景氣循環與股價指數之預測─類神經網路之應用

詹錦宏、袁澤峻

壹、前言

        股票市場是個複雜且難以預測的系統,影響股價變動的因素非常多,是個典型非結構性及非線性的系統。而預測股價走勢的方法很多,例如技術分析、基本分析、股利折現模式本益比法及淨值法等。本研究希望探討影響股票市場的總體經濟因素,譬如:匯率、物價、利率及通貨膨脹率等指標,以期能正確掌握未來股票市場趨勢。雖然利用迴歸分析法可以分析出影響股價指數的因素,但是在預測股價指數方面,尚無法得到令人滿意之結果。

        類神經網路( Artificial Neural Network, ANN)模型在解決複雜的非線性系統問題時有不錯的成果( White, 1992),只要能找出輸入及輸出的對應關係,再輔以過去的歷史資料,不須找出正確的數學模型,其預測能力在某些方面就比傳統的數學模型更佳。而景氣循環更是影響企業經營的重要因素,因此本研究嘗試利用類神經網路與景氣循環來預測股價指數之上漲或下跌。

 

貳、文獻探討

        一般結構性的問題,找出相對應的數學公式後,便可交由電腦運用大量及重複的計算來解決。但面對非結構性,譬如:圖形辨認或缺少完整資料的問題時,在無法找出相對應的數學公式,而仍希望能找出解答時,類神經網路提供了一個較佳的解決方法。一般財務上的問題多是非結構性的,因此利用類神經網路解決財務問題是極具潛力的研究方向。Hawley (1990)Skapura(1995)都認為,應用類神經網路可幫助公司財務部門、金融機構及專業投資者在制定財務決策上之參考。Medsker(1993)認為類神經網路可應用於信用評等、財務及經濟預測、風險評等、股價預測及破產預測等方面。另外在選擇投資組合、模擬市場行為、確定經濟指標的解釋能力等,也都甚具未來發展潛力。

        在股價預測上,White(1988)嘗試以類神經網路來預測IBM普通股每日報酬率,但是經過訓練範例(Training Examples)的學習後,其預測結果能力不甚理想,無法否定市場的效率性,他認為原因可能是類神經網路陷入局部最小值(Local Minimization)而無法跳脫,造成預測能力不強。Kimoto and Asakawa(1990)應用類神經網路來預測東京證券交易所股價加權平均指數(TOPIX),以決定買進賣出之依據,最後得到類神經網路預測模型之報酬率優於TOPIX加權平均指數之結果。Kamijo and Tanigawa(1990)運用類神經網路來辨識日本股價K線圖(Candlestick Chart),希望辨識三角型K線圖以找出股價變動的趨勢。他們將過去3年選出的三角型K線圖的最低價及最高價,當做類神經網路輸入變數,經過15組訓練範例的學習之後,預測16個試驗資料,共辨識出15個三角型,其正確率高達93.8%

        Fishman, Barr and Loick(1991)運用類神經網路來預測美國S & P 500指數,根據倒傳遞(Back-propagation)類神經網路進行模擬,預測5天後S & P 500指數漲跌趨勢。利用6個變數及20個訓練範例進行預測,但是隨時間的拉長預測誤差也逐漸增大。Baba and Kozaki(1992)使用15個輸入變數、2個隱藏層及1個輸出變數之類神經網路來預測日本股價趨勢。訓練範例分成上漲及下跌趨勢的學習,在趨勢決定後,預測股價漲跌方向之正確率相當高,但是若趨勢決定錯誤時,類神經網路預測能力減弱,則無法有效正確預測股價。Gencay(1996)利用移動平均法做為類神經網路判斷股票買進賣出的指標,並在長期移動平均線與短期移動平均線接近時,設定一買賣區間,避免因股價波動造成買進及賣出時的誤判。其研究結果顯示,利用倒傳遞類神經網路比線性模式有較佳的預測能力,也對效率市場理論提出了反證。

        在國內的實證研究上,吳振坤(1992)採用倒傳遞演算法及快速模擬退火法,利用15種技術趨勢指標,來預測股價指數每日漲跌幅,獲得不錯之結果。張文信(1995)則以總體經濟變數,預測股價加權指數走勢,其預測正確率約50~60%。林志鴻(1995)以結合技術面、基本面及國際股市共15項變數,做為輸入層的輸入變數,預測下週股價指數最大漲幅及最大跌幅,並做為決定買進賣出之參考。其研究結果顯示,類神經網路用於股價買進時有較佳預測能力,對賣出則表現並不突出。陳玉清(1995) 以技術指標做為輸入層的輸入變數,預測水泥、食品、塑膠及紡織4類股之個股,其研究結果發現,水泥類股在訓練範例及預測能力均有較高的正確率。周育蔚(1996)採用24種基本指標及14個常用技術指標,利用移動模擬法預測下週股價指數及漲跌幅度。其研究結果發現,股價指數的預測效果不佳,但是在趨勢預測上則有不錯的預測能力,尤其在盤整期其趨勢預測效果最好。鄭志偉(1997) 以基本分析為主,採用倒傳遞網路預測股價漲跌趨勢,個股平均正確率為59.25%,而類股趨勢預測上正確率達67.22%

