智慧型系统整合传统投资技术法则.pptx

Click to edit Master title style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,*,按一下以編輯母片標題樣式,按一下以編輯母片,第二層,第三層,第四層,第五層,*,*,按一下以編輯母片標題樣式,按一下以編輯母片,第二層,第三層,第四層,第五層,*,*,智慧型系統整合傳統投資技術法則,支援證券投資決策之實證研究,指導教授：許中川 教授,黃金生 教授,硕士：馬千慧,第1页,大綱,一、緒論,二、文獻探討,三、研究架構,四、實證結果與分析,五、結論與未來工作,第2页,一、緒論,1.1 研究背景與動機,1.2 研究目,1.3 研究範圍與限制,1.4 研究流程,1.5 研究架構,第3页,1.1 研究背景與動機,類神經網路，無法通知使用者整個系統決策過程,智慧型系統所萃取出法則，與傳統技術分析是否有謀合能力,傳統財務學家多傾向認為市場最少具備弱勢效率,，而在台灣股市技術分析廣為投資者使用，且多有實證證明有獲利空間,相關研究著重於智慧型系統與經驗法則預測能力,第4页,1.2 研究目,建立以知識為基礎之類神經網路股票預測系統,資料庫知識結構探勘，提升預測結果可了解性,與傳統技術分析法則進行比較,選定全樣本期間進行測試，對本實驗決策工具進行嚴謹檢定分析。,第5页,1.3 研究範圍與限制,89,年,1,月,5,日至,91,年,2,月,27,日之台灣股票加權指數日資料作為研究範圍,將資料期間分割為五個區間,假設投資市場不具弱勢效率市場特征,僅選取当前在市面上廣為使用計量型技術指標作為輸入變數,技術指標之計算無法考量同时交易之誤差效果,不考慮交易成本與融資、融券之市場實況,第6页,1.4 研究流程,尋,找,並,確,認,研,究,主,題,確,認,研,究,動,機,與,目,文,獻,探,討,資,料,收,集,與,整,理,程,式,撰,寫,實,證,結,果,與,分,析,評,估,技術分析之,實證分析,類神經網路之,實證分析,法則萃取之,實證分析,結,論,與,建,議,第7页,1.5 研究架構,第一章 緒論,第二章 文獻探討,第三章 投資決策支援系統研究架構,第四章 實驗分析與結果,第五章 結論與未來研究方向,第8页,二、文獻探討,2.1 股市預測之技術分析相關理論,2.2 類神經網路演算法,2.3 法則萃取演算法,2.4 智慧型系統在財務上應用,第9页,2.1 股市預測之技術分析相關研究,效率市場劃分成三種類型，技術分析法則無用Fama and Blume 1966,Jensen and Benington 1970,理性交易者使用公開資訊下，技術分析仍有潛在效率Brown and Jennings,1989,由市場微結構觀點認為技術分析能够獲利，且使用交易量與價格資訊能够提升技術分析績效 Blume,Easlsy and OHara,第10页,2.1 股市預測之技術分析相關研究(續),26種技術分析交易法則在道瓊工業指數(1897-1986)年有顯著獲利能力 BLL,1992,移動平均法與濾嘴法則等技術分析法則，在外匯市場獲利之證據，並以bootstrap 模擬獲利顯著性 Sweeney 1986,Levich and Thomas 1993,第11页,2.2 類神經網路演算法(1/2),2.2.1 類神經網路基本概念,類神經網路是一種計算系統，包含軟體與硬體，它使用大量簡單相連類神經元來模仿生物神經網路能力。類神經元是生物神經元簡單模擬，它從外界環境或者其它類神經元取得資訊，並加以非常簡單運算，並輸出其結果到外界環境或者其它類神經元。（葉怡成，民國,89,年）,第12页,2.2 類神經網路演算法(續),2.2.2 類神經網路普通在使用上架構藍圖,網路結構(Architecture):,Topology used,Number of layers:,學習方式:,Learning rule,Learning rate,momentum,stopping criteria,number of learning patterns l,number of holdout patterns h,轉換函數:,Transfer function,Number of learning cycles/iterations L,Initial weights I,第13页,2.2 類神經網路演算法(續),類神經網路優點,類神經網路在資料不完全或遺失資料下，依然含有穩定性,輸入變數可為任何資料型態,對於非線性與複雜函數有強大解決能力,第14页,2.2 類神經網路演算法(續),類神經網路缺點,網路整個運作過程，不含有解釋功效,輸入變數選取不含有統一性,轻易發生過渡學習現象,網路架構與模型選擇,沒有最適性,第15页,2.3 