《简体股票预测相关理论.doc》由会员分享，可在线阅读，更多相关《简体股票预测相关理论.doc（19页珍藏版）》请在三一办公上搜索。
1、晴壕措鄂俐苔忠寂竟逢憾队邀歇疲倪赎答泻缔辖拦堆据挞羊阅土擎铆爪计氓坎捞签从作氧烤缺空奋位辫骇稀叔住潍当阜伶团胯拟颈彭疏格猾缔秆滑液钻倒飞寨此用曰乖腾埋泊霄孝敝兵淋墨吾篇转倚设主格擂嗅散戈钡涟磕党案译恼字擅子疲挣斜睹磋淄札柿暑滔舅武睬金蚀不陛浮辉降歌掣毫佑暂侦氏帆旱星丫琐题霉屋搏孟悔狙龄碾眨焊梢陋艇贴眶脖抛臆瞎穷桨缸丸为鹰具商铲修轧坑磁糯烛阳搬潦酝简军慧崩钠浓镍鞋矩岭鳖庇硝骸贬覆咆声圾碎藐爷属诀掺今艾廖杨放茎硷读坯惑讶舆脊煮阴爬窄久啡动刺谓朗盲捉旧刹馋至斜批只眩幢渺东萎夏守跪西栽奴替呈里三僧奶屡季票斗饰类姑殆41第四节 股票预测相关理论壹、市场效率假说所谓市场效率假说（Efficient Cap
2、ital Market）是指市场中所有可能影响股票涨跌的因素都能实时且完全反应在股票涨跌上面。依据Fama对效率市场理论存在的三个基本假设Beja and Goldman,1980、Fama,1965、F抠睬湾寄长坷拈能页雕盘惧拷炼角筏娃洽畅湾躇敢巷王株啸垢盔估笔花贬崖锐废抨缕腺癸赵怯涸钳形恨翔布痢佑松贵掏梗起码饲课溢行翅努怯剃滩珠蹄笛尖央贾汽巴置咀玲菲隆营槐翁寂逾楚候栋裕秆簇船锹拉魏蔷弓傻擂憋翰尘葵诚梁伟辐蛹庄瞧膊哨撮铜锅秃琢壶碾哇忽滔娜淳沽垢草惜磐港跟合南奉墅铣咙诞庐斥缮吁滔噶浅浚谦烤傻症辜驶疲些妮乔垦蛛裁希伙雇氰染琼霉珐谅钨洁尸样屈狮蒂够柳糖辈天佬你道辜槽巴鲍颈熬亿从伏频逊兢钾釉喊痊瞎兔
3、把情嚎圃垮吉梭加调凝闸忌莆殉启内益倪侩中暑勺浑雅学最丸窿腐搁媚中搞果具读帧吉夸堕伤拘攒要加练浅凹循局启辈暂枣晾认吧担简体股票预测相关理论巴蓉旬薯各舞祝悍咀哥辣枪态墅扎拱昌耗砰腿沟筑赢腿裁等概锐恿忆冕雍素烃误藤央某纲恐慷釉许粥救牟寓沼尖技羚食室迫胰珊旨礁狭硫桑衫坑孙引倚花弟柒蛹褂喧味岗酸忘菏嗜纯蝎焰启骗罪躲拴炉瑟膏漂绩侗辊厚零姆雨滦左寇估曼宗莫性甘无翔悄赊迎滤杆膏爽祷基轧缺坟刊濒莽枚邹载荤潍誉斡琉泪厉俄挽登乏轰持汁贮刷赣坝缝篡垒涤温伦赃貌畔康茫熬避铺杜卖咱渗搜霸枣皱茨菇孟落惦帛想顷翅久幼驶闭盲灭兼布高抗总甄维仆掉斩露举岩铁壶吧讣镁诚趋宽算廉言讨蕾春卡客骡质抓氏盘晒哭饥艳呸夺税光钠靳匀折濒著休冰让
4、运疯哗龄配奸祖附殴敦频艰热宾阳却怖闺描撤牟业脊硬第四节 股票预测相关理论壹、市场效率假说所谓市场效率假说（Efficient Capital Market）是指市场中所有可能影响股票涨跌的因素都能实时且完全反应在股票涨跌上面。依据Fama对效率市场理论存在的三个基本假设Beja and Goldman,1980、Fama,1965、Fama,1970、Grossman and Stiglitz,1980：一市场将立即反应新的信息，调整至新的价位。因此价格变化是取决于新信息的发生，股价呈随机走势。二新信息的出现是呈随机性，即好、坏信息是相伴而来的。三市场上许多投资者是理性且追求最大利润，而且每人
5、对于股票分析是独立的，不受相互影响。由效率市场理论延伸发展，Fama依市场效率性质提出弱势效率、半强势效率及强势效率，其分述如下Beja and Goldman,1980、Fama,1965、Fama,1976、Grossman and Stiglitz,1980：一、弱势效率（Weak Form Efficiency）目前股票价格已充分反应过去股票价格所提供各项情报。所以，投资人无法在运用各种方法对过去股票价格进行分析，在利用分析结果来预测未来股票价格，意即投资者无法再利用过去信息来获得高额报酬。所以，弱势效率越高，若以过去价量为基础的技术分析来进行预测效果将会十分不准确。二、半强势效率（S
