应用类神经网络及灰关联分析建立店头市场股价指数预测基础模式之研究.doc

此文档收集于网络，如有侵权，请联系网站删除应用类神经网络及灰关联分析建立店头市场股价指数预测基础模式之研究摘要由于经济环境的快速改变，投资于股票市场的风险愈来愈高，在过去，因为风险较高的缘故，投资股票通常并不将店头市场加以考虑。在台湾，店头市场对多数人来说是一个较新的市场，然而店头市场的有些上柜公司营运绩效要比集中市场的公司来得好。另外，在过去的二年内，上柜公司的家数增加了许多，投资人通常不知道应选集中市场或是店头市场作为投资市场，倘本研究针对店头市场指数建立优秀的预测模式，将能提供投资大众获利的机会。本研究拟以灰色理论之灰关联分析筛选与店头市场股价指数相关程度较高之技术指标，并依此结果分成三类群作为类神经网络之输入值，而以预测误差与讯号显著率作为绩效之评估。相信经由灰关联神经网络所建立之店头市场股价指数预测模式，将能提供投资人进行投资时之参考依据。壹、研究背景及动机 国内股票市场经历76年至79年初的大多头，陆续成立许多的证券公司、而后大空头市场来临，国内股票市场重新洗牌整理。近年来历经86年亚洲金融风暴的洗礼及87年7月22日台湾期货交易所的正式开始营运，促使台湾证券市场营运愈臻成熟，购买股票变成社会大众最直接且方便的投资及避险管道。或许由于台湾个别股价的暴涨暴跌，使得股市投资风险相对地提升，事实上由于上市上柜公司家数不断地增加，使得集中市场、店头市场的基本股价不断地垫高。此外上柜公司家数也已从81年3月底的11家增加到87年8月31日的160家，其中，电子类股占了上柜公司的1/3强，因此不难理解台湾的经济体质已有脱胎换骨之势。虽然是上柜公司，但不论是在体质或是营运上有些丝毫不逊于上市公司。因此渐渐地投资人的投资标的不只限于上市公司，包括上柜公司也变成投资的重要市场。目前台湾集中、店头市场家数交易规模并不像美国、日本来的庞大，当许多外在消息及信息散布，诸如总体环境的政治因素、景气循环，市场因素的的利率、汇率、货币供给量、物价，产业因素的行业生命周期、行业景气、法令措施、公司因素的盈余、股利、股票上市与否、董监事之改选及投资人的心理因素等许多不确定之变因而影响股价的变动。传统上，一般投资大众对于股票进行投资分析时，往往习于以技术分析统计数字作为参考，经其输入资料后成为明确的进出判断指标。对于影响股市不同构面、因素等观念性的综合评判（如景气研判、技术分析、基本面分析.等等），只能靠经验法则或是经验资深的操盘人或研究员下达较合适之判断。若反映股票价格的所有各种情报已经充分地公开揭露，但基于不同的判断力、经验所做出的决策，往往会导致相反的结果，因此需要针对影响店头市场股价指数的量化技术指标予以建立其影响值，以作为预测模式之基础。贰、文献回顾一、计量经济模型及制度研究以往国内股市的研究分析，学界应用不同的模型及不同的因素来探讨台湾股市，如1. 中山大学财管所洪玉玫君【民84】的研究，探讨台湾店头市场交易制度改变对市场绩效的影响，三种不同的交易制度，柜台议价交易、等价自动成交系统、改革后的等价自动成交系统。2. 文化大学会研所林旺生君【民86】的研究以店头市场为例，探讨其技术指标之有效性，进而验证市场是否为弱式效率性。3. 中兴大学企研所刘彦良君【民86】针对台湾上柜各分类股价指数探讨共整合关系存在与否, 实证结果发现，在产业三大类股指数部份，研究期间平均报酬率以电子类及证券类为最高，且金融、证券、电子股其间并没有很大的相关性，可以达成投资组合风险分散的目的。4. 朝阳技术学院财金所叶铭龙君【民86】，针对店头市场之价量关系探讨其因果关系分析结果是否和集中市场的因果关系相同。结果发现长期下，Granger因果关系检定模式并不适用于台湾股票店头市场，而短期内，则发现价格变化与成交量之关系为成交量会引起价格变化，而价格变化绝对值与成交量之关系则为互相影响。价量不对称关系中，则发现店头市场中并不具有所谓的价量不对称性。5. 中兴大学企研所苏君旋君【民86】，依据文献研究法与比较研究法分析讨论台湾店头市场之法令、制度、特性以及实际运作情形，辅以美、日两国股票店头市场发展经验和制度来检讨台湾股票店头市场之缺失，以助于台湾店头市场功能之发挥。