應用平滑支撐向量迴歸於中國大陸QDII基金之投資策略績效評比

簡易檢索 / 詳目顯示

回結果列表

研究生：	張恆勖 Heng-Hsu Chang
論文名稱：	應用平滑支撐向量迴歸於中國大陸QDII基金之投資策略績效評比 An Application of Smooth Support Vector Regression on Investment Performance Evaluation of China QDII Fund
指導教授：	余尚武 Shang-Wu Yu 洪政煌 Cheng-Huang Hung
口試委員:	盧瑞山 Ruei-Shan Lu
學位類別：	碩士 Master
系所名稱：	管理學院 - 資訊管理系 Department of Information Management
論文出版年：	2011
畢業學年度：	99
語文別：	中文
論文頁數：	74
中文關鍵詞：	合格境內機構投資者、平滑支撐向量迴歸、投資策略
外文關鍵詞：	QDII, SSVR, Investment Strategy
相關次數：	點閱：211 下載：4
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

本研究主要探討平滑支撐向量迴歸 (SSVR)應用於2010年中國大陸合格境內機構投資者(QDII)基金，並建立投資策略以及評估其績效。提供中國大陸投資人於做投資決策時之參考依據。研究結果發現：
一、透過平滑支撐向量迴歸(SSVR)預測中國大陸QDII基金淨值。本研究對中國大陸QDII基金的MAPE、RMSE等指標之平均皆達到準確的預測，同時淨值之預測漲幅趨勢也達到8成左右。結果顯示SSVR預測模型可應用於發行不到四年的中國大陸QDII基金。
二、2010年在中國大陸QDII基金中，建立傳統型投資策略(定期定額、逆向操作、順向操作、買入持有)，發現其績效(夏普指標)是以逆向操作為最佳，其次定期定額，買入持有，最後為順向操作。
三、將中國大陸QDII基金淨值加入平滑支撐向量迴歸(SSVR)預測模型，並建立其交易策略，再與四種傳統投資策略之績效進行比較。實驗結果顯示在順向操作中加入SSVR預測模型之SSVR-2交易策略有優於傳統投資策略以及優於上證基金指數與上海綜合股價指數之整體績效表現。

This research is concerned with the SSVR model applied to China’s QDII fund in 2010. We build up the investment strategies that the performance will be better than Shanghai Stock Index and SSE FUND INDEX. Finally, the investors could have some suggestions and make decisions from the result of this research.
The empirical results are as follow:
1.The SSVR model predicts the Net Value of QDII fund. It can find that the averages of both MAPE and RMSE have reached good forecasting ability, and the Trend Accuracy is up to 80%. For the China’s QDII fund, issued less than four years, the SSVR model can be used to forecast Net Value.
2.We find that the performance of traditional investment strategies (Contrarian Strategy, Dollar Cost Averaging, Buy and Hold, Momentum Strategy) of China’s QDII fund in 2010 is as follows. The best one is “Contrarian Strategy” followed by, “Dollar Cost Averaging”, “Buy and Hold”, and “Momentum Strategy”.
3.Use SSVR model in China’s QDII fund to compare with the traditional investment strategies, Shanghai Stock Index and SSE FUND INDEX. We find that the performance of the trade strategy (SSVR-2) is better than traditional investment strategies, Shanghai Stock Index and SSE FUND INDEX.

