亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于技術(shù)分析視角下證券投資交易的研究方法綜述

        2015-10-18 05:14:10徐晟皓王長(zhǎng)飛
        中國(guó)管理信息化 2015年11期
        關(guān)鍵詞:證券遺傳算法交易

        徐晟皓,王長(zhǎng)飛

        (中山大學(xué) 管理學(xué)院,廣州 510275)

        基于技術(shù)分析視角下證券投資交易的研究方法綜述

        徐晟皓,王長(zhǎng)飛

        (中山大學(xué) 管理學(xué)院,廣州 510275)

        技術(shù)分析方法一直是現(xiàn)代學(xué)術(shù)界爭(zhēng)相探討的話題。本文在文獻(xiàn)回顧的基礎(chǔ)上,對(duì)國(guó)外的技術(shù)分析方法在證券投資交易領(lǐng)域的發(fā)展實(shí)踐、內(nèi)涵及基本架構(gòu)進(jìn)行了詳盡的回顧和分析,并將現(xiàn)代學(xué)術(shù)界對(duì)證券投資交易方法的技術(shù)分析研究進(jìn)行分類,將文獻(xiàn)梳理分為平均數(shù)法、技術(shù)指標(biāo)法、軟計(jì)算法三大類進(jìn)行述評(píng),最后在國(guó)內(nèi)對(duì)技術(shù)分析方法研究不足的基礎(chǔ)上提出了未來有可能的研究方法和研究方向。

        技術(shù)分析;證券投資交易;平均數(shù)法;技術(shù)指標(biāo)法;軟計(jì)算法

        0 引言

        相比于以公司經(jīng)營(yíng)狀況、財(cái)務(wù)理論為根基,從產(chǎn)生起便很快被學(xué)術(shù)界所認(rèn)同的基礎(chǔ)分析(FundamentalAnalysis),同樣在金融實(shí)務(wù)界有著廣泛應(yīng)用的技術(shù)分析(Technical Analysis),卻因?yàn)槔碚摳娜笔ФL(zhǎng)期受到學(xué)術(shù)界的質(zhì)疑。但是,從20世紀(jì)60年代中期,1965年Samuelson和1966年Mandelbrot分別提出了鞅(Martingale)的古老金融資產(chǎn)價(jià)格的模型后,開始引發(fā)學(xué)者們對(duì)技術(shù)分析領(lǐng)域的關(guān)注。進(jìn)入20世紀(jì)80年代,“日歷效應(yīng)”“過度反應(yīng)”“動(dòng)量效應(yīng)與反轉(zhuǎn)效應(yīng)”等金融“異象”被發(fā)現(xiàn),進(jìn)一步使得有效市場(chǎng)假說的理論框架受到前所未有的沖擊。從而,技術(shù)分析的研究不斷得到學(xué)術(shù)圈的廣泛關(guān)注與研究。

        技術(shù)分析注重的是對(duì)反映市場(chǎng)交易行為的商品價(jià)格的研究,希望從資產(chǎn)成交價(jià)和交易量的歷史數(shù)據(jù)中捕獲資產(chǎn)價(jià)格未來的走勢(shì)。如今,在金融證券投資交易領(lǐng)域,學(xué)術(shù)界更是采用各種技術(shù)分析方法來研究交易趨勢(shì)及其變化,可謂技術(shù)分析方法種類繁多,形式多種多樣,并導(dǎo)致對(duì)技術(shù)分析方法的應(yīng)用較為混亂,因此有必要對(duì)技術(shù)分析視角下證券投資交易研究方法進(jìn)行系統(tǒng)性的梳理和評(píng)述,這對(duì)完善證券投資交易體系具有重要的意義。

        1 研究方法綜述

        2004年P(guān)ark等人,將基于技術(shù)交易系統(tǒng)領(lǐng)域的交易成本、風(fēng)險(xiǎn)、數(shù)據(jù)窺測(cè)、參數(shù)最優(yōu)化以及采用的統(tǒng)計(jì)分析等方面列為技

