學術產出-學位論文
文章檢視/開啟
書目匯出
-
題名 以星狀生成對抗網路(STARGAN)解決股票量價聚合關係預測股票價值之研究:兼論以實驗計畫法調整超參數
Using Star Generative Adversarial Networks(StarGAN) to Resolve Joint Effect of Trading Volume and Price to Predict Stock Value – Finding Hyperparameters with Design of Experiment作者 詹宗霖
JHAN, ZONG-LIN貢獻者 姜國輝
Chiang, Kuo-Huie
詹宗霖
JHAN, ZONG-LIN關鍵詞 股價預測
量價關係
星狀生成對抗網路
深度學習
實驗計畫法
Stock Price Prediction
Star GAN
Deep Learning
Joint Effect
Design of Experiment Design日期 2021 上傳時間 1-十二月-2021 14:29:48 (UTC+8) 摘要 股票市場中量與價具有聚合（joint）作用，但傳統之統計數值分析模型無法直接同時考慮兩者關係，僅能將其分開處理。本研究利用星狀生成對抗網路(Star GAN)多面向轉換的優點將證券的量價關係做結合，能夠建立模擬證券市場狀況的創新模型。我們繼續將Star GAN輸出的隱含量價之資料輸入常用於預測的LSTM模型預測未來1天或5天的交易量與價資料，達到股價預測之目的。在深度學中，超參數是一個難於解決之問題，我們採用田口實驗計畫法來確定最佳之超參數。實驗結果發現，使用25天的交易量與交易價資料當作輸入，預測1天後的股票資料效果最佳，在預測單一股票時誤差大約會在0.5~0.9%之間，而在預測多家公司股票時誤差會在0.4~0.6%之間。一般數值分析與機器學習方法，對於進行動態短預測有困難，本研究結合系統工程之動態系統來解決此一問題。實驗結果發現結合動態系統在單股預測之準確性(Accuracy)會有所提升，但在多股預測不會有明顯的提升，最重要的是會對預測精確性(Precision)明顯提升。整體而言，本研究運用Star GAN多面向轉換特性可以成功的處理證券量價關係以提升預測的準確性，並利用動態系統提升短期預測之準確率。
Joint effect exists between the volume and price of stock, but statistical stock analysis models cannot directly handle the joint effect but only consider the volume and price independently. This research uses the advantages of Star GAN, i.e. multi-faceted transformation, and uses result with the joint effect for the predictive model that can simulate the behavior of stock market. We feed the volume and price into Star GAN to obtain the output of potential volume and price, and then forward the results into LSTM model that is used for prediction of the volume and price in the next 1 or 5 days. However, there is great difficulty to predict the behavior of stock value in the short-term, thus. Further, Deep learning suffers from the difficulty of determination of the hyper-parameters. Thus, we apply Taguchi method for design of experimental to determine the optimal hyper-parameters. According to the experiment result, we found that using 25-day trading volume and trading price data as input to predict stock value for the next 1 day can obtain the best effect. The error lies between 0.5 and 0.9% by predicting a single stock and the error lies between 0.4 and 0.6% by predicting the prices of multiple company. It is also difficult to predict the stock price in short-term precisely, for that we introduce the dynamic system model in terms of system engineering to improve the precision of prediction. The experiment results reveal that it can improve precision of single-stock prediction, but cannot improve the precision of the multi-stock prediction. As a whole, this research use the multi-faceted transformation feature of Star GAN to improve the accuracy of stock price prediction and deal with the short-term stock price prediction for a single company with dynamic system successfully.參考文獻 1. Ying, C. C., (1966).Stock Market Prices and Volumes of Sales, Econometrica, 34, 676-685.2. 