多商品相關性獲利穩定度分析與比較

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：52

、訪客IP：18.219.28.179

姓名

林泓志(Hung-Chih Lin) 查詢紙本館藏

畢業系所

資訊管理學系

論文名稱

多商品相關性獲利穩定度分析與比較
(Analysis and Comparison on Profit Robustness of Multiple Financial Products Correlation)

相關論文

★ 針對提昇資料倉儲資料庫執行效能之知識管理與相關系統設計	★ 以關聯規則探勘為基礎，探討詐騙車手提領型態互動之研究
★ 部落格之網路口碑評比機制平台管理與應用	★ 虛擬貨幣交易平台之實現
★ 適用於多種設備的可否認鑑別協定之設計	★ 交易程式最佳化的多維度分析平台之設計與建置
★ 多商品多策略程式交易績效曲線比較和分群機制之研究	★ 以工作流程與Portlet為基礎整合學習管理系統以支援課程編組
★ 使用服務導向技術建構具支援二線廠客製化能力的電子中樞系統之研究	★ 以流程為中心的Portlet重用性分析
★ 應用資料倉儲技術建構平衡計分卡資訊系統之研究-以某消費性電子製造公司人力資源計分卡為例	★ 自動化的產品平台管理與應用
★ 以代理人為基礎的資訊系統協助新產品開發流程的自動化	★ 以整合式的教練引導開發以框架為基礎的專案
★ 支援新產品研發的整合性知識管理系統	★ 以流程為導向協同異質性數位學習系統中呈現層與資料層之研究

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)

全球市場緊密相連，各商品間存在不同關係，如何有效率尋找多商品間之相關性，並分析大量商品配對組合於樣本內、外之獲利穩定度，為一大關鍵問題，目前尚未有完整系統能達成。
為有效尋找跨市場多商品之相關性，本研究以Ruggiero（2012）策略為範例開發與設計自動化計算、回測與分析多商品間相關性之平臺，其允許使用者客製化回測指定之商品、時間分割與參數設定，並以風險平價方式標準化各種不同商品，以進行排序與分析獲利之穩健度。在分析過程中為避免樣本內過度最佳化造成過度適配問題，使用「高原搜尋演算法」尋找績效高原，並透過機器學習DBSCAN方法依據高原搜尋結果發展「高原排序指標」評估不同高原間之穩健性，樣本外透過每日累積盈虧檔案分析參數組相關性之存續性，並進行排序與驗證。除Ruggiero（2012）提出之策略外，其他多商品之交易策略亦可套用本研究之架構，以驗證其配對組相關性之有效性。
研究使用2002年01月01日至2019年08月31日計122檔美國市場商品進行分析與驗證本平臺，其中47檔商品可用於交易商品，配對組合產生5,687組，以進行不同時間分割、高原點數門檻值、高原平均報酬與排序方法配對組分析。由於多商品分析將相當耗時，需大量運算資源產生績效檔案，研究使用「多節點偵測任務分散演算法」，整合多電腦分析提升運算效率。藉由資料視覺化技術呈現分析結果，以快速分析各商品之相關性與獲利穩定度，理解不同市場間之相關性程度，用以協助使用者選擇投資標的。

摘要(英)

