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 結 論 與 建 議 類神經網路之 實證分析 法則萃取之 實證分析

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): 學習方式: 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.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）

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[Lacher et 1995] 比較類神經網路、Mahalanobis distance measure、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 3.3 Full-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 統 計 檢 定 評 估 專家 知識 前置處理 類神經網路 法則萃取 傳統技術分析

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。

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： if X1 op V1 then consequent。[Taha & Ghosh, 1999]

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

3.3 Full-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

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。

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 [George Lane ,1957] KD線計算公式如下: 計算未成熟隨機值（RSV） 計算KD值

3.4.2 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。[Gerald Appel & W. Fredrick Hitschler,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,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

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.Welles Wilder,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 ：

3.4.4 相對強弱指標 RSI(續) RSI的應用原則 ：

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

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

4.1 實驗環境與資料來源 硬體方面 軟體方面 資料來源 處理器使用Intel PentiumⅢ 600 記憶體為320 MB 開發工具採用Matlab 6.1 開發平台為Microsoft windows 2000 Serve 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) 類神經網路參數設定 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

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的輸出，0.3以下為跌，0.7以上為漲，區間為持平。 類神經判斷的輸出門檻值亦為法則萃取的門檻值。 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，選用研究上或者是目前市面上常用的參數組合： MAL [1 6 0] KD [9 2] MACD [ 12 26 9 2] RSI [6 12 2]

4.4 實驗結果與分析(期間四為例) – 卡方演算結果 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 判斷 卡方 值 8536 13 6.749 7462.2 9 24 5.652 -602.23 22 7.0714 8849.9 17 29 8.552 9239 20 16 -139.16 10 4 40.879 9744.9 6 9957.7 5.625 -42.545 48 9911.4 3 10031 9931.9 1 5 9934.6 7 10009 10064 2 8 10127

4.4 實驗結果與分析(期間四為例)- 檢定統計表 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) (Sell) Buyb Sellb Buy>0 Sell>0 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 -0.42 (0.15) 87.50% 31.58% 1.96 -0.08 法則萃取 46 0. 98 -0.64 (0.047) 71.05% 39.13% 0. 424 16 30 0. 75 (0.04) -0.5286 (0.12) 68.75% 26.67% 1.28 技術分析 48 36 0.97 -1.14 70.83% 33.33% 2.11 17 29 0. 93 -0.77 (0.03) 72.22% 20.69% 0. 70

4.4實驗結果與分析(期間四為例)- 法則呈現 MAL: 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<-139.16 THEN 明日股價漲，相對機率為77.10% IF 短線>=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<-139.16

4.4 實驗結果與分析(期間四為例)- 法則呈現(續) 4.4 實驗結果與分析(期間四為例)- 法則呈現(續) KD: IF K>=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 86.154>D>=45.889 AND 穿越區＞＝23.378 THEN 明日股價漲，信賴準度為63.9% IF K<13.137 and D>=86.154 AND 穿越區＞＝-39.326 THEN 明日股價跌，信賴準度為76.5%

4.4實驗結果與分析(期間四為例)- 法則呈現(續) 4.4實驗結果與分析(期間四為例)- 法則呈現(續) MACD IF 55.199>dif>=-619.15 and dem>=276.96 and -230.63>macd>=-925.41 THEN 明日股價漲，相對機率為76.10% IF dif>=55.199 and dem>=804.54 and -230.63>macd>=-925.41 THEN 明日股價漲，相對機率為72% IF dif>=970 and 276.96>dem>=-438.76 and macd>=-925.41 THEN 明日股價跌，相對機率為74.5% IF-54.8>dif>=-107.14 and 276.96>dem>=-438.76 and macd>=-44.798 THEN明日股價跌，相對機率為63.36% IF 55.199>dif>=-54.8 and 276.96>dem>=-438.76 and macd>=-230.63 THEN明日股價跌，相對機率為64.36%

4.4實驗結果與分析(期間四為例)- 法則呈現(續) 4.4實驗結果與分析(期間四為例)- 法則呈現(續) RSI IF 63.217>RSI6>5.8697and RSI2>=58.889 and RS6-RSI12>-25.172 THEN 明日股價漲，相對機率為 83.4% IF RSI6>63.217 and RSI12>58.889 and RS6-RSI12>9.6299 THEN 明日股價漲，相對機率為 76.02% IF RSI6>5.8697and RSI2>=58.889 and RS6-RSI12>-63.663 THEN 明日股價跌，相對機率為 76.6%

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，以類神經表現最佳(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

4.4實驗結果與分析(期間四為例)- 趨勢圖 (1/4) 4.4實驗結果與分析(期間四為例)- 趨勢圖 (1/4)

4.4實驗結果與分析(期間四為例)- 趨勢圖 (2/4) 4.4實驗結果與分析(期間四為例)- 趨勢圖 (2/4)

4.4實驗結果與分析(期間四為例)- 趨勢圖 (3/4) 4.4實驗結果與分析(期間四為例)- 趨勢圖 (3/4)

4.4實驗結果與分析(期間四為例)- 趨勢圖 (4/4) 4.4實驗結果與分析(期間四為例)- 趨勢圖 (4/4)

五、結論 藉由法則萃取所得的法則，與類神經網路所預測結果有一定的正相關程度，投資人可藉由法則進行投資市場的信號判斷 三種投資工具，僅有移動平均線可以顯著的擊敗大盤；但綜合本研究之技術指標，平均超額報酬為正，類神經網路表現最佳，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，並不完全具有謀合之處 建議投資人可採用一種以上的決策工具搭配使用

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，並不具有一致的公認性。 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。

歡迎指教