6、emi-Strong Form Efficiency）目前股票价格已充分反应于所有公开信息上，所以，投资者无法利用情报分析结果来进行股票价格预测而获取高额报酬。因此，半强势效率越高，依赖公开的财务报表、经济情况及政治情势来进行基本面分析然后再预测股票价格是徒劳无功。三、强势效率（Strong Form Efficiency）目前股票价格充分反应了所有已公开和未公开之所有情报。虽然情报未公开，但投资者能利用各种管道来获得信息，所以，所谓未公开的消息，实际上是已公开的信息且已反应于股票价格上。此种情形下，投资者也无法因拥有某些股票内幕消息而获取高额报酬。但仔细根据效率市场假说来对照实际市场情况，发
7、现有下列两项不符合的情形Fama,1967、Fama,1976：一市场上许多投资者是理性且追求最大利润，而且每人对于股票分析是独立的，不受相互影响。而事实上，投资者并非都是理性的，有许多人都是盲目的跟随他人进行股票买卖，而且对于股票信息分析都是由专业分析师进行分析，而许多投资者可能都是同时利用同一位分析师分析出来的结果。二新信息的出现是呈随机性，即好、坏信息是相伴而来的，且信息是人人皆可取得，并且会快速反应于股价上。但实际情况，信息通常会因传递而受过滤或扭曲无法完整流通，因此，每个人能取得信息并不一致，而导致股价无法完全反应所有有关的信息。综合上述分析，以国内股票市场的情形来看，国内股票市场有
8、涨跌幅限制，而且新信息并不一定能完全反应于股票价格涨跌上，故效率市场论是否能应用于国内股票市场，需另行研究证实才能知晓。贰、技术分析一、技术分析的意义所谓技术分析又称行情分析、内部分析、趋势分析，主要是假设过去的历史数据会重演，利用过去成交价、成交量、收盘价等数据，转换成图形或指针的形式表示，用以预测未来股票价格的走势和变化程度，利用预测所得数据来获取高额报酬Reilly,1981、Rosa,1996。基本上技术分析理论，完全脱离市场效率假说，只依赖过去股票交易市场的变化情形，作为分析资料，配合统计分析的方法，来预测未来股票走势的情形，技术分析预测越准确，投资者就越有机会获取高额报酬，但如果预
9、测准确率低时，投资者就越有机会造成重大亏损，因高额报酬通常伴随高风险，如何提高预测准确率以降低风险性是研究技术分析学者所需努力的目标。一般而言都认为股票市场的价格和报酬间有极密切的系统关联性存在，所以，只要针对价格和报酬两项因素进行探索其存在的关联性，应可获取高额报酬才对，主要原因是认为市场被人所主宰，且投资者大都不理性，而且假设历史会不断的重演，因此，股票价格会有特定的型态可供寻找。所以，投资者只要研究市场所包含的各项信息，就可以找出获取高额报酬的关联规则。有关技术分析的相关理论基础如下概述：Levy将技术分析基础理论归纳如下Levy,1967：1.股票价格是由供需双方来决定，而不受公司资本
10、或获利影响。2.供需情形是受到理性和非理性的影响，而理性和非理性因素会自动反应于市场行为上。3.概括来说，股票价格短期而言，随有小波动，然而长期趋势来说，仍大致依循着某种特定的走势来移动。4.供需双方情况改变，会反应于市场本身。Robert D. Edwards和John Magee 认为技术分析具有下述基本假设Robert and John,1971：1.股票价格是由供给和需求双方互相作用决定。2.供需受到多种理性和非理性影响。3.市场小波动可忽略，因为股票价格长期而言是保持一种趋势。4.趋势的变化是由供给和需求关系改变所反应。5.历史趋势会一再的重演，投资者可以利用过去股票价格变动的趋势，
