(簡體)股票預測相關理論

#i日股價平盤時成交值；25.每一加權股價指數點數的成交值(TotalAmountPerWeightedStockPriceIndex；TAPI)：TAPI=每日成交總值(百萬元)三每日發(fā)行量加權股價指數(點數)龍°TAPIiTAPI=i(2-4.61)101026.江波分析法：每筆買進張數二委托買進張數三委托買進筆數(2-4.62)每筆賣出張數=委托賣出張數三委托賣出筆數(2-4.63)每筆成交張數=成交總張數三成交總筆數(2-4.64)三〉市場寬幅技術指標27.上漲或下跌股票家數漲跌比率(AdvanceDeclineRatio；ADR)：2-4.65)ADR=102-4.65)1010日內股票下跌累計家數28.騰落指標(AdvanceDeclineLine；ADL)：今日累積ADL值=前一日累積ADL值+每日股票上漲家數一每日股票下跌家數(2-4.66)29.阿姆斯指數(ARMSIndex；AI)“AIJDIAI—iAVDViAI—i(2-4.67)1010其中，AI'代表上漲家數；DI代表下跌家數；AV上漲成交張數；DV代表下跌成交張數。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；DI代表下跌家數；AV上漲成交張數；DV代表下跌成交張數。驅動振蕩指針(ThrustOscilltor；TO)：TO=Cl'xAV-DIxDvKtxAV+DIxDV(2-4.70)其中，AI'代表上漲家數；DI代表下跌家數；AV上漲成交張數；DV代表下跌成交張數。買超賣超指標(OverBuy/OverSell；OBOS)：OBOS10=10日內股票上漲累計家數一10日內股票下跌累計家數(2-4.71)心理線(PsychologicalLine；PSY)：PSY=(13日內上漲天數合計數三13)X100(2-4.72)13〈四〉其它技術指標(60)今日融資余額金額：(61)今日融券剩余張數：參、將類神經網絡運用于股票預測之相關文獻一、國外學者研究〈一〉HalbertWhite之研究(1988)選取IBM普通股，用類神經網絡進行預測每日報酬率，經網絡學習訓練后其預測能力并不準確，其主要原因是網絡陷入局部最小值，無法跳脫，所以，預測能力相當差?！炊礢choneburg之研究(1990)以感知機及倒傳遞兩種網絡架構進行預測，發(fā)現(xiàn)使用類神經網絡對

于短期股價預測尚可達90%之高的預測準確率?！慈礣akashiKimotoandAsakawaKazuo之研究(1990)依據四個獨立的類神經網絡仿真的結果，以日經指數作為研究目標，輸入變量為乖離率曲線、成交量、利率、匯率、紐約道瓊指數等數據進行訓練學習，輸出為預測股價指數，結果顯示，運用類神經網絡模式獲得高額報酬遠較利用回歸分析模式所得的結果為佳?！此摹礙en-ichiKamijoandTanigawaTetsuji之研究（1990）運用類神經網絡來辨識日本股價K線圖，主要是再辨識三角K線圖以找出股價變動趨勢，經過15組訓練范例的學習后，運用16組測試數據進行預測試驗，結果在16組測試數據中共可辨識15組，其正確率高達93.8%?！次濉礛arkB.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指數及當日S&P和5日前指數之差異等六項輸入值進行預測S&P500指數，其網絡架構為倒傳遞類神經網絡，經過網絡訓練學習后雖可以預測指數漲跌，但其預測誤差有逐步增加的趨勢。六〉S.Margarita之研究（1991）運用類神經網絡及遺傳算法分析股票市場，希望能運用類神經網絡建構一個能夠提供投資者較佳投資策略的模式。〈七〉Y.YoonandJ.Swales之研究（1991）以四層的倒傳遞網絡架構對于股票價格進行預測，且將預測結果和MDA（MultipleDiscriminantAnalysis）進行比較，結果發(fā)現(xiàn)類神經網絡表現(xiàn)較佳。八〉NoriaBabaandKozakiMotokazu之研究（1992）使用15個輸入神經元，二層隱藏層及一個輸出神經元來建構預測日本股價趨勢的類神經網絡，而且發(fā)現(xiàn)如過在學習訓練前分成上漲趨勢數據和下跌趨勢數據進行訓練時，預測結果會有較好的準確率，但趨勢如果決定錯誤那將會使預測準確率下降?！淳拧礕ia-ShuhJang,FeipeiLaiandTai-MingParng之研究（1993）利用一個21個輸入神經元，11個隱藏神經元和一個輸出神經元的倒傳遞類神經網絡，并運用雙重調整結構來調整網絡學習法則，使網絡能自動合成解決問題，來預測臺灣股票指數漲跌的趨勢，結果發(fā)現(xiàn)，在預測準確上，較固定結構倒傳遞類神經網絡要好約40%?51%?！词礙ryzanowskiLawrence,GallerMichaelandDavidW.Wright之研究（1993）以公司的財務數據作為輸入數據，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據，經由類神經網絡學習歷史數據輸入和輸出關系后，在利用此關系來對輸入數據進行預測，結果發(fā)現(xiàn)預測率高達72%。