        本研究與以前研究的不同點在於,同時將景氣循環的觀念與類神經網路用於股價預測。在輸入變數的篩選上,首先運用因素分析法及敏感性分析法,篩選出影響台灣股價指數的總體經濟指標,做為類神經網路的輸入變數。另外一種方法則是,直接使用領先指標做為類神經網路輸入變數,最後再將上述二種預測結果進行比較。接著在時間的區分上,以各景氣循環做為訓練範例,來預測次月股價指數漲跌之正確率。並試著對類神經網路預測能力提出解釋,評估何種方法,能夠篩選出有助於提高類神經網路預測能力的輸入變數,並探討該變數是那些總體經濟指標。在資料的時間序列上,探討若將景氣循環用於訓練範例的選擇,是否有助於提高預測能力,以及不同的訓練範例學習方法是否能提高預測能力。

 

參、類神經網路

一、類神經網路原理

        類神經網路系統,是模擬生物神經的運作方式,利用資料不斷的學習及錯誤修正以達到正確的輸出。類神經網路的主要特點是大量的平行處理、非線性輸出及利用多層結構的預測能力。處理單元(Processing Element, PE)是類神經網路最基本的組成單位,每一個處理單元的輸出必須連結到下一層的處理單元,下一層處理單元的輸入值來自於上一層每個處理單元的輸出值之加總。處理單元的輸出值與輸入值的公式,一般可以用輸入值與連結加權乘積之和的函數來表示:

A=類神經網路處理單元的輸出訊號。

=外界輸入資料。

net =集成函數。

=類神經網路處理單元的臨界值(Threshold Value)

=類神經網路各處理單元間的連結權值(Weights),介於處理單元間的資料傳遞路徑之間。其符號表示前層第i個處理單元對後層第j個處理單元之影響強度。

        f是類神經網路處理單元的轉換函數(Transfer Function),利用從其它處理單元輸入的輸入值與連結權值相乘之和,經由處理單元轉換函數得到輸出值。轉換函數通常選擇輸出值像S(Sigmoid Function)的函數,以數學式表示為:

        S型函數輸出介於0~1之間,且S型函數輸入/輸出曲線非常陡峭,因此當net信號很小接近於零的時候,輸出值放大效果較佳,當net為正的無限大值,其輸出趨近於1。另外一種常用的轉換函數是雙曲正切函數(Hyperbolic Tangent Function),其輸出形狀也是S型,數學式表示為:

        雙曲正切函數是對稱於原點,輸出介於-1~1間之函數,其特性對某些類神經網路會得到較佳的效果。

二、類神經網路的運作

        類神經網路運作需經過學習過程及測試過程,其學習過程分為監督式(Supervised Learning)、無監督式(Unsupervised Learning)及聯想式學習(Associative Learning)。在參考其他研究者的成果後,本研究擬採用監督式學習,使用已知的輸出結果來學習。其作法為選取一組訓練範例,其輸入變數及輸出值皆為已知,經過學習之後,從中學習輸入變數與輸出變數的對應關係,以決定各處理單元間連結權值

         在學習的過程中,利用差量法(Delta Rule)來修改連結權值,使類神經網路輸出值更接近目標值(Haykin,1994,盧炳勳。曹登發,1992)。其方式為計算目標值T(Target Value)與實際值A(Actual Value)間之誤差,誤差函數的表示符號為δ,其數學式為:


=表示前層第i個處理單元對後層第j個處理單元之連結權值修正量。

=外在環境的輸入資料。

η=學習速率(Learning Rate),控制每次誤差函數變動的步幅。

=前層第i個處理單元對後層第j個處理單元,更新後的新連結權值。

=前層第i個處理單元對後層第j個處理單元,更新前的舊連結權值。

=更新後的新連結權值,第j個處理單元的輸出值。

        當δ為零時,表示類神經網路實際值與目標值相等,不必修改連結權值。當δ不為零時,表示類神經網路實際值與目標值不相等,必需修改連結權值使得誤差減小。在類神經網路經過訓練範例的學習之後,便需經過測試過程以了解訓練的成果。作法為選取一組測試範例(Testing Examples)輸入類神經網路,測試範例數目約為訓練範例的10%-20%( Haykin,1994)。經過測試範例,將類神經網路輸出值與已知正確輸出值比較,便可決定預測的正確率,來評估用於新案例的參考。

