本文以台灣五十成分股為研究標的,從作多角度出發,運用三種技術分析指標, 分別為移動平均線(MA)、隨機指標(KD)、指數平滑異同平均線(MACD),和一支自行 設計之策略共四支策略進行回測,再以機器學習模型預測交易訊號點,並進一步比較 預測前後的策略表現,觀察是否有顯著改善。

樣本選擇方面,本研究期間設定為 2002/01/01 至 2018/4/19,資料頻率以日為單 位,選取兩段去除趨勢的子期間後,並在兩個子期間皆大於 252 交易日才納入回測樣 本,共篩選出 26 檔個股符合標準。

本研究機器學習模型選擇長短期記憶類神經網路,將上述四支策略進行交易訊號 預測,以總報酬率、平均單次交易報酬率及淨利除以最大回徹為判斷標準,並做敏感 度分析,以不同的訓練次數,檢視各個策略在三種標準下預測後表現優於預測前績效 個股數量的變化。

經實證研究後,發現在本研究選用的策略,除了隨機指標策略在平均單次交易報 酬率僅有 12 檔個股預測後表現優於預測前之外,其餘皆有過半的個股預測後績效表 現優於預測前績效,且統計上皆顯著,顯示以技術指標搭配長短期記憶類神經網路預 測之交易訊號,大致上可以擊敗由單純技術指標建立之交易策略。

The target of this study is the constituent sticks of Taiwan 50. With only taking long position, the study includes three different technological indexes, moving average (MA), stochastic oscillator (KD), moving average convergence/ divergence (MACD), and one self-design index, totally four indexes to build up four trading strategies and backtests to get original performance of each strategy,. Then it applied machine learning method to predict the appearance of trading signal and backtests to get the predicted performance. Last, the study compares two groups of performances to see the improvement.

The stock data of this study is daily data started from January, 1, 2002 to April 19, 2018. In order to detrend the data, this study selected two periods of time for each data, which the closing price is the same for both the starting point and ending point of each period. Stock would be included if both time periods of that stock are longer than 252 trading days. Therer totally 26 stocks included in the sample.

The machine learning model of this study is Long-Short Term Memory model. After predicting and backtesting four strategies listed above, the study adjust the epochs parameter in the model to do senstivity analysis, to see if it would cause large difference under different epoch.

The empirical result shows that most of the strategies included in this study got more than half of stocks performed better after predicting, and reached significant difference statistically. The highest number for stock which performed better after predicting is 19.

1. 方國榮(1991),「證券投資最適指標之研究:技術面分析」,國立台灣大學商學 研究所碩士論文。
2. 李育叡(2011),「應用倒傳遞類神經網路於台灣 50 指數預測之最佳化模式分析」, 國立中興大學應用數學系所碩士論文。
3. 李坤達(2011),「演算法交易是禍首嗎?台灣股市之實證」,國立中山大學財務管 理學系研究所碩士論文。
4. 李惠妍(2013),「類神經網路與迴歸模式在台股指數期貨預測之研究」,國立成功 大學企業管理學系(EMBA)專班碩士論文。
5. 吳秀月(2013),「以均線為基礎技術分析投資績效之探討」,國立中山大學財務管 理學系研究所碩士論文。
6. 吳佳龍(2010),「台灣股票市場技術分析獲利能力 – 以 KD 及 MACD 為例」,朝 陽科技大學財務金融研究所碩士論文。
7. 吳晉敏(2011),「探討技術分析在臺灣股票市場的獲利性:以臺灣中型 100 成分 股為例」,國立政治大學國際經營與貿易研究所碩士論文。
8. 邱科毓(2014),「均線分析投資績效探討:以台灣 50 指數成分股為例」,國立中 山大學財務管理學系研究所碩士論文。
9. 杜金龍(2008) 技術指標在台灣股市應用的訣竅,財訊出版。
10. 林育吉(2008),「多種技術分析建立指數股票型基金之交易策略」,國立台灣大學
財務金融研究所碩士論文。
11. 周俊志(2007),「自動交易系統與策略評價之研究」,國立台灣大學資訊工程學研
究所碩士論文。
12. 張念慈(2007),「技術分析與組合預測指標在台灣股市獲利能力之探討」,國立政
治大學國際貿易研究所碩士論文。
13. 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
人碩士在職專班碩士論文。
45
14. 張國揚(2008),「提升 KD 隨機指標獲利能力之研究 – VAR 模型之應用」,朝陽科 技大學財務金融系碩士班碩士論文。
15. 陳志彬(2005),「提升技術分析獲利能力之研究 – 以 KD 隨機指標為基礎」,國立 高雄應用科技大學工業工程與管理碩士班碩士論文。
16. 陳明玉(2016),「移動平均線理論之探討-以台灣五十成分股為例」,國立台灣科技 大學財務金融研究所碩士論文。
17. 陳映辰(2015),「運用 SVM 於 MACD 技術指標結合市場輪廓於台灣加權股價指 數之行為發現」,國立交通大學資訊管理研究所碩士論文。
18. 郭峻志(2017),「外匯程式交易策略評估之實證研究」,國立勤益科技大學流通管 理系碩士論文。
19. 黃天蔚(2016),「結合選股模型與程式交易的分析平台之事紀與實作 – 以台灣股 票市場為例」,國立中央大學資訊管理學系碩士論文。
20. 黃華山、邱一薰(2005),「類神經網路預測台灣 50 股價指數之研究」,國立彰化 師範大學資訊管理研究所碩士論文。
21. 曾惠婷(2011),「均線糾結突破法對台灣股票市場投資績效之分析」,中華大學企 業管理學系碩士班碩士論文。
22. 楊雅媛(2002),「迴歸分析與類神經網路分析能力之比較」,國立政治大學統計學 系碩士論文。
23. 劉泰山(2009),「KD 及 MACD 技術指標在避險時機選擇上之應用:以台指期避 險為例」,逢甲大學財務金融學所碩士論文。
24. 鄭仰廷(2013),「運用市場輪廓理論與 MACD 技術指標於台指期市場之行為判 別 – 以極短線實證」,國立交通大學資訊管理研究所碩士論文。
25. 鄭宇君(2010),「技術分析的有效性:行為與資訊觀點」,國立台灣大學財務金融 研究所碩士論文。
26. 鄭佳欣(2008),「隨機指標(KD)於匯率預測有效性之研究」,東海大學工業工程與 經營資訊學系碩士論文。
27. 鄭健毅(2010),「應用 SVR 支援向量迴歸模式來進行電子產業股價預測」,明新科 技大學工業工程與管理研究所碩士論文。
28. 蔡政(2017),「應用迴歸分析、倒傳遞類神經網路、支持向量迴歸和 K-means 在 台股期貨預測之研究」,國立高雄應用科技大學資訊管理研究所碩士論文。
29. 薛心蓓(2011),「順勢操作之均線交易策略應用於台灣指數期貨之研究」,靜宜大
學管理碩士在職專班碩士論文。
30. 謝劍平(2016) 現代投資學:分析與管理(增修六版),智勝出版。
31. 鐘以恂(2012),「應用 MACD 及 RSI 為技術指標於台灣加權指數、日經 225 及香
港恆生指數」,國立政治大學國際經營與貿易研究所碩士論文。