        1.1平均數(shù)法在證券投資交易中的應(yīng)用

        平均數(shù)法在證券投資領(lǐng)域的應(yīng)用主要包括簡(jiǎn)單移動(dòng)平均、平均動(dòng)向指數(shù)、平滑異同移動(dòng)平均及基于移動(dòng)平均操作的其他方法等。其中平均數(shù)法最早在證券市場(chǎng)中的應(yīng)用是1884年Charles Dow在證券價(jià)格平均指數(shù)中所觀察到的證券價(jià)格變動(dòng)。在隨后的研究中,Neftci為了決定技術(shù)分析的普及程度是否有一個(gè)客觀基礎(chǔ),在1991年進(jìn)行了一項(xiàng)關(guān)于技術(shù)分析統(tǒng)計(jì)特性的調(diào)查,并試圖根據(jù)馬爾科夫時(shí)序來建立技術(shù)分析規(guī)則,但是馬爾科夫時(shí)序本質(zhì)上是在給定當(dāng)前知識(shí)或信息的情況下,過去的狀態(tài)對(duì)于預(yù)測(cè)未來是無(wú)關(guān)的。因此,Neftci考察了150天移動(dòng)平均數(shù)和道瓊斯指數(shù)之間的關(guān)系,并測(cè)試了1911-1976年間的道瓊斯工業(yè)指數(shù),發(fā)現(xiàn)移動(dòng)平均數(shù)所產(chǎn)生的馬爾科夫時(shí)序似乎有一些預(yù)測(cè)價(jià)值。而且,他還回顧了多個(gè)其他的技術(shù)分析方法,發(fā)現(xiàn)其中許多方法并未產(chǎn)生馬爾科夫時(shí)序,因此得出只有在圖表上有效地依托 “看到未來”,才能夠生成預(yù)測(cè)的結(jié)論。

        1992年Brock等人則利用1897年的第一個(gè)交易日到1986年的最后一個(gè)交易日的道瓊斯工業(yè)平均指數(shù)的數(shù)據(jù)對(duì)技術(shù)交易規(guī)則進(jìn)行測(cè)試。作者測(cè)試了組合的移動(dòng)平均線并設(shè)計(jì)了固定長(zhǎng)度和可變長(zhǎng)度的持股期以及趨勢(shì)線策略,并圍繞消除價(jià)格跨越邊界線來回震蕩設(shè)計(jì)了一個(gè)百分點(diǎn)的頻段。作者的發(fā)現(xiàn)對(duì)使用技術(shù)分析提供了有利支持,特別是使用一個(gè)百分點(diǎn)頻段的移動(dòng)平均數(shù)策略。此外,還發(fā)現(xiàn)了買(賣)信號(hào)所產(chǎn)生的收益要比正常收益高(低),而且這些差別并不能夠被風(fēng)險(xiǎn)所輕易地解釋。最后,作者得出了技術(shù)規(guī)則具有預(yù)測(cè)能力的結(jié)論。1993年Levich和Thomas使用Bootstrap方法測(cè)試了從1976年到1990年期間5種貨幣的期貨合約。他們的研究發(fā)現(xiàn)使用簡(jiǎn)單的過濾規(guī)則和多種常用的移動(dòng)平均指數(shù)進(jìn)行交易獲得了超過15年的持續(xù)盈利。Levich和Thomas總結(jié)得出 “遵循交易規(guī)則所產(chǎn)生的盈利趨勢(shì)強(qiáng)烈表明數(shù)據(jù)中存在著某種串行依賴形式,但對(duì)這種依賴的性質(zhì)仍然不清楚”。與此同時(shí),1997年LeBaron提出了基于簡(jiǎn)單移動(dòng)平均數(shù)的交易規(guī)則,并利用這個(gè)規(guī)則對(duì)外匯匯率過程進(jìn)行了標(biāo)準(zhǔn)化測(cè)試,并得出該外匯市場(chǎng)不遵循隨機(jī)游走假說,而且偏差會(huì)被簡(jiǎn)單的移動(dòng)平均數(shù)檢測(cè)到。2003年Su and Huang結(jié)合使用了移動(dòng)平均線、隨機(jī)線、平滑異同移動(dòng)平均線、相對(duì)強(qiáng)弱指標(biāo)和指數(shù)移動(dòng)平均線來確定趨勢(shì)方向,并取得了很好的結(jié)果。綜合上述文獻(xiàn)可見,國(guó)外學(xué)者對(duì)平均數(shù)法的技術(shù)分析已具有較豐碩的研究成果。

        1.2技術(shù)指標(biāo)法在證券投資交易中的應(yīng)用

        證券投資交易市場(chǎng)中技術(shù)指標(biāo)是指根據(jù)價(jià)格、交易量等歷史數(shù)據(jù),通過建立一個(gè)數(shù)學(xué)模型,給出數(shù)學(xué)上的計(jì)算公式,得到一個(gè)體現(xiàn)證券市場(chǎng)某個(gè)方面內(nèi)在實(shí)質(zhì)的指標(biāo)值,常見的指標(biāo)有相對(duì)強(qiáng)弱指標(biāo)、隨機(jī)指標(biāo)、趨向指標(biāo)、能量潮等,有眾多學(xué)者在研究中使用了這些技術(shù)指標(biāo),并在學(xué)術(shù)界形成一定的理論基礎(chǔ)。