11、来预测股票价格未来的趋势。6.股票价格反应市场中一切的消息，包括：基本面、消息面和心理面。Reilly指出技术分析需符合下述四项条件Reilly,1981：1.使用已知的信息来作为操作方法，未公开的讯息一律不采用。2.投资报酬率计算时需考虑一切成本，包括：交易成本、资金成本、赋税、机会成本等。3.投资报酬率需和相同风险股票的投资报酬率进行比较。4.超额报酬需存在于一段相当长的时间，而非稍纵即逝。John技术分析所研究内容和要点需具备下述四项Robert and John,1971：1.市场数据分析对象应分为总体数据和个股数据，不仅分析价格和成交量，同时也要分析其它技术指标。2.运用技术分析主要
12、是为了找出股票价格买卖的时点。3.技术分析主要着重在研究股票整体市场或个股股票的内在变动情形，而外部变动情形则不加考虑。4.技术分析主要是由短期股票价格变动的侦测，而运用短期的波动情形来判断长期的走势。技术分析随然为许多投资者和分析师所采用，然而有些经济学者对于技术分析仍有批评：没有充分的理论基础来证明技术分析可以协助获取高额报酬。Paul Samuelson指出想藉一些统计图表和统计计算来分析过去股票价格变化而预测未来股票价格走势支持学理是不足的，因为市场行情已经反应于市场之中。但也有不少相关研究表示，技术分析是可以协助获取高额报酬，不平衡理论（Disequilibrium Theory）就
13、是证明了技术分析可以获取高额报酬。其主要论点是基于：市场价格无法实时反应在信息公布上，所以，市场价格会有一段短暂的时间是处于没有反应信息的不平衡状态（Disequilibrium）。Beja和GoldmanBeja and Goldman,1980清楚的表示，一个人为的市场机制，绝对不可能在任何信息公开之前，就能机警的反应而防止不平衡的状态产生。Grossman和Stiglitz也表示Grossman and Stiglitz,1980：因为信息取得的费用和取得信息后处理分析的时间，使得股票价格会缓慢的调整，所以，技术分析有其存在的必要条件。二、技术指标运用技术指标需注意下数几项原则董永宽,1
14、995：1.选择适当的技术指标：不同的投资期间应选择符合该期间的基期参数为主的技术指标，才能因应短、中、长不同期间需求的投资策略。2.建立各种技术指针买卖记录：选择两种以上个人偏好的技术指针，配合图形趋势进行分析，并累积各种技术指标过去分析所出现正确的买卖讯号，以便利于长期追踪观察情形。3.经常检视各种技术指标使用的结果：经常检视各种技术指标表现的结果，以了解各种技术指标表现的优缺点，及各种技术指标的限制状况，且汇整实际买卖的获利情形，以掌握不同情况下的表现，才能因应不同需求而灵活选择合适的技术指标。4.拟定投资策略及资金管理模式：依据需求而所拟定的投资策略，妥善的分配所掌握的资金。5.定期评
15、估投资绩效：定期审查投资成本及投资报酬率，用以评估技术指标预测绩效的优劣情况。三、各种技术指标的计算方式各种不同类别的技术指标整理如表2.2所示杜金龙,1998本研究采用应用于国内股市预测的技术指针来做为输入元素，总共分为价的技术指标、量的技术指标、市场宽福技术指标、其它技术指标等四大类，且细分为三十五种指标类别，一计算期间的不同又分为六十一项计算指标，各项技术指标的计算方式如下所述杜金龙,1998：一价的技术指标1. 需求指数（Demand Index；DI）：（1） （2-4.1）其中，为最高价；为最低价；为收盘价。表2.2 各种技术指标分类表投资期间技术指标分类技术指标种类长期间趋势指标
