类神经网路与财务分析预测

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1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2019/9/222類神經網路與財務分析一、緒論研究動機研究目的研究方法研究資料與所需軟體3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2019/9/224類神經網路與財務分析研究目的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2019/9/225類神經網路與財務分析研究方法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2019/9/226類神經網路與財務分析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NeuroSolution5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WindowsXP2019/9/227類神經網路與財務分析二、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8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2019/9/229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)類神經網路類型監督式學習網路(Supervisedlearningnetwork)多層感知網路(MultilayerPerception,MLP)支援向量機(SupportVectorMachine,SVM)倒傳遞網路（Back-propagationNetwork,BPN）機率神經網路（ProbabilisticNeuralNetwork,PNN）學習向量量化網路（LearningVectorQuantization,LVQ）遞迴網路（RecurrentNetworks,RN）2019/9/2210類神經網路與財務分析類神經網路類型非監督式學習網路(Unsupervisedlearningnetwork)自組織映射網路（Self-OrganizationMap,SOM）自適應共振理論網路（AdaptiveResonancetheoryNetwork,ART）聯想式學習網路（Associatelearningnetwork）霍普菲爾網路（HopfieldNeuralNetwork,HNN)雙向聯想記憶網路（Bi-directionalAssociativeMemory,BAM）最適化應用網路（Optimizationapplicationnetwork）霍普菲爾-坦克網路（Hopfield-TankNeuralNetwork,HTN）退火神經網路（AnnealedNeuralNetwork,ANN）2019/9/2211類神經網路與財務分析類神經網路模型理論基礎多層感知網路(MultilayerPerception,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2019/9/2212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類神經網路模型理論基礎自組織特徵映射網路(Self-OrganizingFeatureMapNetwork,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2019/9/2213類神經網路與財務分析圖3.自組織學習方式類神經網路模型理論基礎遞迴網路(RecurrentNetwork,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2019/9/2214類神經網路與財務分析圖4.MultilayerPerceptionNetwork與RecurrentNetwork類神經網路模型理論基礎支援向量機(SupportVectorMachine,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2019/9/2215類神經網路與財務分析三、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16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，2006/06/28~2010/01/202019/9/2217類神經網路與財務分析技術指標(1)趨向指標(DurbinWatson,DW)(2)相對強弱指標(RelativeStrengthIndicator,RSI)2019/9/2218類神經網路與財務分析技術指標(3)價量指標(PriceVolumeIndicator,PVI)(4)價量變化指標(PriceVolumeChange,PVC)2019/9/2219類神經網路與財務分析技術指標(5)移動平均價指標(MovingAverageIndicator,MAI)(6)移動平均量指標(MovingVolumeIndicator,MVI)2019/9/2220類神經網路與財務分析技術指標(7)正量指標(PositiveVolumeIndex,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(NegativeVolumeIndex,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+02019/9/2221類神經網路與財務分析輸入與輸出變數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)0Then“result”=1,Else“result”=02019/9/2222類神經網路與財務分析資料正規化所有輸入變數，以標準差正規化：2019/9/2223類神經網路與財務分析資料排序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2019/9/2224類神經網路與財務分析四、實驗結果與分析SPSS17.0主成分分析NEUROSOLUTIONS5分析EXCEL測試方法25SPSS17.0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%2019/9/2226類神經網路與財務分析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%2019/9/2227類神經網路與財務分析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：30Folds正確率：跌98.08%，漲97.86%實際測試：500筆，正確率：100%2019/9/2228類神經網路與財務分析MICROSOFTOFFICEEXCEL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「Outresult」，數值為介於0~1之間的連續數將「Outresult」四捨五入為{0,1}，Excel函數=ROUND(C2,0)2019/9/2229類神經網路與財務分析MICROSOFTOFFICEEXCEL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,)2019/9/2230類神經網路與財務分析MICROSOFTOFFICEEXCEL測試方法False計算次數，Excel函數=IF(F2=1,F2+G1,G1)，G1初始值=02019/9/2231類神經網路與財務分析MICROSOFTOFFICEEXCEL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*1002019/9/2232類神經網路與財務分析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：30Folds正確率：跌85.35%，漲97.86%實際測試：500筆，正確率：54.4%2019/9/2233類神經網路與財務分析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：30Folds正確率：跌98.08%，漲97.86%實際測試：500筆，正確率：100%2019/9/2234類神經網路與財務分析NEUROSOLUTIONS5分析：道瓊－SVM訓練樣本：1987筆正確率：跌100%，漲100%C.V.測試：30Folds正確率：跌98.72%，漲67.61%實際測試：500筆，正確率：53.2%2019/9/2235類神經網路與財務分析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：30Folds正確率：跌98.17%，漲97.61%實際測試：890筆，正確率：100%2019/9/2236類神經網路與財務分析N