智慧型系统整合传统投资技术法则

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研究生：馬千慧大綱一、緒論二、文獻探討三、研究架構四、實證結果與分析五、結論與未來工作一、緒論1.1研究背景與動機1.2研究目的1.3研究範圍與限制1.4研究流程1.5研究架構1.1研究背景與動機類神經網路，無法告知使用者整個系統的決策過程智慧型系統所萃取出的法則，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至少具備弱勢效率，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1.2研究目的建立以知識為基礎之類神經網路股票預測系統資料庫知識結構的探勘，提升預測結果的可理解性與傳統技術分析法則進行比較選定全樣本期間進行測試，對本實驗的決策工具進行嚴謹的檢定分析。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性僅選取目前在市面上廣為使用的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步交易之誤差效果不考慮交易成本與融資、融券之市場實況1.4研究流程尋找並確認研究主題確認研究動機與目的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的應用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[FamaandBlume1966,JensenandBenington1970]理性交易者使用公開資訊下，技術分析仍有潛在效率[BrownandJennings,1989]由市場微結構的觀點認為技術分析可以獲利，且使用交易量與價格資訊可以提高技術分析績效[Blume,EaslsyandO’Hara]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模擬獲利的顯著性[Sweeney1986,LevichandThomas1993]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，包括軟體與硬體，它使用大量簡單的相連類神經元來模仿生物神經網路的能力。類神經元是生物神經元的簡單模擬，它從外界環境或者其它類神經元取得資訊，並加以非常簡單的運算，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）2.2類神經網路演算法(續)2.2.2類神經網路一般在使用上的架構藍圖網路結構(Architecture):TopologyusedNumberoflayers:學習方式:LearningruleLearningrateηmomentumαstoppingcriteriaδnumberoflearningpatternslnumberofholdoutpatternsh轉換函數:TransferfunctionNumberoflearningcycles/iterationsLInitialweightsI2.2類神經網路演算法(續)類神經網路的優點類神經網路在資料不完全或遺失的資料下，仍然具有穩定性輸入變數可為任何的資料型態對於非線性與複雜的函數有強大的解決能力2.2類神經網路演算法(續)類神經網路的缺點網路的整個運作過程，不具有解釋的功能輸入變數的選取不具有統一性容易發生過渡學習的現象網路架構與模型選擇沒有最適性2.3法則萃取演算法從訓練完成的神經網路中，萃取出隱含的知識或法則，使其內部的結構及推論的過程能夠被使用者瞭解[Guptaetal,1999]知識是來自於神經元間的交互作用，透過訓練可以去觀察隱含在資料中的知識[Fu,LiMin,1999]每個隱藏層節點都可視為一個類別（class）的資料，而法則萃取就是在探討各類別間，可能觸發輸出的各種權值的組合[Setiono&Liu,1996]KBNN:[Towell,Shavlik,1993]2.3法則萃取演算法(續)2.3.2法則萃取的重要性提供使用者解釋的能力發現輸入資料的關連與特性提供平台的確認性與類神經網路的除錯功能改進類神經網路的普遍性2.3法則萃取演算法(續)2.3.3法則萃取演算法的分類依據1.法則萃取的解釋能力2.法則萃取技術的透明度，可將知識的萃取區分成1.Decomposition2.Pedagogical[Andrewsetal（1995）]DecompositionSubset（Towell&Shavlik,1993）、KTmethod(Fu,1998)、M-of-Nmethod（Towell,1994）、NeuroRule（Setiono&Liu,1996）、Partial-RE（Taha&Ghosh,1996）、Full-RE（Taha&Ghosh,1996）PedagogicalRULENEG(Andrewsetal,1995)、VIA（Thrun.,1994）、BRAINNE（Sestito&Dillon,1991）、BIO-RE（Taha&Ghosh,1996）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的價格公式，模擬B-S定價方式，採用２年的選擇權價格作為訓練樣本，結果可以禰補B-S模式的缺失，還可以成功的進行避險。[Hutchinson,1994]類神經網路與動態規劃類神經網路的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的輸入變數，預測價格分布與線型的配對[Tanigawa&Kamijo,1992]2.4類神經網路在財務上應用之相關研究(續)運用隨機指標所做的買賣策略，以S&P500每日收盤價格指標為標的，輸入值為當日與次日的K、D值，及當日相對於八天前的價格指數變動，輸出則為八天候價格指數相對於當日的變動。