三、倒傳遞網路演算法

        倒傳遞網路的發展始於Rosenblatt(1962)對於多層認知器(Multi-layer Perceptrons)的研究,在1985年後才有倒傳遞(Back-Propagation)的名稱出現。Werbos(1974)最早在其博士論文提出倒傳遞的觀念,可惜並無後續性研究。直到1986年又被Remelhart, HintonWilliams(1986)重新發現並發表,才開啟後續的研究與發展。

        其學習過程通常以一次一個訓練範例的方式進行,直到學習完所有的訓練範例後,才視為一個學習週期(One Epoch),類神經網路可將訓練範例反覆學習,經過數個學習週期後,一直到收歛為止。

四、類神經網路應用上的限制

        雖然類神經網路廣泛地運用在信用評等、破產預測、股價預測等各種財務領域,但是類神經網路模型本身並不具有因果的解釋能力。譬如說:應用某種類神經網路模型來預測股價指數,且得到非常高的準確率,這僅表示類神經網路模型的自變數與股價指數間有一定的關係存在,但並不表示模型的自變數就是影響股價指數的因素。若是要瞭解變數間彼此是否具有因果關係,則必須進一步地再進行其他的統計檢定。因此,在實務應用上,類神經網路應該是做為幾種預測方法中的一種,而不是唯一的一種。

 

肆、研究方法與研究設計

        倒傳遞網路模型中需要決定多項研究變項,才能使得網路預測能力有較佳的表現。譬如:決定何種變數輸入網路、輸入變數選取的方法、選擇訓練範例及類神經網路參數等,以下依序探討有關本研究的研究方法及模型設計。

一、研究對象與期間

        本研究股價指數是以台灣證券交易所編製的發行量加權股價指數為依據。根據Hill, O’Connor & Remus(1996)之研究,類神經網路使用月資料比傳統預測方法有較佳的預測表現,因此發行量加權股價指數以每月月底值,各總體經濟指標則以台灣經濟新報社提供之月資料為準,因考慮資料期間的完整性以利統計分析,故以第6次景氣循環開始至第9次景氣循環當作資料運算,時間為722月至874月止共計183個月。

二、選取總體經濟因素

        本研究以預測股價指數為目標,個別公司股價預測不在本研究範圍,因此選擇以總體經濟因素做為輸入變數。總體經濟因素包括景氣變動、石油價格、利率、匯率、對外貿易、貨幣供給量、物價、融資比率、法令措施、心理因素及政治因素等皆會影響股價。而如何挑選類神經網路輸入變數並參考時間序列關係,是決定類神經網路預測正確率的關鍵因素。在決定以總體經濟因素做為輸入變數後,本研究考慮採行二種方法以選取輸入變數。方法一是利用因素分析法以選取主要變數(Key Factors)。方法二則是直接使用領先指標做為輸入變數。

(一) 因素分析法

        首先廣泛收集總體經濟指標,採用台灣經濟新報社提供之總體經濟金融指標,共有5項分類30個變數,如表4-1所示。隨後利用因素分析法選出輸入變數,目的是以較少的維數(Number of Dimensions),來表示原有的資料結構,因素分析法係採用SPSS Version 6電腦軟體提供的Factor Analysis功能。在共同因數抽取方法,使用主成份分析法(Principle Component Analysis),在決定共同因素抽取數目之原則,使用Kaiser所建議的因素特徵值(Eigenvalue)大於1之標準,之後再對因素加以轉軸。常用的轉軸方法有二種,分別是直交轉軸及斜交轉軸,本研究採用直交轉軸的變異極大法(Varimax)。最後選取各因素中所構成的共同性值(Communality)大於0.9的變數作為類神經網路輸入變數。

        在進行因素分析法時,將景氣循環列入考慮,使用依區分景氣循環及不區分景氣循環二種方式來進行,探討在考慮景氣循環後,影響股價的變數是否有所不同。

        利用因素分析法選出解釋能力達90%以上的輸入變數後,直接輸入類神經網路以觀察輸出結果。如果類神經網路預測股價指數能力不佳,接著便需考慮在輸入變數有所篩選,找出具關鍵的輸入變數,以正確預測股價指數。

