學術產出-學位論文
文章檢視/開啟
書目匯出
-
題名 應用卷積神經網路於基金漲跌之研究
The Study of Application of Convolutional Neural Networks to Mutual Fund Trend作者 方羿茗
Fang, Yi-Ming貢獻者 杜雨儒<br>劉文卿
Tu, Yu-Ju<br>Liu, Wen-Ching
方羿茗
Fang, Yi-Ming關鍵詞 深度學習
卷積神經網路
共同基金
漲跌預測
技術分析日期 2019 上傳時間 7-八月-2019 16:08:41 (UTC+8) 摘要 本研究使用卷積神經網路(Convolutional Neural Network，CNN)針對股票型基金於未來20天後的漲跌趨勢做出預測，輸入資料(Input Data)先使用技術分析建立資料矩陣後，再用Sliding Window的方式在上方滑動擷取出二維的image做為訓練資料，資料標籤(Label)則是觀察上漲強度與收益率之間的關係並加上時間權重來設計出漲跌門檻，模型設計是以LeNet-5為基礎進行延伸。當CNN預測出一群未來會上漲的基金後，我們再以高關聯篩選或機率門檻排序來挑出5支欲購買的基金，買入後固定持有20天後賣出。實驗結果顯示在資料標籤設計時若考慮時間權重所設計出的上漲強度加上高關聯篩選能讓我們有較好的實驗結果，其中在2016年以距離平方型加上高關聯篩選能獲得23.89%的年化報酬率，在2017年以距離型加上高關聯篩選能獲得32.69%的年化報酬率。 參考文獻 [1] 吳哲緯 (2017)。使用深度學習卷積神經網路預測股票買賣策略之分類研究。國立中山大學資訊管理學系研究所，高雄市。[2] Colby, R. W. (2003). The encyclopedia of technical market indicators(2nd ed.). New York: McGraw-Hill.[3] Di Persio, L., & Honchar, O. (2016). Artificial neural networks architectures for stock price prediction: Comparisons and applications. International journal of circuits, systems and signal processing, 10, 403-413.[4] Ding, X., Zhang, Y., Liu, T., & Duan, J. (2015). Deep learning for event-driven stock prediction. In Twenty-fourth international joint conference on artificial intelligence(ICJAI15), 2327-2333.[5] Fukushima, K. (1980). Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position. Biological cybernetics, 36(4), 193-202.[6] Heaton, J. B., Polson, N. G., & Witte, J. H. (2016). Deep learning in finance. arXiv preprint arXiv:1602.06561.[7] Hubel, D. H., & Wiesel, T. N. (1962). Receptive fields, binocular interaction and functional architecture in the cat`s visual cortex. The Journal of physiology, 160(1), 106-154.[8] Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems, 1097-1105.[9] Kwon, Y. K., & Moon, B. R. (2007). A hybrid neurogenetic approach for stock forecasting. IEEE transactions on neural networks, 18(3), 851-864.[10] LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.[11] LeCun, Y., Boser, B., Denker, J. S., Henderson, D., Howard, R. E., Hubbard, W., & Jackel, L. D. (1989). Backpropagation applied to handwritten zip code recognition. Neural computation, 1(4), 541-551.[12] LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324.[13] Murugan, P. (2017). Feed forward and backward run in deep convolution neural network. arXiv preprint arXiv:1711.03278.[14] Selvin, S., Vinayakumar, R., Gopalakrishnan, E. A., Menon, V. K., & Soman, K. P. (2017). Stock price prediction using LSTM, RNN and CNN-sliding window model. In 2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI), 1643-1647. 描述 碩士
國立政治大學
資訊管理學系
106356038資料來源 http://thesis.lib.nccu.edu.tw/record/#G0106356038 資料類型 thesis dc.contributor.advisor 杜雨儒<br>劉文卿 zh_TW dc.contributor.advisor Tu, Yu-Ju<br>Liu, Wen-Ching en_US dc.contributor.author (作者) 方羿茗 zh_TW dc.contributor.author (作者) Fang, Yi-Ming en_US dc.creator (作者) 方羿茗 zh_TW dc.creator (作者) Fang, Yi-Ming en_US dc.date (日期) 2019 en_US dc.date.accessioned 7-八月-2019 16:08:41 (UTC+8) - dc.date.available 7-八月-2019 16:08:41 (UTC+8) - dc.date.issued (上傳時間) 7-八月-2019 16:08:41 (UTC+8) - dc.identifier (其他 識別碼) G0106356038 en_US dc.identifier.uri (URI) http://nccur.lib.nccu.edu.tw/handle/140.119/124719 - dc.description (描述) 碩士 zh_TW dc.description (描述) 國立政治大學 zh_TW dc.description (描述) 資訊管理學系 zh_TW dc.description (描述) 106356038 zh_TW dc.description.abstract (摘要) 本研究使用卷積神經網路(Convolutional Neural Network，CNN)針對股票型基金於未來20天後的漲跌趨勢做出預測，輸入資料(Input Data)先使用技術分析建立資料矩陣後，再用Sliding Window的方式在上方滑動擷取出二維的image做為訓練資料，資料標籤(Label)則是觀察上漲強度與收益率之間的關係並加上時間權重來設計出漲跌門檻，模型設計是以LeNet-5為基礎進行延伸。