簡易檢索 / 詳目顯示
| 研究生： |
鄭吉良 |
|---|---|
| 論文名稱： |
技術型態分析可否預測未來？-台灣期貨市場的證據 Is pattern analysis useful for predictions? Evidence from Taiwan's futures market |
| 指導教授： | 郭炳伸 |
| 學位類別： |
碩士
Master |
| 系所名稱： |
商學院 - 國際經營與貿易學系 Department of International Business |
| 論文出版年： | 2009 |
| 畢業學年度： | 97 |
| 語文別： | 中文 |
| 論文頁數： | 53 |
| 中文關鍵詞： | 技術型態 、技術分析 、核迴歸 |
| 相關次數： | 點閱：300 下載：114 |
| 分享至: |
| 查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報 |
本文以台灣期貨市場為研究目標，利用無母數計量模型-核迴歸(kernel regression)平滑每日結算價格，並建立一電腦化、自動化的系統來辨識各種技術型態的形成，包括頭肩頂、三角形、雙重底、…等十種，期望能去除人為主觀意識對型態辨識的影響，並檢定技術型態是否含有預測未來報酬的訊息性。
從實證結果中發現，出現次數最頻繁的技術型態並不一定具有訊息性，如頭肩頂與頭肩底；而在型態形成並辨認後兩周之內，矩形、倒矩形、雙重頂、雙重底等四種型態則持續顯著地具有訊息性。
另外，核迴歸中平滑因子越小會使型態出現次數越多；平滑因子越大則使型態出現次數越少，平滑程度的改變對頭肩頂及頭肩底型態的訊息顯著性有一定程度的影響，但是對矩形、倒矩形、雙重頂、雙重底等四種型態的訊息顯著性並無影響。
最後，技術型態的訊息顯著性並不會因為期貨商品的不同而有差異，技術型態在不同的期貨市場中仍會保有同樣特性；而個別期貨商品下的檢定結果都比全體期貨市場的結果來的差，此情況可能與樣本數較少的原因有關。
第一章 緒論 1
第一節 研究動機 1
第二節 研究目的 2
第三節 研究架構 3
第二章 文獻回顧 4
第一節 技術分析理論文獻回顧 4
第二節 技術分析實證文獻回顧 6
第三章 研究方法 10
第一節 研究模型 10
一、平滑估計 10
二、核迴歸 11
三、頻寬的選取 13
第二節 技術型態 14
第三節 研究設計 17
第四節 檢定方法 24
一、 報酬率的計算 25
二、適合度檢定 25
三、Kolmogorov-Smirnov檢定 26
第五節 樣本選取與資料來源 29
第四章 實證結果分析 31
第一節 台灣期交所十一項商品全體實證結果 31
一、初步實證結果 31
二、報酬率計算期間不同的結果 39
三、頻寬值選取方法不同的結果 41
第二節 台灣期交所十一項商品個別結果比較 46
第五章 結論與建議 49
參考文獻 51
圖表目錄
圖次
圖一、頭肩頂與頭肩底 19
圖二、擴大型與倒擴大型 20
圖三、三角形與倒三角形 21
圖四、矩形與倒矩形 22
圖五、雙重頂與雙重底 23
圖六、條件下與非條件下的報酬率分配 28
表次
表一、各項期貨商品樣本期間及個數 30
表二、技術指標出現次數 32
表三、技術型態下日報酬率之簡單敘述統計表 33
表四、適合度檢定 35
表五、Kolmogorov-Smirnov檢定 37
表六、不同報酬率計算天數的適合度檢定 39
表七、不同報酬率計算天數的Kolmogorov-Smirnov檢定 40
表八、頻寬值平方h^2的次數分配表 42
表九、頻寬值平方為0.1下之適合度檢定與K-S檢定 44
表十、頻寬值平方為1.0下之適合度檢定與K-S檢定 45
表十一、在個別期貨商品中檢定顯著的型態 47
中文部分
王培輯，民國95年，「日內資料技術分析與操作績效-以台灣股票加權指數期貨為例」，中興大學財金研究所碩士論文
王俊傑，民國96年，「以預測力優劣檢定法及真實性檢驗探討期貨市場技術分析的有效性」，朝陽科技大學財務金融系碩士論文
林坤吟，民國91年，「台灣指數期貨市場技術分析之實證研究」，國立中正大學企業管理研究所碩士論文
吳百正，民國93年，「台股期貨市場弱勢效率性之研究」，國立台灣科技大學財務金融研究所碩士論文
洪美慧，民國86年，「技術分析應用於台灣股市之研究-移動平均線、乖離率指標與相對強弱指標之評估」，東海大學管理研究所碩士論文
黃冠華，民國97年，「技術分析與實證研究-以移動平均線、每週交易日為例」，國立政治大學財務管理研究所碩士論文
葉日武，民國76年，「以技術分析市場時機的效果驗證」，國立政治大學企業管理研究所碩士論文
廖宏彬，民國95年，「順式策略之交易系統於台股指數期貨運用之研究」，中興大學高階經理人班碩士論文
鄭淑貞，民國83年，「台灣股票市場弱式效率性之實證研究-濾嘴法則之應用」，國立台灣工業技術學院管理技術研究所碩士論文
鄭宜典，民國96年，「基本分析與技術分析之投資績效比較」，中興大學會計研究所碩士論文
鐘仁甫，民國90年，「技術分析簡單法則於台灣電子個股之應用」，東海大學企業管理系碩士班論文
鐘淳豐，民國90年，「配合價量關係技術型態在台灣股票市場的應用」，國立政治大學財務管理研究所碩士論文
英文部分