4-1總體經濟金融指標

類    別 符  號 變數名稱
景氣指標 VAR1 海關出口值
VAR2 領先指標綜合指數
VAR3 失業率
貨幣金融 VAR4 M1A月底值—新
VAR5 M1B月底值—新
VAR6 M2月底值(新定義)
VAR7 外幣存款月底值
VAR8 MI國外負債
VAR9 重貼現率
VAR10 基本放款利率(一銀)
VAR11 一年定期存款利率(一銀)
VAR12 NT per US月底值
VAR13 外匯存底
VAR14 退票金額比率
VAR15 全體貨幣機構放款總額
VAR16 MFI放款總額
VAR17 商業本票發行餘額
VAR18 DMBS對證券投資總額
VAR19 全體金融機構証券投資
物價/工業生產 VAR20 CPI(1996=100)
VAR21 WPI(1996=100)
VAR22 工業生產總指數(80=100)
證券交易 VAR23 上市公司市價總值
VAR24 股票成交金額
VAR25 債券成交金額集中市場
VAR26 台灣加權股價指數月底
VAR27 紐約道瓊工業平均數
國際貿易 VAR28 出口貿易總金額
VAR29 進口貿易總金額
VAR30 貿易出超

(二) 使用領先指標

        在總體經濟指標中,領先指標率先反應對未來經濟走勢的看法,最早對股價指數產生影響。因此以領先指標直接作為類神經網路的輸入變數,了解預測股價漲跌正確率,以比較使用領先指標與使用因素分析及敏感性分析法篩選輸入變數,在預測股價漲跌正確率是否有所差異。

        根據行政院經濟建設委員會所編印的台灣景氣指標第22卷第9期中,有關領先指標共有7項,分別是:(1)製造業新接訂單指數,(2)製造業平均每月工作時數,(3)海關出口值,(4)貨幣供給M1B(5)躉售物價指數,(6)股價指數,(7)台灣地區房屋建築申請面積。

        根據表4-1所列的30個總體經濟金融指標,與上述領先指標相同的共有4項,將這4項變數當做類神經網路的輸入變數。分別是海關出口值、M1B月底值、躉售物價指數(WPI)及台灣加權股價指數,如表4-2所示。

4-2選定領先指標

符   號 變數名稱
VAR1 海關出口值
VAR5 M1B月底值—新
VAR21 WPI(1996=100)
VAR26 台灣加權股價指數月底

三、決定類神經網路架構及參數

        本研究採用倒傳遞類神經網路,輸入層為篩選過的輸入變數,輸出層有2個輸出,分別是UP處理單元及DOWN處理單元。當預測股價指數上漲時,UP輸出值大於DOWN輸出值,當預測股價指數下跌時,UP輸出值小於DOWN輸出值。在隱藏層上的決定,將採用一層隱藏層處理輸入變數。

        根據Haykin (1994, P174)測試20個倒傳遞網路結果,最佳學習速率h=0.1,慣性量=0.5。本研究使用Neuro Dimension公司設計Neuro Solutions Version 3.0的軟體發展類神經網路。本研究選擇S(Sigmoid Function)函數做為類神經網路轉換函數,學習速率設定為1,慣性量值設定為0.7。在學習類神經網路的過程中,採用逐次學習一個訓練範例的方式,直到學習完所有的訓練範例後,才完成一次學習週期(One Epoch),軟體設定每學習10次後修改連結權值,使類神經網路輸出值更接近目標值。

四、選擇訓練範例及預測

        本研究對訓練範例學習方法分為景氣循環法及移動模擬法二種,以觀察何種預測能力較佳。

(一) 景氣循環法

        為了考慮景氣循環對股價的影響,故以景氣循環週期作為學習及預測期間。根據台灣景氣指標所編製的景氣循環,先以第6次景氣循環期間月資料作為訓練範例,來進行學習,然後預測第7次景氣循環期間的月股價指數漲跌。隨後系統再重覆學習及預測的過程,一直到學習第8次景氣循環月資料,再預測第9次景氣循環期間月股價指數,共有3次學習及預測。

4-3台灣景氣指標

循環次序 谷底 高峰 谷底 擴張期(月) 收縮期(月) 全循環(月)
1 43年11月 44年11月 45年9月 12 10 22
2 45年9月 53年9月 55年1月 96 16 112
3 55年1月 57年8月 58年10月 31 14 45
4 58年10月 63年2月 64年2月 52 12 64
5 64年2月 69年1月 72年2月 59 37 96
6 72年2月 73年5月 74年8月 15 15 30
7 74年8月 78年5月 79年8月 45 15 60
8 79年8月 84年2月 85年3月 54 13 67
9 85年3月 ?年?月 ?年?月      

