(简体)以基因演算法建置不同风险接受度之投资组合.docx

《(简体)以基因演算法建置不同风险接受度之投资组合.docx》由会员分享，可在线阅读，更多相关《(简体)以基因演算法建置不同风险接受度之投资组合.docx（20页珍藏版）》请在三一办公上搜索。

1、以基因算法建置不同风险接受度之投资组合李佩玲中原大学信息管理研究所g9394011cycu.edu.tw利瓦伊平中原大学信息管理所研究所wpleecycu.edu.tw摘要共同基金最大特性为投资多样化，它集合众多投资人资金投资在不同的标的物，有效分散投资人的整体性风险。这种投资组合方式近年来广受投资人欢迎，因此愈来愈多的金融公司也跨入共同基金市场。面对愈来愈多的竞争者及市场上众多的投资标目，专业经理人如何针对不同投资目标、风险接受程度之投资人来设计不同的投资组合，已成为目前不可忽视之课题。基因算法过去已成功的应用在不同的财务领域最佳化上，因此本研究想应用基因算法发展依不同风险程度之最佳化投资组

2、合模型，辅助专业经理人选择适合投资人之投资标的及投资比重，并期盼模型在一定风险下之整体的绩效能显著的优于大盘绩效的投资表现。关键词：共同基金、投资组合、基因算法壹、绪论一、研究动机与背景台湾的投资人光面对台湾的股票市场就有多达快一千支的上市上柜股票可做选择，除了股票外，还有其它许多的金融商品亦可做投资选择，如：债券、期货等金融商品，因此要从众多的投资标的来建立投资组合是非常困难的，加上股票市场波动大，投资人一旦没有等到好的时机点做买卖往往会错失获利机会，为了分散投资人的投资风险、让报酬率更理想，因此造就衍生性金融商品共同基金的产生。共同基金是完全仰赖专业经理人的能力，其集合众多投资者的资金，交

3、由专业经理人操作，投资的报酬与风险则由所有投资人共同承担。专业经理人要做的是建立资组合的最佳化，让投资绩效有好的表现，满足投资人获利的需求。随着共同基金在市场上愈来愈受投资人的青睐，也有愈来愈多的金融公司加入共同基金市场中，欲抢攻这块大饼，面对愈来愈多的竞争者及市场上众多的投资标目，专业经理人必须要针对特定族群做投资组合规划才能满足不同族群投资人的需求，因此如何针对不同投资目标、风险接受程度之投资人来设计不同的投资组合，已成为目前不可忽视之课题。根据94年底证券投资信托暨商业同业公会的统计资料，共同基金中的股票型基金约占40%，为所有共同基金种类中所占比率最高，因此选择股票型基金做为投资标的。

4、并且根据许多国内外研究结果显示，多数的研究认为财务报表具有显著的信息内涵，且从1930年代已有多位学者将基本分析运用于投资领域中，因此以基本分析来辅助投资决策，但相关的财务变量种类繁杂，研究者若要以传统方法对财务变量做探讨，需要充分的时间，所以希望藉由遗传算法的强大搜寻功能，从繁杂的财务指标中来决定财务指标的选用及对应的选股规则。二、研究问题与目的本研究的目的是在建构一套依不同风险等级来调整投资标的与资金分配的基因调整模型，以辅助基金经理人设计股票型基金时，能达到最佳化的投资组合，并期盼模型在一定风险下之整体的绩效能显著的优于大盘绩效的投资表现、甚至优于市面上股票型基金商品。其过程先透过基因算

5、法来选出要投资的股票，之后根据每支股票的报酬值给予不同比率的投资比重，最后以移动窗口实验来检定此模型所建立的出来不同风险程度的投资组合是否较大盘或市面上组合基金商品有较佳的绩效。贰、文献探讨一、Data Mining于财务上的运用随着全球经济化及信息科技的发展，企业的财务数据量以不可预期的速度大量累积及成长，当企业要运用这些财务资料做市场分析、预测或商业上的决策时，面对庞大的数据量，若没有运用Datat Mining工具辅助是无法将数据做完整的分析，因此Datat Mining工具被广泛的运用在财务领域上，以辅助企业于商业上的决策制定。Datat Mining不仅能辅选企业于市场上具更佳的竞争

