1 / 43

類神經網路與財務分析預測

類神經網路與財務分析預測. 指導教授：陳牧言　老師 組員：資管四 1 　　　劉柏駿　陳柏村　蔡信宏 　　　李志誠　洪聲甫　李紹剛. 報告大綱. 緒論 文獻探討 研究方法 實驗結果與分析 結論 參考文獻. 一、緒論 研究動機 研究目的 研究方法 研究資料與所需軟體. 研究動機. 股票市場一直是一個風險極高的投資市場，原因在於影響股價的因素太多，使得股票市場難以預測 若類神經網路能夠有效的模擬此類複雜系統的行為，則可以給予我們極大的幫助. 研究目的. 本研究預期達成的目標 利用不同的演算法，比較何者能取得較佳的預測能力

gigi
Download Presentation

類神經網路與財務分析預測

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 類神經網路與財務分析預測 指導教授：陳牧言　老師 組員：資管四1 　　　劉柏駿　陳柏村　蔡信宏 　　　李志誠　洪聲甫　李紹剛

  2. 報告大綱 • 緒論 • 文獻探討 • 研究方法 • 實驗結果與分析 • 結論 • 參考文獻 類神經網路與財務分析

  3. 一、緒論研究動機研究目的研究方法研究資料與所需軟體一、緒論研究動機研究目的研究方法研究資料與所需軟體

  4. 研究動機 • 股票市場一直是一個風險極高的投資市場，原因在於影響股價的因素太多，使得股票市場難以預測 • 若類神經網路能夠有效的模擬此類複雜系統的行為，則可以給予我們極大的幫助 類神經網路與財務分析

  5. 研究目的 • 本研究預期達成的目標 • 利用不同的演算法，比較何者能取得較佳的預測能力 • 技術指標經主成分分析萃取過後，是否能達到較高的預測能力 • 比較預測模型應用於美國道瓊與台灣大盤，是否有所差異 類神經網路與財務分析

  6. 研究方法 • 文獻探討 • 股票資料收集與整理 • 技術指標計算 • 資料正規化 • 資料排序 • 輸入值主成分分析 • 類神經模型分析 • 結果輸出 • 比較正確率 類神經網路與財務分析

  7. 研究資料與所需軟體 • 研究資料 • 美國道瓊：1993/02/15-2004/12/30，共2487筆 • 台灣大盤：1993/02/18-2010/01/20，共4442筆 • SPSS17.0 • 進行主成分分析，萃取出價量值較高的技術指標 • NeuroSolution 5 • 建構類神經模型並輸出預測結果 • Excel • 進行預測值與實際值的準確率比較 • OS • Windows XP 類神經網路與財務分析

  8. 二、文獻探討類神經網路原理 類神經網路類型 類神經網路模型理論基礎

  9. 類神經網路原理 • 人工神經元模型可用輸入值的加權乘積和之函數來表示： • Xi：輸入變數，模仿生物神經元的輸入訊號 • Yj = 輸出變數，模仿生物神經元的輸出訊號 • f= 轉換函數，仿生物神經元的非線性處理機能 • Wij= 連接加權值，模仿生物神經元的突觸強度 • Θj= 門限值，模仿生物神經元的閥值又稱偏權值 類神經網路與財務分析 圖1.大腦神經系統與人工網路系統(葉怡成,2004)

  10. 類神經網路類型 • 監督式學習網路(Supervised learning network) • 多層感知網路(Multilayer Perception,MLP) • 支援向量機(Support Vector Machine,SVM) • 倒傳遞網路（Back-propagation Network,BPN） • 機率神經網路（Probabilistic Neural Network,PNN） • 學習向量量化網路（Learning Vector Quantization,LVQ） • 遞迴網路（Recurrent Networks,RN） 類神經網路與財務分析