資料來源: 台灣景氣指標,第22卷第9期,871031日,P2-23

(二) 移動模擬法

        根據Hill, O’Connor & Remus(1996)之研究,學習與預測數目低於100個較佳,本研究以預測期間前30個月資料作為訓練範例來進行學習,預測第7次景氣循環開始的第1-6個月月股價指數漲跌。然後向前移動6個月再重覆學習的過程,對第7-12個月股價指數漲跌預測,一直到預測第7次景氣循環結束。接著再進行第89次景氣循環期間預測,共有27次學習及預測。

五、決定學習次數

        根據選出的輸入變數,輸入倒傳遞類神經網路,以第678次景氣循環做為訓練範例,任意選出訓練範例的20%作為測試範例數目,以瞭解學習結果,先用學習1000次評估學習正確率,如果正確率低於100%,逐步增加學習次數,以達到學習正確率100%。接著以不同學習次數、觀察MSE、學習正確率與預測次月股價指數漲跌正確率之關係,以決定倒傳遞網路學習次數。

 

伍、研究結果及分析

一、選取總體經濟變數

        為了解在不同期間影響股價的變數是否有所不同,以下依678次景氣循環之區分來進行因素分析,結果發現影響股價的變數在不同的景氣循環下,是會有所不同的,其結果分析如下:

(一) 6次景氣循環因素分析

        根據因素分析法,第五次因素分析抽取3個因素,經過轉軸後變數之共同性皆大於0.9,共有12個變數將做為類神經網路輸入變數,其結果如表5-1

5-16次景氣循環以因素分析法選出之輸入變數

符號 輸入變數 共同性值(Communality)
VAR6 M2月底值(新定義) 0.98464
VAR7 外幣存款月底值 0.97139
VAR9 重貼現率 0.93232
VAR11 一年定期存款利率(一銀) 0.95857
VAR13 外匯存底 0.97629
VAR15 全體貨幣機構放款總額 0.98037
VAR16 MFI放款總額 0.98043
VAR18 DMBS對證券投資總額 0.96052
VAR19 全體金融機構証券投資 0.96506
VAR20 CPI(1996=100) 0.99441
VAR21 WPI(1996=100) 0.96292
VAR26 台灣加權股價指數月底 0.92559

(二) 7次景氣循環因素分析

        第四次因素分析抽取4個因素,經過轉軸後變數之共同性皆大於0.9,共有21個變數將做為類神經網路輸入變數,其結果如表5-2

5-27次景氣循環以因素分析法選出之輸入變數

符號 輸入變數 共同性值(Communality)
VAR4 M1A月底值—新 0.97100
VAR5 M1B月底值—新 0.95889
VAR6 M2月底值(新定義) 0.98917
VAR7 外幣存款月底值 0.93844
VAR10 基本放款利率(一銀) 0.93952
VAR11 一年定期存款利率(一銀) 0.92987
VAR12 NT per US月底值 0.98912
VAR13 外匯存底 0.99187
VAR15 全體貨幣機構放款總額 0.98877
VAR16 MFI放款總額 0.98875
VAR18 DMBS對證券投資總額 0.96320
VAR19 全體金融機構証券投資 0.95994
VAR20 CPI(1996=100) 0.93545
VAR21 WPI(1996=100) 0.91037
VAR23 上市公司市價總值 0.96701
VAR24 股票成交金額 0.93252
VAR25 債券成交金額集中市場 0.93757
VAR26 台灣加權股價指數月底 0.95799
VAR28 出口貿易總金額 0.93473
VAR29 進口貿易總金額 0.93560
VAR30 貿易出超 0.99294

(三) 8次景氣循環因素分析

        第五次因素分析抽取2個因素,經過轉軸後變數之共同性皆大於0.9,共有10個變數將做為類神經網路輸入變數,其結果如表5-3

5-38次景氣循環以因素分析法選出之輸入變數

符號 輸入變數 共同性值(Communality)
VAR5 M1B月底值—新 0.94499
VAR6 M2月底值(新定義) 0.99134
VAR9 重貼現率 0.98096
VAR10 基本放款利率(一銀) 0.98633
VAR11 一年定期存款利率(一銀) 0.96629
VAR15 全體貨幣機構放款總額 0.99093
VAR16 MFI放款總額 0.99091
VAR20 CPI(1996=100) 0.98201
VAR21 WPI(1996=100) 0.98001
VAR27 紐約道瓊工業平均數 0.91185

二、預測結果依景氣循環區分

(一) 第一次網路預測

        根據5.1節所選出的輸入變數,輸入倒傳遞類神經網路,學習第678次景氣循環為訓練範例後,分別用於預測789次景氣循環期間次月股價加權指數漲跌正確率。如表5-4所示。