Global financial markets are highly connected. There exist different relationships between different markets. It is a big issue to find out lots of multiple financial products correlation efficiently and analyze lots of financial product pairs on profit robustness within in-sample and out-of-sample. However, there is no a well-built system that could solve this problem and achieve this goal.
The purpose of this research is to find out the Intermarket correlation of multiple products efficiently. This study is based on the strategy which Ruggiero（2012）proposes to develop, design, and implement a platform that could automate calculation, backtest, and analysis multiple financial product correlation. This high flexibility platform allows users to customize their own backtest tasks including financial products, periods splits, parameters, and the other configurations. To rank and analysis different pairs the robustness of profit, using the risk parity concept to standardize different kinds of financial products. It could be divided into two parts in-sample and out-of-sample at the stage of the analysis. In-sample applies the “Plateau Searching Algorithm” to find out the sound and robust optimization result surface and to prevent the optimization from overfitting. Based on the prior results, using the DBSCAN to analyze and develop “Plateau Indicator” to evaluate the robustness between different optimization surfaces. Out-of-sample uses the daily profit data to judge the existence parameters correlation to rank the pairs and verification the effectiveness of pairs. Besides the Ruggiero（2012） strategy, other strategies could also practice the architecture of this study to analyze and verification the effectiveness of pairs of correlation.
In this study, using 122 financial products in the American market, from January 1, 2002, to August 31, 2019, are used to analyze and verify this platform. Among these financial products, 47 financial products could be used for trading, the others 122 could be used to confirm the relationship, in summary, produces 5,687 combinations. All of the combinations would apply to different time splits, optimization points threshold, demand of average return, and rank methods to analyze the different pairs performance and the level of robustness on profit. In order to analysis on multiple financial products would be consumed lots of time and computing resources to generate the performance files and needed data, using the “Host-Node-Message Detection Distribution Algorithm” to integrate multiple computers to accelerate the efficiency of computing process.
Finally, the result of this platform analysis would be presented by the charts and tables of the data visualization. This could help the user to perceive the correlation and robustness between different financial products and realize the level of different market correlations quickly. It would be help users to determine the investment targets.

關鍵字(中)

★ 商品相關性
★ 跨市分析
★ 風險平價
★ 資料探勘
★ 分散式運算
★ DBSCAN

關鍵字(英)

★ Financial Products Correlation
★ Intermarket Analysis
★ Risk Parity
★ Data Mining
★ Distribute Computing
★ DBSCAN

論文目次

摘要 i
Abstract ii
誌謝 iv
目錄 v
圖目錄 viii
表目錄 xiv
程式碼目錄 xix
符號與代號說明 xxi
第一章、緒論 1
1.1 研究背景 1
1.2 研究動機 2
1.3 研究目的 5
1.4 研究流程 7
第二章、文獻探討 9
2.1 投資分析 9
2.2 程式交易 11
2.3 統計套利配對交易 13
2.3.1 簡介 13
2.3.2 跨市場商品間交易 14
2.4 資料探勘 16
2.4.1 參數 16
2.4.2 最佳化 16
2.4.3 機器學習 17
2.4.4 修改區域增長演算法 20
2.4.5 每日累積盈虧自動生成 21
2.4.6 驗證與回測 22
2.5 波動性（Volatility） 23
2.5.1 真實波動區間（True Range，TR） 23
2.5.2 風險平價（Risk Parity） 24
2.6 分散式運算 26
第三章、系統設計與實作 27
3.1 系統流程與架構 27
3.2 回測設計與回測任務產生 33
3.2.1 商品配對組合生成 33
3.2.2 回測時間之切割 35
3.2.3 參數範圍選擇 37
3.3 多節點偵測任務分散演算法 38
3.4 程式交易分析 42
3.4.1 自動化回測 43
3.4.2 績效回測 44
3.4.3 高原搜尋演算法 46
3.4.4 修改每日累積盈虧自動生成 48
3.4.5 資料分析 53
3.5 相關性排序建立 55
3.5.1 高原搜尋結果分析 55
3.5.2 高原排序指標 67
3.5.3 高原排序結果分析 70
3.6 相關性排序穩定度分析 76
3.6.1 排序結果比較 76
3.6.2 排序結果比較分析 79
3.6.3 商品配對組選取 82
3.7 相關性參數存續度分析 82
3.8 相關性分析結果呈現 85
3.8.1 分析結果：敘述性統計結果 85
3.8.2 分析結果：排序穩定度分層分析結果 87
3.8.3 資料視覺化：排序名次異動圖與排序名次異動累積圖 87
3.8.4 資料視覺化：商品相關性熱區圖 91
3.8.5 資料視覺化：商品與分類分析圖 96
3.8.6 資料視覺化：參數績效存續圖 98
第四章、系統驗證與分析 100
4.1 驗證架構 100
4.1.1 實驗設計 100
4.1.2 環境設定 101
4.1.3 驗證步驟 102
4.2 驗證方法 104
4.2.1 商品資料集 104
4.2.2 參數設定 105
4.3 驗證結果 107
4.3.1 實驗A：定錨（Anchor）分析 109
4.3.2 實驗B：非定錨（Non-Anchor）分析 202
4.4 驗證結果綜合分析與討論 295
4.4.1 正負相關性比率 295
4.4.2 商品分類類型 298
4.4.3 排序方法與高原點數對獲利穩定度影響 302
4.4.4 相關性獲利穩定度 305
4.4.5 參數存續性與選擇 309
4.5 執行效率 311
第五章、結論 312
5.1 結論 312
5.2 研究限制 314
5.3 未來建議 315
附錄一、分組相對排序穩定度分層比較分析 316
1.1 實驗A：定錨分析 317
1.1.1 90 — 10% 317
1.1.2 80 — 20% 322
1.1.3 70 — 30% 327
1.1.4 60 — 40% 332
1.2 實驗B：非定錨分析 336
1.2.1 90 — 10% 336
1.2.2 80 — 20% 341
1.2.3 70 — 30% 346
1.2.4 60 — 40% 351
附錄二、商品配對分類數量 356
附錄三、各驗證步驟商品組數量 358
附錄四、金融商品列表 364
附錄五、相關性策略回測 370
附錄六、修改每日累積盈虧自動輸出程式 374
附錄七、其他 382
參考文獻 383