法則萃取演算法,從訓練完成神經網路中，萃取出隱含知識或法則，使其內部結構及推論過程能夠被使用者瞭解,Gupta et al,1999,知識是來自於神經元間交互作用，透過訓練能够去觀察隱含在資料中知識Fu,LiMin,1999,每個隱藏層節點都可視為一個類別（class）資料，而法則萃取就是在探討各類別間，可能觸發輸出各種權值組合Setiono&Liu,1996,KBNN:Towell,Shavlik,1993,第16页,2.3 法則萃取演算法(續),2.3.2,法則萃取主要性,提供使用者解釋能力,發現輸入資料關連與特征,提供平台確認性與類神經網路除錯功效,改進類神經網路普遍性,第17页,2.3 法則萃取演算法(續),2.3.3,法則萃取演算法分類,依據,1.,法則萃取解釋能力,2.,法則萃取技術透明度，可將知識萃取區分成 1.,Decomposition,2.,Pedagogical,Andrews et al,（,1995,）,Decomposition,Subset（Towell&Shavlik,1993）、KT method(Fu,1998)、M-of-N method（Towell,1994）、NeuroRule（Setiono&Liu,1996）、Partial-RE（Taha&Ghosh,1996）、Full-RE（Taha&Ghosh,1996）,Pedagogical,RULENEG(Andrews et al,1995),、,VIA,（,Thrun.,1994,）、,BRAINNE,（,Sestito&Dillon,1991,）、,BIO-RE,（,Taha&Ghosh,1996,）,第18页,2.4 類神經網路在財務上應用之相關研究,估計衍生性金融商品價格公式，模擬,B-S,定價方式，採用年選擇權價格作為訓練樣本，結果能够禰補,B-S,模式缺失，還能够成功進行避險。,Hutchinson,1994,類神經網路與動態規劃類神經網路動態規劃類神經網路,(DNN),預測模型，以開盤、收盤、最高、最低價等資料作為預測系統輸入變數，預測價格分布與線型配對,Tanigawa&Kamijo,1992,第19页,2.4 類神經網路在財務上應用之相關研究(續),運用隨機指標所做買賣策略，以,S&P500,每日收盤價格指標為標，輸入值為當日與次日,K,、,D,值，及當日相對於八天前價格指數變動，輸出則為八天候價格指數相對於當日變動。,Caldwell,1995,估計成長中與經營不彰企业財務情形,Lacher et 1995,比較類神經網路、,Mahalanobis distance measure、,兩者整合在預測企业破產績效,Markham&Ragsdale,1995,第20页,三、研究架構,3.1 投資決策支援模型,3.2 倒傳遞演算法,3.3 Full-RE演算法,3.4 本研究所採用技術分析,MAL,KD,MACD,RSI,3.5 統計檢定量,第21页,3.1 投資決策支援模型,財金資料庫,專家,知識,前置處理,類神經網路,法則萃取,傳統技術分析,統,計,檢,定,評,估,第22页,3.2 倒傳遞演算法,採用坡降法觀念，表達網路實際輸出與目標輸出之差異誤差函數最小化，透過加權值調整，來達成網路訓練。,第23页,3.3 Full-RE演算法,演算法有以下特徵：,1.,適用於前項式網路架構,2.,輸入資料型態不受限制,3.,適用於含有單調遞增特征激發函數,4,.,法則語意較為普通大眾所接收。法則表示法為：,if X1 op V1 then consequent,。,Taha&Ghosh,1999,第24页,3.3 Full-RE演算法,1.,計算群聚範圍(Chi2 演算法),：,1.計算卡方值：,每一個屬性節點在訓練期間所輸入資料，给予排序、分群，再計算每一個界線卡方,2,值。,2.合併：進行深入範圍確認,第25页,3.3 Full-RE演算法(續),2.萃取法則：,權重與,Chi2,演算法計算出輸入值相乘，在經過轉換函數計算，進行組合排列,3.計算法則相對準確度,第26页,3.4 本研究所採用技術分析,MAL(移動平均線),KD(隨機指標),MACD(指數平滑移動平均線),RSI(相對強弱指標),第27页,3.4.1 移動平均線MAL,移動平均代表了股價在一段時間內平均價格，也顯示了股價在這段時間內合理價格，同時也是多空雙方平衡點，所以可從移動平均線判斷股價走勢。,移動平均線計算公式以下（,吳宗正,民88,）:,短線超越長線移動平均線為買進時機，反之則賣出。