6. 铭传管理学院管科所陈一森君【民86】，透过Porter五力竞争模型，将台湾从民国84年至85年初的股票市场作探索性及实证性的研究。店头市场本身可视为一个公司，其上游供货商则是所有的上柜公司，券商可视为通路，投资人可视为顾客，其主要竞争者就是集中市场，而外盘商交易则为其替代品，潜在竞争者是以美国店头市场为探讨对象。7. 东海大学管研所洪美慧君【民85】以技术分析方法乖离率指标、移动平均线、相对强弱指标来探讨运用于台湾股票市场的绩效。研究结果认为:1、市场多头行情会影响技术分析的有效性，空头时技术分析可能较为有效，多头时技术分析无效。2、一个在此期间有效的技术分析方法，会随时间与环境的变化而不再有效，即技术分析并无一致性的绩效表现。3、技术分析在短期较有效，但长期在交易成本的侵蚀下，仍趋于无效。二、类神经网络模型1. 淡江大学资管所郑志伟君【民86】建立以本益比为中心的模式，配合利率与经济成长的变化以及波浪理论，探讨台股指数的波动。结果发现，类神经网络模式将有六成以上的预测正确率，且证明以公司营运状况为主的基本面因子在公司信息公布短期内对股价仍具影响力。2. 高雄工学院管科所李政芳君【民85】则以类神经网络及模糊理论的整合应用，建构一套针对国内股票市场所需的智能型股票预测模式。3. 义守大学管科所林升远君【民87】结合影响股市重要之量化与八大非量化因素，以类神经网络及模糊德尔菲法发展出智能型的个股股价预测模式。4. 高雄工学院管科所黄永成君【民86】以遗传算法与模糊神经网络整合模糊IF-THEN规则库之非量化因素，并结合技术分析之量化因素，发展出智能型股价预测模式，以帮助投资大众掌握加权指数未来的涨跌趋势。5. Eakins, etal【1998】，利用Tobit回归与二种不同的类神经网络模型来探究存在于普通股之所有权持有比率与个别公司特质（主要是财务比率）的团体之投资行为实证，其中2个类神经网络模型得到较优的预测力。6. Fu Kai & Xu Wenhua【1997】以遗传演绎法训练类神经网络以预测上海证券交易所之股价指数，研究期间从1994年的3月29日至8月1日为止，结果显示，遗传演绎法配合类神经网络在预测短期之股价指数有相当不緛的效果。7. Gia-Shuh Jang,Feipei Lai & Tai-Ming Parng【1992】，利用双重调整结构的类神经网络做台湾股票指数涨跌的趋势预测，也就是利用调整倒传递算法的学习法则，让网络自动合成去解决问题。其输入层有21个处理单位；隐藏层架构为一层，有11个处理单元；输出层有一个处理单位，代表未来股价的涨跌，1代表涨，0代表跌。结果发现，在预测绩效上，此固定结构式的类神经网络要好4%51%。8. Haefka, etal【1996】，使用共整合及Granger因果关系来建构线性与类神经网络误差修正模型，研究Austrian Initial Public Offering Index（IPOX）与Austrian Stock Market Index（ATX）之间的关系来预测IPOX。9. Lawrence Kryzanowski, Michael Galler and David W.Wright【1993】， 利用类神经网络去检验过去与目前公司会计的数据以及总体的经济环境量否能提供预测，而未来公司股价之变动是否较整个市场的平均水准来得好。利用类神经网络学习过去过输入与输出数据的关系。结果发现经过训练的类神经网络对未来个别公司相对于整体市场表现较好或较坏有72%的准确效果。10. Takashi Kimoto and Kazuo Asakawa【1990】，以日经指数作为研究目标，用移动仿真的方式去预测股价指数，输入以利率、汇率、周转率以及纽约道琼工业指数为学习数据，训练的数据是以周报酬的加权指数为目标，建构出类神经网络模式。结果显示，利用类神经网络模式所得的超额报酬远较利用回归分析所得的结果为佳。