71

應用基因演算法建構以趨勢為基礎之股票投資決策系統

吳忠敏1、周聖鈞2*、廖鴻圖3

1台北科技大學服務與科技管理研究所 2台北科技大學工商管理研究所

3世新大學資訊管理學系 *E-mail: scchou.shu@gmail.com

摘要

股票投資市場經常使用技術線圖來研判股價趨勢，但是透過技術線圖判斷股

價趨勢必須具備豐富的投資經驗方能判斷出正確的股價趨勢，缺乏量化數據與客

觀的標準。因此本研究提出一個新的股價趨勢分類模型，以移動平均線為基礎來

計算趨勢值，並將股價分為漲勢、盤整、跌勢三種趨勢，接著利用基因演算法的

最佳化能力，建構出各趨勢之最適投資策略。研究結果顯示，以 20 日移動平均線所計算出趨勢值的分類結果，投資績效最佳。另外，本研究將分類結果結合趨

勢投資策略系統來進行模擬交易，實驗結果顯示，本研究提出之趨勢分類方法結

合趨勢投資決策系統，其投資績效優於葛蘭碧法則策略、KD 指標策略與買入持有策略。 關鍵詞：股價趨勢、基因演算法、投資決策支援系統

Using Genetic Algorithm to Construct Investment Decision

System Based on Stock Trend

Chung-Min Wu1, Sheng-Chun Chou2*, Horng-Twu Liaw3 1 Graduate Institute of Services and Technology Management, National Taipei

University of Technology 2 Graduate Institute of Industrial and Business Management, National Taipei

University of Technology Department of Information Management, Shih Hsin University

*E-mail: scchou.shu@gmail.com

72

Abstract Technical indicators and graphics are frequently utilized nowadays as

instruments to detect trend of the stock market, but it requires considerable experience of investment in stocks to accurately estimate the trend. And this could not be accomplished without quantitative analysis and objective standards. This paper proposes a new stock price classification model based on trend. This model calculates stock trend values by moving averages. The trend of stock price is categorized, according to the trend values calculated, into three groups as "up trend", "flat trend" and "down trend". By using the optimization capacity of genetic algorithm, the most effective investment strategy is formulated for every trend group. The result suggests that MA20 give the best performance. In addition, combining classification results with investment strategy system based on trend, the simulated transaction results revealed that the performance of our model is superior to "Granville rules", "KD indicators rules" and "buy and hold strategy". Keywords: Stock Trend, Genetic Algorithms, Investment Decision Support System

