應用資料探勘於自動化交易策略之獲利能力評估的模型與平台設計及建置

簡易檢索 / 詳目顯示

回結果列表

研究生：	顏茂城 Mao-Cheng Yan
論文名稱：	應用資料探勘於自動化交易策略之獲利能力評估的模型與平台設計及建置 The Design and Implementation of a Platform for Analysis the Risk and Profit of Trading Strategies via Data Mining Technology.
指導教授：	許智誠 Chih-Cheng Hsu
口試委員:
學位類別：	碩士 Master
系所名稱：	管理學院 - 資訊管理學系 Department of Information Management
論文出版年：	2017
畢業學年度：	105
語文別：	中文
論文頁數：	144
中文關鍵詞：	分類型參數、連續型參數、資料探勘、視覺化圖表、自動化平台
外文關鍵詞：	Classification Parameters, Continuous Parameters, Data Mining, Visualization Chart, Automation Platform
相關次數：	點閱：12 下載：0
分享至:	分享至facebook 分享至twitter

查詢本校圖書館目錄查詢臺灣博碩士論文知識加值系統勘誤回報

本研究選用布林通道與凱特通道，結合濾網與出場機制，依據分類型參數與連續型參數概念設計多個子策略。接著，選取台灣50、台灣高股息、中型100、治理100、上市股票、上櫃股票，針對6個資料集執行多個子策略的最佳化回測，最佳化回測後將產生巨量績效資料，再利用高原自動搜尋演算法，尋找淨利績效高原。

尋找高原後，本研究進一步做完整性分析，根據子策略的連續型參數特性，以多維度高原圖呈現，提供子策略內部評估；根據子策略分類型參數特性，以各公司熱區圖呈現，提供子策略與子策略外部評估；根據資料集多股票的比較特性，以幾何圖形之互動式平行座標圖呈現，提供股票與股票整體性評估。

另外，本研究亦將核心流程與功能串聯、整合，並建置至 Python Django自動化平台，藉由自動化的優點，主動運算績效結果、主動進行巨量績效資料分析、最後主動提供視覺化圖表，使投資者根據視覺化圖表就可透視巨量績效資料所帶來的隱含相關性與意義，協助投資者選用優等的股票與子策略。

This research used Bollinger channel and Keltner channel, combined with a filter net and exiting mechanism, according to the classification parameters and continuous parameters concept design of multiple sub-strategies. Then, choosing Taiwan 50 ETF, Taiwan dividend plus ETF, Taiwan mid-cap 100 ETF, TWSE corporate governance 100 ETF, the stock of listed company and, the stock of listed company in OTC, for the six data sets to implement multiple sub-strategies optimization, after optimizing will produce a huge amount performance information of sub-strategies, and further using the algorithm of plateau automatic searching to look for high net profit performance of plateau.

After looking for the high performance plateau, according to the continuous parameters characteristics of the sub-strategies, provided multidimensional plateau visualization chart to evaluate the internal relation of the sub-strategies. According to classification parameters characteristics of the sub-strategies, provided heatmap visualization chart of companies to evaluate the external relation of the sub-strategies. According to the comparative characteristics of the stock, provided the interactive parallel coordinate visualization chart of geometric figures to do stock and stock comprehensive evaluation.

In addition, this research also integraed the core process and functions, and built into the Python Django automation platform, through automation of the advantages, initiative on computing performance results, initiative on analyzing a huge of performance data, finally initiative on providing visualization charts, let investor can see the implicit relevance and significance of huge amounts of performance data by visualization charts to help investors use superior stock and sub-strategies.

摘要                    iv
Abstract            v
致謝                    vii
目錄                    viii
圖目錄                    x
表目錄                    xiii
公式目錄                    xiii
第一章 緒論            1
1.1 研究背景            1
1.2 研究動機            2
1.3 研究目的            3
第二章 文獻探討            5
2.1 股票交易層面            5
2.2 資料探勘層面            14
2.3分析資料探勘程式語言    19
第三章 研究方法            21
3.1 研究架構圖            21
3.2 策略設計            23
3.3 程式回測            28
3.4 結果呈現與評估    35
第四章 實證分析            48
4.1 台灣50            49
4.2 台灣高股息            61
4.3 治理100            73
4.4 中型100            85
4.5 上市股票            94
4.6 上櫃股票            108
4.7 實證結果綜合分析    120
第五章 結論            123
5.1 結論            123
5.2 研究限制            124
5.3 未來展望            125
參考文獻                127

                                

Adams Rolf, & Bisch of Leanne. (2002年8月06日). Seeded Region Growing. IEEE Transactions on Pattern Analysis and Machine Intelligence, 頁 641 - 647.