,第28页,3.4.2,隨機指標,KD(2/4),觀察股價上漲時，當日收盤價總向當日價格波動最高價靠近；反之在股價下跌時，當日收盤價總向當日波動最低價靠近,George Lane,1957,KD線計算公式以下:,計算未成熟隨機值（RSV）,計算KD值,第29页,3.4.2,隨機指標,KD,KD線應用原則,50以上為多頭市場，50以下為空頭市場,KD指標在20以下，80以上為假背離,第30页,3.4.3 指數平滑移動平均線MACD,顯示趨勢持續發展或反轉一種指標。利用快速與慢速兩條指數平滑異動平均線，以計算兩者之間差離值，再利用差離值與差離值平均值收斂與發散徵兆，用以研判股市行情買進或賣出時機。Gerald Appel&W.Fredrick Hitschler,1979,第31页,3.4.2 指數平滑移動平均線MACD(續),MACD計算公式以下,：,1.,計算需求指數（DI,Demand Index）:,2.,計算指數平滑移動平均線（EMA）:,3.,計算差離值DIF=12日EMA-26日EMA,4.,計算差離值平均值DEM,第32页,3.4.2 指數平滑移動平均線MACD(續),MACD,應用原則,趨勢線向下，,DIF,由上往下跌破,DEM,時宜賣出；反之宜補空。,長期移動平均線將跟上短期移動平均線，則正差離值將縮小為賣出時機,第33页,3.4.4,相對強弱指標,RSI,主要是以股價上漲或下跌趨勢，判斷市場為超買或超賣，以決定應買進或賣出股票。J.Welles Wilder,1978,台灣股市所使用技術分析方法，通常以6日及12日股價來計算，RSI計算公式以下：,第34页,3.4.4,相對強弱指標,RSI(續),RSI應用原則,：,RSI很小時，表示市場賣超過旺，建議投資人買進；反之則買超過剩，建議投資人出清。,第35页,3.5 統計檢定量,買進與賣出之檢定統計量,買進-賣出之檢定統計量,第36页,四、實證結果與分析,4.1 實驗環境與資料來源,4.2 前置處理,4.3 實驗流程,4.4 實驗結果與分析,MAL,KD,MACD,RSI,第37页,4.1 實驗環境與資料來源,硬體方面,處理器使用Intel Pentium 600,記憶體為320 MB,軟體方面,開發工具採用Matlab 6.1,開發平台為Microsoft windows Serve,資料來源,台灣經濟新報財金資料庫，近兩年,(1999/01/05-/02/27),股市交易日資料，含括了,:,交易日期、開盤價、最高價、最低價、收盤價,。,第38页,4.2 前置處理與參數設定,前置處理,針對研究所需要欄位資料進行技術指標與報酬率之計算，透過正規化方式,，將資料區間分布於,-1,1。,輸入變數為傳統技術分析專家所建議之資料欄位，輸出變數為漲、跌、持平。,第39页,4.2 前置處理與參數設定(續),參數名稱,設定值,參數名稱,設定值,輸入變數,3個,誤差平方和,0.05,輸出變數,1個,轉換函數,Log sigmoid,訓練期間,4個月,學習速率,0.01,測試期間,1個月,訓練次數,600,隱藏節點數,2,最小梯度,1e-10,類神經網路參數設定,第40页,4.2 前置處理與參數設定(續),利用公式後定法，判斷類神經網路訓練後輸出，0.3以下為跌，0.7以上為漲，區間為持平。,類神經判斷輸出門檻值亦為法則萃取門檻值。,卡方演算法之顯著水準值，起始值為0.5，每次遞減0.05直至0.05。,技術分析法則之參數設定，選用研究上或者是当前市面上惯用參數組合：,MAL 1 6 0,KD 9 2,MACD 12 26 9 2,RSI 6 12 2,第41页,4.4,實驗結果與分析(期間四為例),卡方演算結果,MAL卡方演算法運算結果,短線,區間,漲,跌,卡方值,長線,區間,漲,跌,卡方值,判斷,區間,漲,跌,卡方,值,8536,0,13,6.749,7462.2,9,24,5.652,-602.23,22,0,7.0714,8849.9,17,29,8.552,9239,20,16,9,-139.16,10,4,40.879,9744.9,6,0,9,9957.7,0,9,5.625,-42.545,0,48,0,9911.4,0,3,4,10031,3,3,0,9931.9,1,0,5,9934.6,0,4,7,10009,3,0,6,10064,0,2,8,10127,5,0,0,第42页,4.4,實驗結果與分析(期間四為例)-檢定統計表,決策,準則,N,(Buy),N,(Sell),Buy,b,Sell,b,Buy0,Sell0,Buy-Sell,大盤報酬(%),類神經網路,訓練期,34,50,1.34,(0.00),-0.90,(0.01),82.35%,34.00%,2.24,(0.004),0.041,測試期,8,