政大機構典藏-National Chengchi University Institutional Repository(NCCUR):Item 140.119/124719

政大機構典藏-National Chengchi University Institutional Repository(NCCUR):Item 140.119/124719

English | 正體中文 | 简体中文 | Post-Print筆數 : 27 | 全文筆數/總筆數 : 111300/142217 (78%)
造訪人次 : 48194656 線上人數 : 894

RC Version 6.0 © Powered By DSPACE, MIT. Enhanced by NTU Library IR team.

搜尋範圍

查詢小技巧：

您可在西文檢索詞彙前後加上"雙引號"，以獲取較精準的檢索結果

若欲以作者姓名搜尋，建議至進階搜尋限定作者欄位，可獲得較完整資料

進階搜尋

主頁 ‧ 登入 ‧ 上傳 ‧ 說明 ‧ 關於政大典藏 ‧ 管理

到手機版

政大機構典藏 > 商學院 > 資訊管理學系 > 學位論文 > Item 140.119/124719

請使用永久網址來引用或連結此文件: https://nccur.lib.nccu.edu.tw/handle/140.119/124719

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:	杜雨儒劉文卿 Tu, Yu-Ju 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:	2019-08-07 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
DOI:	10.6814/NCCU201900554
顯示於類別:	[資訊管理學系] 學位論文

文件中的檔案:

檔案	大小	格式	瀏覽次數
603801.pdf	1015Kb	Adobe PDF2	0	檢視/開啟

在政大典藏中所有的資料項目都受到原著作權保護.

社群 sharing

著作權政策宣告 Copyright Announcement

1.本網站之數位內容為國立政治大學所收錄之機構典藏，無償提供學術研究與公眾教育等公益性使用，惟仍請適度，合理使用本網站之內容，以尊重著作權人之權益。商業上之利用，則請先取得著作權人之授權。
The digital content of this website is part of National Chengchi University Institutional Repository. It provides free access to academic research and public education for non-commercial use. Please utilize it in a proper and reasonable manner and respect the rights of copyright owners. For commercial use, please obtain authorization from the copyright owner in advance.

2.本網站之製作，已盡力防止侵害著作權人之權益，如仍發現本網站之數位內容有侵害著作權人權益情事者，請權利人通知本網站維護人員(nccur@nccu.edu.tw)，維護人員將立即採取移除該數位著作等補救措施。
NCCU Institutional Repository is made to protect the interests of copyright owners. If you believe that any material on the website infringes copyright, please contact our staff(nccur@nccu.edu.tw). We will remove the work from the repository and investigate your claim.

DSpace Software Copyright © 2002-2004 MIT & Hewlett-Packard / Enhanced by NTU Library IR team Copyright © - 回饋