中文摘要...............................................I
英文摘要...............................................II
誌謝...................................................III
目錄...................................................IV
圖目錄.................................................VI
表目錄.................................................VII
第一章	緒論..........................................1
1 研究背景與動機.....................................1
2 研究目的..........................................	3
3 論文章節架構......................................	4
第二章	文獻探討.....................................	6
1中國大陸QDII基金...................................	6
1.1 中國大陸QDII制度................................	6
1.2中國大陸QDII基金產品.............................	7
1.3 中國大陸與臺灣之QDII相關文獻....................	9
2 傳統基金投資策略..................................	11
2.1 定期定額........................................	11
2.2 逆向操作........................................	11
2.3 順向操作........................................	12
2.4 買入持有........................................	12
3 平滑支撐向量迴歸..................................	12
3.1 平滑支撐向量迴歸(SSVR)之演進....................	12
3.2 SVM、SVR及SSVR之相關文獻........................	17
第三章	研究方法.....................................	19
1 實證架構..........................................	19
2 研究資料..........................................	20
2.1 研究期間及研究對象..............................	20
2.2 資料來源........................................	28
3 輸入變數..........................................	28
4平滑支撐向量迴歸預測基金淨值之運用.................	31
4.1 數據正規化......................................	31
4.2 訓練資料集之方法................................	32
5預測準確度之評估指標...............................	33
5.1 MAPE (The Average Relative Percentage Error)....	33
5.2 RMSE (Root Mean Square Error)...................	33
5.3 Trend accuracy..................................	34
6中國大陸QDII基金投資策略之建構.....................	34
6.1 定期定額........................................	35
6.2 逆向操作........................................	35
6.3 順向操作........................................	35
6.4 買入持有........................................	36
6.5 逆向操作導入SSVR預測模型(SSVR-1)................	36
6.6 順向操作導入SSVR預測模型(SSVR-2)................	36
7投資策略之檢定方法.................................	36
第四章	實證結果與分析...............................	38
1使用平滑支撐向量迴歸之預測結果分析.................	38
1.1 數據正規化......................................	38
1.2平滑支撐向量迴歸模型之預測結果...................	38
1.3中國大陸QDII基金淨值之預測走勢...................	47
2中國大陸QDII基金之投資策略績效比較與分析...........	48
2.1 中國大陸QDII基金建構投資策略....................	48
2.2 傳統投資策略之績效評比..........................	63
2.3 加入SSVR預測模型之績效評比......................	63
2.4 SSVR預測模型與傳統投資策略績效之評比............	65
2.5 中國大陸QDII基金與中國大陸之大盤市場績效之評比..	67
3小結...............................................	68
第五章	結論與建議...................................	69
1 研究結論..........................................	69
2 管理意涵..........................................	70
3 研究限制與假設.....................................70
4 後續研究建議......................................	71
參考文獻..............................................	72
中文部分..............................................	72
英文部分..............................................	73

                                