38,-0.90,(0.01),-0.42,(0.15),87.50%,31.58%,1.96,(0.004),-0.08,法則萃取,訓練期,38,46,0.98,(0.00),-0.64,(0.047),71.05%,39.13%,0.424,(0.00),0.041,測試期,16,30,0.75,(0.04),-0.5286,(0.12),68.75%,26.67%,1.28,(0.00),-0.08,技術分析,訓練期,48,36,0.97,(0.01),-1.14,(0.01),70.83%,33.33%,2.11,(0.00),0.041,測試期,17,29,0.93,(0.01),-0.77,(0.03),72.22%,20.69%,0.70,(0.00),-0.08,第43页,4.4,實驗結果與分析(期間四為例)-法則呈現,MAL:,IF,短線,=9744.9 and,長線,=9239 and 穿越區=9711.4 and,長線,=8462.2 and 穿越區-42.545,THEN 明日,股價漲，相對機率為,77.11%,IF,短線,9911.4 and,長線,9957.7 and 穿越區=77.708 and D=86.154 AND 穿越區20.516,THEN 明日股價,漲，信賴準度為,62.175%,IF K=77.708 and 86.154D=45.889 AND 穿越區23.378,THEN 明日股價,漲，信賴準度為,63.9%,IF K=86.154 AND 穿越區-39.326,THEN 明日股價跌,，信賴準度為76.5,%,第45页,4.4,實驗結果與分析(期間四為例)-法則呈現(續),MACD,IF 55.199dif=-619.15 and dem=276.96 and -230.63macd=-925.41,THEN 明日,股價漲，相對機率為,76.10%,IF dif=55.199 and dem=804.54 and-230.63macd=-925.41,THEN 明日,股價漲，相對機率為,72%,IF dif=970 and 276.96dem=-438.76 and macd=-925.41,THEN 明日,股價跌，相對機率為,74.5%,IF-54.8dif=-107.14 and 276.96dem=-438.76 and macd=-44.798,THEN明日,股價跌，相對機率為63.36%,IF 55.199dif=-54.8 and 276.96dem=-438.76 and macd=-230.63 THEN明日,股價跌，相對機率為64.36%,第46页,4.4,實驗結果與分析(期間四為例)-法則呈現(續),RSI,IF 63.217RSI65.8697and RSI2=58.889 and RS6-RSI12-25.172,THEN,明日,股價漲，相對機率為 83.4%,IF RSI663.217 and RSI1258.889 and RS6-RSI129.6299,THEN,明日,股價漲，相對機率為 76.02%,IF RSI65.8697and RSI2=58.889 and RS6-RSI12-63.663,THEN,明日,股價跌，相對機率為 76.6%,第47页,4.4,實驗結果與分析(期間四為例),全樣本期間，採用移動平均之買點之訓練期與類神經之相關係數為 0.72；測試期為0.60；賣點之訓練期與類神經之相關係數為 0.92；測試期為0.73,綜合四種技術分析法則，平均超額報酬為正，以類神經表現最正确(75%)，法則萃取次之(70%)，類神經最差(48%),與傳統技術分析法則進行比較,第48页,4.4,實驗結果與分析,(期間四為例)-,趨勢圖(1/4),第49页,4.4實驗結果與分析(期間四為例)-趨勢圖(2/4),第50页,4.4,實驗結果與分析,(期間四為例)-,趨勢圖(3/4),第51页,4.4實驗結果與分析(期間四為例)-趨勢圖(4/4),第52页,五、結論,藉由法則萃取所得法則，與類神經網路所預測結果有一定正相關程度，投資人可藉由法則進行投資市場信號判斷,三種投資工具，僅有移動平均線能够顯著擊敗大盤；但綜合本研究之技術指標，平均超額報酬為正，類神經網路表現最正确，Full-RE 次之，傳統技術分析較差,所萃取出之法則，與傳統之技術法則，並不完全含有謀合之處,建議投資人可採用一種以上決策工具搭配使用,第53页,六、未來研究方向,類神經網路架構參數影響預測績效與法則萃取績效,技術分析之參數設定，並不含有一致公認性。,卡方演算法之信賴水準值，難以界定。,建議擴大樣本期間與其它國家之股市資料進行驗證。,第54页,歡迎指教,第55页,