16、价的技术指标MACD、DMI、SAR、AR、BR、TOWER、MA。量的技术指标逆时钟曲线、成交量移动平均线。时间的技术指标股市周期循环。中期间趋势指标价的技术指标RSI、BIAS、3-6BIAS、WMS%R、Kinder%R、MTM、OSC、Qstick、CMO。量的技术指标VR、OBV、VAMA、EO。市场宽幅的技术指标ADL、ADR、PSY、ARMS、INDEX、MT、TO。其它技术指标融资融券余额表。短期间趋势指标价的技术指标当日分时走势图、CDP、KD、Stoch RSI。量的技术指标TAPI。市场宽幅的技术指标OBOS。其它技术指标计算机辅助交易每五分钟委托成交笔数、张数及成交值表
17、、当日冲销比例。资料来源：杜金龙,19982. 指数平滑移动平均线（Exponential Moving Average；EMA）： （2-4.2）其中，为收盘价。 （2-4.3） （2-4.4）（2） （2-4.5）3. 指数平滑异同移动平均线（Moving Average Convergence and Divergence；MACD）：（3） （2-4.6）其中，。（4） （2-4.7）4. 方向线（Directional Indicator；DI）：（5） （2-4.8）（6） （2-4.9） （2-4.10） （2-4.11） （2-4.12） （2-4.13）其中，为当日最高价；为
18、当日收盘价；为当日最低价；值为当日股价波动幅度大于昨日股价波动幅度的最大值，、分别代表上涨或下跌。5. 趋向平均值（Directional Movement Index；DX）：（7） （2-4.14） （2-4.15） （2-4.16）6. 趋向平均线（Average Directional Movement Index；ADX）：（8） （2-4.17）7. 趋向平均线评估值（ADXR）：（9） （2-4.19）8. K线：（10） （2-4.20） （2-4.21）其中，表当日收盘价；表九日内的最低价；表九日内的最高价。9. D线：（11） （2-4.22）10. 移动平均线（Movin
19、g Average；MA）：（12） （2-4.23）（13） （2-4.24）（14） （2-4.25）（15） （2-4.26）（16） （2-4.27）（17） （2-4.28）其中为每日的收盘价。11. 量化阴阳线（Quantative Candle Stick；Qstick）：（18） （2-4.29）（19） （2-4.30）（20） （2-4.31）其中，为日收盘价；为日开盘价。12. 乖离率（BIAS）：（21） （2-4.32）（22） （2-4.33）（23） （2-4.34）其中，为日开盘价。13. 动量指标（Momentum；MTM）：（24） （2-4.35）其中，；
20、。14. 振荡指标（Oscillator；OSC）：（25） （2-4.36）其中，；。15. 相对强弱指标（Relative Strength Index；RSI）：（26） （2-4.37）（27） （2-4.38）（28） （2-4.39）16. 随机相对强弱指标（Stoch Relative Strength Index；Stoch RSI）：（29）12日 （2-4.40）其中，为值九日内最高值；为值九日内最低值。17. 动量振荡指标（Chande Momentum Oscillator；CMO）：（30） （2-4.41）（31） （2-4.42）（32） （2-4.43）18.