林弈廷，(2019)，以循環生成對抗網路預測股價量能動態關係，國立政治大學資管系碩士論文。3. Lynn，從人工智慧、機器學習到深度學習，你不容錯過的人工智慧簡史，上網日期2020年3月10日，檢自: https://www.inside.com.tw/feature/ai/9854-ai-history4. Andy Wang，Backpropagation(BP) 倒傳遞法 #1 工作原理與說明，上網日期2020年3月10日，檢自: https://www.brilliantcode.net/1326/backpropagation-1-gradient-descent-chain-rule/5. Y. LeCun, B. Boser, J. S. Denker, D. Henderson, (1989). Backpropagation Applied to Handwritten Zip Code Recognition, Neural Computation, Volume 1, Issue 4, p.541-551.6. G. E. Hinton*, R. R. Salakhutdinov,(2006). Reducing the Dimensionality of Data with Neural Networks, Science, Volume 313, Issue 5786, p.504-507.7. Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio,(2014). Generative Adversarial Networks, arXiv:1406.2661.8. Qiao Zheng, Hervé Delingette, Nicolas Duchateau, Nicholas Ayache,(2018). 3D Consistent Biventricular Myocardial Segmentation Using Deep Learning for Mesh Generation, arXiv:1803.11080.9. Jon Bruner, Generative Adversarial Networks for Beginners, 上網日期2020年3月13日，檢自:https：//github.com/jonbruner/generative-adversarial-networks/blob/master/gan-notebook.ipynb10. Jun-Yan Zhu*,Taesung Park*,Phillip Isola,Alexei A. Efros, Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks,上網日期2020年3月13日，檢自: https://junyanz.github.io/CycleGAN/11. Jun-Yan Zhu, Taesung Park, Phillip Isola, Alexei A. (2017).Efros, Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks, arXiv:1703.10593.12. Yunjey Choi, Minje Choi, Munyoung Kim, Jung-Woo Ha, Sunghun Kim, Jaegul Choo, (2018).StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2018, pp. 8789-8797.13. DENNY BRITZ, Recurrent Neural Networks Tutorial, Part 1 – Introduction to RNNs, 上網日期2020年3月14日，檢自: http://www.wildml.com/2015/09/recurrent-neural-networks-tutorial-part-1-introduction-to-rnns/14. Hochreiter, S., Schmidhuber, J., (1997)Long Short-Term Memory, Neural Computation, Volume 9, Issue 8, p.1735-1780.15. Klaus Greff, Rupesh Kumar Srivastava, Jan Koutník, Bas R. Steunebrink, Jürgen Schmidhuber,(2017). LSTM: A Search Space Odyssey, IEEE Transactions on Neural Networks and Learning Systems ,Volume 28, Issue 10, p.2222-223216. Martin Sundermeyer, Ralf Schluter, and Hermann Ney, LSTM Neural Networks for Language Modeling, Human Language Technology and Pattern Recognition, Computer Science Department, RWTH Aachen University, Aachen, Germany.17. 徐偉強，張永佳，李榮貴，(2011)，基本面、籌碼面與總體經濟對台灣半導體產業股票報酬影響之研究，國立交通大學工業工程與管理學系碩士論文。18. 蔡尚翰，(2017)籌碼面選股結合技術分析之投資績效研究，國立高雄應用科技大學資訊工程系碩士在職專班碩士論文。19. 游英裕，股價與成交量因果關係之研究－台灣股市的實証，義守大學管理科學研究所碩士論文。20. 陳仕偉，陳俊偉，(2006)台灣股票及外匯市場價量非線性因果關係之探討，Vol.2, No.1, p.21-51。21. 杜芸菩，(2016)台灣八大類股價量關係，國立政治大學國際經營與貿易學系碩士論文。22. 陳怡均，陳安斌，(2007)應用類神經網路對台股籌碼面與技術面之領先-落後研究分析，國立交通大學資訊管理研究所碩士論文。23. 謝璁賦，陳安斌，(2010)應用類神經網路於台股權值股籌碼面的知識發現，國立交通大學資訊管理研究所碩士論文。24. 郭裕凉，(2013)三大法人籌碼面預測臺灣加權股價指數之研究，國立高雄應用科技大學金融資訊研究所碩士論文。25. 系統動力學-MBA智庫百科，上網日期2020年3月15日，檢自: https://wiki.mbalib.com/zh-tw/%E7%B3%BB%E7%BB%9F%E5%8A%A8%E5%8A%9B%E5%AD%A626. 