  11. 類神經網路類型 • 非監督式學習網路(Unsupervised learning network) • 自組織映射網路（Self-Organization Map, SOM） • 自適應共振理論網路（Adaptive Resonance theory Network, ART） • 聯想式學習網路（Associate learning network） • 霍普菲爾網路（Hopfield Neural Network,HNN) • 雙向聯想記憶網路（Bi-directional Associative Memory,BAM） • 最適化應用網路（Optimization application network） • 霍普菲爾-坦克網路（Hopfield-Tank Neural Network,HTN） • 退火神經網路（Annealed Neural Network,ANN） 類神經網路與財務分析

  12. 類神經網路模型理論基礎 • 多層感知網路(Multilayer Perception, MLP) • 學習策略：監督式學習 • 網路架構：前向式架構 • 主要應用：診斷預測、樣本識別、分類問題、函數合成 • 主要特點：應用普遍、成功案例多、學習精度高、理論簡明 類神經網路與財務分析 圖2.多層感知網路架構，每一層神經元間都有連繫關係的權重

  13. 類神經網路模型理論基礎 • 自組織特徵映射網路(Self-Organizing Feature Map Network, SOFM) • 競爭式學習網路 • 學習策略：無監督式學習 • 網路架構：前向式架構 • 主要應用：聚類問題、拓樸映射 • 主要特點：具有鄰近區域觀念、學習速度快 類神經網路與財務分析 圖3.自組織學習方式

  14. 類神經網路模型理論基礎 • 遞迴網路(Recurrent Network, RN) • 學習策略：監督式學習 • 網路架構：回饋式架構 • 主要特點：非線性資料、預測與分析、最適化效果比SVM佳 • 主要應用：股市預測、機器人、自適應控制、時間序列 類神經網路與財務分析 圖4.Multilayer Perception Network 與 Recurrent Network

  15. 類神經網路模型理論基礎 • 支援向量機(Support Vector Machine, SVM) • 學習策略：監督式學習 • 網路架構：前向式架構 • 主要應用：廣泛的應用於統計分類以及回歸分析中 • 主要特點：同時最小化經驗誤差與最大化幾何邊緣區 類神經網路與財務分析

  16. 三、研究方法資料來源技術指標 輸入與輸出變數資料正規化資料排序

  17. 資料來源 • 美國道瓊指數： • 每筆資料包含當日開盤價、最高價、最低價、收盤價、成交量 • 訓練樣本共1987筆，1995/02/15~2003/01/06 • 測試樣本共500筆，2003/01/07~2004/12/30 • 台灣股市大盤： • 每筆資料包含當日開盤價、最高價、最低價、收盤價 • 訓練樣本共3552筆，1993/02/18~2006/06/27 • 測試樣本共890筆，2006/06/28~2010/01/20 類神經網路與財務分析

  18. 技術指標 (1)趨向指標(Durbin Watson, DW) (2)相對強弱指標(Relative Strength Indicator, RSI) 類神經網路與財務分析

  19. 技術指標 (3)價量指標(Price Volume Indicator, PVI) (4)價量變化指標(Price Volume Change, PVC) 類神經網路與財務分析

  20. 技術指標 (5)移動平均價指標(Moving Average Indicator, MAI) (6)移動平均量指標(Moving Volume Indicator, MVI) 類神經網路與財務分析

  21. 技術指標 (7)正量指標(Positive Volume Index, PVI) 假如　今日成交量「大於」昨日成交量，則 　今日PVI = 昨日 PVI + 今日股價漲跌幅 否則 　今日PVI = 昨日 PVI + 0 (8)負向指標(Negative Volume Index, NVI) 假如　今日成交量「小於」昨日成交量，則 　今日NVI = 昨日 NVI + 今日股價漲跌幅 否則 　今日NVI = 昨日 NVI + 0 類神經網路與財務分析