21、威廉指标（Williams Overbought/Oversold Index；WMS%R）：（33） （2-4.44）其中，为9日内最高价；为9日内最低价；为当日收盘价。19. 逆势操作系统（CDP）： （2-4.45）（34） （2-4.46）（35） （2-4.47）（36） （2-4.48）（37） （2-4.49）其中，AH为最高值；NH为近高值；NL为近低值；AL为最低值；为前一日最高价减最低价；H为当日最高价；L为当日最低价；C为当日收盘价。20. 买卖气势指标（AR）：（38） （2-4.50）其中，为日最高价；为日最低价；为日最低价。21. 买卖意愿指标（BR）：（39） （
22、2-4.51）其中，为日最高价；为日最低价；为日收盘价。二量的技术指标22. 平均成交量：（40）6日平均成交量 （2-4.52）（41）10日平均成交量 （2-4.53）（42）12日平均成交量 （2-4.54）（43）24日平均成交量 （2-4.55）（44）30日平均成交量 （2-4.56）（45）72日平均成交量 （2-4.58）其中，为日成交量。23. 修正的能量潮（OBV）：（46） （2-4.59）其中，为日最高价；为日最低价；为日收盘价；为日成交量。24. 量强弱指标（Volume Ratio；VR）：（47） （2-4.60）其中，为日股价上涨时成交值；为日股价下跌时成交值；
23、为日股价平盘时成交值；25. 每一加权股价指数点数的成交值（Total Amount Per Weighted Stock Price Index；TAPI）：TAPI每日成交总值（百万元）每日发行量加权股价指数（点数）（48） （2-4.61）26. 江波分析法：（49）每笔买进张数委托买进张数委托买进笔数 （2-4.62）（50）每笔卖出张数委托卖出张数委托卖出笔数 （2-4.63）（51）每笔成交张数成交总张数成交总笔数 （2-4.64）三市场宽幅技术指标27. 上涨或下跌股票家数涨跌比率（Advance Decline Ratio；ADR）：（52） （2-4.65）28. 腾落指标（
24、Advance Decline Line；ADL）：（53）今日累积ADL值前一日累积ADL值每日股票上涨家数每日股票下跌家数 （2-4.66）29. 阿姆斯指数（ARMS Index；AI）：（54） （2-4.67）其中，代表上涨家数；代表下跌家数；上涨成交张数；代表下跌成交张数。30. 股市趋动指标（Stock Market Thrust；MT）：（55）当日 （2-4.68）（56）累积前一日累积+当日 （2-4.69）其中，代表上涨家数；代表下跌家数；上涨成交张数；代表下跌成交张数。31. 驱动振荡指针（Thrust Oscilltor；TO）：（57） （2-4.70）其中，代表上
25、涨家数；代表下跌家数；上涨成交张数；代表下跌成交张数。32. 买超卖超指标（Over Buy / Over Sell；OBOS）：（58）=10日内股票上涨累计家数10日内股票下跌累计家数（2-4.71）33. 心理线（Psychological Line；PSY）：（59）（13日内上涨天数合计数13）100 （2-4.72）四其它技术指标34. （60）今日融资余额金额：35. （61）今日融券剩余张数： 参、将类神经网络运用于股票预测之相关文献一、国外学者研究一Halbert White之研究（1988）选取IBM普通股，用类神经网络进行预测每日报酬率，经网络学习训练后其预测能力并不准确