參考文獻

ActiveMQ, A. (2020). ActiveMQ 5 Documentation. Retrieved Jul. 1, 2020, from https://activemq.apache.org/components/classic/documentation
Adams, R., & Bischof, L. (1994). Seeded Region Growing. IEEE Transactions on Pattern Analysis and Machine Intelligence, 16(6), 641-647. doi: 10.1109/34.295913
AmiBroker. (2010). Porfolio Backtester Interface Reference Guide. Retrieved May. 16, 2020, from https://www.amibroker.com/guide/a_custombacktest.html
AmiBroker. (2016). AmiBroker Knowledge Base » Custom Backtest. Retrieved Jun. 10, 2020, from http://www.amibroker.com/kb/category/afl/custom-backtest/
AmiBroker. (2018). AmiBroker 6.30 User′s Guide. Retrieved Jul. 1, 2020, from https://www.amibroker.com/guide/
AmiBroker. (n.d.-a). AmiBroker′s OLE Automation Object Model. Retrieved May. 16, 2020, from https://www.amibroker.com/guide/objects.html
AmiBroker. (n.d.-b). Efficient Use of Multithreading. Retrieved Jan. 19, 2020, from https://www.amibroker.com/guide/h_multithreading.html
Beyaz, E., Tekiner, F., Zeng, X., & Keane, J. (2018, Jun. 28-30). Comparing Technical and Fundamental Indicators in Stock Price Forecasting. Paper presented at the 2018 IEEE 20th International Conference on High Performance Computing and Communications; IEEE 16th International Conference on Smart City; IEEE 4th International Conference on Data Science and Systems (HPCC/SmartCity/DSS), pp. 1607-1613.
Buffett, W., & Cunningham, L. A. (2001). The Essays of Warren Buffett: Lessons for Corporate America. New York: The Cunningham Group.
CMoney. (2013). 什麼是投資分析的三大主流. Retrieved May. 16, 2020, from https://www.cmoney.tw/notes/note-detail.aspx?nid=6494
CMoney. (n.d.). 道氏理論. Retrieved May. 16, 2020, from https://www.cmoney.tw/learn/course/technicals/topic/1110
Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A Density-based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. Paper presented at the International Conference on Knowledge Discovery and Data Mining, Vol. 96, No. 34, pp. 226-231.
Eudoxos. (2012). Ordering Shuffled Points that Can Be Joined to Form a Polygon (in Python). Retrieved Jul. 1, 2020, from https://stackoverflow.com/a/10847911/8532583
Faith, C. M. (2007). Way of the Turtle: The Secret Methods that Turned Ordinary People into Legendary Traders. New York: McGraw-Hill Education.
Fama, E. F. (1970). Efficient Capital Markets: A Review of Theory and Empirical Work. The Journal of Finance, 25(2), 383-417. doi: 10.2307/2325486
