證券交易策略發掘

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：12

、訪客IP：3.145.170.152

姓名

陳伯仁(Po-Jen Chen) 查詢紙本館藏

畢業系所

資訊管理學系

論文名稱

證券交易策略發掘
(Trading Strategy Discovery)

相關論文

★ 以關係基因演算法為基礎之一般性架構解決包含限制處理之集合切割問題	★ 類神經網路於股價波段預測及選股之應用
★ 以類神經網路提高股票單日交易策略之獲利	★ 智慧型多準則決策支援研究：以交談式遺傳演算法為基礎的模型
★ 應用遺傳演算法於財務指標選股策略之探討	★ 遺傳演算法於股市資金分配策略應用上之研究
★ 組合編碼遺傳演算法於投資組合及資金分配之應用	★ 遺傳程式規劃於股市擇時交易策略之應用
★ 遺傳演算法於股市選股與擇時策略之研究	★ 多目標遺傳演算法於基本面選股策略之應用
★ 遺傳演算法於SAP R/3 系統效能最佳化之應用	★ 動態多期資金管理策略發掘
★ 擴充固定比例(CPPI)與時間不變性投資組合保險策略(TIPP)於投資組合之應用	★ 演化式賽局於投資策略之研究
★ 利用遺傳演算法發掘投資組合保險之調整策略	★ 利用遺傳演算法對股價反轉點的預測

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

資料挖掘是一種智慧型資料分析的方法，但是應用於證券投資領域上的研究相當有限。本研究利用關聯規則配合技術分析的方法來挖掘進出場規則，並以台灣股市驗證，發現在訓練期間內確實可以找出具高報酬的進出場規則。
資料挖掘只找出許多符合最小支持度和最小信心度的規則，缺乏一套有系統的方式去選擇在測試期應用的規則和驗證方式，此外，支持度或信心度高的規則並不保證高獲利。本研究利用遺傳演算法來挑選在測試期應用的規則，以證券投資問題為例，就是將挖掘出的進出場規則，挑選組合成最適的證券交易策略，並以移動視窗的訓練方式做長期的驗證。
目前遺傳演算法於證券交易策略的研究中，遺傳演算法雖然以其強大的解答搜尋能力成功的解決了部分的問題，然而由於先天上缺乏彈性的字串結構框架，必須對證券交易策略的架構有所限制，雖然透過遺傳程式規劃，在結構上提供的強大彈性，允許以組合或分解的方式，產生前所未有的新技術指標，可以改善必須對證券交易策略的架構有所限制，但是它所產生的證券交易策略卻令人難以理解。本研究先以關聯規則找出該股票適合的進出場規則，再以遺傳演算法組合成最適的證券交易策略，則可以發掘出易懂且具彈性的證券交易策略。

摘要(英)

Data mining is an intelligent data analysis method whose applications research on investment are very few. We use association rules to find entry and exit rules which are then used to conduct experiments on real dataset obtained from Taiwan Stock Exchange (TSE). The experimental results show high returns in training and testing periods.
Data mining can find many rules with minimum support and minimum confidence, but there are no systematic methods to select rules for use in testing period. Besides, rules with high support or confidence can’t make high return absolutely. We use genetic algorithms to select rules for constructing an optimal trading strategy. Finally, we use sliding windows for long-term verification.
Although, genetic algorithms can solve some problems with its searching capability. However, it uses fixed bitstrings that induce constraint trading strategy’s framework. Genetic programming uses tree structure to generate new technical indicators that provide flexible trading strategy’s framework. However, it is hard to understand. We use genetic algorithms to select rules for constructing an optimal trading strategy which is understandable and flexible.

關鍵字(中)

★ 資料挖掘
★ 關聯規則
★ 遺傳演算法
★ 證券交易策略

關鍵字(英)

★ data mining
★ association rules
★ genetic algorithms
★ trading strategy

論文目次

第1章緒論………………………………………………………1
1.1 研究背景與動機……………………………………………1
1.2 研究目的……………………………………………………2
1.3 研究假設……………………………………………………2
1.4 論文架構……………………………………………………3
第2章文獻探討…………………………………………………4
2.1 證券投資理論………………………………………………4
2.1.1 效率市場假說……………………………………………4
2.1.2 基本分析…………………………………………………5
2.1.3 技術分析…………………………………………………6
2.2 資料挖掘方法論……………………………………………11
2.2.1 資料庫知識發掘流程……………………………………11
2.2.2 關聯規則…………………………………………………13
2.3 遺傳演算法…………………………………………………18
2.4 智慧型資料分析於證券交易策略之相關研究……………21
第3章證券交易策略發掘系統架構……………………………25
3.1 證券交易策略之基本架構…………………………………25
3.2 系統架構……………………………………………………27
第4章實驗結果與分析…………………………………………35
4.1 資料說明……………………………………………………35
4.2 實驗設計……………………………………………………35
4.3 實驗參數……………………………………………………36
4.4 實驗結果……………………………………………………37
4.5 實驗結果分析………………………………………………50
第5章結論與未來研究方向……………………………………53
5.1 結論與研究貢獻……………………………………………53
5.2 未來研究方向………………………………………………53
參考文獻…………………………………………………………55