十一〉GencayRamazan之研究（1996）運用平均移動法則當作類神經網絡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網絡非線性模式進行預測，結果非線性倒傳遞類神經網絡模式預測能力較好?！词礙aiFuandWenhuaXu之研究（1997）利用遺傳算法訓練類神經網絡并以上海股價指數為預測目標，結果顯示遺傳算法配合類神經網絡對于短期股價預測有很好的預測效果。二、國內學者研究〈一〉潘曉駿（民國84年）使用倒傳遞網絡配合網絡修剪來進行股票價格預測，結果發(fā)現(xiàn)輸出神經元使用漲跌幅配合濾嘴法，比使用FK值的方法在網絡修剪前有高出15.3%之超額報酬；而網絡平均縮減為69.46%時，有高出16.69%的超額報酬，比網絡修剪前高出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生11.74%之超額報酬?！炊挡碳挝模駠?5年）利用技術指針做為模糊類神經網絡輸入值而用來預測股價的漲跌幅，研究發(fā)現(xiàn)，股價預測模糊類神經網絡兼具類神經網絡學習和模糊理論解決語意模糊的優(yōu)點，且具有相當的穩(wěn)健性、正確性、可更新性及解釋能力。模糊類神經網絡修剪后較倒傳遞類神經網絡平均準確率高出49%。〈三〉王春笙（民國85年）使用十項技術指針作為網絡輸入數據，而輸出值即是預測股價六日、十二日、十八日后的漲跌情形，研究結果，以漸進交易策略，在類神經網絡部分，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）將模糊類神經網絡對非量化因素之預測趨勢值配合技術分析之量化因素，先經由遺傳算法求出模糊類神經網絡神經元間連結權重值，再用來訓練神經網絡，而得到智能型預測系統(tǒng)，其預測結果得到3.86%的預測均方誤差，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，對股市預測更具準確性與敏銳性。五〉楊豐松（民國86年）整合類神經網絡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果。研究結果，網絡輸入變量由13個縮減為10個，而其預測準確率為57.5%和一般為篩選信息所得預測率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）透過因特網擷取證券市場每小時成交價量數據，經由倒傳遞網絡模式分析個股日內價量關系，進一步預測個股十一時至十二時價格變化幅度。研究結果發(fā)現(xiàn)，實際變化幅度差距不超過1%的情形下，如果包含大盤指數一起預測共二十種標的，其平均預測準確率達69.4%，但如果不包含大盤指數預測，則十九種標的股票整體預測準確率達68.4%。七〉梅玉成（民國87年）利用兩種分布式類神經網絡分別訓練代表性的技術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）運用灰色關聯(lián)分析提供量化技術指標篩選明確準則；灰色統(tǒng)計是將領域專家意見轉換成一量化事件權重值；最后利用倒傳遞網絡模式與回饋式類神經網絡模式進行期指價格訓練和預測。研究結果發(fā)現(xiàn)，包含非量化指針于類神經網絡的訓練，其預測能力較單獨使用量化技術指標好；回饋式類神經網絡預測能力較前饋式類神經網絡強；以灰色預測值當一量化技術指標，能改善類神經網絡的收斂誤差。九〉袁澤峻（民國87年）將訓練數據分成景氣循環(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網絡學習期間界定，研究結果顯示，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)法預測正確率達68.33%,不區(qū)分景氣循環(huán)選取數據，并無明顯預測能力，所以，采用景氣循環(huán)期間選取數據，較能找出該期間影響股價指數漲跌的輸入變量，應用于類神經網絡有較高的預測能力。十〉謝企榮（民國88年）以量化因素模式為基礎，進而與非量化因素相結合，進行股價指數之預測；量化指標方面，以灰關聯(lián)分析篩選和市場指數關聯(lián)度較高之技術指標；非量化因素方面，針對影響市場的非量化因素搜集相關資料后以專家問卷的方式調查，以灰色統(tǒng)計歸納整理出完整的數據庫，利用結合量化指標和非量化指針建立最佳類神經網絡結合灰色數據庫，進而發(fā)展出整合型類神經網絡預測模式，經研究結果發(fā)現(xiàn)，最佳類神經網絡其買賣訊號顯著率33.58%，平均每次買賣績效3.93元；整合型類神經網絡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網絡表現(xiàn)較佳。十一〉吳秉奇（民國88年）透過人工智能的類神經網絡方法，以臺灣期貨交易所推出的臺灣發(fā)行加權量股價指數期貨為應用對象，進行實證研究，以各項技術指針為輸入變量，預測未來期貨指數的漲跌幅度。以不同的預測標的、不同的出場策略及不同的資金分配策略，