壹、前言

台灣投資環境已十分成熟，但近年來國際金融局勢不穩，台灣股市也隨著齊

漲齊跌，波動十分劇烈，投資人一但看錯方向就會遭受到巨大的損失。因此如何

判斷目前股市的趨勢，且能夠在這個難以預測的市場中獲得良好的績效，是投資

人非常關心的議題。此外，人工智慧領域大幅的進步，許多從前人們在決策時所

遇到的問題現在都能夠透過人工智慧方法，由電腦做為決策的輔助工具，如：類

神經網路、基因演算法、蟻群系統等，這些方法應用於財務相關領域的研究在這

幾年之中已有不錯的成效。 投資策略的研究，主要可分為三種理論學派：一、基本分析學派；二、隨機

漫步理論學派；三、技術分析學派。其中技術分析學派的理論基礎起源於 19 世紀末的道氏理論，該學派主張股價有趨勢軌跡可循，且相信歷史會一再重演。所

以可以藉由技術線圖來找出股價的行為模式，作為買賣決策的依據。但是透過技

術線圖來判斷股價趨勢必須具備豐富的投資經驗方能判斷出股價趨勢，缺乏客觀

標準與量化數據。另外，綜觀過去有關投資策略的研究，發現大多著重於技術指

標之探討或利用資料探勘技術來找出最佳投資策略，對於以股價趨勢為基礎來進

行交易策略分析的研究較少。且過去的研究在擬定投資策略後，無論股價目前的

趨勢為何，皆建議投資人使用相同的投資策略甚至多指標交易策略，經常使得交

易訊號不容易產生，造成交易成功的次數太少，甚至沒有交易，進而影響獲利。

本研究有鑑於上述問題，首先提出一個新的股價趨勢分類方法。以移動平均價為

基礎，透過本研究所提出之趨勢值將每日股價區分為漲勢、盤整、跌勢等三種狀

73

態。接著運用以基因演算法所建構之演化式趨勢投資決策支援系統，找出三種趨

勢之最適投資策略，讓投資人在不同的股價趨勢下，使用不同的投資策略進行交

易，並評估本研究所提出之股價趨勢分類方法結合趨勢策略是否有效且績效能夠

優於市場上常用的投資策略。

貳、文獻探討

一、技術分析學派相關研究

道氏理論(Dow Theory)起源於 19 世紀，是技術分析的理論基礎。道氏理論的目標是判定市場中主要趨勢的變化。趨勢形成後，便被視為繼續存在，直到發

生反轉為止。道氏理論將股票的變化表現為三種趨勢：主要趨勢、次級趨勢、短

期趨勢，三種波動彼此互相影響。波浪理論(Wave Theory)由 Elliott 於 1938 年所提出，主要是根據道氏理論的精神並且結合費伯納西數列(Fibonacci Number)，認為整個市場的價格波動型態，不論趨勢的層級大小，均遵循著一種五波上升趨

勢與三波下降趨勢的週期循環[13]。 技術分析乃是以統計科學的方法，根據過去的股價資料，嘗試運用各項圖形

及量化指標，來分析過去的趨勢，進而探索未來的走勢。國內外的學者，於技術

分析領域，已有許多實證文獻，所使用的技術指標有移動平均線[1, 2, 9, 21]、相對強弱指標[1, 2]、乖離率[1, 2]、KD 指標[1, 2, 5]等。結果顯示技術分析可以成功的預測股價的移動，能夠替投資人帶來超額報酬，並證明股票市場不具備弱勢

效率性，即技術分析可以為投資人帶來有用的資訊。 在股價趨勢的判斷上，道氏理論與波浪理論僅能憑藉主觀的圖形訊息並加上

經驗的判斷來做為趨勢判斷的依據，缺乏客觀標準與量化數據。近年來已有應用

統計與量化方法來找出股價趨勢的相關研究，如：Atsalakis 與 Valavanis[12]將股價區分為上漲或下跌兩種趨勢，並利用調適性網路模糊推論系統預測第二日的股

價趨勢，研究證實資料探勘方法能有效預測短期股價趨勢。

二、基因演算法

基因演算法是由密西根大學 John Holland 教授於 1975 年所提出。主要的概念來自於達爾文「物競天擇、適者生存」的特性，藉由模擬生物間的競爭，使得

對環境適應能力較強的母代，能夠經由選擇(Selection)、複製(Reproduction)、交配(Crossover)、突變(Mutation)等過程繁衍下一代，子代再繼續經由上述過程，如此不停地重複演化直到產生適應能力最強的子代，因此基因演算法是一種最佳解

的搜尋演算法。 由於基因演算法是由族群中的所有點開始搜尋，因此可在搜尋空間中平行搜

尋最佳解，避免落入區域最佳解的情形，特別適合應用於搜尋解答空間很大、非

線性、複雜且可能有雜訊的問題。另外，基因演算法以目標函數做為知識的本體，

並用來當作評估演化績效的指標，因此基因演算法可應用於許多不同的領域，

如：工程設計[10]、電腦網路[15]、財務分析與投資組合[11, 20]等領域。

74

三、基因演算法應用於股票投資策略

近年來基因演算法應用於股票交易策略的問題上已有不錯的成效。相關文獻

整理如下： 邱登裕與徐廣銘[6]結合基因演算法與法則式類神經網路來進行股市買賣時

點的探討。該研究將技術指標經由專家法則處理後再進行資料探勘，找出潛在交

易法則，並以基因演算法來選擇交易法則同時演化類神經網路相關參數，如：訓

練次數、學習速率、門檻降低值。研究發現結合基因演算法與法則式類神經網路

之決策模式，其投資報酬率高於倒傳遞類神經網路策略與買入持有策略。連立川

等[7]使用 18 種技術指標並配合基因演算法建構台灣股市期貨買賣交易規則。在考慮多空雙向獲利的情形下，基因演算法買賣策略之獲利大於買入持有策略，是

一個穩定且有效的交易策略。 Chang Chien and Chen[22]以基因演算法為基礎，建立一個關聯分類法

(Associative Classification)，將股價資料與技術指標加以分類，並從中找出交易規則與最佳買賣時點。結果顯示以基因演算法為基礎所發展的分類方法有效且具有