田口品質工程-財團法人塑膠工業技術發展中心，上網日期2021年10月6日，檢自: https://www.pidc.org.tw/safety.php?id=12427. 田口方法: 品質設計的原理與實務 第四版，李輝煌，上網日期2021年10月6號，檢自: https://web.archive.org/web/20200626172406/http://myweb.ncku.edu.tw/~hhlee/Myweb_at_NCKU/Taguchi4.html28. 潘永浤，(2003) 應用田口方法於類神經網路輸入參數設計-零售商快速回應系統模式之建立為例，義守大學工業工程與管理學系碩士論文。29. 田口品質工程，國立雲林科技大學工業工程與管理所品質與可靠度工程實驗室，上網日期2021年10月6號，檢自: https://www.iem.yuntech.edu.tw/lab/qre/public_html/source/DOE/files/%E7%94%B0%E5%8F%A3%E6%96%B9%E6%B3%95.pdf30. 什麼是「布林通道」，CMoney 官方，上網日期2021年10月6號，檢自: https://www.cmoney.tw/learn/course/technicals/topic/121631. 黃郁佳，(2018) 布林通道交易策略之研究以台灣中型 100 指數為例，東海大學管理學院財務金融研究所碩士在職專班論文。 描述 碩士
國立政治大學
資訊管理學系
107356017資料來源 http://thesis.lib.nccu.edu.tw/record/#G0107356017 資料類型 thesis dc.contributor.advisor 姜國輝 zh_TW dc.contributor.advisor Chiang, Kuo-Huie en_US dc.contributor.author (作者) 詹宗霖 zh_TW dc.contributor.author (作者) JHAN, ZONG-LIN en_US dc.creator (作者) 詹宗霖 zh_TW dc.creator (作者) JHAN, ZONG-LIN en_US dc.date (日期) 2021 en_US dc.date.accessioned 1-十二月-2021 14:29:48 (UTC+8) - dc.date.available 1-十二月-2021 14:29:48 (UTC+8) - dc.date.issued (上傳時間) 1-十二月-2021 14:29:48 (UTC+8) - dc.identifier (其他 識別碼) G0107356017 en_US dc.identifier.uri (URI) http://nccur.lib.nccu.edu.tw/handle/140.119/138002 - 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) 107356017 zh_TW dc.description.abstract (摘要) 股票市場中量與價具有聚合（joint）作用，但傳統之統計數值分析模型無法直接同時考慮兩者關係，僅能將其分開處理。本研究利用星狀生成對抗網路(Star GAN)多面向轉換的優點將證券的量價關係做結合，能夠建立模擬證券市場狀況的創新模型。我們繼續將Star GAN輸出的隱含量價之資料輸入常用於預測的LSTM模型預測未來1天或5天的交易量與價資料，達到股價預測之目的。在深度學中，超參數是一個難於解決之問題，我們採用田口實驗計畫法來確定最佳之超參數。實驗結果發現，使用25天的交易量與交易價資料當作輸入，預測1天後的股票資料效果最佳，在預測單一股票時誤差大約會在0.5~0.9%之間，而在預測多家公司股票時誤差會在0.4~0.6%之間。一般數值分析與機器學習方法，對於進行動態短預測有困難，本研究結合系統工程之動態系統來解決此一問題。實驗結果發現結合動態系統在單股預測之準確性(Accuracy)會有所提升，但在多股預測不會有明顯的提升，最重要的是會對預測精確性(Precision)明顯提升。整體而言，本研究運用Star GAN多面向轉換特性可以成功的處理證券量價關係以提升預測的準確性，並利用動態系統提升短期預測之準確率。 zh_TW dc.description.abstract (摘要) Joint effect exists between the volume and price of stock, but statistical stock analysis models cannot directly handle the joint effect but only consider the volume and price independently. This research uses the advantages of Star GAN, i.e. multi-faceted transformation, and uses result with the joint effect for the predictive model that can simulate the behavior of stock market. We feed the volume and price into Star GAN to obtain the output of potential volume and price, and then forward the results into LSTM model that is used for prediction of the volume and price in the next 1 or 5 days. However, there is great difficulty to predict the behavior of stock value in the short-term, thus. Further, Deep learning suffers from the difficulty of determination of the hyper-parameters. Thus, we apply Taguchi method for design of experimental to determine the optimal hyper-parameters. According to the experiment result, we found that using 25-day trading volume and trading price data as input to predict stock value for the next 1 day can obtain the best