臺灣博碩士論文加值系統

本論文提出一個以多重串流長短期記憶神經網路運用於臺灣指數期貨交易的交易模型，測試期間為2014年至2019年，透過每年更新神經網路權重，多次重新訓練驗證模型，驗證所提出之多重串流長短期記憶神經網路模型於多頭及空頭市場投資成效。研究結果顯示，基於組合式分類器設計之多重串流長短期記憶神經網路，可學習資料中不同的分類特性，因此，在包含手續費與滑價的情況下，最大回撤(Maximum Drawdown)以及夏普指數(Sharp Rate)皆優於卷積神經網路以及單層長短期記憶神經網路模型。

This paper proposes a trading model that utilizes a Multi-Stream Long Short-Term Memory Neural Network for use in Taiwan’s index futures trading. Testing for this model was performed from 2014 to 2019. Using the annual update of the neural network weights, the verification model was retrained several times to verify whether the proposed Multi-Streaming Long Short-Term Memory Neural Network model is effective for investing in long and short markets. The results of the study show that the Multi-Stream Long Short-Term Memory Neural Network created on the basis of the combined classifier design was able to learn different classification characteristics from the data. Therefore, it can be concluded that in the case of including handling fees and slippage, the Maximum Drawdown and Sharpe Index work better than Convolutional Neural Network and Single-Layer Long Short-Term Memory Neural Network model.

目錄
摘要 I
ABSTRACT II
誌 謝 III
目錄 IV
圖目錄 VI
表目錄 VII
第一章 緒論 1
1.1 研究背景 1
1.2 研究目的與動機 1
1.3研究架構 2
第二章 文獻探討 3
2.1神經網路運用於金融市場之文獻探討 3
2.2多串流神經網路研究文獻探討 5
2.3金融量化交易 7
2.4神經網路 9
2.4.1類神經網路歷史 9
2.4.2倒傳遞神經網路 9
2.4.3模型更新 10
2.4.4卷積神經網路發展歷史 10
2.4.5卷積層 11
2.4.6池化層 12
2.4.7 長短期記憶神經網路(LONG SHORT-TERM MEMORY) 12
第三章 系統架構與流程 16
3.1研究流程 16
3.2 資料來源 16
3.3資料前處理 16
3.4訓練、驗證及測試 19
3.5信號轉換 19
3.6買賣方法 21
第四章 實驗結果 22
4.1時間驗證法 22
4.2模型多次重新訓練驗證 22
4.3年獲利與獲利率 23
4.4最大淨虧損(Max DrawDown，MDD) 23
4.5夏普指數 Sharp Rate 24
4.6研究模型與比較 25
4.7 LSTM預測結果 30
4.8 Two-Stream LSTM預測結果 34
4.9 Three-Stream LSTM預測結果 38
4.10 CNN + MA60 FILTER 42
4.11 LSTM+ MA60 FILTER預測結果 46
4.12 Two-Stream LSTM+ MA60 FILTER預測結果 50
4.13 Three-Stream LSTM + MA60 FILTER預測結果 54
4.14實驗總結 55
第五章 結論 57
第六章 參考文獻 59

