Browsing by Author "歐陽亦凡"

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    使用深度學習進行證券交易之型態分析研究
    (2018) 歐陽亦凡; Ou-Yang, Yi-Fan
    本研究主要以證券交易結合深度學習來進行證券交易指數的型態分析，補助使用者對於證券交易買入決策，研究核心主要是利用摺積神經網路所進行買點辨識，而在資料前處理的部分，我們提出先進行極值正規化後並且使用K-Means分群演算法來對我們的訓練資料集標籤，能夠讓我們有效的進行類神經網路的訓練。 首先本研究是以美國NASDAQ證券交易指數為實驗對象，從NASDAQ歷史股價紀錄裡取得收盤價的時間序列，之後我們將固定時間長度的時間序列(以下稱之為序列視窗)，從最早的歷史時間將序列視窗運用滑動的方式，每滑動一天將會有一筆序列視窗做為輸入資料，由於我們需要兩種觀察序列視窗的長度，所以基於上的步驟我們會定義兩種不同長度的序列視窗進行，然後在個別進行極值正規化的處理，將序列視窗的上下限壓縮在0與1之間，並分別將不同長度的序列視窗交給K-Means進行分群並標籤，並且我們會將這兩種尺寸的序列視窗個別進行對過去的訓練資料時間點進行平均獲利率評估，找出能夠有最好獲利效果的型態分群，最後再將這兩種尺寸各自最高獲利的分群，分別對過去保留一段時間未加入訓練集的資料辨識，利用這兩種尺寸的進行獲利率驗證，若在這兩種尺寸，都能獲得最佳的分群(也就是判斷結果交集)，且驗證獲利結果為正向，我們將會用在未來需要的辨識時間進行預測，否則放棄預測。 最後，本法則用於實驗對象是美國NASDAQ證券交易指數，對於觀察本最為核心的實驗結果，就是證券交易能夠獲利的程度，我們基於本法則嘗試了許多方式，分別以長期及短期個別的序列視窗，進行單一種類序列視窗辨識，以及用長期以及短期序列視窗進行交集辨識，發現以後者交集辨識有明顯優於個別辨識有擁有較好的獲利表現；同時我們也與其他同樣線型分析相似的研究進行比較，在同樣的交易條件下，本法則獲利表現依然能優於其他法則。而也由於我們的法則可以藉由調整分群的方式，相對於其他的方法更能夠提供不同的彈性也是我們的優勢。