較高的預測準確率。Nunez-Letamendia[18]利用基因演算法結合多種技術指標來驗證馬德里證券交易所指數成分股之交易績效。結果顯示透過基因演算法所建構

出的交易策略其績效優於買入持有策略，作者並認為技術指標具有表達與股價相

關之特定細微因素的能力，而這些細微變化是影響股價未來趨勢的重要關鍵。 綜觀過去國內外有關使用啟發式演算法應用於技術分析與交易策略的研究

中，大多著重於對未來股價的預測[12, 22]以及藉由單一技術指標[3, 9]或複合技術指標[4, 7, 17]來建構投資策略，並評估投資績效。過去的研究亦證實投資人於不同股價趨勢時，所關注的技術指標會有所不同[4]，但利用啟發式演算法建構隨股價趨勢而改變投資策略模型的研究較少。有鑑於此，本研究有別於以往的研

究，提出一個新的股價趨勢分類方法，並利用基因演算法之最佳化能力，建構不

同股價趨勢之最適投資策略。

参、研究方法

本研究所建構之演化式趨勢投資決策支援系統包含了股價趨勢分類系統以

及趨勢投資策略系統。過去的研究中，無論股價位於高點或低點，皆使用相同的

投資策略來做為買賣參考的依據，造成當市場趨勢過冷或過熱時，技術指標交易

策略會產生鈍化的現象。因此本研究首先探討股價與移動平均價之間的關係，並

提出股價趨勢分類系統將股價分為漲勢、盤整、跌勢三種趨勢狀態。 演化式趨勢投資決策支援系統結合了股價趨勢與技術指標，透過基因演算法

強大的組合最佳化與適應能力，建構出適合漲勢、盤整、跌勢等趨勢的投資策略。

本研究並以 9 個移動時窗來驗證趨勢投資決策支援系統的績效與穩定性，系統架構與流程如圖 1 所示。

75

股價資料

技術指標

產生趨勢投資策略初始族群

漲勢策略 盤整策略 跌勢策略

最佳趨勢投資策略

趨勢分類系統

計算趨勢策略之適應函數

是否滿足終止條件

複製 交配 突變趨勢投資策略基因解碼

否

漲勢 盤整 跌勢

是

圖 1 演化式趨勢投資決策支援系統架構

一、投資決策系統所使用之技術指標

本研究產生之趨勢投資策略使用技術分析相關文獻及市場投資人士常用的

技術指標[1, 4, 5, 9, 21]，涵蓋價、量指標，包含相對強弱指標(Relative Strength Index, RSI)、移動平均價 (Moving Average, MA)、乖離率 (BIAS)、心理線(Psychological Line, PSY)、動量指標 (Momentum Index, MTM)、隨機指標(Stochastic Oscillator, KD)、移動平均成交金額(Moving Average Value, MAV)等七種技術指標，並透過市場上常用的基期來計算，做為趨勢投資策略的判斷依據，

如表 1 所示。

表 1 技術指標使用之時間基期 技術指標 時間基期 技術指標 時間基期

RSI 5 日、20 日 MTM 10 日、20 日

MA 5 日、20 日 KD 9 日、14 日

BIAS 5 日、20 日 MAV 5 日、20 日

PSY 13 日、26 日

二、股價趨勢分類系統

道氏理論中提到主要趨勢會隱含著許多次要趨勢，彼此交互影響，例如：上

漲趨勢的過程中，可能會有部分階段的股價為盤整趨勢，如圖 2。因此若藉由圖形來判斷股價趨勢將過於主觀，難以有一個量化標準。移動平均價代表某一段期

間的股價平均成本，其走勢能夠表現股價的趨勢方向，由圖 2 顯示，股價與移動平均價之距離越大，趨勢強度越強烈，本研究將上述之距離 T 稱為「趨勢值」，趨勢值越大，顯示目前趨勢偏向漲勢；趨勢值越小，則表示目前趨勢偏向跌勢；