參考文獻

【1】王皓正 (2000)，「時間序列資料之查詢與資料發掘－以台灣股市為例」，台灣大學資訊管理研究所碩士論文。
【2】杜金龍 (1998)，「技術指標在台灣股市應用的訣竅」，金錢文化。
【3】林耀堂 (2001)，「遺傳程式規劃於股市擇時交易策略之應用」，中央大學資訊管理研究所碩士論文。
【4】周慶華 (2001)，「整合基因演算法及類神經網路於現貨開盤指數之預測－以新加坡交易所摩根台股指數期貨為例」，輔仁大學金融研究所碩士論文。
【5】許芳誠 (2000)，「智慧型多準則決策支援研究－以交談式遺傳演算法為基礎的模型」，中央大學資訊管理研究所博士論文。
【6】楊孟龍 (2000)，「類神經網路於股價波段預測及選股之應用」，中央大學資訊管理研究所碩士論文。
【7】鄧紹勳 (1999)，「遺傳演算法於股市擇時策略之研究」，中央大學資訊管理研究所碩士論文。
【8】賴宏仁 (1995)，「結合技術分析與類神經網路以支援股票投資決策之研究」，中山大學資訊管理研究所碩士論文。
【9】蕭正南 (1999)，「資料探勘應用於股市股價趨勢預測之研究」，輔仁大學資訊管理研究所碩士論文。
【10】蕭郁凱 (2001)，「遺傳演算法於股市資金分配策略應用上之研究」，中央大學資訊管理研究所碩士論文。
【11】 R. Agrawal, T. Imielinski and A. Swami (1993), “Mining Association Rules between Sets of Items in Large Databases,” in Proc. 1993 ACM-SIGMOD Int. Conf. Management of Data (SIGMOD’93), pp. 207-216.
【12】 R. Agrawal and R. Srikant (1994), “Fast algorithm for mining association rules,” in Proc. 1994 Int. Conf. Very Large Data Bases (VLDB’94), pp. 487-499.
【13】 R. J. Bauer (1994), Genetic Algorithms and Investment Strategies, John Wiley & Sons.
【14】 R. A. Brealey, S. C. Myers, and A. J. Marcus (2001), Fundamentals of Corporate Finance, McGraw-Hill.
【15】 E. F. Fama (1970), “Efficient Capital Markets: A Review of Theory and Empirical Work,” Journal of Finance, 25, pp. 383-417.
【16】 E. F. Fama (1991), “Efficient Capital Markets: II,” Journal of Finance, 46 (5), pp. 1575-1618.
【17】 U. Fayyad, G. Piatetsky-Shapiro and P. Symth (1996), “Overview of Data Mining and Knowledge Discovery,” Knowledge Discovery and Data Mining, AAAI press, pp. 1-36.
【18】 D. E. Goldberg (1989), Genetic Algorithm in Search, Optimization, and Machine Learning, Addison-Wesley.
【19】 J. Han (1995), “Discovery of Multiple-Level Association Rules from Large Databases,” in Proc. 1995 Int. Conf. Very Large Data Base (VLDB ’95), pp. 420-431.
【20】 J. Han, Y. Cai and N. Cercone (1992), “Knowledge Discovery in Database: An Attribute-Oriented Apporach,” in Proc. 1992 Int. Conf. Very Large Data Base (VLDB ’92), pp. 547-559.
【21】 J. Han and M. Kamber (2001), Data Mining: Concepts and Techniques, Morgan Kaufmann Publishers.
【22】 J. Han, J. Pei and Y. Yin (2000), “Mining Frequent Patterns without Candidate Generation,” in Proc. 2000 ACM-SIGMOD Int. Conf. Management of Data (SIGMOD’00), pp. 1-12.
【23】 J. Holland (1975), Adaptation in Natural and Artificial Systems, University of Michigan Press.
【24】 T. Kimoto, K. Asakawa, M. Yoda and M. Takeoka (1990), “Stock Market Prediction System with Modular Neural Networks,” in Proceeding of the 1990 International Joint Conference on Neural Networks (IJCNN ’90), Vol 1, pp. 11-16.
【25】 J. R. Koza (1992), Genetic Programming II: Automatic Discovery of Reusable Programs, MIT Press.
【26】 H. Lu, L. Feng and J. Han (2000), “Beyond Intra-Transaction Association Analysis: Mining Multi-Dimensional Inter-Transaction Association Rules,” ACM Transactions on Information Systems, 18 (4), pp. 423-454.
【27】 H. Lu, J. Han and L. Feng (1998), “Stock Movement Prediction and N-Dimensional Inter-Transaction Association Rules,” in Proc. 1998 SIGMOD Workshop on Research Issues on Data Mining and Knowledge Discovery (DMKD’98), pp. 12:1-12:7.
【28】 M. Mitchell (1992), An Introduction to Genetic Algorithms, MIT Press.

指導教授

陳稼興(Jiah-Shing Chen)

審核日期

2002-6-27

推文