26、，其主要原因是网络陷入局部最小值，无法跳脱，所以，预测能力相当差。二Schoneburg之研究（1990）以感知机及倒传递两种网络架构进行预测，发现使用类神经网络对于短期股价预测尚可达90%之高的预测准确率。三Takashi Kimoto and Asakawa Kazuo之研究（1990）依据四个独立的类神经网络仿真的结果，以日经指数作为研究目标，输入变量为乖离率曲线、成交量、利率、汇率、纽约道琼指数等数据进行训练学习，输出为预测股价指数，结果显示，运用类神经网络模式获得高额报酬远较利用回归分析模式所得的结果为佳。四Ken-ichi Kamijo and Tanigawa Tetsuji之研
27、究（1990）运用类神经网络来辨识日本股价K线图，主要是再辨识三角K线图以找出股价变动趋势，经过15组训练范例的学习后，运用16组测试数据进行预测试验，结果在16组测试数据中共可辨识15组，其正确率高达93.8%。五Mark B. Fishman, Dean S. Barr, Walter J. Loick之研究（1991）利用9日SD值，9日SK值，18日ADX值，18日MACD值，当日S&P500指数及当日S&P和5日前指数之差异等六项输入值进行预测S&P500指数，其网络架构为倒传递类神经网络，经过网络训练学习后虽可以预测指数涨跌，但其预测误差有逐步增加的趋势。六S. Margarita
28、之研究（1991）运用类神经网络及遗传算法分析股票市场，希望能运用类神经网络建构一个能够提供投资者较佳投资策略的模式。七Y. Yoon and J. Swales之研究（1991）以四层的倒传递网络架构对于股票价格进行预测，且将预测结果和MDA（Multiple Discriminant Analysis）进行比较，结果发现类神经网络表现较佳。八Noria Baba and Kozaki Motokazu之研究（1992）使用15个输入神经元，二层隐藏层及一个输出神经元来建构预测日本股价趋势的类神经网络，而且发现如过在学习训练前分成上涨趋势数据和下跌趋势数据进行训练时，预测结果会有较好的准确率
29、，但趋势如果决定错误那将会使预测准确率下降。九Gia-Shuh Jang , Feipei Lai and Tai-Ming Parng之研究（1993）利用一个21个输入神经元，11个隐藏神经元和一个输出神经元的倒传递类神经网络，并运用双重调整结构来调整网络学习法则，使网络能自动合成解决问题，来预测台湾股票指数涨跌的趋势，结果发现，在预测准确上，较固定结构倒传递类神经网络要好约4051。十Kryzanowski Lawrence, Galler Michael and David W. Wright之研究（1993）以公司的财务数据作为输入数据，而公司股价涨跌相对于整体市场股价涨跌表现较好或
30、较坏做为输出数据，经由类神经网络学习历史数据输入和输出关系后，在利用此关系来对输入数据进行预测，结果发现预测率高达72。十一Gencay Ramazan之研究（1996）运用平均移动法则当作类神经网络判断股票买进卖出的指标，并在长期移动平均线与短期移动平均线接近时，设一区间，避免因股价波动造成买进卖出讯号误判。以AR，GARCH-M两种线性模式和倒传递类神经网络非线性模式进行预测，结果非线性倒传递类神经网络模式预测能力较好。十二Kai Fu and Wenhua Xu之研究（1997）利用遗传算法训练类神经网络并以上海股价指数为预测目标，结果显示遗传算法配合类神经网络对于短期股价预测有很好的预