[Caldwell,1995]估計成長中與經營不彰公司的財務情形[Lacheret1995]比較類神經網路、Mahalanobisdistancemeasure、兩者整合在預測公司破產的績效[Markham&Ragsdale,1995]三、研究架構3.1投資決策支援模型3.2倒傳遞演算法3.3Full-RE演算法3.4本研究所採用的技術分析MALKDMACDRSI3.5統計檢定量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3.2倒傳遞演算法採用坡降法的觀念，表達網路實際輸出與目標輸出之差異的誤差函數最小化，透過加權值的調整，來達成網路訓練。ijijjjjWEWATE*)()2/1(23.3Full-RE演算法演算法有以下特徵：1.適用於前項式網路架構2.輸入的資料型態不受限制3.適用於具有單調遞增特性的激發函數4.法則的語意較為一般大眾所接受。法則表示法為：ifX1opV1thenconsequent。[Taha&Ghosh,1999]3.3Full-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的資料，予以排序、分群，再計算每一個界線的卡方χ2值。2.合併：進行深入範圍的確認21122)(ikjijijEEijA3.3Full-RE演算法(續)2.萃取法則：權重與Chi2演算法計算出的輸入值相乘，在經過轉換函數的計算，進行組合排列3.計算法則相對準確度jiniijXWf)*(1nijiijxwCF1)*exp(113.4本研究所採用的技術分析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)3.4.1移動平均線MAL移動平均代表了股價在一段時間內的平均價格，也顯示了股價在這段時間內合理價格，同時也是多空雙方的平衡點，因此可從移動平均線判斷股價走勢。移動平均線計算公式如下（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。日日收盤股價之和日NNMAN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的最高價接近；反之在股價下跌時，當日收盤價總向當日波動的最低價接近[GeorgeLane,1957]KD線計算公式如下:計算未成熟隨機值（RSV）計算KD值3231323111ttttttDKDKRSVK100=nnnttLHLCRSV3.4.2隨機指標KDKD線的應用原則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3.4.3指數平滑移動平均線MACD顯示趨勢持續發展或反轉的一種指標。利用快速與慢速兩條指數平滑異動平均線，以計算兩者之間的差離值，再利用差離值與差離值平均值的收斂與發散徵兆，用以研判股市行情買進或賣出的時機。[GeraldAppel&W.FredrickHitschler,1979]3.4.2指數平滑移動平均線MACD(續)MACD計算公式如下：1.計算需求指數（DI,DemandIndex）: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4*2當日收盤價當日最低價當日最高價移動平均天數12);(*11ttttEMADIEMAEMA)(11ttttDEMDIFDEMDEM3.4.2指數平滑移動平均線MACD(續)MACD的應用原則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3.4.4相對強弱指標RSI主要是以股價上漲或下跌的趨勢，判斷市場為超買或超賣，以決定應買進或賣出股票。[J.WellesWilder,1978]台灣股市所使用的技術分析方法，通常以6日及12日的股價來計算，RSI的計算公式如下：100*111nkkinkkidowniupinkkiupiDDDRSI3.4.4相對強弱指標RSI(續)RSI的應用原則：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。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2/122)//(rrNN2/122)//(sbsbNN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RSI4.1實驗環境與資料來源硬體方面處理器使用IntelPentiumⅢ600記憶體為320MB軟體方面開發工具採用Matlab6.1開發平台為Microsoftwindows2000Serve資料來源台灣經濟新報財金資料庫，近兩年(1999/01/05-2001/02/27)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。4.2前置處理與參數設定前置處理針對研究所需要的欄位資料進行技術指標與報酬率之計算，透過正規化的方式，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。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Logsigmoid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