Please use this identifier to cite or link to this item: http://hdl.handle.net/11455/98263
標題: 結合類神經網路預測與投資策略於台灣50指數股票型基金之操作
Combining Artificial Neural Network Prediction and Investment Strategy in the Operation of Taiwan Top 50 ETF
作者: 陳全溢
Chuan-Yih Chen
關鍵字: 元大台灣50;倒傳遞類神經網路;平均絕對誤差;Yuanta/P-shares Taiwan Top 50 ETF;Backpropagation Neural Network;Mean Absolute Error
引用: 1. 中文部分 [1] 葉怡成(1997),應用類神經網路,儒林圖書公司。 [2] 葉怡成(2003),類神經網路模式應用與實作,儒林圖書有限公司。 [3] 簡辰丞(2001),「結合MACD與類神經模糊技術之股票預測模型-以臺灣金融股為例」,靜宜大學企業管理研究所碩士論文。 [4] 林天運(2007),「大盤未來走勢預測-KD指標的實證分析」,國立成功大學國際企業研究所碩士論文。 [5] 鄭宜典(2007),「基本分析與技術分析之投資績效比較」,國立中興大學會計學研究所碩士學位論文。 [6] 蔡依玲(2001),「台灣股票市場報酬率之研究」,國立成功大學統計研究所碩士論文。 [7] 邱一薰(2005),「類神經網路預測台灣50 股價指數之研究」,國立彰化師範大學資訊管理學系碩士論文。 [8] 李育叡(2011),「應用倒傳遞類神經網路於台灣50指數預測之最佳化模式分析」,國立中興大學應用數學系中等學校教師在職進修數學教學碩士學位班碩士學位論文。 [9] 陳昌捷(2015),「以倒傳遞類神經網路預測股市指數」,國立宜蘭大學多媒體網路通訊數位學習碩士在職專班碩士論文。 [10] Weka https://www.cs.waikato.ac.nz/ml/weka/ [11] 台灣證券交易所 http://www.twse.com.tw/zh/page/ETF/intro.html。 [12] 綠角財經筆記-不定期投入的報酬率計算-好用的XIRR函數使用介紹http://greenhornfinancefootnote.blogspot.com/2014/07/xirr.html。 [13] MBAlib智庫百科-年化收益率 http://wiki.mbalib.com/zh-tw/%E5%B9%B4%E5%8C%96%E6%94%B6%E7%9B%8A%E7%8E%87。 2. 西文部分 [14] Eugene F. Fama, 'Efficient Capital Markets: A Review of Theory and Empirical Work.', The Journal of Finance, Vol.25, no 2, P.383-417, May, 1970. [15] Funahashi, K., 'On the approximate realization of continuous mappings by neural networks', Neural Networks, vol.2, pp.183-192, 1989. [16] Villiers, J., Barnard, E., 'Back-propagation neural nets with one and two hidden layers', IEEE Transation On Neural Network, Vol.4, No.1, pp.136-141. 1992.
摘要: 
股票價格是否可以被預測一直為投資人與學者所探討,股價若可以被預測,則投資人可以在股市獲取超額利潤。本研究提出一套植基於倒傳遞類神經網路模型,找出最佳的5組參數組合,檢測並探討是否能較精準預測股票現貨之隔日收盤價,並以此參數組合進行模擬各式投資策略,探討在這些模擬的投資條件下,有較優的獲利。
本研究選擇「元大台灣卓越50證券投資信託基金」(簡稱:元大台灣50)做為研究標的,研究範圍為2007年至2016年10年的每日交易數據,以前9年的數據為訓練資料、最後1年為測試資料。本研究在建置倒傳遞類神經網路模型中,選擇平均絕對誤差(MAE)評估值最小的5個模型參數組合,其中以模型(17-6-1;0.7、0.1、5,000)的評估值最小為0.5343。最後,以平均絕對誤差值最小的5個網路架構模型,並用四種投資策略進行模擬投資並與技術指標及買進持有(Buy and Hold)策略模擬投資結果進行比較。由實證結果得知以投資策略四(二次轉換且考慮預測報酬率)中順序1的網路架構(17-6-1)2016年累積獲利金額最高。因此,本研究結合倒傳遞類神經網路模型的預測能力應用於元大台灣50的投資策略是較精準的。

Whether the stock price is predictable has been discussed by investors and scholars for a long time. If the stock price can be predicted, investors are able to obtain excess profits from stock markets. This study builds a Backpropagation Neural Network model to find five best sets of parameters and explore whether portfolios, which are proposed by this study, can effectively predict the stock spots' closing price on the next day. This study also simulates investment strategies, which depend on the sets of parameters, and explores whether the strategies profit effectively.
First, the transaction data of 'Yuanta/P-shares Taiwan Top 50 ETF' are selected as the subject of research. Second, this study chooses five best sets of parameters with less Mean Absolute Error (MAE), the model (17-6-1; 0.7, 0.1, 5,000) has the smallest MAE 0.5343, to construct model of Backpropagation Neural Network. Last but not least, this study applies four investment strategies, which are derived from five best sets of parameters, to simulate investments and compare with the simulation derived from technical indicators and buy-and-hold.
The empirical results show that one of the investment strategy (apply twice transformation, which means if the closing price on next day is positive predicted by model twice in a row, the model will buy the stock, and consider Return On Investment, ROI) with the model (17-6-1) has the highest cumulative profits. Therefore, this study proposes investment strategies, which apply Backpropagation Neural Network to 'Yuanta/P-shares Taiwan Top 50 ETF,' are effective.
URI: http://hdl.handle.net/11455/98263
Rights: 不同意授權瀏覽/列印電子全文服務
Appears in Collections:資訊管理學系

Files in This Item:
File SizeFormat Existing users please Login
nchu-107-5103029002-1.pdf1.42 MBAdobe PDFThis file is only available in the university internal network    Request a copy
Show full item record
 

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.