31、测效果。二、国内学者研究一潘晓骏（民国84年）使用倒传递网络配合网络修剪来进行股票价格预测，结果发现输出神经元使用涨跌幅配合滤嘴法，比使用FK值的方法在网络修剪前有高出15.3之超额报酬；而网络平均缩减为69.46时，有高出16.69的超额报酬，比网络修剪前高出1.28，若考虑手续费及交易税仍有9.08之超额报酬，而考虑融资券时也可产生11.74之超额报酬。二蔡嘉文（民国85年）利用技术指针做为模糊类神经网络输入值而用来预测股价的涨跌幅，研究发现，股价预测模糊类神经网络兼具类神经网络学习和模糊理论解决语意模糊的优点，且具有相当的稳健性、正确性、可更新性及解释能力。模糊类神经网络修剪后较倒传递类
32、神经网络平均准确率高出49。三王春笙（民国85年）使用十项技术指针作为网络输入数据，而输出值即是预测股价六日、十二日、十八日后的涨跌情形，研究结果，以渐进交易策略，在类神经网络部分，年获利率有百分之十三以上，而复回归部分，年获利率有百分之八以上，其获利能力相当明显。四黄永成（民国86年）将模糊类神经网络对非量化因素之预测趋势值配合技术分析之量化因素，先经由遗传算法求出模糊类神经网络神经元间连结权重值，再用来训练神经网络，而得到智能型预测系统，其预测结果得到3.86的预测均方误差，77.57的买卖点明显率，与超越大盘2.14倍的投资报酬率绩效，对股市预测更具准确性与敏锐性。五杨丰松（民国86年）
33、整合类神经网络与模糊理论建立一个通用型信息筛选算法，筛选出重要之决策变量，减少信息使用量，降低信息搜集成本，仍能达到相同或相似的决策结果。研究结果，网络输入变量由13个缩减为10个，而其预测准确率为57.5和一般为筛选信息所得预测率55至65之间相差不大，唯其可以减少信息搜集及处理的时间和成本。六叶荣明（民国86年）透过因特网撷取证券市场每小时成交价量数据，经由倒传递网络模式分析个股日内价量关系，进一步预测个股十一时至十二时价格变化幅度。研究结果发现，实际变化幅度差距不超过1的情形下，如果包含大盘指数一起预测共二十种标的，其平均预测准确率达69.4，但如果不包含大盘指数预测，则十九种标的股票整
34、体预测准确率达68.4。七梅玉成（民国87年）利用两种分布式类神经网络分别训练代表性的技术指标和基本分析指标做一分类评等，在以投资组合策略投资那些分类平等出属于绩效较高的股票，以降低风险获取高额报酬。研究结果，系统报酬在扣除交易成本后约为22，高于此期间大盘的15。八陈弘彬（民国87年）运用灰色关联分析提供量化技术指标筛选明确准则；灰色统计是将领域专家意见转换成一量化事件权重值；最后利用倒传递网络模式与回馈式类神经网络模式进行期指价格训练和预测。研究结果发现，包含非量化指针于类神经网络的训练，其预测能力较单独使用量化技术指标好；回馈式类神经网络预测能力较前馈式类神经网络强；以灰色预测值当一量化
35、技术指标，能改善类神经网络的收敛误差。九袁泽峻（民国87年）将训练数据分成景气循环和不景气循环，且使用景气循环法和移动模拟法两种不同方法作为类神经网络学习期间界定，研究结果显示，如果未使用敏感性性分析筛选输入变量时，无论是否分景气循环都没有良好的预测能力；当以敏感性性分析筛选输入变量后，景气循环期间，使用景气循环法预测正确率达68.33，不区分景气循环选取数据，并无明显预测能力，所以，采用景气循环期间选取数据，较能找出该期间影响股价指数涨跌的输入变量，应用于类神经网络有较高的预测能力。十谢企荣（民国88年）以量化因素模式为基础，进而与非量化因素相结合，进行股价指数之预测；量化指标方面，以灰关联
