「2019 New Futures 期貨學術與實務交流研討會」優秀論文摘要-深度學習在台灣認購權證交易策略之運用

工商時報【吳錦文】 本研究首先運用標的股票的布林通道搭配突破區間、均線上揚與成交量爆量等三個多頭訊號建構買入訊號,並使用相對應的認購權證,於買入訊號隔一天以認購權證開盤價進場,並於三天後,以收盤價賣出建構出原始認購權證交易策略。 為了優化此原始策略,本研究主要貢獻就是針對原始策略的交易紀錄表,分別使用學習式向量量化(Learning Vector Quantization)與隨機森林(Random Forest)兩種特徵選取(Feature Selection)方法,採用定錨式移動窗格法(Anchored Walk Forward)來進行模型更新,運用買入訊號當日的技術指標與認購權證相關參數共82個特徵,挑選出每一期重要輸入特徵,帶入深度學習中的多層感知器(Multilayer Perceptron)中,預測認購權證三日後漲跌分類。 實證結果顯示,特徵選取為學習式向量量化法搭配深度學習確實可改善原始認購權證交易策略的勝率與平均報酬率。 此外,透過深度學習改良後之認購權證交易策略,可使交易策略淨值從2009年年初的起始資金100萬元,成長到2017年年底的2,300萬元左右,年化報酬率亦達為44.28%。實證結果驗證深度學習可運用在台灣認購權證的交易策略建構上。 (作者:*南華大學財務金融系助理教授 吳錦文、國立中山大學財務管理系教授 王昭文、國立中山大學財務管理系副教授 黃振聰、國立中山大學財務管理系碩士 糜榮峻) *通訊作者E-mail:chouwenwang@gmail.com(mailto:chouwenwang@gmail.com)