由上述文献探讨可了解，国内的研究似乎很少对店头市场股价指数作预测，然时至今日，店头市场的家数已深具规模，颇具研究价值，故本研究将以灰色理论之灰关联分析筛选出合适的量化技术指标，接下来以倒传递类神经网络加以建构测试基础最佳模式，让一般投资大众可了解店头指数之走势，使其投资于店头市场时能作出正确的投资策略。参、研究方法本研究欲建构一个对台湾股票店头市场股价指数涨跌具来自 中国最大资料库下载有学习预测能力的神经网络，其方法包括利用灰色理论之灰关联分析及类神经网络等，相关方法加以介绍如下。一、 建立影响店头市场股价指数技术指针数据库本研究拟以86年与87年两年店头市场股价指数的日收盘价做为灰关联分析之标准序列，并进行量化技术指标与店头市场指数之灰关联度分析，以选取店头市场股价指数关联性较高之技术指标。二、加入量化因素建立店头市场股价指数预测模式本研究选择类神经网络来建构店头市场股价指数预测模式，其方式乃先搜集量化技术指标及进行筛选，以作为类神经网络模式的输入，再经一或两层类神经网络隐藏层的训练后，将其输出值制定为能预测店头市场指数涨跌趋势的影响值，以建构类神经网络基础模式。本研究拟以民国87年1月至12月的日数据来作为验证样本，如果输出值能逼近实际值，同时在买卖绩效有良好的结果，那么本研究建立之整合型店头指数预测模式是可行的。整个预测模型乃包括找寻影响店头市场股价指数之关键技术指针及进行因素筛选、基础类神经网络模型之建构等。以往国内外学者以传统统计方法运用于股票市场固然可得到不错的效果，但对于技术指标的选取依然没有一个很具说服力的标准，因此本研究尝试以灰关联分析作为技术指针之筛选标准，以比较绩效的方式说明灰关联的筛选能力。三、灰关联分析利用灰关联筛选技术指针的数目，在灰关联分析中，灰关联度的定义是表示两个序列间的相关程度，再依参考序列之多少又分为整体性灰关联程度，而灰关联分析之过程为：在灰关联空间P（X）;中，有一序列：i（k）=（i（1）,i（2）i（k）其中i=0,.m,K=1,.n即：0（k）=（0（1）,0（2）,0（3）0（n）1（k）=（1（1）,1（2）,1（3）1（n）2（k）=（2（1）,2（2）,2（3）2（n）.m（k）=（m（1）, m（2）, m（3）m（n）而其计算灰关联分析之流程则描述如下：1、求 | 0（k）-i（k）|之最小（min）与最大（max）值2、代入灰关联系数（L0,k）公式L0,k（k）=：为分辨系数，0,1，它的作用是用来调整max，以避免其过大，并提高关联系数间差异显著性【杨宗欣，民85】，通常为0.5。，为参考序列0与比较数列i之相对差值，即称i相对于0在k时点之关联系数。3、求关联度（r0，i）4、比较0,i，并依所得到之灰关联度值予以排序。四、倒传递类神经网络 在類神經網路中，倒傳遞神經網路建立成功的預測模式較多，且應用內容理論完備且學習精確，故本研究採用倒傳遞神經網路做為基礎模型。本研究以類神經網路套裝軟體Neuro-Shell 2為建構工具，再使用試算表套裝軟體Microsoft EXCEL將各種技術指標正規化，以方便套裝軟體Neuro-Shell 2的讀取。 其使用步驟如下：（一）讀取Microsoft EXCEL所建立的各項變數。（二）設定網路的輸入變數及輸出變數。（三）設定訓練範例、測試範例的數目。（四）選擇神經網路類型，定義學習速率、動量係數、隱藏元個數等參數（五）決定訓練次數並開始訓練。（六）讀取訓練範例、測試範例之績效指標（誤差均方（MSE=（1/N）（實際值-預測值）2）。類神經網路的輸入輸出可視為向量，而類神經網路的訓練過程就是利用此一向量來調整決定其連接權值，故我們將過去每日歷史資料的輸出和輸入稱為一個訓練組（Training Pair）。本研究將以民國86年1月至民國87年12月的歷史資料來建構此基礎網路（Basic Network），我們將之統稱為訓練集（Training Set）。而訓練檔（Training file）建立的第一步驟需先將訓練集給予正規化，本研究正規化使用的公式如下： I1=實際值 I1*=正規化值IMax=I項中的最大值 IMin=I項中的最小值經正規化後所有的輸入值將介於01之間，後經Microsoft Excel 4.0之處理與轉換，排列而成類神經網路所能讀取的格式，這訓練檔的建立即為網路的輸入值。 