(簡體)股票預(yù)測相關(guān)理論

#i日股價平盤時成交值；25.每一加權(quán)股價指數(shù)點數(shù)的成交值(TotalAmountPerWeightedStockPriceIndex；TAPI)：TAPI=每日成交總值(百萬元)三每日發(fā)行量加權(quán)股價指數(shù)(點數(shù))龍°TAPIiTAPI=i(2-4.61)101026.江波分析法：每筆買進張數(shù)二委托買進張數(shù)三委托買進筆數(shù)(2-4.62)每筆賣出張數(shù)=委托賣出張數(shù)三委托賣出筆數(shù)(2-4.63)每筆成交張數(shù)=成交總張數(shù)三成交總筆數(shù)(2-4.64)三〉市場寬幅技術(shù)指標27.上漲或下跌股票家數(shù)漲跌比率(AdvanceDeclineRatio；ADR)：2-4.65)ADR=102-4.65)1010日內(nèi)股票下跌累計家數(shù)28.騰落指標(AdvanceDeclineLine；ADL)：今日累積ADL值=前一日累積ADL值+每日股票上漲家數(shù)一每日股票下跌家數(shù)(2-4.66)29.阿姆斯指數(shù)(ARMSIndex；AI)“AIJDIAI—iAVDViAI—i(2-4.67)1010其中，AI'代表上漲家數(shù)；DI代表下跌家數(shù)；AV上漲成交張數(shù)；DV代表下跌成交張數(shù)。30.股市趨動指標(StockMarketThrust；MT)：當日MT—(AI'xAV-DIxDVL1000000(2-4.68)(56)累積MT=前一日累積MT+當日MT2-4.69)其中，AI'代表上漲家數(shù)；DI代表下跌家數(shù)；AV上漲成交張數(shù)；DV代表下跌成交張數(shù)。驅(qū)動振蕩指針(ThrustOscilltor；TO)：TO=Cl'xAV-DIxDvKtxAV+DIxDV(2-4.70)其中，AI'代表上漲家數(shù)；DI代表下跌家數(shù)；AV上漲成交張數(shù)；DV代表下跌成交張數(shù)。買超賣超指標(OverBuy/OverSell；OBOS)：OBOS10=10日內(nèi)股票上漲累計家數(shù)一10日內(nèi)股票下跌累計家數(shù)(2-4.71)心理線(PsychologicalLine；PSY)：PSY=(13日內(nèi)上漲天數(shù)合計數(shù)三13)X100(2-4.72)13〈四〉其它技術(shù)指標(60)今日融資余額金額：(61)今日融券剩余張數(shù)：參、將類神經(jīng)網(wǎng)絡(luò)運用于股票預(yù)測之相關(guān)文獻一、國外學者研究〈一〉HalbertWhite之研究(1988)選取IBM普通股，用類神經(jīng)網(wǎng)絡(luò)進行預(yù)測每日報酬率，經(jīng)網(wǎng)絡(luò)學習訓練后其預(yù)測能力并不準確，其主要原因是網(wǎng)絡(luò)陷入局部最小值，無法跳脫，所以，預(yù)測能力相當差?！炊礢choneburg之研究(1990)以感知機及倒傳遞兩種網(wǎng)絡(luò)架構(gòu)進行預(yù)測，發(fā)現(xiàn)使用類神經(jīng)網(wǎng)絡(luò)對