Alexander, S.S. (1961), “Price movements in speculative market: trends or random walks”, The Random Character of Stock Market Prices, 199-218
Alexander, S.S. (1964), “Price movements in speculative market: trends or random walks, No. 2”, The Random Character of Stock Market Prices, 338-372
Brock, W., Lakonishok, J., and LeBaron, B (1992), “Simple technical trading rules and the stochastic properties of stock returns”, Journal of Finance 47, 1731-1764
Cheng, C.-B., and Lee, E.S. (1999), “Nonparametric fuzzy regression ─ k-NN and kernel smoothing techniques”, Computers and Mathematics with Applications 38, 239-251
Fama, E.F., and Blume, M.E. (1966), “Filter rules and stock-market reading”, Journal of Business 39, 226-241
Fang, Y., and Xu, D. (2003), “The predictability of asset returns: an approach combing technical analysis with time series forecasts”, International Journal of Forecasting 19, 369-385
Grossman, S.J. (1976), “On the efficiency of competitive stock markets where readers have diverse information”, Journal of Finance 31, 573-585v
Grossman, S.J., and Stiglitz, J.E. (1980), “On the impossibility of informationally efficient markets”, American Economic Review 70, 393-408
Grundy, B.D., and McNichols, M. (1989), “Trade and the revelation of information through prices and direct disclosure”, Review of Financial Studies 2, 495-526
Hellwig, M.F. (1982), “Rational expectations equilibrium with conditioning on past prices: A mean variance example”, Journal of Economic Theory 26, 279-312.8
Hsu, P.H., and Kuan, C.M. (2005), “Reexamining the profitability of technical analysis with data snooping checks”, Journal of Financial Econometrics 3(4), 606-628
Levy, R.A. (1967), “Relative strength as a criterion for investment selection”, Journal of Finance 22, 595-610
Lo, A.W., Mamaysky, H., and Wang, J. (2000), “Foundations of technical analysis: computational algorithms, statistical inference, and empirical implementation”, Journal of Finance 55, 1705-1765
Neftci, S. (1991), “Naive trading rules in financial markets and Weiner-Kolmogorov prediction theory: a study of technical analysis”, Journal of Business 64, 549-571
Silverman, B.W. (1986), Density Estimation for Statistics and Data Analysis, Chapman & Hall: London
Wand, M.P., and Jones, M.C. (1995), Kernel Smoothing, Chapman & Hall: London; New York