臺灣博碩士論文加值系統

期貨交易具有相當的風險性，蝶式交易策略則為降低期貨交易風險的重要手段。以往學者大多利用迴歸分析或時間數列模型來進行股價的預測。本研究試圖整合基因演算法及類神經網路模型，對不同到期月份台指期進行價格預測，並運用蝶式交易的原理來模擬投資損益。
本研究以2003年3月16日到2012年9月17日為區間，共計2360筆日資料。依變數為近月到遠月期貨計五種期貨報酬率，自變數則採用成交量、未平倉契約口數、五日K值、十日K值、五日D值、十日D值、五日乖離率及十日乖離率等8種指標，各6期之落差期數，故共計54個變數。運用逐步迴歸進行初步變數篩選，再利用本研究自行開發之基因演算法及類神經網路程式，使用SAS-IML程式語言，運用以上九種研究變數做為本研究之交易資訊歷史資料，進行類神經網路訓練。採用移動窗格法，即根據第1天至第30天的訓練結果來預測第31天的5個不同到期月份的台指期價格，以交易策略一而言，藉由買進1口漲幅最大的到期月份台指期及賣出1口漲幅最小的到期月份台指期，以此蝶式交易進行套利；其後根據第2天至第31天的訓練結果來預測第32天的5個不同到期月份的台指期價格，藉由買進1口漲幅最大的到期月份台指期及賣出1口漲幅最小的到期月份台指期，來進行套利。而由於每個交易日其漲幅最大的到期月份及漲幅最小的到期月份可能會不同，因此每個投資預測交易日的蝶式交易組合也就不同。本研究每日進行交易並當日沖銷，然後依此類推以進行第33天以後之預測及交易。
本研究自行開發之基因演算法及類神經網路程式，在180天之訓練基期下其5個不同到期月份台指期的命中率介於48％~60％，而考慮交易成本後之年化報酬率在交易策略一為140.83％，在交易策略2則為75.92％，可見以基因演算法及類神經網路來進行台指期報酬率的預測可獲得良好的效果。

Butterfly trading strategy is one of the most important methods to reduce the risk of the considerably high-risk futures exchange. Regression analysis or time series model utilized to achieve this purpose by most researchers in the conventional way. In this thesis, we attempt to integrate genetic algorithm with artificial neural network to forecast the price of Taiwan index futures（TX）of various expiry months. Moreover, we apply the principle of butterfly trading strategy to simulate the investment gains and losses.
The period of study spans from 2003/03/16 to 2012/9/17 and the study includes 2360 pieces of daily data. The dependent variables are rate of return of five different futures from nearby month to far month. There are 54 variables are composes of six lag lengths of nine indices, which include rate of return, trading volume, the volume of open interest, 5-day K index、10-day K index、5-day D index、10-day D index、5-day bias & 10-day bias. The preliminary variable selection is done by stepwise regression. The training of genetic algorithm and artificial neural network developed in this study is completed via SAS-IML programming language and the trading information collected from the nine indices listed above. With moving window method, we are able to forecast the rate of return of Taiwan index futures of five expiry months on the thirty-first day based on the training result from the first day to the thirtieth day. We then exploit butterfly trading strategy to conduct an arbitrage by buying in the Taiwan index futures with the highest rising percentage of its expiry month and selling out the one with the lowest rising percentage of its expiry month. Via the same method, we forecast the rate of return of Taiwan index futures of five expiry months on the thirty-second day based on the training result from the second day to the thirty-first day. We then exploit butterfly trading strategy to conduct an arbitrage by buying in the Taiwan index futures with the highest rising percentage of its expiry month and selling out the one with the lowest rising percentage of its expiry month. The combinations of butterfly trading strategy are different on every business day predicted to invest because the expiry months of the highest and lowest rising percentages are not identical on every business day. In this study, we trade every day and day trade on that day. The prediction and trade on and after thirty-third day can be deduced by the same analogy.
The accuracy rates are between 48%~60% when the base period is 180 days and the annualized return considered with transaction cost reaches 140.83% in trading strategy 1，and 75.92% in trading strategy 2. According to the data presented in this study, the effect of the genetic algorithm and artificial neural network is significant in the prediction for the rate of return of Taiwan index futures.

目 錄
謝　辭 I
論文題目 III
ABSTRACT V
目 錄 VII
圖目錄 XI
表目錄 XIV
第一章　緒論 1
第一節　研究背景與動機 1
第二節　研究目的 4
第三節　論文架構 5
第二章　文獻探討 7
第一節　期貨交易策略 7
第二節　台股指數期貨介紹 9
第三節　類神經網路及基因演算法之相關研究 11
第四節　文獻探討彙整 17
第三章　研究方法 21
第一節　研究流程 21
第二節　變數定義 24
第三節　預測模型之介紹 26
第四節　研究設計與績效計算方式 31
第五節 研究限制 33
第四章　實證結果與分析 35
第一節　樣本敘述統計量之概述 35
第二節　恆定性檢定-單根檢定 36
第三節 基因演算法及類神經網路預測模型實證結果 39
第四節 兩種交易策略之投資模擬分析 47
第五章 結論與建議 63
第一節 結論 63
第二節 未來研究方向與建議 65
參考文獻 66
附　錄 69
一、基因類神經網路預測模型參數表－近月份 69
二、基因類神經網路預測模型參數表－次近月 78
三、基因類神經網路預測模型參數表－第三月份 87
四、基因類神經網路預測模型參數表－第四月份 96
五、基因類神經網路預測模型參數表－第五月份 105

