarterly Review of Economics and Finance, Vol.42, No.3, pp.611-631.
Lagoarde-Segot, T. and Lucey, B. M. (2008). “Efficiency in emerging markets - Evidence from the MENA region,” Journal of International Financial Markets, Institutions and Money, Vol.18, No.1, pp. 94-105.
Neely, C., Weller, P., and Dittmar, R. (1997). “Is technical analysis in the foreign exchange market profitable? A genetic programming approach,” Journal of Financial and Quantitative Analysis, Vol.32, No.4, pp. 405-426.
Park, C. H. and Irwin, S. H. (2004). The profitability of technical analysis: A review, AgMAS Project Research Report, No.2004-04.
Park, C. H. and Irwin, S. H. (2007). “What do we know about the profitability of technical analysis?” Journal of Economic Surveys Vol21, No.4, pp.786–826.
Qi, M. and Wu, Y. (2006). “Technical trading-rule profitability, data snooping, and reality check: Evidence from the foreign exchange market,” Journal of Money Credit and Banking, Vol.38, No.8, pp. 2135-2158.
Ratner, M. and Leal, R.P.C. (1999). “Tests of technical trading strategies in the emerging equity markets of Latin America and Asia,” Journal of Banking and Finance, Vol.23, No.12, pp. 1887-1905.
Schulmeister, S. (2009). “Profitability of technical stock trading: Has it moved from daily to intraday data?” Review of Financial Economics, Vol.18, No.4, pp. 190-201.
Sullivan, R., Timmermann, A., and White, H. (1999). “Data-snooping, technical trading rule performance, and the bootstrap,” Journal of Finance, Vol.54, No.5, pp.1647–1691.