类神经网路与财务分析预测.pptx

《类神经网路与财务分析预测.pptx》由会员分享，可在线阅读，更多相关《类神经网路与财务分析预测.pptx（43页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、1緒論文獻探討研究方法實驗結果與分析結論參考文獻2022/8/162類神經網路與財務分析研究動機 研究目的 研究方法 研究資料與所需軟體3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2022/8/164類神經網路與財務分析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2022/8/165類神經網路與財務分析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

2、輸入值主成分分析類神經模型分析結果輸出比較正確率2022/8/166類神經網路與財務分析研究資料美國道瓊：1993/02/15-2004/12/30，共2487筆台灣大盤：1993/02/18-2010/01/20，共4442筆SPSS 17.0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OSWindows XP2022/8/167類神經網路與財務分析類神經網路原理 類神經網路類型 類神經網路模型理論基礎8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

3、 = 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j = 門限值，模仿生物神經元的閥值又稱偏權值2022/8/169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)監督式學習網路監督式學習網路(Supervised learning network)(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 Net

4、work,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）2022/8/1610類神經網路與財務分析非監督式學習網路非監督式學習網路(Unsupervised learning network)(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

5、）聯想式學習網路（聯想式學習網路（Associate learning networkAssociate 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（最適化應用網路（Optimization application networkOptimization application network）霍普菲爾-坦克網路（Hopfield-Tank Neural Network,HTN）退火神經網路（Annealed Neural N

6、etwork,ANN）2022/8/1611類神經網路與財務分析多層感知網路多層感知網路(Multilayer Perception, MLP)(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2022/8/1612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自組織特徵映射網路自組織特徵映射網路(Self-Organizing Feature (Self-Organizing Feature Map Network,

7、SOFM)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2022/8/1613類神經網路與財務分析圖3.自組織學習方式遞迴網路遞迴網路(Recurrent Network, RN)(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2022/8/1614類神經網路與財務分析圖4.Multilayer Perception Network 與 Recu

8、rrent Network支援向量機支援向量機(Support Vector Machine, SVM)(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 2022/8/1615類神經網路與財務分析資料來源 技術指標 輸入與輸出變數 資料正規化 資料排序16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，1995/02/152003/01/06測試樣本共500筆，2003/01/072004/12/30台灣股市大盤：

9、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，1993/02/182006/06/27測試樣本共890筆，2006/06/282010/01/202022/8/1617類神經網路與財務分析(1)(1)趨向指標趨向指標(Durbin Watson, DW)(Durbin Watson, DW)(2)(2)相對強弱指標相對強弱指標(Relative Strength Indicator, RSI)(Relative Strength Indicator, RSI)2022/8/1618類神經網路與財務分析(3)(3)價量指標價量指標(Price Volume Indicato

10、r, PVI)(Price Volume Indicator, PVI)(4)(4)價量變化指標價量變化指標(Price Volume Change, PVC)(Price Volume Change, PVC)2022/8/1619類神經網路與財務分析(5)(5)移動平均價指標移動平均價指標(Moving Average Indicator, MAI)(Moving Average Indicator, MAI)(6)(6)移動平均量指標移動平均量指標(Moving Volume Indicator, MVI)(Moving Volume Indicator, MVI)2022/8/1620

11、類神經網路與財務分析(7)(7)正量指標正量指標(Positive Volume Index, PVI)(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)(8)負向指標負向指標(Negative Volume Index, NVI)(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 2022/8/1621類神經網路與財務分析道瓊輸入變數道

12、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台股輸入變數DW5, DW10, DW20, DW30, RSI5, RSI10, RSI20, RSI30,

13、 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 2022/8/1622類神經網路與財務分析所有輸入變數，以標準差正規化：2022/8/1623類神經網路與財務分析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1100筆資料，依照result由大到小排序，此時，150筆約為漲，51100筆約為跌。將101200筆資料

14、，依照result由大到小排序，此時，101150筆約為漲，151200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2022/8/1624類神經網路與財務分析SPSS17.0主成分分析NEUROSOLUTIONS5分析 EXCEL測試方法2530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%2022/8/1626類神經網路與財務分析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%2022/8/1627類神經網路與財務分析訓練樣本：1987筆正確率

15、：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%2022/8/1628類神經網路與財務分析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01之間的連續數將Out result四捨五入為0,1，Excel函數=ROUND(C2,0)2022/8/1629類神經網路與財務分析比較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, )2022/8/1630類神經

16、網路與財務分析False計算次數，Excel函數=IF(F2=1,F2+G1,G1)，G1初始值=02022/8/1631類神經網路與財務分析計算總筆數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*1002022/8/1632類神經網路與財務分析訓練樣本：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

17、.86%實際測試：500筆，正確率：54.4%2022/8/1633類神經網路與財務分析訓練樣本：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%2022/8/1634類神經網路與財務分析訓練樣本：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%2022/8/1635類神經網路與財務分析訓練樣本：3552筆正確率：跌98.28%，漲97.66%C.V.測試：30 Folds正確率：跌98.17%

18、，漲97.61%實際測試：890筆，正確率：100%2022/8/1636類神經網路與財務分析訓練樣本：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%2022/8/1637類神經網路與財務分析訓練樣本：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%2022/8/1638類神經網路與財務分析訓練樣本：3552筆正確率：跌100%，漲100%C.V.測試：30 Folds正確率：跌79.

19、96%，漲98.26%實際測試：890筆，正確率：55.1%2022/8/1639類神經網路與財務分析40綜合以上實驗結果，製作如下表格：2022/8/1641類神經網路與財務分析MLPSOFMRNSVM跌漲跌漲跌漲跌漲道瓊訓練97.75%98.30%98.39%98.43%97.79%98.28%100%100%C.V98.08%97.86%85.35%97.86%85.35%97.86%98.72%67.61%測試正確筆數：500/500正確率：100%正確筆數：272/500正確率：54.4%正確筆數：500/500正確率：100%正確筆數：266/500正確率：53.2%台股訓練98.

20、28%97.66%98.17%97.63%98.28%97.66%100%100%C.V98.17%97.61%98.17%97.61%98.17%97.61%79.96%98.26%測試正確筆數：890/890正確率：100%正確筆數：683/890正確率：76.74%正確筆數：890/890正確率：100%正確筆數：490/890正確率：55.05%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

21、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。2022/8/1642類神經網路與財務分析黃兆瑜、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沃牆與建信，台指選擇權之評價-ANN與GANN模型之績效比較，真財經學報，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

22、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克一，以遺傳演算法演化神經網在股價預測上的應用，真大學管科學研究所碩士文，2001蔡宗憲，運用長期記憶與ANFIS模型估計同交期間台灣股價指之風險值，國台灣科技大學資訊管研究所碩士文，2004薛淑如，應用神經網於股票價值之評估，國彰化師範大學會計學系碩士文，20032022/8/1643類神經網路與財務分析