在輸入變數方面，擬採灰關聯分析篩選出相關性較高的量化因素來做網路輸入，並予以比較輸入向量數目之績效，從所能收集到的34個技術指標中，以灰關聯分析予以作排序，而訓練檔的建立方法則如前所述。 在隱藏層層數方面，Blum1992則建議在考慮選用幾層隱藏層時，一般問題選用一層，特別複雜的問題則選用兩層。因為店頭市場股票指數預測是一較複雜且難以預測的問題，故本研究擬測試一層和兩層兩種不同的網路形態，視其預測誤差的大小，取訓練較佳的網路形態來做基礎網路的架構。 在隱藏元個數方面，隱藏元個數的決定並無一明確的理論公式來決定多少個隱藏元個數為最佳網路形態，因此使用嘗試錯誤法的方式，測試隱藏元個數，本研究擬將隱藏元個數由5個開始往上累加至105個作測試，最後亦取其預測誤差最小的隱藏元個數來做基礎網路的架構。在輸出變數方面，本研究擬採取的輸出變數供網路訓練為隔日的收盤價。而在訓練控制方面，以訓練10000個循環為主，而在其他參數的設定， 1、學習速率（h）： 0.9 ， 0.5 ， 0.1 2、動量係數（a）： 0.9 ， 0.5 ， 0.1如此交互設定的結果，每一形態的網路將有九種參數設定以供測試。肆、实验测试及结果分析圖1 87年店頭市場股價指數走勢圖一、灰關聯分析之因素篩選步驟利用灰关联分析以获得量化之技术指标的数目，以作为基础类神经网络之输入变量，本研究所搜集到的技术指标包括：移动平均、平均价、成交量、强弱指标、乖离率、动量指标、KD值、涨跌幅、心理指标等。灰關聯進行的步驟為：步驟一：以86、87年兩年日收盤價計算得來的34個技術指標作為參考數列，每一個技術指標皆有557筆資料，即為0（k）=（0（1）,0（2）,0（3）0（557）步骤二：每个数列皆为单独的比较数列步骤三：将每个数列除以数列之平均值，以进行数列正规化处理。步骤四：求取序列差之绝对值，并找出最小差及最大差。步骏五：代入灰关联系数公式L0,k（k）=取0.5。步驟六：求關聯度 步骤七：将所求得技术指针之关联度值依大小排序，并分组进行基础类神经网络之训练。二、灰关联分析之运算结果表1即为各技术指针关联值之排序。表1技术指针之灰关联值排序表技术指标名称灰关联值技术指标名称说明1 集中市场股价指数0.878553353集中市场加权股价指数2成交量0.807880603平均成交量38乖离0.7689820498日乖离率4乖离率0.7672974536日乖离率521乖离0.76368755121日乖离率6修MACD0.749776195修正后之指数平滑异同移动曲线712MA0.74507474812日移动平均线86MA0.7434807066日移动平均线924MA0.743046624日移动平均线103MACD0.737795473日指数平滑异同移动曲线11平均价0.7355956675平均价123-6乖离率0.7275405593日减6日乖离率13ADI0.71542996涨跌幅14动量30.715057123日动量值153DIF0.7125894793日差离值16动量值0.7117212656日动量值176+DI0.7108206466日正趋向指标（当日最低点减昨日最低点）186ADI0.7104824466日之平均每日涨跌指数19均涨幅0.691745693平均每日涨跌幅 20中乖离0.6905212732112RSI0.68147061512日相对强弱指标22+DI0.681355217正趋向指标（当日最高点减昨日最高点）236RSI0.6801055936日相对强弱指标2413RSI0.67958765313日相对强弱指标25量价比0.676311344266-DI0.6741968966日负趋向指标（当日最低点减昨日最低点）276PSL0.668730156日心理线289k-9d0.6608512789日KD线之差2913PSL0.64783371613日心理线30股本（OBV）0.647733716能量潮31-DI0.647701095负趋向指标（当日最低点减昨日最低点）329d0.6421769239日D值33长乖离0.641699591349k0.6281610179日K值根据表1可以分成三个类群，前18个技术指针关联值在0.71以上，且第19个为关联值为0.69，故可将前18个技术指标作为基础类神经之输入值。