6、优势，对投资经理人、投资人而言也可运用Datat Mining做投资组合的最佳化或于股市获取较佳的绩效。Datat Mining于财务上最常被运用在五大领域：股市绩效预测、投资组合最佳化、破产预测、诈欺预测 、外汇市场预测。Datat Mining最普遍用于商业上的五种技术为：类神经、基因、统计推论、决策树、资料可视化，之前已有学者根据五种技术的特性做了以下分析：3表一DM技术优缺点分析低高非常高低高现成软件低非常低中中非常低延伸性非常低中中高中最佳化能力非常高非常高中高非常低解释力非常高低中非常高非常高计算能力非常高低低高高自主性低低中中高数据接受度中非常高高非常低低容易编码数据可视化决策树

7、统计推论基因类神经本研究选择投资组合最佳化做为财务领域上的运用，并选择基因算法做为Data Mining的技术，主要是根据表一可知基因算法具有很好的最佳化能力及强大的复杂计算能力，相对的基因算法会有现成软件不足及编码困难等挑战性，这都是本研究必须去克服的挑战点。二、共同基金国内共同基金的正式名称为证券投资信托基金，是由证券投资信托公司发行，集合众多投资者的资金，交由专业经理人操作，投资的报酬与风险则由所有投资人共同承担。其观念为投资多支股票或债券等，让投资风险分散，获利提升。12台湾基金事业的发展，以1983年政府颁布证券投资信托事业管理规则为一重要的里程碑，当时政府成立四家投信公司开放外资流

8、入台湾市场。1987年外汇管制开放后，国外一些著名的基金公司如：怡富、富达等纷纷来台发展，因此带动了台湾共同基金市场。根据中华民国证券投资信托暨顾问商业同业公会于2005年10月14日的统计报告，台湾基金规模已达到2,176,275,554,974，可知台湾共同基金市场这二十年来蓬勃发展，已成为投资大众一重要的投资标的。三、投资组合(一)、投资组合及评量标准Markowitz 于1952年所提出投资组合(Portfolio Selection)，其观念为不要把鸡蛋放在同一篮子上，即藉由投资多种不同的投资标的来分散投资风险，并达到单位风险之报酬率最佳化。即以夏普值(Sharp ratio)当作评

9、量投资组合好坏的指针，夏普值计算如下：7l Sharp 值=(报酬率-无风险利率)/净值标准差投资组合即追求夏普值最大佳，因此夏普值愈大则表示基金绩效越好。若夏普值0，表示每一单位的风险所带来的报酬率优于一个月的银行定存，若夏普值=0 ，表示每一单位的风险所带来的报酬率，和一个月的银行定存相同，否则夏普值50%30%50%10%30%10%获利期待最高报酬高报酬中报酬保本四、选股策略选股策略是将所有挑选出来的财务指针以基因算法考虑风险程度分类后做指针的筛选及逻辑变量、比较的常数的选择，最后会产生不同风险程度的选股规则，其规则如表五。表五选股规则IF财务指标运算子常数AND财务指标运算子常数：A

10、ND财务指标运算子常数hen选择股票(一)、基因算法之编码将财务指标依其性质分成三大类：1.要考虑整个市场或同一产场或公司本身历史的表现；2.考虑分成不同的等级；3.考虑有没有发生的情况，基因以Z分配值做为第一类及第二类之比较门坎植，而第三类则以单纯1bit的基因码来达，分别以以下三种例子来看基因算法的编码： 第一类：以账面对市价比做为例子，编码如下图：图七账面对市价比之编码图其中常数的编码是以Z分配来做考虑，而Z分配数据介于3及-3之间的比重占了98%，因此编码以-2.992.99之间的Z分配做为考虑。图八Z分配机率分配图若账面对市价比编码为：1-1-1-1-01-01101001-0-0-

11、0-00-0000000-0-0-0-00-00000000，则表示选取账面对市价比指标，并只跟整个市场比较，比较条件为大于正1.53 第二类：以公司规模做为例子，编码如下图：图九公司规模账面对市价比之编码图公司规模参考Fama and French (1992)采用投资组合的做法，在样本期间内分别依六个指标值大小将175 家样本公司分为五类（最大、大、中、小、最小）4，研究将同产业的公司模规以Z分配来表达，分成五大范围表示上述五类表六公司代码定义公司定义对应代码Z分配范围最大100000.84X大010000.25X0.84中00100-0.25X0.25小00010-0.84X-0.25最