[1]吳月明(95)，股票報酬預測模式績效之研究-倒傳遞類神經網路與灰預測之應用，朝陽科技大學財務金融系碩士論文
[2]李尚益(108)，一個時間長短期記憶神經網路模型於高頻交易環境的研究，國立高雄大學資訊工程研究所碩士論文
[3]李哲睿(108)，以法人籌碼預測台指期貨價格-LSTM模型之應用，天主教輔仁大學金融與國際企業學系金融碩士班碩士論文
[4]沈沛瑄，魏廉臻，張瑞益(2019)，以 LSTMLSTM-RNN 預測 ETF 50 股價趨勢並結合交易策略以獲取最大獲利率，全國計算機會議，Page38-43
[5]周世駿(108)，應用深度學習之卷積神經網路於工件毛邊之辨識，國立臺北科技大學自動化科技研究所碩士論文
[6]林典南(97)，使用AdaBoost之臺股指數期貨當沖交易系統，國立臺灣大學電機資訊學院資訊網路與多媒體研究所碩士論文
[7]林俊宏(2006)，成交量對技術分析指標在期貨市場操作績效之影響，國立交通大學管理科學研究所碩士班碩士論文
[8]林俊宏(2007)，基於智慧選股系統在股市現貨與選擇權投資組合策略研究，嶺東科技大學財務金融研究所碩士論文
[9]黃暄(105)，基於CNN與SIFT之多查詢影像檢索，國立交通大學電子工程研究所碩士論文
[10]謝東陞(107)，利用CNN進行白血球細胞之偵測與分類，國立中興大學通訊工程研究所碩士論文
[11]Carreira, J., & Zisserman, A. (2017). Quo Vadis, Action Recognition? A New Model and the Kinetics Dataset. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
[12]Chung, H., & Shin, K. (2018). Genetic Algorithm-Optimized Long Short-Term Memory Network for Stock Market Prediction. Sustainability,10(10) ,
Pages：3765.
[13]Junming Yang，Yaoqi Li，Xuanyu Chen，Jiahang Cao，Kangkang Jiang(2019)，Deep Learning for Stock Selection Based on High Frequency Price-Volume Data，Computational Finance.
[14]Karen Simonyan,Andrew Zisserman(2014)，Two-stream convolutional networks for action recognition in videos,NIPS , Pages：568–576.
[15]Karpathy, A., Toderici, G., Shetty, S., Leung, T., Sukthankar, R., & Fei-Fei, L. (2014). Large-Scale Video Classification with Convolutional Neural Networks. IEEE Conference on Computer Vision and Pattern.
[16]Nelson, D. M., Pereira, A. C., & Oliveira, R. A. (2017). Stock markets price movement prediction with LSTM neural networks. 2017 International Joint Conference on Neural Networks (IJCNN).
[17]Nguyen, T., & Yoon, S. (2019). A Novel Approach to Short-Term Stock Price Movement Prediction using Transfer Learning. Applied Sciences,9(22), Page：4745.
[18]Qiu, M., & Song, Y. (2016). Predicting the Direction of Stock Market Index Movement Using an Optimized Artificial Neural Network Model. Plos One,11(5).
[19]Raghav, Nandakumar, Uttamraj K , Vishal , Y V Lokeswari(2018)，Stock Price Prediction Using Long Short Term Memory,International Research Journal of Engineering and Technology (IRJET) ,5(3) , Pages：3342-3345.
[20]Sepp Hochreiter,Jurgen Schmidhuber(1997),LONG SHORT-TERM MEMORY, Neural Computation ,9(8) , Pages：1735-1780.
[21]Yann LeCun, Leon Bottou, Yoshua, Bengi, Patrick Haffner(1998), Gradient-Based Learning Applied to Document Recognition，IEEE,86, Pages：2278-2324.
[22]Eugene F. Fama(1965)，THE BEHAVIOR OF STOCK-MARKET PRICES，The Journal of Business，38(1)， Pages：34-105.
[23]Omer Berat Sezer、Murat Ozbayoglu(2018)，Algorithmic Financial Trading with Deep Convolutional Neural Networks: Time Series to Image Conversion Approach，Applied Soft Computing,70, Pages：525-538.
[24]3分鐘學會V型與島型反轉，Retrieved from https://histock.tw/blog/histock1688/199
[25]Mark Chang's Blog. Neural Networks Backward Propagation , Available from http://ckmarkoh.github.io/blog/2015/05/28/neural-network-backward-propagation/.
[26]Mr.Market市場先生.什麼是夏普率(Sharpe Ratio)？ Retrieved from https://rich01.com/what-sharpe-ratio/
[27]Finlab，打造自己的 AI 股票理專，Retrieved from：https://hahow.in/courses/5b9d3a6dca498a001e917383/discussions
[28]Sargur Srihari. Long Short-Term Memory (2020). Retrieved from：
http://cedar.buffalo.edu/~srihari/CSE676/10.10%20LSTM.pdf
[29]Yahoo國內基金績效排行榜.https://tw.money.yahoo.com/fund/ranklist
[30]永豐金證卷理財學堂，靠大數據反轉投資思維，Retrieved from ：https://www.sinotrade.com.tw/ec/wm/Article.aspx?ID=342&dirtype=706
[31]更好的理解分析深度卷積神經網路 - IT閱讀. (2020). Retrieved from ：http://www.itread01.com/content/1547645949.html
[32]感知器，Retrieved from：https://zh.wikipedia.org/wiki/%E6%84%9F%E7%9F%A5%E5%99%A8
[33]龍飛、王永興(2017)，深度學習入門與實踐，清華大學出版社。
[34]酆士昌、劉承彥(2019) ，Python：股票演算法交易實務145個關鍵技巧詳解，博碩文化。