  22. 輸入與輸出變數 • 道瓊輸入變數 • DW5, DW10, DW20, DW30, RSI5, RSI10, RSI20, RSI30, PVI5, PVI10, PVI20, PVI30, PVC5, PVC10, PVC20, PVC30, MAI5_10, MAI5_20, MAI5_30, MAI10_20, MAI10_30, MAI20_30, MVI5_10, MVI5_20, MVI5_30, MVI10_20, MVI10_30, MVI20_30, PVI, NVI • 共計30個輸變數 • 台股輸入變數 • DW5, DW10, DW20, DW30, RSI5, RSI10, RSI20, RSI30, MAI5_10, MAI5_20, MAI5_30, MAI10_20, MAI10_30, MAI20_30, PVI, NVI • 共計18個輸入變數 • 輸出變數 • 以明天的收盤價減開盤價做為計算： IF ( Close-Open ) > 0 Then “result” = 1 , Else “result” = 0 類神經網路與財務分析

  23. 資料正規化 • 所有輸入變數，以標準差正規化： 類神經網路與財務分析

  24. 資料排序 • 將道瓊指數的訓練樣本，依照以下方式排序 • 以每100筆資料為單位。 • 將1~100筆資料，依照「result」由大到小排序，此時，1~50筆約為「漲」，51~100筆約為「跌」。 • 將101~200筆資料，依照「result」由大到小排序，此時，101~150筆約為「漲」，151~200筆約為「跌」。 • 依造上述規則，對1987筆的訓練樣本進行排序。 • 500筆測試樣本不依照「result」排序，只依造時間序列排序。 • 將台股資料依造上述方式進行排序 類神經網路與財務分析

  25. 四、實驗結果與分析SPSS17.0主成分分析NEUROSOLUTIONS5分析 EXCEL測試方法

  26. SPSS17.0主成分分析：道瓊 • 30個輸入變數，最後萃取出18個輸入變數 • 「平方和負荷量萃取」達到94.795% 類神經網路與財務分析

  27. SPSS17.0主成分分析：台股 • 18個輸入變數，最後萃取出8個輸入變數 • 「平方和負荷量萃取」達到95.183% 類神經網路與財務分析

  28. NeuroSolutions5分析：道瓊－MLP • 訓練樣本：1987筆 • 正確率：跌97.75%，漲98.30% • C.V.測試：30 Folds • 正確率：跌98.08%，漲97.86% • 實際測試：500筆，正確率：100% 類神經網路與財務分析

  29. MICROSOFT OFFICE EXCEL測試方法 • 將測試樣本帶入已經訓練完成的類神經模型，並將結果匯出，欄位命名為「Out result」，數值為介於0~1之間的連續數 • 將「Out result」四捨五入為{0,1}，Excel函數=ROUND(C2,0) 類神經網路與財務分析

  30. MICROSOFT OFFICE EXCEL測試方法 • 比較「result」與「四捨五入」是否相等，Excel函數=IF(B2=D2,"True","False") • 將False顯示為1，Excel函數=IF(E2="False",1," ") 類神經網路與財務分析

  31. MICROSOFT OFFICE EXCEL測試方法 • False計算次數，Excel函數=IF(F2=1,F2+G1,G1)，G1初始值=0 類神經網路與財務分析

  32. MICROSOFT OFFICE EXCEL測試方法 • 計算總筆數「Total」，Excel函數=COUNT(D2:D891) • 計算錯誤筆數「False」，Excel函數=COUNT(F2:F891) • 計算正確筆數「True」，Excel函數=F892-F893 • 計算錯誤率，Excel函數=F893/F892*100 • 計算正確率，Excel函數=F894/F892*100 類神經網路與財務分析

  33. NeuroSolutions5分析：道瓊－SOFM • 訓練樣本：1987筆 • 正確率：跌98.39%，漲98.43% • C.V.測試：30 Folds • 正確率：跌85.35%，漲97.86% • 實際測試：500筆，正確率：54.4% 類神經網路與財務分析