Gatev, E., Goetzmann, W. N., & Rouwenhorst, K. G. (2006). Pairs Trading: Performance of a Relative-value Arbitrage Rule. The Review of Financial Studies, 19(3), 797-827. doi: 10.1093/rfs/hhj020
Graham, B., & Zweig, J. (2003). The Intelligent Investor : A Book of Practical Counsel. New York: HarperBusiness Essentials.
Graham, R. L. (1972). An Efficient Algorithm for Determining the Convex Hull of a Finite Planar Set. Information Processing Letters, 1(4), 132-133. doi: 10.1016/0020-0190(72)90045-2
Granville, J. E. (1960). A Strategy of Daily Stock Market Timing for Maximum Profit. New Jersey: Prentice-Hall.
Keim, D., Qu, H., & Ma, K. (2013). Big-data Visualization. IEEE Computer Graphics and Applications, 33(4), 20-21. doi: 10.1109/MCG.2013.54
Kenton, W. (2018). MAR Ratio. Retrieved Jun. 1, 2020, from https://www.investopedia.com/terms/m/mar-ratio.asp
Krauss, C. (2017). Statistical Arbitrage Pairs Trading Strategies: Review and Outlook. Journal of Economic Surveys, 31(2), 513-545. doi: 10.1111/joes.12153
Marshall, D. (1997). Region Growing. Retrieved May. 17, 2020, from https://users.cs.cf.ac.uk/Dave.Marshall/Vision_lecture/node35.html
Murphy, J. J.（2015）。跨市交易思維：墨菲市場互動分析新論（Trading with Intermarket Analysis: A Visual Approach to Beating the Financial Markets Using Exchange-Traded Funds）（黃嘉斌譯）（初版）。臺灣，臺北市：寰宇出版股份有限公司。
Narang, R. K. (2009). Inside the Black Box: The Simple Truth about Quantitative Trading. New Jersey: John Wiley & Sons Inc.
Pardo, R. (2008). The Evaluation and Optimization of Trading Strategies (2nd ed.). New Jersey: John Wiley & Sons Inc.
Plotly. (2020). Python Figure Reference. Retrieved Jul. 1, 2020, from https://plotly.com/python/reference/
Qian, E. E. (2005). Risk Parity Portfolios: Efficient Portfolios through True Diversification. PanAgora Asset Management.
Qian, E. E. (2006). On the Financial Interpretation of Risk Contribution: Risk Budgets Do Add Up. Journal of Investment Management, 4(4), 41-51.
Qian, E. E. (2009). Risk Parity Portfolios: The Next Generation. PanAgora Asset Management.
Ramos-Requena, J. P., Trinidad-Segovia, J. E., & Sánchez-Granero, M. A. (2017). Introducing Hurst Exponent in Pair Trading. Physica A: Statistical Mechanics and its Applications, 488, 39-45. doi: 10.1016/j.physa.2017.06.032
Rodriguez, M. Z., Comin, C. H., Casanova, D., Bruno, O. M., Amancio, D. R., Costa, L. d. F., & Rodrigues, F. A. (2019). Clustering Algorithms: A Comparative Approach. PLOS ONE, 14(1), e0210236. doi: 10.1371/journal.pone.0210236