Ankerst M. (2001). Visual Data Mining. Ludwig-Maximilians-Universität München.

Bandy B.Howard. (2015). Quantitative Technical Analysis. Blue Owl Press.

Beyoglu Belin, & Ivanov Martin. (2008年5月1日). Technical Analysis of CAN SLIM Stocks. In Partial Fulfillment of the Requirements for a Degree of Bachelor of Science .

Brealey Richard, & Myers Stewart. (2015). Fundamentals of Corporate Finance. McGraw-Hill.

Brock W, Lakonishok J, & Le Baron B. (1992年12月). Simple technical trading rules and the stochastic properties of stock returns. The Journal of finance, 頁 1731–1764.

Chong Tai-Leung Terence, & Ng Wing-Kam. (2008年11月15日).
Technical analysis and the London stock exchange: testing the MACD and RSI rules using the FT30. Applied Economics Letters, 頁 1111-1114.

Covel W.Michael. (2009). Trend Following (Updated Edition): Learn to Make Millions in Up or Down Markets. FT Press.

Cowie Bradley, & Irwin Barry. (2011). An Evaluation of Trading Bands as Indicators for Network Telescope Datasets. Security and Networks Research Group of Department of Computer Science of Rhodes University .

Dourra Hussein, & Dourra Hussein. (2002). Investment usingtechnical analysis and fuzzy logic. Fuzzy Sets and Systems, 頁 221–240.

Grus Joel. (2015). Data Science from Scratch: First Principles with Python. United States of America: O’Reilly Media,.

Kannan Senthamarai K., Sekar Sailapathi P., Sathik M.Mohamed, & Arumugam P. (2010年3月). Financial Stock Market Forecast using Data Mining Techniques. International MultiConference of Engineers and Computer Scientists.

Kasa K. (1992). Common stochastic trends in international stock markets. Journal of monetary Economics,.
Keim DA, & Kriegel HP. (2002年8月6日). Visualization techniques for mining large databases: a comparison. IEEE Transactions on Knowledge and Data Engineering, 頁 923 - 938.

Kim Myoung-Jong, Min Sung-Hwan, & Han Ingoo. (2006). An evolutionary approach to the combination of multiple classifiers to predict a stock price index. Expert Systems with Applications, 頁 241–247.

Kimoto Takashi, Asakawa Kazuo, Yoda Morio, & Takeoka Masakazu. (1990). Stock Market Prediction System with Modular Neural Networks .

Lam Monica. (2004年9月). Neural network techniques for financial performance prediction: integrating fundamental and technical analysis. Decision Support Systems, 頁 567–581.

Lawrence Ramon. (1997年12月12日). Using Neural Networks to Forecast Stock Market Prices. Department of Computer Science.

Leigh William, ModaniNaval, & HightowerRoss. (2004年9月). A computational implementation of stock charting: abrupt volume increase as signal for movement in New York Stock Exchange Composite Index. Decision Support Systems, 頁 515–530.

Lento C., Gradojevic N., & Wright S.C. (2007年7月23日). Investment information content in Bollinger Bands? Applied Financial Economics Letters , 頁 263-267.

Leung JMJ, & Chong TTL. (2003年5月17日). An empirical comparison of moving average envelopes and Bollinger Bands. Applied Economics Letters, 頁 339-341.

MBAlib-基本面分析. (2017). 擷取自 MBAlib: http://wiki.mbalib.com/zh-tw/%E5%9F%BA%E6%9C%AC%E9%9D%A2%E5%88%86%E6%9E%90

Mc Kinney Wes. (2012). Python For Data Analysis. O'Reilly Media.

Mehta R. Jaymin, Menghini D. Marcus, & Sarafconn A. Daniel. (2011). Automated Foreign Exchange Trading System. Worcester Polytechnic Institute (WPI).

Purvis Russell, Leigh William, & Ragusa M. James. (2002年3月). Forecasting the NYSE composite index with technical analysis, pattern recognizer, neural network, and genetic algorithm: a case study in romantic decision support. Decision Support Systems, 頁 361–377.

Richert Willi, & Coelho PedroLuis. (2013). Building Machine Learning Systems with Python. PACKT.

Tharp Van. (2006). Trade Your Way to Financial Freedom (Business Books). McGraw-Hill Education.

Tsai Chih-Fong, & Hsiao Yu-Chieh. (2010). Combining multiple feature selection methods for stock prediction: Union, intersection, and multi-intersection approaches. Decision Support Systems (頁 258-269). Department of Information Management, National Central University, Taiwan.