5-4依景氣循環區分預測次月股價加權指數漲跌正確率比較 

  第一次預測
7次景氣循環 36.67%
8次景氣循環 49.25%
9次景氣循環 53.85%

(二) 敏感性分析法

        由以上之預測正確率來看,預測率偏低,類神經網路對所選輸入變數無法有效預測次月股價加權指數漲跌,因此再以敏感性分析法再篩選各景氣循環之輸入變數。經過敏感性分析後,第678次景氣循環之輸入變數如下:

5-56次景氣循環以敏感性分析法選出之輸入變數

景氣循環 符號

輸入變數

6次景氣循環 VAR9 重貼現率
VAR11 一年定期存款利率(一銀)
VAR20 CPI(1996=100)
VAR21 WPI(1996=100)
7次景氣循環 VAR10 基本放款利率(一銀)
VAR12 NT per US月底值
VAR20 CPI(1996=100)
VAR21 WPI(1996=100)
8次景氣循環 VAR9 重貼現率
VAR10 基本放款利率(一銀)
VAR11 一年定期存款利率(一銀)
VAR20 CPI(1996=100)
VAR21 WPI(1996=100)

(三) 第二次網路預測

        再以經過學習678次景氣循環的網路,預測789次景氣循環期間次月股價加權指數漲跌。由表5-6第二次預測的結果,可以發現第二次預測的結果比第一次預測結果明顯提升。

5-6依景氣循環區分預測次月股價加權指數漲跌正確率比較

  第一次預測 第二次預測

(景氣循環法)

增加比率 第二次預測

(移動模擬法)

增加比率
7次景氣循環 36.67% 68.33% 86.34% 61.67% 68.18%
8次景氣循環 49.25% 53.73% 9.10% 55.22% 12.13%
9次景氣循環 53.85% 69.23% 28.57% 69.23% 28.57%

三、預測結果不區分景氣循環

        將民國722月至852月之所有輸入變數,利用因素分析法共選出20個變數將做為類神經網路輸入變數,其結果如表5-7

5-7民國722月至852月以因素分析法選出之輸入變數

符號

輸入變數

共同性值(Communality)
VAR1 海關出口值 0.93575
VAR4 M1A月底值—新 0.97499
VAR5 M1B月底值—新 0.98249
VAR6 M2月底值(新定義) 0.98923
VAR7 外幣存款月底值 0.93943
VAR9 重貼現率 0.95789
VAR10 基本放款利率(一銀) 0.95565
VAR11 一年定期存款利率(一銀) 0.97485
VAR12 NT per US月底值-月 0.98734
VAR13 外匯存底 0.99262
VAR15 全體貨幣機構放款總額 0.97721
VAR16 MFI放款總額 0.97728
VAR17 商業本票發行餘額 0.97155
VAR18 DMBS對證券投資總額 0.94019
VAR19 全體金融機構証券投資 0.96808
VAR20 CPI(1996=100) 0.97662
VAR22 工業生產總指數(80=100) 0.93798
VAR27 紐約道瓊工業平均數 0.96549
VAR28 出口貿易總金額 0.96737
VAR29 進口貿易總金額 0.96631

(一) 第一次網路預測

        根據5.1節所選出的輸入變數,輸入倒傳遞類神經網路,學習第678次景氣循環為訓練範例後,分別用於預測789次景氣循環期間次月股價加權指數漲跌正確率。如表5-8所示。

5-8不區分景氣循環預測次月股價加權指數漲跌正確率比較

  第一次預測
7次景氣循環 36.67%
8次景氣循環 44.78%
9次景氣循環 53.85%

(二) 敏感性分析法

        由以上之預測正確率來看,類神經網路對所選輸入變數無法預測次月股價加權指數漲跌,因此考慮以敏感度分析法再篩選各景氣循環之輸入變數經過敏感度分析後678景氣循環之輸入變數如5-9。

5-9民國722月至852不分景氣循環以敏感度分析法選出之輸入變數

符號

輸入變數

VAR9 重貼現率
VAR10 基本放款利率(一銀)
VAR11 一年定期存款利率(一銀)
VAR12 NT per US月底值
VAR20 CPI(1996=100)
VAR22 WPI(1996=100)

(三) 第二次網路預測

        再經過學習678次景氣循環的網路用於預測789次景氣循環期間次月股價加權指數漲跌。由表5-10第二次預測的結果,可以發現使用敏感性分析之後,預測結果仍然不佳。

5-10不區分景氣循環預測次月股價加權指數漲跌正確率比較

  第一次預測 第二次預測

(景氣循環法)

增加比率 第二次預測

(移動模擬法)

