多目標遺傳演算法於基本面選股策略之應用

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：54

、訪客IP：18.117.156.170

姓名

劉慧敏(Hui-Min Liu) 查詢紙本館藏

畢業系所

資訊管理學系

論文名稱

多目標遺傳演算法於基本面選股策略之應用
(An Application of Multi-Objective Genetic Algorithms on Fundamental Selection Strategy)

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	★ 證券交易策略發掘
★ 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)

多目標最佳化最困難的地方，莫過於如何在多個目標之間取捨，以取得最佳的平衡點。投資人在選股時，也面臨這樣的兩難。因為在選擇投資組合的過程中，需要滿足報酬率和風險等績效目標，由於報酬率和風險兩者間相互衝突的特性，使得投資人往往不清楚其偏好或各目標之相對重要性為何，因此在評估最佳投資組合的過程中，會同時產生多組效率投資組合，此相當於多目標最佳化過程中，所產生的柏拉圖最佳解。故投資組合選擇問題是一複雜的多目標最佳化問題。
　　為達到最佳化多項評估指標的目的，過去諸多研究，常常將這些投資組合評估指標，以加權方式結合成單一目標函數，這樣的方法並不能解決目標之間互相衝突的情況，雖然有釵h其他傳統最佳化方法可解決此問題，然而，這些傳統方法的最大限制在於，一次只能求得一個最佳解，且求解的過程相當繁瑣。
　　本研究提出此多目標最佳化選股策略架構的目的，為幫助投資人解決運用公司基本面資料選擇最佳投資組合時，必須在多個衝突的評估函數間取捨的困境；同時使用多目標遺傳演算法技術實作此多目標最佳化選股系統，以解決傳統最佳化方法所遇到的瓶頸與限制。經由台灣股市實證結果顯示，在實驗期間，多目標最佳選股策略的所有目標績效大致上比類股、加權指數佳；相較於單目標最佳選股策略，多目標最佳選股策略的目標績效則大致上不比前者差，或甚至更好，代表此多目標最佳選股策略是能滿足投資人的所有目標績效之非超越解。由此驗證本研究架構的確能運用於解決多目標最佳化的選股問題上。

摘要(英)

Real-world problems involve multiple objectives that need to be optimized simulta-neously. So does investment problem. In this paper, we propose a framework of stock portfo-lio selection strategies based on MOGA and using fundamental data of company’s financial statements. MOGA is well suited to solve these multi-objective optimization problems since a family of “acceptable” solutions – a Pareto set – can be identified by different individuals through the evaluation process. We implement the framework with VEGA, a kind of MOGA method. Our preliminary experiments show that the results of these MOGA-based strategies are promising.

關鍵字(中)

★ 遺傳演算法
★ 多目標遺傳演算法
★ 基本分析
★ 財務報表
★ 選股策略

關鍵字(英)

★ Financial Statements
★ Fundamental Analysis
★ MOGA
★ Multi-objective Genetic Algorithms
★ GA
★ Genetic Algorithms
★ Selection Strategy

論文目次

第1章緒論 1
1.1 研究背景 1
1.2 研究動機與目的 1
1.3 研究範圍 3
1.4 研究限制 3
1.5 論文架構 3
第2章文獻探討 4
2.1 基本分析與股價報酬之關係 4
2.2 投資組合理論 6
2.3 多目標最佳化 9
2.4 遺傳演算法(GA) 11
2.5 多目標遺傳演算法(MOGA) 18
第3章系統架構 25
3.1 研究架構 26
3.2 選股條件與VEGA編碼 26
3.3 選股頻率與投資方式 28
3.4 選股目標與適應函數 28
第4章實驗設計與分析 31
4.1 實驗設計 31
4.2 實驗假設 31
4.3 資料來源與處理 32
4.4 實驗環境 32
4.5 VEGA演化參數 33
4.6 投資對象與選股條件 34
4.7 移動視窗 35
4.8 實驗一數據 35
4.9 實驗二數據 38
4.10 實驗分析 41
第5章結論與建議 46
5.1 研究結論 46
5.2 研究貢獻 46
5.3 後續研究建議 46
參考文獻 48
附錄 51