中文部分
[1]王波(2007)，「基於神經網絡的投資基金周淨值預測」，上海理工大學學報，第29卷，第3期。
[2]王敏(2008)，「基於神經網絡的基金淨值預測研究」，天津大學管理學院之管理科學與工程。
[3]王堯明(2008)，「我國QDII制度法律問題研究」，廈門經濟法學系碩士論文。
[4]邱沁宜(2009)，「臺灣境外基金、海外基金與中國QDII基金之發展、評比與展望」，國立臺灣大學管理學院在職專班財務金融組碩士論文。
[5]李凌均，張周鎖，何正嘉(2004)，「應用平滑支撐向量機於台指期貨套利之研究」，西安交通大學學報，第38卷，第3期，第230-238頁。
[6]林宜賢(2007)，「應用平滑支撐向量迴歸與類神經網路於共同基金績效之預測」，國立臺灣科技大學資訊管理研究所碩士論文。
[7]周俊芝(2008)，「中國QDII現狀分析及發展機制研究」，同濟大學經濟與管理學院之應用經濟學碩士論文。
[8]周苑洁(2008)，「QDII制度在中國的實踐：成績、困境與對策」，復旦大學管理學院之工商管理碩士論文。
[9]許琬渝(2010)，「論中國大陸QDII制度對我國證券市場影響之研究」，淡江大學國際貿易學系國際企業學碩士論文。
[10]許意鈴(2002)，「共同基金淨值之預測－灰色理論、類神經網路及適應性類神經模糊理論系統之應用」，中華管理評論，第8卷，第3期，第1-33頁。
[11]張曉慧(2008)，「基金系QDII及其投資配置研究」，武漢理工大學經濟學院金融學系碩士論文。
[12]黃建銘(2005)，「支撐向量機的自動模型選擇」，國立臺灣科技大學資訊工程系碩士論文。
[13]湯曉風(2004)，「QDII：調節外匯儲備和緩解人民幣升值壓力的可選方案」，復旦大學金融學碩士論文。
[14]劉樹軍(2007)，理財商品指南，中國金融出版社。
[15]賴佳君(2006)，「應用平滑支撐向量機於台指期貨套利之研究」，國立臺灣科技大學資訊管理研究所碩士論文。
英文部分
[1]De Bondt, W.F.M. and Richard H. Thaler. (1985), “Does the stock Market Overreact”, Journal of Finance, Vol. 40, No. 3, pp.793-805.
[2]Fama, E.F. (1972), “Components of Investment Performance”, Journal of Finance, Vol. 27, No. 3, pp.551-567.
[3]Fan, A. and Palaniswami, M. (2001),”Stock Selection Using Support Vector Machines”, Proceedings of the International Joint Conference on Neural Network, Vol.3, pp.1793-1798.
[4]Fang,K.T D.K.J. Lin, P. Winker, and Zhang, Y. (2000), “Uniform Design: Theory and Application”, Technometrics Vol. 42, No 3, pp.237-248.
[5]Hunag, W., Nakanori Y. and Wang, S.-Y. (2004), “Forecasting Stock Market Movement Direction with Support Vector Machine”, Computer and Operation Research Vol.32, pp.2513-2522.
[6]Harold Bierman, Jr., Jerome E. (2004), “Dollar-Cost Averaging”, The Journal Investing Vol. 13, No 4, pp.21-24.
[7]Leonard, W. Ascher. (1960), “Dollar Averaging in Theory and Practice”, Financial Analysis Journal Vol. 16, No. 5, pp.51-53.
[8]Levy, Robert A. (1967), “Relative Strength as a Criterion for Investment Selection”, Financial Analysis Journal Vol. 22, No. 4, pp.595-610.
[9]Luo, Fangqiong, Wu, Jiansheng and Yan, Kesong. (2010),” A Novel Nonlinear Combination Model Based on Support Vector Machine for Stock Market Prediction”, Proceedings of the 8th World Congress on Intelligent Control and Automation July 6-9 2010, Jinan, China.
[10]Lee, Yuh-Jye, Hsieh, Wen-Feng, Huang, Chien-Ming (2005),”ε-SSVR: A Smooth Support Vector Machine for ε-insensitive Regression”, IEEE Transactions on Knowledge and Data Engineering. Vol. 17, No. 5, pp. 678-685.
[11]Lee, Yuh-Jye, Huang, S.-Y.(2007), “Reduced Support Vector Machines: A Statistical Theory”, IEEE Transactions on Neural Networks, Vol.18(Part 1), pp.1-13.
[12]Treynor, J.L. and Mazuy, K.K. (1966), “Mutual Funds Performance”, Journal of Business, Vol.39, No.1, pp.119-138.
[13]Trafalis, T.B. and Ince, H. (2000),”Support Vector Machine for Regression and Application to Financial Forecasting”, IEEE Computer Society, Vol.6, pp.348-353.
[14]Vapnik, V. and Lerner A. (1963). “Pattern recognition using generalized portrait method.” Automation and Remote Control Vol.24, pp.774-780.
[15]Vapnik, V. and Cortes, C. (1995) “Support Vector Networks,” Machine Learning, Vol.20, pp.273–295.
[16]Wang, Xiaoh, Wu, Deh. (2008),” Intelligent Prediction for Time Series Using Smooth Support Vector Regression”, Key Laboratory of Numerical Control of Jiangxi Province, Jiujiang University, Jiujiang, Jiangxi 332005, China.

簡易檢索 / 詳目顯示

相關論文