增加比率
7次景氣循環 36.67% 35.00% -4.55% 61.67% 68.18%
8次景氣循環 44.78% 50.75% 13.34% 47.76% 6.66%
9次景氣循環 53.85% 53.85% 0.00% 53.85% 0.00%

(四) 使用領先指標

        在使用海關出口值、M1B月底值、躉售物價指數(WPI)及台灣加權股價指數輸入類神經網路後,如表5-11所示。因此依景氣循環區分預測次月股價加權指數漲跌正確率,可以得到最佳的預測結果。至於使用不分景氣循環法及使用領先指標輸入類神經網路,其預測正確率皆無法超越與依景氣循環區分的預測方式。

5-11使用領先指標預測次月股價加權指數漲跌正確率比較

  景氣循環法 移動模擬法
7次景氣循環 31.67% 43.33%
8次景氣循環 49.25% 43.28%
9次景氣循環 50.00% 63.38%

 

陸、討論

變數的篩選

        在輸入變數取捨上,如果僅用因素分析法所得到的輸入變數,直接輸入類神經網路,不論是否區分景氣循環期間,預測股價指數漲跌的正確率皆低,因此過多不相關的輸入變數將會降低類神經網路預測能力。此外,如果僅用領先領先指標直接輸入類神經網路,也無法得到良好的預測結果,說明只選用領先指標並非關鍵變數,只有利用敏感性分析法可找出關鍵的輸入變數,提高類神經網路預測正確率。

二、期間的選擇

        在資料期間的選取上,採用景氣循環期間作為輸入變數資料的選取期間,較能找出影響股價指數的關鍵變數,對類神經網路預測股價指數漲跌,正確率皆高於不分景氣循環期間的預測方式。以不分景氣循環期間所選出的輸入變數,因選出非關鍵輸入變數,以致於輸入類神經網路後預測正確較低,因此不分景氣循環期間在資料的選取上並不適用。以各次景氣循環期間來篩選出輸入變數,較能找出該期間影響股價指數漲跌的關鍵變數,應用在類神經網路也有較佳的表現。

三、訓練範例的選取

        在預測第8次景氣循環期間,股價指數漲跌正確率不及60%,根據Gately(1996)研究,當股市大跌或有突發事件發生,造成股市激烈變動,此期間的資料並不適合給予類神經網路學習,容易造成學習失真影響預測正確率。本研究在預測第8次景氣循環期間股價指數時,選取第7次景氣循環週期的資料作為訓練範例,而在學習訓練範例中是不是有異常資料,便需詳細探討。

        在7第次景氣循環週期中(748月至797)歷經76年波斯灣戰爭爆發,造成股價暴跌,76-78年間新臺幣兌美元匯率由40升元值到25元造成國外熱錢湧入,使得國內資金泛濫進而流入股市。股價指數由748666.11點上漲至79112054.35點,漲幅達到1709.67%。隨後79年因課徵證所稅及景氣反轉造成股市暴跌至7975618.21點,跌幅達到53.4%。由於這段期間資料變動過大,輸入類神經網路作為訓練範例並不適合,因而造成預測第8次景氣循環期間股價指數漲跌正確率最高僅達55.22%

        在選取訓練範例的資料時,若出現不正常資料,譬如股市大跌或有突發事件發生,並不適合類神經網路學習,容易造成所學習結果無法應用於未來正常的預測模式,進而影響預測正確率。因此在學習資料的選取上,應該訂定一定的標準,譬如:股價隔月變動率超過30%以上,該期資料便予以刪除。

 

柒、結論與建議

        由各次預測結果得知,景氣循環法比移動模擬法有較高預測正確率。探討其原因在於景氣循環法是採用前一個景氣循環期間為訓練範例,學習前一個完整的景氣循環資料。而移動模擬法在本研究中採用前30個月為訓練範例,並無法呈現前一個完整的景氣循環資料,使得類神經網路無法學習完整的景氣循環資料,因此在預測時較無法掌握景氣循環對股價指數的影響,造成預測能力較景氣循環法低。

        在今後的研究上,如果能先判斷上漲趨勢或下跌趨勢,在股價指數預測上應該會有較佳的表現,譬如:以景氣循環擴張期預測下次擴張期股價指數,或以景氣循環收縮期預測下次收縮期股價指數。此外,不少投資者也採用技術分析分析股價漲跌。因此在資料的選擇上,可以嘗試以技術分析指標做為類神經網路輸入變數,配合各種不同天數的移動平均線或各類技術指標當做選取訓練範例,以探討使用技術分析指標,是否能提高預測的正確率。除了在股價指數預測上,類股指數也是不少投資者注意的焦點。因此如何運用類神經網路,找出類股指數有效的輸入變數做為學習資料,配合景氣循環或各產業的產業週期當做選取訓練範例的期間,以探討類神經網路對各類股指數的預測能力,也是可以繼續研究之方向。

 

主要參考文獻

1.        Baba, N. and M. Kozaki, 1992, “An Intelligent Forecasting System of Stock Price Using Neural Networks”, IEEE/INNS International Joint Conference on Neural Networks-Baltimore, PI371-I377.