76

若介於兩者之間，表示目前為盤整趨勢。趨勢值之計算如公式(1)：

n

nnn MA

MAPT −= (1)

4nnnn

nCLHOP +++= (2)

其中 nP 為第 n 日股價均價， nMA 為第 n 日移動平均價， nO 為第 n 日開盤價， nH為第 n 日最高價， nL 為第 n 日最低價， nC 為第 n 日收盤價。

圖 2 股價與移動平均線

為了找出衡量股價趨勢的量化標準，因此本研究將趨勢值分為 5 個區間：分

別為區間 A、區間 B、區間 C、區間 D、區間 E，如圖 3 所示。區間 A 的定義方式為，若趨勢值大於 0.1，則股價趨勢分類為漲勢；若趨勢值小於 -0.1，則將股價趨勢分類為跌勢；若趨勢值介於 -0.1~0.1 之間，則系統將股價趨勢分類為盤整。

77

圖 3 趨勢值分類區間

三、基因演算法建構趨勢投資策略

基因演算法具有強大的組合最佳化與適應能力，能迅速找出困難問題的最佳

解，而在建構基因演算法時，首先要決定基因模型與編碼方式。本研究所提出的

趨勢投資策略基因模型如圖 4 所示。因此當透過本研究之趨勢分類系統判斷股價趨勢為漲勢時，則使用趨勢投資策略中屬於漲勢的買進與賣出策略進行交易；當

股價趨勢為盤整或跌勢時，則由趨勢投資策略中盤整或跌勢的買賣策略來進行買

進與賣出的動作。

漲勢 盤整 跌勢

買進策略 賣出策略 買進策略 賣出策略 買進策略 賣出策略 技術指標

判斷式

值 技術指標

判斷式

值 技術指標

判斷式

值 技術指標

判斷式

值 技術指標

判斷式

值 技術指標

判斷式

值

圖 4 趨勢投資策略基因模型

經由基因演算法的演算後，三種趨勢均會產生最佳的買進與賣出策略，因此

共有六種交易策略。買進策略的成立條件為，當技術指標大於或小於某個數值，

則進行買進。賣出策略的成立條件為，當技術指標大於或小於某個數值，則進行

賣出的動作。而同一趨勢的買進與賣出策略，在演化過程中，會有可能產生相同

的交易策略而造成衝突，無法判斷應該進行買進或賣出，因此本研究針對上述情

形提出以下解決方式，如表 2 所示。

78

表 2 交易策略處理方式 符合賣出策略 未符合賣出策略

符合買進策略 If 目前有持股 賣出 else 買進

買進

未符合買進策略 賣出 不進行買賣

基因的編碼方式，本研究使用二元(Binary)編碼。首先技術指標的編碼方式

與所對應之技術指標如表 3。本研究共使用 16 種不同時間基期之技術指標做為投資策略的研究變數，因此技術指標的染色體長度為 4bits，編碼可表達的範圍為 0 到 15。判斷式的染色體長度為 1bit，0 代表「>」，1 代表「31」與「技

術指標

79

其中 newX 為正規化後的資料， oldX 為正規化前的原始資料， maxX 為輸入資料之最大值， minX 為輸入資料之最小值， maxD 為資料正規化後值域之最大值， minD 為資料正規化後值域之最小值。

此方法除能夠充分利用解答空間與提高解碼效率外，亦可解決技術指標正規

化後進行基因演化容易造成資訊失真的問題。公式(3)中加上常數項是為了充分利用解答空間，例如：當編碼結果為 0 或 31 時，在還原為技術指標原始值域後，所得到的結果不會是技術指標原始值域的最小值或最大值，因此能夠完整的利用