于短期股價預(yù)測尚可達90%之高的預(yù)測準確率。〈三〉TakashiKimotoandAsakawaKazuo之研究(1990)依據(jù)四個獨立的類神經(jīng)網(wǎng)絡(luò)仿真的結(jié)果，以日經(jīng)指數(shù)作為研究目標，輸入變量為乖離率曲線、成交量、利率、匯率、紐約道瓊指數(shù)等數(shù)據(jù)進行訓練學習，輸出為預(yù)測股價指數(shù)，結(jié)果顯示，運用類神經(jīng)網(wǎng)絡(luò)模式獲得高額報酬遠較利用回歸分析模式所得的結(jié)果為佳?！此摹礙en-ichiKamijoandTanigawaTetsuji之研究（1990）運用類神經(jīng)網(wǎng)絡(luò)來辨識日本股價K線圖，主要是再辨識三角K線圖以找出股價變動趨勢，經(jīng)過15組訓練范例的學習后，運用16組測試數(shù)據(jù)進行預(yù)測試驗，結(jié)果在16組測試數(shù)據(jù)中共可辨識15組，其正確率高達93.8%。〈五〉MarkB.Fishman,DeanS.Barr,WalterJ.Loick之研究（1991）利用9日SD值，9日SK值，18日ADX值，18日MACD值，當日S&P500指數(shù)及當日S&P和5日前指數(shù)之差異等六項輸入值進行預(yù)測S&P500指數(shù)，其網(wǎng)絡(luò)架構(gòu)為倒傳遞類神經(jīng)網(wǎng)絡(luò)，經(jīng)過網(wǎng)絡(luò)訓練學習后雖可以預(yù)測指數(shù)漲跌，但其預(yù)測誤差有逐步增加的趨勢。六〉S.Margarita之研究（1991）運用類神經(jīng)網(wǎng)絡(luò)及遺傳算法分析股票市場，希望能運用類神經(jīng)網(wǎng)絡(luò)建構(gòu)一個能夠提供投資者較佳投資策略的模式?！雌摺礩.YoonandJ.Swales之研究（1991）以四層的倒傳遞網(wǎng)絡(luò)架構(gòu)對于股票價格進行預(yù)測，且將預(yù)測結(jié)果和MDA（MultipleDiscriminantAnalysis）進行比較，結(jié)果發(fā)現(xiàn)類神經(jīng)網(wǎng)絡(luò)表現(xiàn)較佳。八〉NoriaBabaandKozakiMotokazu之研究（1992）使用15個輸入神經(jīng)元，二層隱藏層及一個輸出神經(jīng)元來建構(gòu)預(yù)測日本股價趨勢的類神經(jīng)網(wǎng)絡(luò)，而且發(fā)現(xiàn)如過在學習訓練前分成上漲趨勢數(shù)據(jù)和下跌趨勢數(shù)據(jù)進行訓練時，預(yù)測結(jié)果會有較好的準確率，但趨勢如果決定錯誤那將會使預(yù)測準確率下降?！淳拧礕ia-ShuhJang,FeipeiLaiandTai-MingParng之研究（1993）利用一個21個輸入神經(jīng)元，11個隱藏神經(jīng)元和一個輸出神經(jīng)元的倒傳遞類神經(jīng)網(wǎng)絡(luò)，并運用雙重調(diào)整結(jié)構(gòu)來調(diào)整網(wǎng)絡(luò)學習法則，使網(wǎng)絡(luò)能自動合成解決問題，來預(yù)測臺灣股票指數(shù)漲跌的趨勢，結(jié)果發(fā)現(xiàn)，在預(yù)測準確上，較固定結(jié)構(gòu)倒傳遞類神經(jīng)網(wǎng)絡(luò)要好約40%?51%?！词礙ryzanowskiLawrence,GallerMichaelandDavidW.Wright之研究（1993）以公司的財務(wù)數(shù)據(jù)作為輸入數(shù)據(jù)，而公司股價漲跌相對于整體市場股價漲跌表現(xiàn)較好或較壞做為輸出數(shù)據(jù)，經(jīng)由類神經(jīng)網(wǎng)絡(luò)學習歷史數(shù)據(jù)輸入和輸出關(guān)系后，在利用此關(guān)系來對輸入數(shù)據(jù)進行預(yù)測，結(jié)果發(fā)現(xiàn)預(yù)測率高達72%。十一〉GencayRamazan之研究（1996）運用平均移動法則當作類神經(jīng)網(wǎng)絡(luò)判斷股票買進賣出的指標，并在長期移動平均線與短期移動平均線接近時，設(shè)一區(qū)間，避免因股價波動造成買進賣出訊號誤判。