2.        Donaldson, R.G. and M. Kamstra, 1996, “Forecast Combining with Neural Networks”, Journal of Forecasting, Vol.15, P49-61.

3.        Fishman, M.B., D.S. Barr, and W.J. Loick, 1991, “Using Neural Nets in Market Analysis”, Technical Analysis of Stocks and Commodities, Vol.9, P18-21.

4.        Gately, E., 1996, Neural Networks for Financial Forecasting, John Wiley & Sons. Inc.,

5.        Gencay, R., 1996, “Non-linear Prediction of Security Returns with Moving Average Rules”, Journal of Forecasting, Vol.15, P165-174.

6.        Hawley, D. and D. Raina, 1990, “Artificial Neural System: A New Tool for Financial Decision-Making”, Financial Analysts Journal, November/December, P63-72.

7.        Haykin, S., 1994, Neural Network A Comprehensive Foundation, Macmillan Publishing Company.

8.        Hill, T., M. O’Connor and W. Remus, 1996, “Neural Network Models for Time Series Forecasts”, Management Science, Vol.42, No7, P1082.

9.        Kamijo, K. and T. Tanigawa, 1990, “Stock Price Pattern Recognition: A Recurrent Neural Network Approach”, IEEE International Joint Conference on Neural Networks P215-221.

10.    Kimoto, T. and K. Asakawa, 1990, “Stock Market Prediction System with Modular Neural Networks”, IEEE International Joint Conference on Neural Networks P1-I6.

11.    Kuan, C. and H. White, 1994, “Artificial Neural Networks: An Econometric Perspective”, Econometric Reviews, Vol.13 (1), P1-91.

12.    Medsker, L., E. Turban and R.R. Trippi, 1993, “Neural Network Fundamentals for Financial Analysts”, collected in Neural Networks in Finance and Investing, Probus Publishing Company, P3-25.

13.    Neuro Dimension, Inc. 1996, Neuro Solutions Getting Started Manual Version 3.0, Neuro Dimension, Inc.

14.    Remelhart, D.E., G.E. Hiton, and R.J. Williams, 1986, “Learning Internal Representations by Error Propagation”, collected in Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Remelhart, D.E. and J.L. McClelland, eds., Vol.1, MIT Press.

15.    Rosenblatt, F., 1962, Principle of Neurodynamics, Spartan Books.

16.    Skapura, D.M., 1995, Building Neural Networks, Addison-Wesley Publishing Company.

17.    Surkan, A.J. and A.N. Skurikhin, 1996, “Experiments in Bond Rating with Probabilistic Neural Networks”, Progress in Neural Information Processing, Vol.2: ICONIP’96 (Hong Kong), P705.

18.    Werbos, P.J., 1974, Beyond regression: New tools for prediction and analysis in the behavioral sciences, Ph.D. Dissertation, Harvard University, Cambridge, MA.

19.    White, H., 1988, “Economic Prediction Using Neural Networks: The Case of IBM Daily Stock Returns”, IEEE International Joint Conference on Neural Networks, P451-458.

20.    White, H., K. Hornik and M. Stinchcombe, 1992, Artificial Neural Networks, Blackwell Publishers.

21.    吳振坤,816月,類經神網路在學習臺灣股價行為上的應用,交通大學資訊管理研究所碩士論文。

22.    周育蔚,856月,利用類經神網路建立台灣股價預測模型,臺大商研所碩士論文。

23.    林志鴻,846月,類經神網路支援股市投資決策,臺大商研所碩士論文。

24.    張文信,846月,以類經神網路預測股價指數漲跌,臺大財務金融所碩士論文。

25.    陳玉清,846月,以類神經網路建立股票價格預測知識庫,東吳大學會計系碩士論文。

26.    葉怡成,844月,類神經網路模式應用與實作,儒林書局。

27.    鄭志偉,866月,運用類神經網路於台灣股市個股及指數之預測分析,淡江大學資訊管裡學系碩士論文。

28. 盧炳勳,曹登發,813月,類神經網路理論與應用,全華書局。

(本文作者詹錦宏,長庚大學工商管理學系副教授兼副主任。袁澤峻,悠克電子股份有限公司總經理室副理。)