參考文獻

1.王淑芬，「投資學」，華泰書局，1995。
2.杜金龍，「基本分析：在台灣股市應用的訣竅」，金錢文化，1996。
3.杜金龍，「價值分析在台灣股市個股應用的訣竅」，財訊出版社，2001。
4.林萍珍，「遺傳演算法在使用者導向的投資組合選擇之應用」，中央大學資訊管理研究所碩士論文，1998。
5.侯佳利，「組合編碼遺傳演算法於投資組合及資金分配之應用」，中央大學資訊管理研究所碩士論文，2001。
6.釭皒菕A「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，2000。
7.陳柏年，「應用遺傳演算法於財務指標選股策略之探討」，中央大學資訊管理研究所碩士論文，2001。
8.蕭永一，「股市交易策略鑑別系統：使用改良式遺傳演算法則」，台灣大學資訊工程學研究所碩士論文，1996。
9.謝劍平，「財務管理：新觀念與本土化」，智勝文化，1997。
10.Ball and Brown,“An Empirical Valuation of Accounting Numbers,”Journal of Accounting Research, 1968, pp. 159-178.
11.Bauer, R. J., Genetic Algorithms and Investment Strategies, John Wiley & Sons, 1994, pp. 103-213.
12.Chipperfield, A. and Fleming, P.,“Gas Turbine Engine Controller Design using Multiobjective Genetic Algorithms,”in Proceedings of the First IEE/IEEE International Conference on Genetic Algorithms in Engineering Systems Innovations and Applications, 1995, pp. 214-219.
13.Coello, C. A. C.,“A Comprehensive Survey of Evolutionary-based Multiobjective Optimization,”Knowledge and Information Systems, 1999.
14.Deb, K. and Goldberg, D. E.,“An Investigation of Niche and Species Formation in Genetic Function Optimization,”in Proceedings of the Third International Conference on Genetic Algorithms, 1989, pp. 42-50.
15.Deb, K.,“Evolutionary Algorithms for Multi-Criterion Optimization in Engineering Design,”in Proceedings of Evolutionary Algorithms in Engineering and Computer Science, 1999.
16.Easton, P. D.,“Accounting Earnings and Security Valuation: Empirical Evidence of the Fundamental Links,”Journal of Accounting Research, Vol.23, 1986, pp. 54-77.
17.Fonseca, C. M. and Fleming, P. J.,“Genetic Algorithms for Multiobjective Optimization: Formulation, Discussion and Generalization,”in Proceedings of the Fifth International Conference on Genetic Algorithms, 1993, pp. 416-423.
18.Fonseca, C. M. and Fleming, P. J.,“An Overview of Evolutionary Algorithms in Multiobjective optimization,”Evolutionary Computation, 3(1), Spring, 1995, pp. 1-16.
19.Goldberg, D. E. and Richardson, J.,“Genetic Algorithms with Sharing for Multimodal Function Optimization,”in Proceedings of the Second International Conference on Genetic Algorithms, 1987, pp. 41-49.
20.Goldberg, D. E., Genetic Algorithms in Search, Optimization and Machine Learning, Addison Wesley, Reading, Massachusetts, 1989.
21.Holland, J. H., Adaptation in Natural and Artificial Systems, University of Michigan Press, Ann Arbor, MI, 1975.
22.Horn, J., Nafpliotis, N. and Goldberg, D. E.,“A Niched Pareto Genetic Algorithm for Multiobjective Optimization,”in Proceedings of the 1994 IEEE International Conference on Evolutionary Computation (ICEC’94), 1994, pp. 82-87.
23.Orito, Y. and Yamazaki, G.,“Index Fund Portfolio Selection by Using GA,”in Proceedings of the Fourth International Conference on Computational Intelligence and Multimedia Applications (ICCIMA), 2001, pp.118-122.
24.Ou, J. A. and Penman, S. H.,“Financial Statement Analysis and the Prediction of Stock Returns,”Journal of Accounting and Economics, Vol. 12, 1989, pp. 296-329.
25.Ou, J. A.,“The Information Content of Nonearnings Accounting Numbers as Earnings Predictors,”Journal of Accounting Research, Spring, 1990, pp. 144-163.
26.Richardson, J. T., Palmer, M. R., Liepins, G.. and Hilliard, M.,“Some Guidelines for Genetic Algorithms with Penalty Functions,”in Proceedings of the Third International Conference on Genetic Algorithms, 1989, pp. 191-197.
27.Schaffer, J. D.,“Multiple Objective Optimization with Vector Evaluated Genetic Algorithms,”in Proceedings of the First International Conference on Genetic Algorithms, 1985, pp. 93-100.
28.Shoaf, J. and Foster, J.A.,“The Efficient Set GA for Stock Portfolio,”in Proceedings of the 1998 IEEE International Conference on Evolutionary Computation (ICEC’98), 1998, pp. 354-359.
29.Srinivas, N. and Deb, K.“Multiobjective Optimization Using Nondominated Sorting in Genetic Algorithms,”Evolutionary Computation, 2(3), Fall, 1994, pp. 221-248.
30.Surry, P. D., Radcliffe, N. J. and Boyd, I. D.,“A Multi-objective Approach to Constrained Optimization of Gas Supply Networks: The COMOGA Method,”in Evolutionary Computing, AISB Workshop, Selected Papers, Lecture Notes in Computer Science, 1995, pp. 166-180.
31.Tamaki, H., Nishino, E. and Abe, S.,“A Genetic Algorithm Approach to Multi-Objective Scheduling Problems with Earliness and Tardiness Penalties,”in Proceedings of the 1999 IEEE International Conference on Evolutionary Computation (ICEC 99), 1999, pp. 46-52.
32.Xia, Y., Liu, B., Wang, S. and Lai, K. K.,“A Model for Portfolio Selection with Order of Expected Returns,”Computer & Operations Research, 2000, pp. 409-422.

指導教授

陳稼興(Jiah-Shing Chen)

審核日期

2002-6-23

推文