Tsang M. Philip, Kwok Paul, Choy S.O., Kwan Reggie, Ng S.C., Mak Jacky, . . . Wong Tak-Lam. (2007年6月). Design and implementation of NN5 for Hong Kong stock. Engineering Applications of Artificial Intelligence, 頁 453–461.

Wilkinson Leland, & Friendly Michael. (2009年5月). The History of the Cluster Heat Map. The American Statistician, 頁 179-184.

台灣證券交易所之證券經紀投資人開戶統計表. (2015).

江沛勳. (2014). 布林通道策略成效分析─以台灣50成分股為例. 國立成功大學企業管理學系論文.

李佳威. (2015). 交易程式最佳化的多維度分析平台之設計. 國立中央大學資訊管理學系碩士論文.

李惟哲. (2009). 包寧傑帶狀指標買賣訊號之評估—以台灣股市為例. 逢甲大學財務金融學所碩士論文.

林蓉萱. (2013). 包寧傑帶狀法之操作績效-以台灣50指數成份股為例. 國立高雄第一科技大學金融研究所碩士論文.

徐偉倫. (2015). 相對強弱指標(RSI)之探討-以台灣50成分股為例.

徐瑜謙. (2015). 技術分析對台股投資人投資行為的影響-以KD、MACD、RSI為例. 元智大學經營管理碩士班論文.

張林忠. (2014). 分析師關鍵報告2：張林忠教你程式交易. 寰宇出版社.
張茹瑜. (2014). 運用 KD 指標於台灣 ETF 之實務探討. 國立中興大學高階經理人碩士在職專班論文.

眭國璽. (2009). 包寧傑帶狀技術分析買賣訊號之研究-以台灣50ETF為例. 國立高雄應用科技大學金融資訊研究所碩士論文.

許詠鈞. (2015). 台灣股市技術分析實證研究之文獻回顧─以MA、KD、RSI、MACD指標為例. 亞洲大學財務金融學系碩士在職專班論文.

陳信伊. (2005). 星狀座標之軸排列於群聚視覺化之應用. 國立中央大學資訊工程研究所碩士論文.

陳應慶. (2014). 應用技術分析指標於台灣股票市場加權指數買進時機切入之實證研究─以RSI、MACD及DIF為技術指標. 佛光人文社會學院管理學研究所碩士論文.

黃思綺. (2014). 應用價值平均法與布林通道對 ETF交易策略之研究. 僑光科技大學財務金融研究所碩士論文.

黃培琳. (2011). 程式交易策略、期貨交易和法人交易之實證研究. 朝陽科技大學財務金融系碩士論文.

楊宗儒. (2014年7月25日). 技術分析指標-凱勒通道(Keltner Channel)的秘密. 擷取自痞客邦-期權加油站: http://ey90223.pixnet.net/blog/post/162059805-%E6%8A%80%E8%A1%93%E5%88%86%E6%9E%90%E6%8C%87%E6%A8%99~%E5%87%B1%E5%8B%92%E9%80%9A%E9%81%93(keltner-channel)%E7%9A%84%E7%A7%98%E5%AF%86

葉怡成, & 吳盛富. (2013). 台灣股市何種選股模型行得通. 財團法人台灣金融研究院.

賈格賽漢. (2016). 比較技術指標之 MA、MACD 及 RSI 應用於外匯市場之操作績效. 南華大學企業管理學系管理科學碩博士班論文.

臺灣證券交易所. (2015年06月). 公司治理 100 指數編列原則. 擷取自臺灣證券交易所: http://www.tse.com.tw/downloads/zh/products/indices/IndexS04.pdf

臺灣證券交易所. (2015年11月). 臺灣高股息指數. 擷取自臺灣證券交易所: http://www.tse.com.tw/downloads/zh/products/indices/IndexS15.pdf

劉彥良. (2012). 技術指標應用於改善台灣五十成分股投資績效之實證研究. 國立雲林科技大學財務金融系碩士班論文.

劉漢隆. (2004). 技術分析買賣交易訊號之研究－以包寧傑帶狀做實證分析. 國立高雄第一科技大學財務管理所碩士論文.

鄭心婷. (2011). 技術指標獲利性之比較-以台股指數期貨與農業股票為例. 國立臺灣大學農業經濟學研究所論文.

賴宣名. (2013). 包寧傑帶狀搭配均線與KD指標之多層次股票篩選模式-以台灣股市為例. 嶺東科技大學高階主管企管碩士在職專班碩士論文.

鐘偉和. (2016年11月28日). 拆解理財機器人的工作！找出最適合客戶的投資組合. 擷取自數位時代: https://www.bnext.com.tw/article/42026/how-do-robo-advisors-work-find-best-invest-portfolio

簡易檢索 / 詳目顯示

相關論文