以AR,GARCH-M兩種線性模式和倒傳遞類神經(jīng)網(wǎng)絡(luò)非線性模式進行預(yù)測，結(jié)果非線性倒傳遞類神經(jīng)網(wǎng)絡(luò)模式預(yù)測能力較好?！词礙aiFuandWenhuaXu之研究（1997）利用遺傳算法訓練類神經(jīng)網(wǎng)絡(luò)并以上海股價指數(shù)為預(yù)測目標，結(jié)果顯示遺傳算法配合類神經(jīng)網(wǎng)絡(luò)對于短期股價預(yù)測有很好的預(yù)測效果。二、國內(nèi)學者研究〈一〉潘曉駿（民國84年）使用倒傳遞網(wǎng)絡(luò)配合網(wǎng)絡(luò)修剪來進行股票價格預(yù)測，結(jié)果發(fā)現(xiàn)輸出神經(jīng)元使用漲跌幅配合濾嘴法，比使用FK值的方法在網(wǎng)絡(luò)修剪前有高出15.3%之超額報酬；而網(wǎng)絡(luò)平均縮減為69.46%時，有高出16.69%的超額報酬，比網(wǎng)絡(luò)修剪前高出1.28%，若考慮手續(xù)費及交易稅仍有9.08%之超額報酬，而考慮融資券時也可產(chǎn)生11.74%之超額報酬?！炊挡碳挝模駠?5年）利用技術(shù)指針做為模糊類神經(jīng)網(wǎng)絡(luò)輸入值而用來預(yù)測股價的漲跌幅，研究發(fā)現(xiàn)，股價預(yù)測模糊類神經(jīng)網(wǎng)絡(luò)兼具類神經(jīng)網(wǎng)絡(luò)學習和模糊理論解決語意模糊的優(yōu)點，且具有相當?shù)姆€(wěn)健性、正確性、可更新性及解釋能力。模糊類神經(jīng)網(wǎng)絡(luò)修剪后較倒傳遞類神經(jīng)網(wǎng)絡(luò)平均準確率高出49%?！慈低醮后希駠?5年）使用十項技術(shù)指針作為網(wǎng)絡(luò)輸入數(shù)據(jù)，而輸出值即是預(yù)測股價六日、十二日、十八日后的漲跌情形，研究結(jié)果，以漸進交易策略，在類神經(jīng)網(wǎng)絡(luò)部分，年獲利率有百分之十三以上，而復回歸部分，年獲利率有百分之八以上，其獲利能力相當明顯?！此摹迭S永成（民國86年）將模糊類神經(jīng)網(wǎng)絡(luò)對非量化因素之預(yù)測趨勢值配合技術(shù)分析之量化因素，先經(jīng)由遺傳算法求出模糊類神經(jīng)網(wǎng)絡(luò)神經(jīng)元間連結(jié)權(quán)重值，再用來訓練神經(jīng)網(wǎng)絡(luò)，而得到智能型預(yù)測系統(tǒng)，其預(yù)測結(jié)果得到3.86%的預(yù)測均方誤差，77.57%的買賣點明顯率，與超越大盤2.14倍的投資報酬率績效，對股市預(yù)測更具準確性與敏銳性。五〉楊豐松（民國86年）整合類神經(jīng)網(wǎng)絡(luò)與模糊理論建立一個通用型信息篩選算法，篩選出重要之決策變量，減少信息使用量，降低信息搜集成本，仍能達到相同或相似的決策結(jié)果。研究結(jié)果，網(wǎng)絡(luò)輸入變量由13個縮減為10個，而其預(yù)測準確率為57.5%和一般為篩選信息所得預(yù)測率55%至65%之間相差不大，唯其可以減少信息搜集及處理的時間和成本。六〉葉榮明（民國86年）透過因特網(wǎng)擷取證券市場每小時成交價量數(shù)據(jù)，經(jīng)由倒傳遞網(wǎng)絡(luò)模式分析個股日內(nèi)價量關(guān)系，進一步預(yù)測個股十一時至十二時價格變化幅度。