解答空間。 在基因演算法的控制參數上，本研究根據過去研究的建議，嘗試設定多種不

同群族大小、演化代數、交配率、突變率等參數，經交互組合運算後，以能夠獲

得最佳適應函數之參數作為最終實驗參數設定值，並以此參數重複實驗 30 次，取其平均值做為研究結果。相關參數說明如下：(一) 染色體長度共 60bits；(二) 族群大小為 100；(三) 演化代數設定為 1200；(四) 子代選擇機制使用輪盤法並搭配菁英法；(五) 交配率為 0.8；(六) 突變率 0.05；(七) 演化停止條件為當最近100 代的適應值沒有變化時，停止基因演算法演化。本研究以年化報酬率最大化為基因演算法的適應函數，如公式(4)：

( ) 11 −+= n rAR (4)

start

startend

MMMr −= (5)

其中 n 為投資期間之年數，r 為投資報酬率， startM 期初投資金額， endM 期末淨值。

四、系統模擬方式與實驗設計

本研究使用 1996 年 1 月 4 日至 2012 年 3 月 30 日止，共 4172 個交易日之台灣加權股價指數為研究對象，為了驗證演化式趨勢投資決策支援系統的績效與穩

定性，本研究將上述研究期間之資料切割成 9 個移動時窗，如圖 5，每個時窗分別以前 5 年做為訓練資料，後 3 年做為測試資料。9 個移動時窗分別包含不同多空走勢，藉此評估本研究所提出演化式趨勢投資決策支援系統的適用性與穩定

性。各個投資策略進行模擬交易時，均依照下列假設： (一) 期初資金為 1000 萬。 (二) 股票最小交易單位為 1000 股。 (三) 本研究僅進行現股交易。 (四) 買進與賣出股票時，均須支付相關費用。於買進股票時，支付手續費

80

0.1425%；賣出股票時支付手續費 0.1425%與證券交易稅 0.3%。 (五) 交易訊號產生後，以隔日開盤價進行交易。 (六) 若期末仍持有股票，則將股票依當日股價賣出。

圖 5 移動時窗訓練與測試資料

為了驗證本研究所提出之趨勢投資策略的績效，在模擬交易假設相同的前提

下，與以下三種過去研究[7, 8, 14]常用的投資策略做一比較。 (一) 葛蘭碧法則策略：美國投資專家葛蘭碧(Granville)所提出，利用價格與

移動平均線的關係做為買進與賣出訊號的依據。其認為價格的波動具有某種規

律，當價格與移動平均線發生偏離時，是一個買賣訊號。當短天期移動平均線從

下往上突破長天期移動平均線時，稱為黃金交叉，是一個買進訊號。而短天期移

動平均線從上往下跌破長天期移動平均線時，則此現象為死亡交叉，為一賣出訊

號。因此當移動平均線呈現黃金交叉時，本研究則進場買進；反之，當移動平均

線呈現死亡交叉時，將手中持股賣出。 (二) KD 指標策略：KD 指標結合了動量概念、相對強弱指標與移動平均線

的優點，且計算時涵蓋了最高價與最低價，因此在表現行情真正的波動幅度上較

為敏感，適用於短期的投資決策。一般常用 Bernstein[14]所建議的運用策略：當D 值在 20 以下視為超賣區，且 K 值在超賣區由下往上穿過 D 值，為一買進訊號。而 D 值在 80 以上被視為超買區，當 K 值在超買區由上往下穿過 D 值為一賣出訊號。

(三) 買入持有策略：將期初資金 1000 萬於期初全數買進股票，並於期末時賣出，藉此策略檢驗本研究所提出之方法能否擊敗大盤，若能擊敗大盤，則證明

趨勢策略有效。

肆、研究結果與討論

本研究以 .Net Framework 做為開發平台，進行股價趨勢分類系統與趨勢投

81

資決策支援系統之開發與驗證，前端以 C# 開發圖形介面供使用者輸入基因演算法與投資相關參數，後端使用 SQL Server 2008 為資料庫，儲存股票每天的交易資料，包含開盤價、收盤價、最高價、最低價、成交量、成交值等資料，系統畫

面如圖 6 所示。

圖 6 系統操作介面

一、股價趨勢分類結果

在趨勢值的計算中，本研究嘗試分別以 MA(5)、MA(20)、MA(60)、MA(120)共 4 種移動平均價來計算趨勢值，結果發現移動平均價的基期越短，走勢越不穩定，不易找出趨勢；反之，基期越長，走勢雖較為穩定，但卻無法反映短期的股