Ruggiero, M. A. (2012, Mar. 29-30). Intermarket Divergence — A Robust Method for Generating Robust Signals for a Wide Range of Markets. Paper presented at the 2012 IEEE Conference on Computational Intelligence for Financial Engineering & Economics (CIFEr), pp. 1-7, New York City, New York, USA.
Train, J. (2009). The Midas Touch: The Strategies that Have Made Warren Buffett the World′s Most Successful Investor. Hampshire, United Kingdom: Harriman House.
Trombetta, G. (n.d.-a). Persistenza, Validazione e Walk Forward Analysis. Retrieved Mar. 23, 2020, from https://www.gandalfproject.com/index.php/articles/219-persistenza-validazione-e-walk-forward-analysis?fbclid=IwAR104AoRKagoRf8KGtWhUMxkFqpEYMEsbGg56X8U05wrhLLswvGGaERzVEk
Trombetta, G. (n.d.-b). Validazione e Robustezza: la "Fascia di Persistenza". Retrieved Mar. 23, 2020, from https://www.gandalfproject.com/index.php/articles/183-validazione-e-robustezza-la-fascia-di-persistenza
Wikipedia. (2020a). DBSCAN. Retrieved Jul. 1, 2020, from https://en.wikipedia.org/wiki/DBSCAN
Wikipedia. (2020b). MQTT. Retrieved Jul. 1, 2020, from https://en.wikipedia.org/wiki/MQTT
Wikipedia. (2020c). 文氏圖. Retrieved Jul. 1, 2020, from https://zh.wikipedia.org/wiki/%E6%96%87%E6%B0%8F%E5%9B%BE
Wilder, J. W. (1978). New Concepts in Technical Trading Systems. North Carolina: Trend Research.
周宏恩. (2015). (分享文)~你不能不知道的MAR指數~我如何評估交易系統的好壞? Retrieved Jun. 1, 2020, from http://fxchess.blogspot.com/2015/06/blog-post.html
姜林杰祐（2012）。程式交易: 方法與實務應用。臺灣，臺北市：新陸書局股份有限公司。
張林忠（2014）。分析師關鍵報告2：張林忠教你程式交易（初版）。臺灣，臺北市：寰宇出版股份有限公司。
朱家泓（2017）。做對5個實戰步驟: 你就是賺錢高手（二版）。臺灣，臺北市：金尉股份有限公司。
李佳威（2015）。交易程式最佳化的多維度分析平台之設計與建置。國立中央大學資訊管理學系碩士論文，臺灣，桃園市。取自https://hdl.handle.net/11296/sn3r88
李桓瑜（2019）。多商品多策略程式交易風險獲利評估與比較之自動化平台設計與實作。國立中央大學資訊管理學系碩士論文，臺灣，桃園市。取自https://hdl.handle.net/11296/777j4t
臺灣證券交易所. (2019). 投資人類別成交值比重統計表. Retrieved May. 16, 2020, from https://www.twse.com.tw/statistics/count?url=%2FstaticFiles%2Finspection%2Finspection%2F07%2F031%2F2019_C07031.zip&l1=%E8%AD%89%E5%88%B8%E7%B5%B1%E8%A8%88%E8%B3%87%E6%96%99%E5%B9%B4%E5%A0%B1&l2=%E3%80%90%E6%8A%95%E8%B3%87%E4%BA%BA%E9%A1%9E%E5%88%A5%E4%BA%A4%E6%98%93%E6%AF%94%E9%87%8D%E7%B5%B1%E8%A8%88%E8%A1%A8%E3%80%91%E5%B9%B4%E5%A0%B1
許嘉恩（2018）。利用移動窗格法驗證程式交易策略樣本內外穩健性的自動化平台設計研究。國立中央大學資訊管理學系碩士論文，臺灣，桃園市。取自https://hdl.handle.net/11296/2u875g
鄭皓元（2018）。以分散式運算分析多商品主副策略最適性之自動化平台設計與驗證。國立中央大學資訊管理學系碩士論文，臺灣，桃園市。取自https://hdl.handle.net/11296/3g8nue
顏茂城（2017）。應用資料探勘於自動化交易策略之獲利能力評估的模型與平台設計及建置。國立中央大學資訊管理學系碩士論文，臺灣，桃園市。取自https://hdl.handle.net/11296/3hqb5w

指導教授

許智誠(Chih-Cheng Hsu)

審核日期

2020-7-9

推文