另外，第28个技术指针关联值为0.66，而第29个技术指标为0.64，故将前28个技术指标当作另一个类群之输入值，第三个群则以34个技术指标为输入值。这三类群输入值的个数不同，但输出值皆为隔日的收盘价。三、类神经网络之测试为了了解不同的输入、输出值、隐藏元个数及网络结构改变对类神经网络的影响，因此以86年1月12月底的日数据作为训练对象，以87年1月至12月底的日数据为预测对象，在基础网络的参数设定上，先固定学习速率为0.5，动量值为0.5，尝试改变隐藏元的个数以寻找MSE最小的网络结构。而后将此网络结构的学习速率与动量值以0.1、0.5、0.9的变动方式加以测试，结果共可获致9种组合，再从中选取一组较佳的网络结构及参数。训练次数设定10000次，隐藏元个数由5个开始往上累加至105个进行测试，以获致各种网络型态之MSE，测试结果如下：（一）一层隐藏层由图2可知，当隐藏层中有5个处理单元时，MSE为0.00066。图2 18个技术指标下隐藏元之MSE比较由图3可知，当隐藏层中有5个处理元时，MSE有最小值0.000622图3 28个技术指标下隐藏元之MSE比较当输入值为34个技术指针，处理单位数为10个时，MSE值为0.000634图4 34个技术指标下隐藏元之来自 中国最大资料库下载MSE比较（二）两层隐藏层如图5，当输入的技术指标为18个，隐聝层中有30个处理单元时，得到MSE之最小值为0.000646。图5 18个技术指标下隐藏元之MSE比较而当输入的技术指标个数为28个时，隐藏层中有55个处理单元时所得到的MSE为最小，其值为0.000537。图6 28个技术指标下隐藏元之MSE比较当输入值有34个技术指标，隐藏层有20个处理单位时，其MSE值为0.000609。图7 34个技术指标下隐藏元之MSE比较四、比较预测结果比较网络之预测绩效如何，本研究拟比较预测误差值及买卖点的显著率。（一）预测误差综合上述的结果，可以知道当输入技术指标个数为28个、隐藏层为二层、处理单元数为55个、输出向量为隔日收盘价，可以得到最小的MSE为0.000537。接下来，尝试改变学习速率及动量系数进行网络的测试，学习速率及动量系数皆采0.1、0.5、0.9三种设定，训练次数控制在10000次，再进行网络的测试，所以网络结构有9种设定模式及结果。针对技术指标数目（18个、28个、34个）及隐藏层（一层或两层），进行参数设定改变之比较，最小的MSE值如表2所示：表2 网络结构测试比较表输出隔日收盘价筛选与否否是编号No. 1No. 2No. 3No. 4No. 5No. 6技术指标输入个数34个34个28个28个18个18个隐藏层121212隐藏元1020555530参数=0.9=0.1=0.1=0.5=0.1=0.5=0.5=0.5=0.5=0.1=0.1=0.1MSE0.0006340.0006090.0006220.0005370.000660.000646结果以 No. 2较佳（比较MSE之大小）以No. 4较佳（比较MSE之大小）（二）比较买卖点之讯号显著率： 买点的决定是利用当讯号值超过上限临界值时，此时买点就出现，操作者于是进行股票买入动作；同理，卖点的决定是利用当讯号值超过下限临界值时，此时卖点就出现，操作者于是进行股票卖出动作；若讯号值介于上限临界值和下限临界值时，则保有现状，其结果如图8及图9：股价走势线买卖讯号值图8 网络预测图股价走势线买卖讯号值图9 灰关联网络预测图讯号显著率也就是买卖点的出现在交易天数中是否明显，以下为三种评估指标： a.买入讯号显著率：将出现的买入点个数除以交易天数。 b.卖出讯号显著率：将出现的卖出点个数除以交易天数。 c.