12、小00001X50%选股没有任何限制追求较高的收益30%50%当基因编码选股后，选出来的股票会以之后每月为标准，做十二次检查(共十二个月)，检查每支股票是否跌至超过原买进价格的50%，若有则给予Sharp值扣分着重收益型投资10%30%同上检查但判断依据为每支股票是否跌至超过原买进价格的30%，若有则给予Sharp值扣分较保守型10% 0.640.6 SI 0.3630.36 SI 0.1220.12 SI 01希望藉由基因择股及择股后资金分配，让不同风险等级的投资绩效能有更佳的表现。肆、结论研究相信透过遗传算法的选股策略及资金分配考虑，能让投资股票报酬能力提升、风险程度下降。因此藉由本研究所

13、提出的投资策略，能对专业经理人在分秒必争的投资市场中提出一份实时的建议，也辅助专业经理人能针对不同风险的投资人，以更快的速度去设计符合其风险接受度的商品，而除了专业经理人外，对一般投资人而言，就算不熟悉股票的领域知识，亦可透过研究所提出的模型来辅助个人的投资决策，就此点而言，即提供了一般投资人相当便利性，所以研究提所的模型对专业经理人及一般投资人都具一定的贡献度的。伍、参考文献1. Bauer, JR. Richard J,Genetic Algorithms & Investment Strategies, John Wiley & Sons ,1994,pp.127134.2. Conno

14、r,G.,Korajczyk,Risk and return in an equilibrium APT: Application to a new test methodology, Journal of Financial Economics,1988,Vol 21,No 2,ppt.255-289.3. Dongsong Zhang and Lina Zhou,Discovering Golden Nuggets：Data Mining in Financial Application,IEEE Transactions on system ,2004, Vol. 34,No 4,pp.

15、 513-522.4. Fama and French ,The Cross-Section of Expected StockReturns, Journal of Finance, 1992,Vol 47, pp.427-465.5. Fothergill and Coke,Fund of Hedge Funds: An Introduction to Multi-ManagerFunds, The Journal of Alternative Investments, 2001, pp.7-16.6. Juan G. Lazo, Marley Maria R. Vellasco and

16、Marco Aurlio C. Pacheco,A Hybrid Genetic-Neural System for Portfolio Selection and Management1,Proceedings - Sixth International Conference on Engineering Applications of Neural Networks, Kingston Upon Thames 2000,.7. Markowitz,H.M.,Portfolio Selection,Journal of Finance,1952,Vol7,77-918. Martikaine

17、n, T.,Stock Returns and Classification Pattern of Firm-SpecificFinancial Variables: Empirical Evidence with Finnish Data, Journal of BusinessFinance and Accounting,1993,Vol 20,No 4,ppt.537-558.9. Ou, J. A., and S. H. Penman.,Financial Statement Analysis and the Prediction ofStock Return,Journal of A

18、ccounting and Economics,1989,Vol 11,No 4,ppt.295-329.10. Steven C.Gold and Paul Lebowitz,Computerized stock screening rules for portfolio selection,Financial Services Review 8, 1999,ppt.61-70.11. Ziebart,The Information Content of Annual Accounting Data: anempirical modeling approach using structure

19、 equation technical, Advance in Financial Planning and Forecasting,1989,No 3,121-141.12. 中华民国证券投资信托暨顾问商业同业公会网站，认识共同基金，online Avaiable at: http:/www.sitca.org.tw/Menu_main.asp?Lang=C13. 李建亿译，Richard J. Roiger and Michael W.Geatz着，2003，资料探勘，台北，东华书局发行。14. 李达开，以基因算法建构股票投资组合，清华大学科技管理研究所，2002年。15. 吴启铭及刘博文

20、,盈余质量与股票报酬效果,中国财务学会暨财务金融学术论文研讨会,1999年。16. 候佳利，组合编码遗传算法于投资组合及资金分配之应用，中央大学信息管理学系硕士班，2001年。17. 陈世章，基本分析与股价报酬之关联性，台湾大学会计学研究所，1997年。18. 陈旭宏，基本分析运用于股票超额报酬之研究，大华大学事业经营研究所，2001年。19. 陈柏年，应用遗传算法于财务指针选股策略之探讨，中央大学信息管理学系硕士班，2001年。 20. 黄宏德，台湾股市选股指标绩效评估，中山大学财务管理研究所，2000年。21. 刘贵强，遗算算法于组合型基金商品之设计，辅仁 大学信息管理学系硕士班，2004年。22. 颜佳维，利用遗算算法发掘投资组保保险之调整，中央大学信息管理学系硕士班，2004年。