effect. The error lies between 0.5 and 0.9% by predicting a single stock and the error lies between 0.4 and 0.6% by predicting the prices of multiple company. It is also difficult to predict the stock price in short-term precisely, for that we introduce the dynamic system model in terms of system engineering to improve the precision of prediction. The experiment results reveal that it can improve precision of single-stock prediction, but cannot improve the precision of the multi-stock prediction. As a whole, this research use the multi-faceted transformation feature of Star GAN to improve the accuracy of stock price prediction and deal with the short-term stock price prediction for a single company with dynamic system successfully. en_US dc.description.tableofcontents 第一章 緒論 1第一節 研究動機 1第二節 研究目的 2第二章 文獻探討 2第一節 深度學習與類神經網路 2第二節 生成對抗網路(Generative Adversarial Network，GAN) 4第三節 循環生成對抗網路(Cycle GAN) 5第四節 星狀生成對抗網路(Star GAN) 6第五節 LSTM(Long Short-Term Memory(LSTM) 8第六節 籌碼面股票起伏因素 10第七節 量價關係 10第八節 深度學習結合籌碼面分析 11第九節 系統動態學 11第十節 實驗計畫法 - 田口法 12第十一節 布林帶 13第三章 研究方法 14第一節 資料收集 14第二節 資料前處理 15第三節 Star GAN訓練 16第四節 預測模型訓練 18第五節 模擬系統動態學的採用 18第六節 驗證方式 20第七節 實驗設計 20第八節 實驗流程 21第四章 實驗結果 21第一節 參數選擇 21第二節 半導體業單股預測 23第三節 半導體業多股預測 23第四節 結合系統動態學 24第五章 研究結論與建議 26參考文獻 27附錄 31附錄一 31附錄二 34附錄三 37附錄四 40附錄五 43附錄六 46附錄七 49附錄八 52附錄九 55附錄十 58附錄十一 61 zh_TW dc.format.extent 4158396 bytes - dc.format.mimetype application/pdf - dc.source.uri (資料來源) http://thesis.lib.nccu.edu.tw/record/#G0107356017 en_US dc.subject (關鍵詞) 股價預測 zh_TW dc.subject (關鍵詞) 量價關係 zh_TW dc.subject (關鍵詞) 星狀生成對抗網路 zh_TW dc.subject (關鍵詞) 深度學習 zh_TW dc.subject (關鍵詞) 實驗計畫法 zh_TW dc.subject (關鍵詞) Stock Price Prediction en_US dc.subject (關鍵詞) Star GAN en_US dc.subject (關鍵詞) Deep Learning en_US dc.subject (關鍵詞) Joint Effect en_US dc.subject (關鍵詞) Design of Experiment Design en_US dc.title (題名) 以星狀生成對抗網路(STARGAN)解決股票量價聚合關係預測股票價值之研究:兼論以實驗計畫法調整超參數 zh_TW dc.title (題名) Using Star Generative Adversarial Networks(StarGAN) to Resolve Joint Effect of Trading Volume and Price to Predict Stock Value – Finding Hyperparameters with Design of Experiment en_US dc.type (資料類型) thesis en_US dc.relation.reference (參考文獻) 1. Ying, C. C., (1966).Stock Market Prices and Volumes of Sales, Econometrica, 34, 676-685.2. 林弈廷，(2019)，以循環生成對抗網路預測股價量能動態關係，國立政治大學資管系碩士論文。3. Lynn，從人工智慧、機器學習到深度學習，你不容錯過的人工智慧簡史，上網日期2020年3月10日，檢自: https://www.inside.com.tw/feature/ai/9854-ai-history4. Andy Wang，Backpropagation(BP) 倒傳遞法 #1 工作原理與說明，上網日期2020年3月10日，檢自: https://www.brilliantcode.net/1326/backpropagation-1-gradient-descent-chain-rule/5. Y. LeCun, B. Boser, J. S. Denker, D. Henderson, (1989). Backpropagation Applied to Handwritten Zip Code Recognition, Neural Computation, Volume 1, Issue 4, p.541-551.6. G. E. Hinton*, R. R. Salakhutdinov,(2006). Reducing the Dimensionality of Data with Neural Networks, Science, Volume 313, Issue 5786, p.504-507.7. Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio,(2014). Generative Adversarial Networks, arXiv:1406.2661.8. Qiao Zheng, Hervé Delingette, Nicolas Duchateau, Nicholas Ayache,(2018). 3D Consistent Biventricular Myocardial Segmentation Using Deep Learning for Mesh Generation, arXiv:1803.11080.9. Jon Bruner, Generative Adversarial Networks for Beginners, 上網日期2020年3月13日，檢自:https：//github.com/jonbruner/generative-adversarial-networks/blob/master/gan-notebook.ipynb10. Jun-Yan Zhu*,Taesung Park*,Phillip Isola,Alexei A. Efros, Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks,上網日期2020年3月13日，檢自: https://junyanz.github.io/CycleGAN/11. Jun-Yan Zhu, Taesung Park, Phillip Isola, Alexei A. (2017).Efros, Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks, arXiv:1703.10593.12. Yunjey Choi, Minje Choi, Munyoung Kim, Jung-Woo Ha, Sunghun Kim, Jaegul Choo, (2018).StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2018, pp. 8789-8797.13. DENNY BRITZ, Recurrent Neural Networks Tutorial, Part 1 – Introduction to RNNs, 上網日期2020年3月14日，檢自: http://www.wildml.com/2015/09/recurrent-neural-networks-tutorial-part-1-introduction-to-rnns/14. Hochreiter, S., Schmidhuber, J., (1997)Long Short-Term Memory, Neural Computation, Volume 9, Issue 8, p.1735-1780.15. Klaus Greff, Rupesh Kumar Srivastava, Jan Koutník, Bas R. Steunebrink, Jürgen Schmidhuber,(2017). LSTM: A Search Space Odyssey, IEEE Transactions on Neural Networks and Learning Systems ,Volume 28, Issue 10, p.2222-223216. Martin Sundermeyer, Ralf Schluter, and Hermann Ney, LSTM Neural Networks for Language Modeling, Human Language Technology and Pattern Recognition, Computer Science Department, RWTH Aachen University, Aachen, Germany.17. 徐偉強，張永佳，李榮貴，(2011)，基本面、籌碼面與總體經濟對台灣半導體產業股票報酬影響之研究，國立交通大學工業工程與管理學系碩士論文。18. 蔡尚翰，(2017)籌碼面選股結合技術分析之投資績效研究，國立高雄應用科技大學資訊工程系碩士在職專班碩士論文。19. 游英裕，股價與成交量因果關係之研究－台灣股市的實証，義守大學管理科學研究所碩士論文。20. 陳仕偉，陳俊偉，(2006)台灣股票及外匯市場價量非線性因果關係之探討，Vol.2, No.1, p.21-51。21. 杜芸菩，(2016)台灣八大類股價量關係，國立政治大學國際經營與貿易學系碩士論文。22. 陳怡均，陳安斌，(2007)應用類神經網路對台股籌碼面與技術面之領先-落後研究分析，國立交通大學資訊管理研究所碩士論文。23. 謝璁賦，陳安斌，(2010)應用類神經網路於台股權值股籌碼面的知識發現，國立交通大學資訊管理研究所碩士論文。24. 郭裕凉，(2013)三大法人籌碼面預測臺灣加權股價指數之研究，國立高雄應用科技大學金融資訊研究所碩士論文。25. 系統動力學-MBA智庫百科，上網日期2020年3月15日，檢自: https://wiki.mbalib.com/zh-tw/%E7%B3%BB%E7%BB%9F%E5%8A%A8%E5%8A%9B%E5%AD%A626. 田口品質工程-財團法人塑膠工業技術發展中心，上網日期2021年10月6日，檢自: https://www.pidc.org.tw/safety.php?id=12427. 田口方法: 品質設計的原理與實務 第四版，李輝煌，上網日期2021年10月6號，檢自: https://web.archive.org/web/20200626172406/http://myweb.ncku.edu.tw/~hhlee/Myweb_at_NCKU/Taguchi4.html28. 潘永浤，(2003) 應用田口方法於類神經網路輸入參數設計-零售商快速回應系統模式之建立為例，義守大學工業工程與管理學系碩士論文。29. 田口品質工程，國立雲林科技大學工業工程與管理所品質與可靠度工程實驗室，上網日期2021年10月6號，檢自: https://www.iem.yuntech.edu.tw/lab/qre/public_html/source/DOE/files/%E7%94%B0%E5%8F%A3%E6%96%B9%E6%B3%95.pdf30. 什麼是「布林通道」，CMoney 官方，上網日期2021年10月6號，檢自: https://www.cmoney.tw/learn/course/technicals/topic/121631. 黃郁佳，(2018) 布林通道交易策略之研究以台灣中型 100 指數為例，東海大學管理學院財務金融研究所碩士在職專班論文。 zh_TW dc.identifier.doi (DOI) 10.6814/NCCU202101696 en_US
