Combining Artificial Neural Network Prediction and Investment Strategy in the Operation of Taiwan Top 50 ETF

股票價格是否可以被預測一直為投資人與學者所探討，股價若可以被預測，則投資人可以在股市獲取超額利潤。本研究提出一套植基於倒傳遞類神經網路模型，找出最佳的5組參數組合，檢測並探討是否能較精準預測股票現貨之隔日收盤價，並以此參數組合進行模擬各式投資策略，探討在這些模擬的投資條件下，有較優的獲利。 本研究選擇「元大台灣卓越50證券投資信託基金」(簡稱：元大台灣50)做為研究標的，研究範圍為2007年至2016年10年的每日交易數據，以前9年的數據為訓練資料、最後1年為測試資料。本研究在建置倒傳遞類神經網路模型中，選擇平均絕對誤差(MAE)評估值最小的5個模型參數組合，其中以模型(17-6-1；0.7、0.1、5,000)的評估值最小為0.5343。最後，以平均絕對誤差值最小的5個網路架構模型，並用四種投資策略進行模擬投資並與技術指標及買進持有(Buy and Hold)策略模擬投資結果進行比較。由實證結果得知以投資策略四(二次轉換且考慮預測報酬率)中順序1的網路架構(17-6-1)2016年累積獲利金額最高。因此，本研究結合倒傳遞類神經網路模型的預測能力應用於元大台灣50的投資策略是較精準的。Whether the stock price is predictable has been discussed by investors and scholars for a long time. If the stock price can be predicted, investors are able to obtain excess profits from stock markets. This study builds a Backpropagation Neural Network model to find five best sets of parameters and explore whether portfolios, which are proposed by this study, can effectively predict the stock spots' closing price on the next day. This study also simulates investment strategies, which depend on the sets of parameters, and explores whether the strategies profit effectively. First, the transaction data of 'Yuanta/P-shares Taiwan Top 50 ETF' are selected as the subject of research. Second, this study chooses five best sets of parameters with less Mean Absolute Error (MAE), the model (17-6-1; 0.7, 0.1, 5,000) has the smallest MAE 0.5343, to construct model of Backpropagation Neural Network. Last but not least, this study applies four investment strategies, which are derived from five best sets of parameters, to simulate investments and compare with the simulation derived from technical indicators and buy-and-hold. The empirical results show that one of the investment strategy (apply twice transformation, which means if the closing price on next day is positive predicted by model twice in a row, the model will buy the stock, and consider Return On Investment, ROI) with the model (17-6-1) has the highest cumulative profits. Therefore, this study proposes investment strategies, which apply Backpropagation Neural Network to 'Yuanta/P-shares Taiwan Top 50 ETF,' are effective.第一章 緒論 1 第一節 研究背景與動機 1 第二節 研究目的 1 第三節 研究對象及範圍 1 第四節 研究架構與流程 7 第二章 文獻探討 9 第一節 股市理論 9 第二節 股票市場技術分析 10 第三節 類神經網路 15 第四節 國內外相關研究(類神經網路在金融市場的應用文獻研究) 19 第三章 研究方法 22 第一節 研究數據來源與變數定義 22 第二節 研究工具 23 第三節 類神經網路模型 24 第四節 評估方式 26 第四章 實驗結果評估與分析 28 第一節 類神經網路模型評估 28 第二節 投資策略報酬評估 29 第五章 結論與建議 41 第一節 結論 41 第二節 研究限制 41 第三節 建議及未來研究 42 參考書目 4