一、中文部份：
古智偉（2004）。營收資訊揭露對股價報酬率預測效果之影響─應用修正式基因類神經網路模型。台北市：臺北大學資訊管理研究所未出版碩士論文。
吳顏潔 (2011）。金融海嘯前後匯率風險對銀行股價報酬率影響之實證分析。桃園縣：國立中央大學產業經濟研究所未出版碩士論文。
呂國宏（2001）。運用演化式類神經網路預測台灣股市行為之研究。台北市：國立政治大學資訊管理學系未出版碩士論文。
李惠妍、吳宗正、溫敏杰（2006）。迴歸模式與類神經網路在臺股指數期貨預測之研究。經營管理論叢，2(1)，頁83-99。
周宗南、劉瑞鑫（2005）。演化式類神經網路應用於臺股指數報酬率之預測。財金論文叢刊，2005年10月，3，頁77-94。
周慶華（2001）。整合基因演算法及類神經網路於現貨開盤指數之預測－以新加坡交易所摩根台股指數期貨為例。新北市：輔仁大學金融研究所未出版碩士論文。
林建成（2003）。遺傳演化類神經網路於臺灣股市預測與交易策略之研究。台北市：東吳大學經濟研究所未出版碩士論文。
洪安裕（2004）。以知識規則與類神經網路之整合對臺灣加權股價指數收盤走勢預測之行為研究。新竹市：交通大學管理科學研究所未出版碩士論文。
洪崇恩（1999）。以類神經網路預測台灣股價報酬率－以電子股為例。台中市：朝陽科技大學財金所未出版碩士論文。
張振魁（2000）。以類神經網路提高股票單日交易策略之獲利。桃園縣：中央大學資訊管理未出版碩士論文。
陳威光（2004）。衍生性金融商品－選擇權、期貨與交換。台北市，智勝。
游淑禎（1998）。類神經網路應用於台灣股市預測：統合基本面與技術面資訊。證券市場發展季刊，10(3)，97-134。
黃雅蘭（2001）。台灣股價指數期貨套利之研究－類神經網路及灰色理論之應用。台北市：國立台灣科技大學資訊管理研究所未出版碩士論文。
楊奕農（2009) 。時間序列分析：經濟與財務上之應用。臺北市，雙葉書廊。
葉怡成（2003）。類神經網路模式應用與實作。台北市，儒林。
劉克一（2001）。以遺傳演算法演化類神經網路在股價預測上的應用。新北市：真理大學管理科學研究所未出版碩士論文。
潘世煌（2006）。類神經網路於臺股指數與臺指期貨基差變動之實證研究。台北市：臺北大學企業管理研究所未出版碩士論文。
二、英文部份：
Back, B., Laitinen, T., & Sere, K. (1996). Neural Network and Genetic Algorithms for Bankruptcy Predictions. Expert System Application, 11(4), 407-413.
Back, T. (1996). Evolutionary Algorithms in Theory and Practice. Oxford University Press, New York.
Bergerson, K., & Wunsch, D.C. (1991). A Commodity Trading Model Based on a Neural Network-Expert System Hybrid. IJCNN-91, I, 289-293.
Huang, A. Y., & Hu, W. C. (2011). Regime Switching Dynamics in Credit Default Swaps: Evidence from Smooth Transition Autoregressive model. Physica A: Statistical Mechanics and its Applications, 391(4), 1497-1508.
Hsu, K. C., & Chiang, H. C. (2011). Nonlinear Effects of Monetary Policy on Stock Returns in a Smooth Transition Autoregressive Model. The Quarterly Review of Economics and Finance. 51(4), 339-349.
Holland, J.H. (1992). Adaptation in Natural and Artificial Systems. the MIT Press, Cambridge.
Kimoto, T., & Asakawa, K. (1991). Stock Market Prediction System with Modular Networks. IEEE International Joint Conference on Neural Networks. 1, 1-6.
Lam, M. (2004). Neural Network Techniques for Financial Performance Prediction: Integrating Fundamental and Technical Analysis. Decision Support Systems. 37, 567-581.
Liu, Y., & Yao, X. (2001). Evolving Neural Networks for Hang Seng Stock Index Forecast. Proceedings of the 2001 Congress. 1, 256 - 260.
McNelis, P. D. (2005). Neural Networks in Finance: Gaining Predictive In the Market. Elsevier Academic Press.
Rosenblatt, F. (1958). The Perceptron: A Probabilstic Model for Information Storage and Orgnization in the Brain. Psychological Review. 65, 388-408.
Sheikh, A. H. & Zahid, I. (2004). Using Neural Network for Forecasting Volatility of S&P 500 Index Futures Prices. Journal of Business Research. 57, 1116-1125.
Yao, J., Li, Y. L., & Tan, C. L. (2000). Option Price Forecasting Using Neural Networks. OMEGA - The International Journal of Management Science, 28, 455-466.