智慧型系统整合传统投资技术法则 许中川.pptVIP

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 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[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,Easlsy and O’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 [Sweeney 1986, Levich and Thomas 1993] 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): Topology used Number of layers : 學習方式: Learning rule Learning rate η momentum α stopping criteriaδ 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 2.2 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[Gupta et al, 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