以遗传演算法建构台湾股市买卖决策规则之的研究.docVIP

以遺傳演算法建構台灣股市買賣決策規則之研究 Building Taiwan Stock Market Trading Rule Using Genetic Algorithms 連立川 中華大學土木工程學系 葉怡成 中華大學土木工程學系 謝明勳 中華大學營建管理研究所 摘要 本研究採用歷史股價指數及成交值所轉換的價量技術指標做為輸入參數，運用適當之編碼方式及邏輯判斷式來表示買賣決策規則，並在考慮交易成本下以期末資金做為適應度函數，應用遺傳演算法(Genetic Algorithms, GA)的最佳化能力建構投資策略。研究結果顯示，在產生之250組決策規則之平均年獲利率為4.7%，相對獲利係數為1.13，皆高過單一技術指標買賣決策規則的年獲利率1.8%及相對獲利係數1.10，與買入持有策略下的年獲利率 -7.2%及相對獲利係數1.00。因此，GA所建構之買賣決策規則確實優於單一技術指標買賣決策規則及買入持有策略。 關鍵字：技術指標、遺傳演算法、買賣決策規則，買入持有策略。 1. 導論 證券價格常受人為因素、政治因素、經濟因素、競爭條件、及突發事件等多種因素影響。綜觀股價的研究分析如基本面分析、技術分析、或心理面分析等，無不試圖從股價交易的行為中探索其變化規律。事實上證券交易在諸多分析中，時常出現某些可供買賣之參考依據，然而由於證券市場是一開放及動態的環境，變化規律會隨著時間、環境變動而產生變遷。因此，如何建構一套買賣決策模式，能隨著時間及環境變動等因素來動態調整其投資策略，據此決定進出買賣證券的最適時機，是一個十分值得探討的課題[1]。 遺傳演算法(Genetic Algorithms，以下簡稱GA)，是人工智慧的演算法之一，係Holland(1975)根據自然界生物系統演化過程所開發出來的，其目的在於設計一計算系統，從模擬自然界「適者生存，不適者淘汰」的機制中來尋找最適解。由於GA具有解非線性離散最佳化問題的能力，已成為研究者經常採用的最佳化方法之一[2]。近年來研究者對於應用人工智慧技術於財務上的實際應用日漸重視，其中包括時間序列、類神經網路、遺傳演算法、或演算法彼此結合應用的最佳化方法，諸如遺傳演算法在發展股市投資專家知識規則之研究[1]、應用遺傳演算法於大盤分析技術指標之最適化[3]、遺傳演化類神經網路在預測台股指數期貨的應用[4]、以類神經網路預測台灣股價報酬率[5]、比較時間序列法與基因規劃法在台灣股票選擇權日內價格定價模型之研究[6]、以及結合MACD與類神經模糊技術之股票預測模型[7]等，整理如表一所示。 表一 文獻回顧 文 獻 研究內容 [1] 採用6日RSI、6日價BIAS、6 日量BIAS及13日PSY指標，策略在於找出技術指標與常數值域的組合，目標在於最大化訓練期間之報酬率，並計算測試期間的報酬率。結果顯示，遺傳演算法所產生之買入及賣出規則，其報酬率皆高於傳統上若指標高於某一常數則買入，低於某一常數則賣出的策略之報酬率。 [3] 以台灣股市為例，將知識庫中的規則模組語法加以定義，再藉由遺傳演算法的搜尋機制，從資料庫中擷取影響投資決策的技術分析指標，求得最佳的交易策略知識。研究的結果指出，以遺傳演算法來建構交易系統知識庫，可以有效的將關鍵的規則集納入。而經過實際模擬驗證後，由此產生的規則集，在獲利能力與風險管理的控制上，也有優異的表現。 [4] 結合遺傳演算法所建構的類神經網路，以預測臺灣期貨交易所之臺股指數期貨為對象，比較在傳統操作策略(順向操作、逆向操作、迴歸操作及買進持有策略)與遺傳演化類神經網路之優劣。結果顯示，不管有無考慮技術指標，遺傳演化類神經網路所預測出的準確率及報酬率均優於迴歸策略；且有考慮技術指標之遺傳演化類神經網路所預測出之準確率及報酬率，較不考慮技術指標之遺傳演化類神經網路者為優。 [5] 將學習變數分為兩組，不考慮總體面變數(僅考慮公司基本面及市場面因素)與考慮總體面變數(包括國家經濟面、公司基本面及市場面因素)，以倒傳遞類類神經網路來學習並預測電子股價報酬率的正負。另外，也探討類神經網路學習變數對預測的影響，與上升、轉折與下降階段的預測情形。實證結果顯示，總體面變數影響股價報酬率的預測，其正確率可達77.78%。 [6] 以台灣期貨交易所上市買賣之股票選擇權買權為主要研究對象，比較時間序列法、基因規劃法及基因規劃與時間序列混合法，建立股票選擇權的日內價格路徑模型。結果顯示，用時間序列法來建構模型其預測績效較其它兩種方法者為優。 [7] 研究以技術分析進行預測，採用代表大盤情況的威廉指標與相對強弱勢指標，與代表個股訊息的MACD 指標與乖離率指標，針對各個指標之不同特性進行指標模糊化的動作，並運用類神經模糊系統將此四種指標進行結合，以發揮最大功效。研究結果得知，採用類神經模