價趨勢。圖 7 為 4 種趨勢值在 9 個移動時窗之交叉研究結果，研究發現，以 MA(20)計算趨勢值所分類出之趨勢，在 30 次的實驗、9 個不同的移動時窗中所得到的平均投資績效最佳。此研究結果與 Lai & Lau[19]的研究結論相符，即利用 20 日移動平均線進行技術分析能產生最佳的獲利。

82

圖 7 四種移動平均基期之趨勢值投資績效

本研究將 MA(20)為基期所計算出之趨勢值於 5 個不同趨勢值區間所分類出

趨勢天數繪製於圖 8。由圖 8 可知，相同的移動時窗，於不同的趨勢值區間下，其漲勢、盤整、跌勢的天數會有所不同，且趨勢值區間的範圍越廣，將使得盤整

天數增加，相對的造成漲勢與跌勢的天數縮減，而趨勢天數縮減將使得趨勢交易

策略訊號不易產生。另外，本研究發現，趨勢值區間 A 中，9 個移動時窗均呈現漲勢天數大於跌勢天數的情形，因此本研究仔細探討其原因，並分析如下。

根據 French et al.[16]的研究指出，市場對於好消息與壞消息存在波動性不對稱現象，且壞消息比好消息更容易引發下期較大程度波動，因此股票市場中存在

著緩漲急跌的現象，此現象造成漲勢天數大於跌勢天數。為了找出適當的趨勢值

區間，因此本研究分別將不同的趨勢區間資料帶入本研究提出之演化式股票決策

系統中進行模擬交易，以最佳適應值的結果，做為最適趨勢值區間。 經由 9 個移動時窗的訓練結果，如表 4 所示，顯示在趨勢值區間 A，所得到

的訓練結果最佳，其中績效表現最好的為移動時窗 8，其適應值為 19.11%，而績效最差的移動時窗 4 適應值亦高達 3.70%。因此 9 個移動時窗的測試資料皆以趨勢區間 A 做為趨勢分類系統之趨勢判斷標準。為驗證趨勢分類系統之正確性，本研究將趨勢值區間 A 之趨勢還原為原始大盤指數，繪製如圖 9。圖 9 顯示不論大盤指數位於高檔或低檔，皆能藉由趨勢值將每日的股價區分為漲勢、盤整與跌

勢等三種趨勢。也就是說相同的大盤指數，由於趨勢值的不同，使得其股價趨勢

亦會有所不同，不會因為價格高而判斷為漲勢；價格低而判斷為跌勢。

83

圖 8 不同趨勢值區間之趨勢天數

84

表 4 移動時窗於不同趨勢區間之訓練資料適應值 時窗編號 區間 A 區間 B 區間 C 區間 D 區間 E 時窗 1 13.68% 10.16% 8.86% 9.76% 4.83% 時窗 2 18.97% 13.74% 8.81% 9.64% 5.92% 時窗 3 17.69% 12.42% 13.87% 9.71% 5.53% 時窗 4 3.70% 3.88% 2.96% -1.33% 1.62% 時窗 5 6.05% 4.96% 4.18% 5.76% 2.31% 時窗 6 15.03% 11.15% 9.05% 7.72% 5.45% 時窗 7 11.14% 7.84% 9.04% 5.88% -3.35% 時窗 8 19.11% 18.29% 12.38% 9.79% 6.00% 時窗 9 3.81% 2.88% 3.26% 2.55% -2.02%

圖 9 股價趨勢分佈圖

二、趨勢投資策略實驗結果

經由股價趨勢分類系統得到每日之股價趨勢後，即可利用以基因演算法所建

構之趨勢投資策略模型進行演化，以找出符合各趨勢之最適投資策略。本研究於

各個時窗之訓練期間利用基因演算法所產生的最佳化染色體，經由基因解碼步

驟，得到最佳化趨勢投資策略，並將此策略分別於訓練以及測試資料中進行系統

模擬交易，評估其投資績效。為評估趨勢投資策略之有效性，本研究將模擬投資

結果與葛蘭碧法則策略、KD 指標策略、買入持有策略等三種投資策略模擬結果做一比較。

圖 10 為訓練期間不同時窗之投資策略績效分析，橫軸為移動時窗期間，縱軸為年化投資報酬率。由圖顯示訓練期間買入持有策略的平均年化報酬率為

0.02%、葛蘭碧法則策略為-4.23、KD 指標策略為-6.18、趨勢策略為 12.13%。研究發現，於訓練期間中，9 個移動時窗中有 6 個為空頭走勢，3 個為多頭走勢，趨勢策略於訓練期間不管多頭或空頭走勢，其投資績效均大幅勝過其他三種投資