研究結(jié)果發(fā)現(xiàn)，實際變化幅度差距不超過1%的情形下，如果包含大盤指數(shù)一起預(yù)測共二十種標的，其平均預(yù)測準確率達69.4%，但如果不包含大盤指數(shù)預(yù)測，則十九種標的股票整體預(yù)測準確率達68.4%。七〉梅玉成（民國87年）利用兩種分布式類神經(jīng)網(wǎng)絡(luò)分別訓練代表性的技術(shù)指標和基本分析指標做一分類評等，在以投資組合策略投資那些分類平等出屬于績效較高的股票，以降低風險獲取高額報酬。研究結(jié)果，系統(tǒng)報酬在扣除交易成本后約為22%，高于此期間大盤的15%。八〉陳弘彬（民國87年）運用灰色關(guān)聯(lián)分析提供量化技術(shù)指標篩選明確準則；灰色統(tǒng)計是將領(lǐng)域?qū)＜乙庖娹D(zhuǎn)換成一量化事件權(quán)重值；最后利用倒傳遞網(wǎng)絡(luò)模式與回饋式類神經(jīng)網(wǎng)絡(luò)模式進行期指價格訓練和預(yù)測。研究結(jié)果發(fā)現(xiàn)，包含非量化指針于類神經(jīng)網(wǎng)絡(luò)的訓練，其預(yù)測能力較單獨使用量化技術(shù)指標好；回饋式類神經(jīng)網(wǎng)絡(luò)預(yù)測能力較前饋式類神經(jīng)網(wǎng)絡(luò)強；以灰色預(yù)測值當一量化技術(shù)指標，能改善類神經(jīng)網(wǎng)絡(luò)的收斂誤差。九〉袁澤峻（民國87年）將訓練數(shù)據(jù)分成景氣循環(huán)和不景氣循環(huán)，且使用景氣循環(huán)法和移動模擬法兩種不同方法作為類神經(jīng)網(wǎng)絡(luò)學習期間界定，研究結(jié)果顯示，如果未使用敏感性性分析篩選輸入變量時，無論是否分景氣循環(huán)都沒有良好的預(yù)測能力；當以敏感性性分析篩選輸入變量后，景氣循環(huán)期間，使用景氣循環(huán)法預(yù)測正確率達68.33%,不區(qū)分景氣循環(huán)選取數(shù)據(jù)，并無明顯預(yù)測能力，所以，采用景氣循環(huán)期間選取數(shù)據(jù)，較能找出該期間影響股價指數(shù)漲跌的輸入變量，應(yīng)用于類神經(jīng)網(wǎng)絡(luò)有較高的預(yù)測能力。十〉謝企榮（民國88年）以量化因素模式為基礎(chǔ)，進而與非量化因素相結(jié)合，進行股價指數(shù)之預(yù)測；量化指標方面，以灰關(guān)聯(lián)分析篩選和市場指數(shù)關(guān)聯(lián)度較高之技術(shù)指標；非量化因素方面，針對影響市場的非量化因素搜集相關(guān)資料后以專家問卷的方式調(diào)查，以灰色統(tǒng)計歸納整理出完整的數(shù)據(jù)庫，利用結(jié)合量化指標和非量化指針建立最佳類神經(jīng)網(wǎng)絡(luò)結(jié)合灰色數(shù)據(jù)庫，進而發(fā)展出整合型類神經(jīng)網(wǎng)絡(luò)預(yù)測模式，經(jīng)研究結(jié)果發(fā)現(xiàn)，最佳類神經(jīng)網(wǎng)絡(luò)其買賣訊號顯著率33.58%，平均每次買賣績效3.93元；整合型類神經(jīng)網(wǎng)絡(luò)路其買賣訊號顯著率39.81%，平均每次買賣績效4.32元，由此可知整合型類神經(jīng)網(wǎng)絡(luò)表現(xiàn)較佳。十一〉吳秉奇（民國88年）透過人工智能的類神經(jīng)網(wǎng)絡(luò)方法，以臺灣期貨交易所推出的臺灣發(fā)行加權(quán)量股價指數(shù)期貨為應(yīng)用對象，進行實證研究，以各項技術(shù)指針為輸入變量，預(yù)測未來期貨指數(shù)的漲跌幅度。以不同的預(yù)測標的、不同的出場策略及不同的資金分配策略，