  34. NeuroSolutions5分析：道瓊－RN • 訓練樣本：1987筆 • 正確率：跌97.79%，漲98.28% • C.V.測試：30 Folds • 正確率：跌98.08%，漲97.86% • 實際測試：500筆，正確率：100% 類神經網路與財務分析

  35. NeuroSolutions5分析：道瓊－SVM • 訓練樣本：1987筆 • 正確率：跌100%，漲100% • C.V.測試：30 Folds • 正確率：跌98.72%，漲67.61% • 實際測試：500筆，正確率：53.2% 類神經網路與財務分析

  36. NeuroSolutions5分析：台股－MLP • 訓練樣本：3552筆 • 正確率：跌98.28%，漲97.66% • C.V.測試：30 Folds • 正確率：跌98.17%，漲97.61% • 實際測試：890筆，正確率：100% 類神經網路與財務分析

  37. NeuroSolutions5分析：台股－SOFM • 訓練樣本：3552筆 • 正確率：跌98.17%，漲97.63% • C.V.測試：30 Folds • 正確率：跌98.17%，漲97.61% • 實際測試：890筆，正確率：76.7% 類神經網路與財務分析

  38. NeuroSolutions5分析：台股－RN • 訓練樣本：3552筆 • 正確率：跌98.28%，漲97.66% • C.V.測試：30 Folds • 正確率：跌98.17%，漲97.61% • 實際測試：890筆，正確率：100% 類神經網路與財務分析

  39. NeuroSolutions5分析：台股－SVM • 訓練樣本：3552筆 • 正確率：跌100%，漲100% • C.V.測試：30 Folds • 正確率：跌79.96%，漲98.26% • 實際測試：890筆，正確率：55.1% 類神經網路與財務分析

  40. 五、結論

  41. 結論 • 綜合以上實驗結果，製作如下表格： 類神經網路與財務分析

  42. 結論 • 訓練樣本經由排序過後，能有效提高預測的準確率，未排序之前準確率約六成，排序過後準確率約九成。 • 技術指標經過萃取過後，確實能達到較高的預測能力，未經萃取之前準確率約為八成，經由萃取過後準確率約九成。 • 類神經預測模型應用於美國道瓊與台灣大盤，台灣股市大盤預測的準確率略為準確。 • MLP、SOFM、RN、SVM應用於美國道瓊指數與台灣股市大盤，MLP與RN整體上擁有較佳的預測能力。 類神經網路與財務分析

  43. 參考文獻 • 黃兆瑜、葉怡成、連立川，「遺傳神經網路股票決策系統的實證」，電子商務學報，第十卷，第四期，第821-1040頁，2008 • 李沃牆與李建信，台指選擇權之評價-ANN與GANN模型之績效比較，真理財經學報，8，25-50頁，2003 • 林耀堂，「遺傳程式規劃於股市擇時交易策略之應用」，國立中央大學資訊管理研究所碩士論文，2001 • 胡克非，「應用多重類神經網路於基本面與技術面因素預測新台幣兌美元匯率」，國立交通大學資訊管理研究所碩士論文，2007 • 柳鈞元，「應用自組織映射神經網路於外幣市場匯率動態評估系統設定」，國立交通大學資訊管理研究所碩士論文，2008 • 黃閔淞，「應用自組織映射神經網路進行公司動態財務行為之體質檢定」，國立交通大學，資訊管理研究所碩士論文，2008 • 楊景隆，「以自組織映射神經網路於TFT-LCD產業」，國立交通大學，資訊管理研究所碩士論文，2009 • 劉克一，「以遺傳演算法演化類神經網路在股價預測上的應用」，真理大學管理科學研究所碩士論文，2001 • 蔡宗憲，「運用長期記憶與ANFIS模型估計不同交易期間台灣股價指數之風險值」，國立台灣科技大學資訊管理研究所碩士論文，2004 • 薛淑如，「應用類神經網路於股票價值之評估」，國立彰化師範大學會計學系碩士論文，2003 類神經網路與財務分析

More Related