85

策略。KD 指標策略於訓練期間的績效皆為負報酬，僅時窗 3 之績效勝過買入持有策略。另外，葛蘭碧法則策略之績效皆劣於買入持有策略，僅時窗 6 與時窗 8為正報酬，其餘績效皆為負報酬。而趨勢策略於訓練期間各時窗之投資績效均大

幅勝過買入持有策略，其中以時窗 3 之平均年化報酬率與買入持有策略之離最大，達 26.74%。

圖 10 訓練期間各投資策略績效分析

圖 11 為測試期間不同時窗之投資策略績效分析。由圖顯示除時窗 3 之外，

其餘時窗趨勢策略之投資績效均勝過其他三種投資策略。測試期間買入持有策略

的平均年化報酬率為 5.00%、葛蘭碧法則策略為 0.31、KD 指標策略為-2.61、趨勢策略為 5.64%，由此顯示趨勢策略之績效於訓練期間亦剩過其他三種投資策略。測試期間中，研究發現，僅時窗 6 為空頭走勢，其餘時窗皆為多頭走勢，時窗 6 之買入持有策略年化投資報酬率僅-6.71%，原因在於這個期間內正面臨金融海嘯的危機，因此大盤為空頭走勢，而趨勢策略於該時窗之績效雖為負報酬