讯号显著率：将出现的买入加卖出点个来自 中国最大资料库下载数除以交易天数此评估指针可显示出系统预测的敏感度如何，其结果如表3：表3 敏感度分析表型态灰关联神经网络基础网络敏感度分析之临界值线上限0.6下限0.4买入讯号之个数1351744卖出讯号之个数943435买入讯号显著率4.8%18.82%1.26%16.24%卖出讯号显著率3.32%15.87%0.54%12.92%讯号显著率8.12%34.69%1.8%29.16% 结果显示，灰关联神经网络不论是在预测误差及敏感度分析都比基础网络要来得准确，因此，灰关联分析运用在店头市场股价指数之技术指标筛选确实对预测误差之降低有帮助，也可以提高买卖点之显著率。伍、结论与建议一、结论（一） 经过本研究的印证，适度的运用灰关联分析来筛选重要技术指标，确实具有较佳指标的选取能力。（二） 以两年的日数据供类神经网络学习、测试后，虽然所耗费的时间长，但所得到的MSE却比以往的研究者明显较低。因此所得到的架构确实可作为研究店头市场股价指数之进一步研究。（三） 倒传递类神经网络针对店头市场指价指数的预测能力，可以提供投资人进场时机。二、建议（一）在数据处理方面1、 可以加入总体经济面的量化影响因素，例如汇率的变动及外国股价指数。2、 本研究纯粹采用技术指标值来当做量化因素的数据输入，但股票市场散发出来的讯息有很多，如公司的各种财务比率，融资、融券的涨跌变化，自营商的进出动作，外资法人的投资消长、，这些都可当做量化因素的数据输入，相信加入这些信息后，本系统会产生更佳的预测准确性。3、 在输出变量方面，本研究采“隔日收盘价”为输出，经过转换而成买卖讯号值，在未来的研究中可尝试以“股价涨跌幅值”为输出变量。（二）在非量化因素方面本研究之量化技术指标用以预测店头市场股价指数虽已达一定的预测水准，因此，建议考虑将非量化的因素整理成一数据库，并将此数据库修正成为适合每个股票之股票股价事件预测数据库。参考文献1. 史开泉、黄国威、黄有评，灰色信息关系论，台北：全华图书公司，民国83年。2. 江金山等人，灰色理论入门，高立图书公司，民国87年。3. 吴汉雄、邓聚龙、温坤礼，灰色分析入门，高立图书公司，民国85年。4. 李政芳，应用类神经网络与模糊德尔菲法于股票预测模式建立之研究，高雄工学院管理科学研究所未出版硕士论文，民国85年。5. 沈启宾、庄艳蕙，应用灰色系统对李福恩十项全能成绩的因素分析与成绩预测之探讨，体育与运动，民国80年6月。6. 林旺生，台湾店头市场投资绩效之实证研究，文化大学会计研究所未出版之硕士论文，民国86年。7. 林升远，应用类神经网络与模糊德尔菲法于个别股价预测模式之研究-以台积电公司为例，义守大学管理科学研究所未出版硕士论文，民国87年。8. 洪玉玫，台湾店头市场交易制度改变对市场绩效之影响，中山大学财务管理研究所未出版硕士论文，民国85年。9. 洪美慧，技术分析应用于台湾股市之研究，东海大学管理研究所未出版硕士论文，民国86年。10. 张健邦，多变量分析，三民书局，民国86年。11. 陈一森，台湾股票店头市场之研究，铭传管理学院管理科学研究所未出版硕士论文，民国86年。12. 陈弘彬，整合灰色理论与类神经网络于预测模型之建立-以SIMEX台湾股价指数期货为例，义守大学管理科学研究所未出版硕士论文。13. 曾淑青，应用类神经网络于台湾股票市场价量关系之预测与分析，交通大学资管所未出版硕士论文，民国83年。14. 辜丽娟，台湾股市技术分析之实证研究，淡江大学财务金融研究所未出版硕士论文，民国85年。15. 黄永成，应用遗传算法与模糊神经网络于股票预测模式之研究，高雄工学院管理科学研究所未出版硕士论文，民国86年。16. 黄国裕，财务比率在股票异常报酬之预测能力分析-类神经网络方法，中央大学信息管理研究所未出版硕士论文，民国83年。17. 叶怡成，类神经网络模式应用与实作，儒林图书有限公司，民国84年。18. 叶铭龙，台湾股票店头市场价量关系之实证研究，朝阳技术学院财务金融研究所未出版硕士论文，民国86年。19. 刘彦良，台湾上柜股票分类股价指数共整合关系之实证研究，中兴大学企研所未出版硕士论文，民国85年。20. 郑志伟，运用类神经网络于台湾股市个股及指数之预测分析，淡江大学信息管理研究所未出版硕士论文，民国86年。来自 中国最大资料库下载21.