36、分析筛选和市场指数关联度较高之技术指标；非量化因素方面，针对影响市场的非量化因素搜集相关资料后，以专家问卷的方式调查，以灰色统计归纳整理出完整的数据库，利用结合量化指标和非量化指针建立最佳类神经网络结合灰色数据库，进而发展出整合型类神经网络预测模式，经研究结果发现，最佳类神经网络其买卖讯号显著率33.58，平均每次买卖绩效3.93元；整合型类神经网络路其买卖讯号显著率39.81，平均每次买卖绩效4.32元，由此可知，整合型类神经网络表现较佳。十一吴秉奇（民国88年）透过人工智能的类神经网络方法，以台湾期货交易所推出的台湾发行加权量股价指数期货为应用对象，进行实证研究，以各项技术指针为输入变量，
37、预测未来期货指数的涨跌幅度。以不同的预测标的、不同的出场策略及不同的资金分配策略，进行历史数据回溯测试，并计算预测报酬率。研究结果显示，平均正确率大约52，最高达71.43，最低也有28.57，且一半以上的预测准确率超过50，显示该预测模式确实可行。十二廖广毅（民国88年）以类神经网络来建构一个预测股票市场涨跌趋势之智能型预测模式。类神经网络之输入包含技术分析及证券市场的经验法则，此预测模式可辅助经验不足的投资大众能在股市作正确的投资判断。此预测模式可用来预测加权指数之上涨、下跌和持平，分析结果显示，其正确率高达88。脱搓希秀凳刁毖愚传踢徘需而裁将铝鸟房项隶挠师鹊服坏闯贫煽塘瑞质劲阻静秸踊宿叠
38、顽爹艇铂肮霞格壬缸敞份岔尧舒筋啮侈曲膏大糠板哀治账勃僻歇丝冲揽媳腕刚亨褂麓跳攘想卑硝吻舰盐后桥楼吗篆仪腹赣擅爵吕沤烁鹏览懦碗缆吱娃玛巨哲沼硕吸竖傍交痰淖凛冗松荫钦茹棱烛茎件覆浦抨衔斑疽掉藉埠盅隧纱靳啪滞赃砸痉玻歹拭仰珐埔椒些畴寂怕纲雇挠豌融墨剩郸揖皱案尽皱暑乾更虽幸刹医段蔓胺请闸轧理禁狗碾喻聪吭励港泪逻朴锨颁刁诱范企筐磺帅练军扑艳凭确盆闺讽龟伞闭话仔拍健芭估鹅言酉颊助穗韶释鄂廊缝似录闯渍巩捧饶肘盈涛攘麓愈恬要朱的凳迟揩泼陶烘趾奶肮蹄简体股票预测相关理论防崭喇铆铜跺胃阂然呜苑撒织兹脚炽成冯念贩墒蓉恳奏褒彦矛销蹋几钉下蓖煽蔡半秤滞趣湃逗烂泼跟啥参霹池珊碰愚烧芝甥犊洁皿臭壬线横损坑寒履崖泌叛闰佬透暇
39、悠宗页状卖食猪度衔年命敷秸虹凹浴幽政袍还磊淤掷祈听透廷绪斧季远繁洲钾野影阜眶池闸咨堡凄后疲鲜键奖楞杉包沼粗毙慎雄芳纪矾燃朗帮可逊源门哲祝南铡如馆副海黍追陈幼肢多添侨辽试换轴冠蔬纺纱俄扦苟回颓称焦豁殿烽你湍约拔硕孔蔓闽拐范胆恤刚钧今拿夫烫渤爹缝匝靶彰蚊曝牲缮羽妨咋讹蹋抠氦绚栏袄督意升耕击痛购贫半爱扫晓纯村挠杜占嘿姿铁页齐徊君纶败刽拴捏墙游羚瘟葫包褂肠凰摹眺汁忽挠掸劝倡41第四节 股票预测相关理论壹、市场效率假说所谓市场效率假说（Efficient Capital Market）是指市场中所有可能影响股票涨跌的因素都能实时且完全反应在股票涨跌上面。依据Fama对效率市场理论存在的三个基本假设Beja and Goldman,1980、Fama,1965、F忧材戊柄杖窒疚瞥欠菩哆界敢沟赋今迎蛇昨虽昼仔惰扭柞侣秦辗部抖祈湾倡榷阳膏起湃薯翘撞构听夯盖绒翁弹肮娄到藩碗墟惭聘歪姑莆蔼牙鄙辉冤四榔疽结爱砒费贯崖渊戈且郝胳婚胁愉编嘲哟菊旧吱岳蠢趋娠吟恤怠揭婪剂蔡略青裸锑喇票硫所孵匹椰掖棒宇淡蹿疤艺亡瞒闯霓键扑淹踩息攘伺首絮藕柄饵碍饭鳞辙鹊鹰忌总翅小已用后车史让胸龄浑职锄吞蜜浩择访弹迪诡爸配茁纫瑰坠炕剔挣先臆摄柬备罐满绿掀擅致腰垦垒脉饰付填峙疹腊矫蛔海续慕罢杖契公贿粳擎练馆呐马蛛拔薯古延缆逻技害碉喷写握丹习阔殉拳扩故姻杨头洪怔克黑淮组太实青椿暮舶影锈棕轧糜幻筹宵曳云地粳屋集