(-1.64%)，但卻大幅優於大盤表現，亦勝過葛蘭碧法則策略(-7.33%)與 KD 指標策略(-3.45%)。

整體而言，不管大盤處於多頭走勢或空頭走勢，趨勢策略的投資績效均優於

大盤，本研究分析原因在於股票市場中，每支股票除了基本面、股性不同之外，

其最佳買賣時點亦會隨著空頭行情或多頭行情而有所不同。過去的研究中不管目

前股價走勢為何，皆使用單一投資策略進行投資，因此經常造成在多頭行情時獲

利，空頭行情時卻獲利不佳的情形。本研究提出之演化式趨勢投資決策支援系

統，讓使用者能在不同股價趨勢時使用不同投資策略，因此不管於多頭或空頭走

86

勢，績效皆能優於大盤表現。

圖 11 測試期間各投資策略績效比較圖

伍、結論

過去在判斷股價趨勢時，均透過技術線圖來找出股價的趨勢，但是透過技術

線圖來判斷股價趨勢必須具備豐富的投資經驗方能判斷出股價趨勢，缺乏客觀標

準與量化數據。因此本研究提出一個新的股價趨勢分類方法，透過趨勢分類系統

產生量化指標，將股價分為漲勢、盤整、跌勢三種趨勢，接著利用基因演算法的

最佳化能力，建構出各趨勢之最適投資策略。幫助投資人在多變的投資環境中，

找出股價趨勢，同時於不同趨勢中使用趨勢投資策略組合，以達到最佳的投資績

效。研究結果顯示，趨勢分類系統所分類出的股價趨勢，結合以基因演算法所建

構之趨勢投資決策系統，其投資績效於本研究 9 個時窗之訓練期間與測試期間，皆勝過其他三種投資策略。因此本研究所提出之以趨勢為基礎之股票投資決策系

統能提供投資人一個新的投資決策模式。

參考文獻

[1] 吳東曄，「應用類神經網路於預測台股指數之研究」，國立屏東教育大學應用數學系碩士論文，2009。

[2] 李惠妍、吳宗正、溫敏杰，「迴歸模式與類神經網路在台股指數期貨預測之研究」，經營管理論叢，第二卷第一期，8-99 頁，2005。

87

[3] 李愷莉，「與時變動之系統風險探討─以轉換迴歸模型為例」，創新與管理，第九卷第一期，55-88 頁，2012。

[4] 李顯儀、吳幸姬，「技術分析資訊對共同基金從眾行為的影響」，臺大管理論叢，第二十卷第一期，227-260 頁，2009。

[5] 林天運，「大盤未來走勢預測-KD 指標的實證分析」，國立成功大學國際企業研究所碩士論文，2007。

[6] 邱登裕、徐廣銘，「股市投資決策模式之建構與個股買賣時機之探討」，資訊管理學報，第十五卷第一期，73-96 頁，2008。

[7] 連立川、葉怡成、江宗原、楊豐銘，「遺傳演算法建構台灣股市期貨買賣決策規則之研究」，資管評論，第十四期，47-61 頁，2006。

[8] 郭佳昇，「技術指標應用於台灣股票指數期貨與現貨之研究」，台南應用科技大學商學與管理研究所碩士論文，2009。

[9] A. Gunasekarage and D. M. Power, “The Profitability of Moving Average Trading Rules in South Asian Stock Markets,” Emerging Markets Review, Vol. 2, No. 1, pp. 17-33, 2001.

[10] B. R. Rao and R. Tiwari, “Optimum Design of Rolling Element Bearings Using Genetic Algorithms,” Mechanism and Machine Theory, Vol. 42, No. 2, pp. 233-250, 2007.

[11] C. Qi and J. C. S. Tang, “Foreign Direct Investment: A Genetic Algorithm Approach,” Socio-Economic Planning Sciences, Vol. 40, No. 2, pp. 143-155, 2006.

[12] G. S. Atsalakis and K. P. Valavanis, “Forecasting Stock Market Short-Term Trends Using a Neuro-Fuzzy Based Methodology,” Expert Systems with Applications, Vol. 36, No. 7, pp. 10696-10707, 2009.

[13] G. S. Atsalakis, E. M. Dimitrakakis and C. D. Zopounidis, “Elliott Wave Theory and Neuro-Fuzzy Systems, in Stock Market Prediction: The WASP System,” Expert Systems with Applications, Vol. 38, No. 8, pp. 9196-9206, 2011.

[14] J. Bernstein, Market Masters How Successful Traders Think, Trade and Invest and How You Can Too!, Dearborn Trade Publishing, 1994.

[15] K. P. Ferentinos and T. A. Tsiligiridis, “Adaptive Design Optimization of Wireless Sensor Networks Using Genetic Algorithms,” Computer Networks, Vol. 51, No. 4, pp. 1031-1051, 2007.

[16] K. R. French, G. W. Schwert and R. F. Stambaugh, “Expected Stock Returns and Volatility,” Journal of Financial Economics, Vol. 19, No, 1, pp. 3-29, 1987.

[17] L. A. Teixeira and A. L. I. Oliveira, “A Method for Automatic Stock Trading Combining Technical Analysis and Nearest Neighbor Classification,” Expert Systems with Applications, Vol. 37, No. 10, pp. 6885-6890, 2010.

[18] L. Nunez-Letamendia, “Trading Systems Designed by Genetic Algorithms,” Managerial Finance, Vol. 28, No. 8, pp. 87-106, 2002.

[19] M. M. Lai and S. H. Lau, “The Profitability of the Simple Moving Averages and Trading Range Breakout in the Asian Stock Markets,” Journal of Asian Economics, Vol. 17, No. 1, pp. 144-170, 2006.

88

[20] R. Gimeno and J. M. Nave, “A Genetic Algorithm Estimation of the Term Structure of Interest Rates,” Computational Statistics & Data Analysis, Vol. 53, No. 6, pp. 2236-2250, 2009.

[21] W. Brock, J. Lakonishok and B. LeBaron, “Simple Technical Trading Rules and the Stochastic Properties of Stock Returns,” The Journal of Finance, Vol. 47, No. 5, pp. 1731-1764, 1992.

[22] Y. W. Chang Chien and Y. L. Chen, “Mining Associative Classification Rules with Stock Trading Data – A GA-Based Method,” Knowledge-Based Systems, Vol. 23, No. 6, pp. 605-614, 2010.