1. Allen, Franklin and Karjalainen, Risto (1999), “Using genetic algorithms to find technical trading rules”, Journal of Financial Economics, Vol. 51, Issue 2, 245-271.
2. Andreas, Falk and Johannes, Moberg (2015), Algorithmic trading using MACD signals, kungliga tekniska högskolan, Stockholm, Sweden.
3. Atkins, Adam and Niranjan, Machesan and Gerding, Enrico (2018), “Financial news predicts stock market volatility better than close price”, The Journal of Finance and Data Science 4 (2018), 120-137.
4. Bajgrowicz, Pierre and Scaillet, Olivier (2012), “Technical Trading Revisited: False Discoveries, Persistence Tests, and Transaction Costs”, Journal of Financial Economics, Vol. 106, Issue 3, 473-491.
5. Brock, William, L.J. and LeBaron Blake, (1992). “Simple Technical Trading Rules and Stochastic Properties of Stock Returns,” Journal of Finance, 47: 1731-1764.
6. Coonter, Paul H. (1964). “Stock Market Price: Random vs System Change,” Industrial Management Review, 3: 24-25.
7. Coutts J. Andrew and Cheung Kwong-C. (2000). “Trading Rules and Stock Returns: Some Preliminary Short Run Evidence from the Hang Seng 1985-1997,” Applied Financial Economics, 579-586.
8. Dash, Rajashree and Dash, Pradipta K. (2016), “A hybrid stock trading framework integrating technical analysis with machine learning techniques”, The Journal of Finance and Data Science 2 (2016), 42-57.
9. Fama, Eugene F. (1970) , ”Efficient Capital Markets: A Review of Theory and Empirical Work.” Journal of Finance ,Vol. 25, No. 2.
10. Guizhu, Shen and Qingping, Tan and Haoyu, Zhang and Ping, Zeng and Jianjun, Xu (2018), “Deep Learning with Gated Recurrent Unit Networks for Financial Sequence Predictions”, Procedia Computer Science 131 (2018), 895–903.
11. Hasbrouck, Joel (1996), “Order characteristics and stock price evolution an application to program trading”, Journal of Financial Economics, Vol. 41, Issue 1, 129-149.
12. Hochreiter, Sepp and Schmidhuber, Jurgen (2003), LSTM Can Solve Hard Long Time Lag Problem.
13. Langevelde, J.G. van (2016), A comparison of the technical moving average strategy, the momentum strategy and the short term reversal, Erasmus University Rotterdam, Rotterdam, Netherlands.
14. Pruitt, S. W. and White, R. E. (1988). “The CRISMA Trading System: Who Says Technical Analysis can not Beat the Market?” Journal of Portfolio Management, 55-58.
15. Wen Cheong, Chin and Min Cherng, Lee (2017), “High-frequency volatility combine forecast evaluations: An empirical study for DAX”, The Journal of Finance and Data Science 3 (2017), 1-12.
16. Zhu, Yingzi and Zhou, Guofu (2009), “Technical analysis: An asset allocation perspective on the use of moving averages” Journal of Financial Economics, Vol. 92, Issue 3, 519-544.