當CNN預測出一群未來會上漲的基金後，我們再以高關聯篩選或機率門檻排序來挑出5支欲購買的基金，買入後固定持有20天後賣出。實驗結果顯示在資料標籤設計時若考慮時間權重所設計出的上漲強度加上高關聯篩選能讓我們有較好的實驗結果，其中在2016年以距離平方型加上高關聯篩選能獲得23.89%的年化報酬率，在2017年以距離型加上高關聯篩選能獲得32.69%的年化報酬率。 zh_TW dc.description.tableofcontents 目次 i表次 ii圖次 iii第一章 緒論 1第一節 研究背景與動機 1第二節 研究目的 2第三節 研究流程 3第二章 文獻探討 4第一節 卷積神經網路 4第二節 應用深度學習預測金融走勢之相關文獻 7第三節 技術分析 8第三章 研究方法 11第一節 導論 11第二節 研究對象 11第三節 資料處理與實驗環境 12第四節 資料設計 13第五節 模型設計 20第四章 研究結果與分析 23第一節 實驗結果評估方式 23第二節 交易策略 24第三節 實驗結果 26第五章 結論與建議 35第一節 結論 35第二節 未來展望 36參考文獻 37 zh_TW dc.format.extent 1040206 bytes - dc.format.mimetype application/pdf - dc.source.uri (資料來源) http://thesis.lib.nccu.edu.tw/record/#G0106356038 en_US dc.subject (關鍵詞) 深度學習 zh_TW dc.subject (關鍵詞) 卷積神經網路 zh_TW dc.subject (關鍵詞) 共同基金 zh_TW dc.subject (關鍵詞) 漲跌預測 zh_TW dc.subject (關鍵詞) 技術分析 zh_TW dc.title (題名) 應用卷積神經網路於基金漲跌之研究 zh_TW dc.title (題名) The Study of Application of Convolutional Neural Networks to Mutual Fund Trend en_US dc.type (資料類型) thesis en_US dc.relation.reference (參考文獻) [1] 吳哲緯 (2017)。使用深度學習卷積神經網路預測股票買賣策略之分類研究。國立中山大學資訊管理學系研究所，高雄市。[2] Colby, R. W. (2003). The encyclopedia of technical market indicators(2nd ed.). New York: McGraw-Hill.[3] Di Persio, L., & Honchar, O. (2016). Artificial neural networks architectures for stock price prediction: Comparisons and applications. International journal of circuits, systems and signal processing, 10, 403-413.[4] Ding, X., Zhang, Y., Liu, T., & Duan, J. (2015). Deep learning for event-driven stock prediction. In Twenty-fourth international joint conference on artificial intelligence(ICJAI15), 2327-2333.[5] Fukushima, K. (1980). Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position. Biological cybernetics, 36(4), 193-202.[6] Heaton, J. B., Polson, N. G., & Witte, J. H. (2016). Deep learning in finance. arXiv preprint arXiv:1602.06561.[7] Hubel, D. H., & Wiesel, T. N. (1962). Receptive fields, binocular interaction and functional architecture in the cat`s visual cortex. The Journal of physiology, 160(1), 106-154.[8] Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems, 1097-1105.[9] Kwon, Y. K., & Moon, B. R. (2007). A hybrid neurogenetic approach for stock forecasting. IEEE transactions on neural networks, 18(3), 851-864.[10] LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.[11] LeCun, Y., Boser, B., Denker, J. S., Henderson, D., Howard, R. E., Hubbard, W., & Jackel, L. D. (1989). Backpropagation applied to handwritten zip code recognition. Neural computation, 1(4), 541-551.[12] LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324.[13] Murugan, P. (2017). Feed forward and backward run in deep convolution neural network. arXiv preprint arXiv:1711.03278.[14] Selvin, S., Vinayakumar, R., Gopalakrishnan, E. A., Menon, V. K., & Soman, K. P. (2017). Stock price prediction using LSTM, RNN and CNN-sliding window model. In 2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI), 1643-1647. zh_TW dc.identifier.doi (DOI) 10.6814/NCCU201900554 en_US
