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2023/5/312一、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假设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2023/5/314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2023/5/315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2023/5/316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：1993/02/18-2021/01/20，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OSWindowsXP2023/5/317二、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2023/5/319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〕2023/5/3110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〕2023/5/3111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2023/5/3112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2023/5/3113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2023/5/3114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2023/5/3115三、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，2006/06/28~2021/01/202023/5/3117技術指標(1)趨向指標(DurbinWatson,DW)(2)相對強弱指標(RelativeStrengthIndicator,RSI)2023/5/3118技術指標(3)價量指標(PriceVolumeIndicator,PVI)(4)價量變化指標(PriceVolumeChange,PVC)2023/5/3119技術指標(5)移動平均價指標(MovingAverageIndicator,MAI)(6)移動平均量指標(MovingVolumeIndicator,MVI)2023/5/3120技術指標(7)正量指標(PositiveVolumeIndex,PVI) 假设今日成交量「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) 假设今日成交量「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+02023/5/3121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〞=02023/5/3122資料正規化所有輸入變數，以標準差正規化：2023/5/3123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2023/5/3124四、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%2023/5/3126SPSS17.0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%2023/5/3127NEUROSOLUTIONS5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%2023/5/3128MICROSOFTOFFICEEXCEL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)2023/5/3129MICROSOFTOFFICEEXCEL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,"")2023/5/3130MICROSOFTOFFICEEXCEL測試方法False計算次數，Excel函數=IF(F2=1,F2+G1,G1)，G1初始值=02023/5/3131MICROSOFTOFFICEEXCEL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*1002023/5/3132NEUROSOLUTIONS5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%2023/5/3133NEUROSOLUTIONS5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%2023/5/3134NEUROSOLUTIONS5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%2023/5/3135NEUROSOLUTIONS5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%2023/5/3136NEUROSOLUTIONS5分析：台股－SOFM訓練樣本：3552筆正確率：跌98.17%，漲97.63%C.V.測試：30Folds正確率：跌98.17%，漲97.61%實際測試：890筆，正確率：76.7%2023/5/3137NEUROSOLUTIONS5分析：台股－RN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%2023/5/3138NEUROSOLUTIONS5分析：台股－SVM訓練樣本：3552筆正確率：跌100%，漲100%C.V.測試：30Folds正確率：跌79.96%，漲98.26%實際測試：890筆，正確率：55.1%2023/5/3139五、結論40結論綜合以上實驗結果，製作如下表格：2023/5/3141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