        1998年P(guān)ruittandWhite證明了基于累積量、相對(duì)強(qiáng)度和移動(dòng)平均(CRISMA)交易系統(tǒng)的有效性。該交易系統(tǒng)需要交易者買入和賣出的是在交易所上市的認(rèn)購(gòu)期權(quán)制度明確的證券,并且應(yīng)符合預(yù)定義的規(guī)則。這項(xiàng)研究包括了從1976年到1988年的171家公司,并假設(shè)可以購(gòu)買第二最短的成熟期權(quán)。實(shí)驗(yàn)結(jié)果表明,即使在交易成本最大的1988年,該交易系統(tǒng)每回交易的平均回報(bào)也有12.05%。此后,2001年Goodacre和Kohn-Speyer使用1988-1996年間的美國(guó)數(shù)據(jù)對(duì)CRISMA交易系統(tǒng)的有效性進(jìn)行了重新檢測(cè)。發(fā)現(xiàn)該系統(tǒng)的性能隨著時(shí)間的推移而出現(xiàn)了不穩(wěn)定,而且一旦考慮了市場(chǎng)運(yùn)動(dòng)、風(fēng)險(xiǎn)和交易成本時(shí),該系統(tǒng)將不會(huì)再獲利,最后得出了與市場(chǎng)有效相一致的結(jié)論。

        2000年Lee和Swaminathan則研究了價(jià)格動(dòng)量和交易量。他們發(fā)現(xiàn)過去的交易量可以預(yù)測(cè)價(jià)格動(dòng)量的幅度和持續(xù)時(shí)間,即過去的交易量有助于緩和中期區(qū)間反應(yīng)不足和長(zhǎng)期區(qū)間過度反應(yīng)的影響。2004年Demir等人研究了在澳大利亞股票市場(chǎng)應(yīng)用動(dòng)量策略所取得的收益回報(bào)情況。他們發(fā)現(xiàn)相比于其他市場(chǎng),動(dòng)量策略在澳大利亞市場(chǎng)更加的流行并可獲得更多的收益,同時(shí)該策略所產(chǎn)生的回報(bào)會(huì)隨著時(shí)間的推移而愈加穩(wěn)健且獲利性更強(qiáng),而且所觀察到的收益不能被規(guī)模和流動(dòng)性所解釋。

        1.3軟計(jì)算法在證券投資交易中的應(yīng)用

        軟計(jì)算是指通過對(duì)不確定、不精確及不完全真值的容錯(cuò)來取得低代價(jià)的解決方案和魯棒性。它模擬自然界中智能系統(tǒng)的生化過程來有效處理日常工作。軟計(jì)算包括人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、模糊邏輯等。其中軟計(jì)算方法在證券投資交易中的應(yīng)用更為廣泛。

        在人工神經(jīng)網(wǎng)絡(luò)方面:1988年White考慮了在一個(gè)持續(xù)期內(nèi)使用神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)IBM公司普通證券價(jià)格的日回報(bào)。White沒有找到任何與有效市場(chǎng)假設(shè)相違背的證據(jù)。它注意到采用后向傳播的神經(jīng)網(wǎng)絡(luò)方法可以有效地降低訓(xùn)練中的錯(cuò)誤,然而利用優(yōu)化利潤(rùn)的方式來尋找反駁EMH的證據(jù)時(shí),卻并未通過使用神經(jīng)網(wǎng)絡(luò)獲得直接證據(jù)。1991年Jang等人建立了兩個(gè)神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)價(jià)格運(yùn)動(dòng)趨勢(shì)和隨機(jī)指標(biāo)之間的相關(guān)性。一個(gè)網(wǎng)絡(luò)采用了12天移動(dòng)窗口,而另一個(gè)網(wǎng)絡(luò)采用的是最近交易季的過濾數(shù)據(jù)。最后的輸出設(shè)為兩個(gè)網(wǎng)絡(luò)輸出的加權(quán)總和。此外,基于模型預(yù)測(cè)的準(zhǔn)確性,并利用自適應(yīng)權(quán)重調(diào)整算法對(duì)權(quán)重進(jìn)行了調(diào)整。該文中的集成的觀念就是對(duì)從兩個(gè)不同視角所得到的結(jié)果進(jìn)行加權(quán)輸出,其中一個(gè)是短期趨勢(shì)視角,而另一個(gè)是長(zhǎng)期趨勢(shì)視角,這個(gè)加權(quán)輸出在臺(tái)灣股市中獲得了很好的市場(chǎng)回報(bào)。繼這項(xiàng)研究后,研究者們進(jìn)一步證實(shí)了利用集成移動(dòng)平均的平滑預(yù)測(cè)方法會(huì)產(chǎn)生更為優(yōu)越的交易結(jié)果。

        在遺傳算法方面:1997年Neely等人使用遺傳算法尋找到有效交易規(guī)則并研究了1981-1995年間的6種外匯匯率。他們的這種規(guī)則發(fā)現(xiàn)類似于那些技術(shù)性投資者所使用的規(guī)則,而且這些規(guī)則在經(jīng)濟(jì)上產(chǎn)生了顯著的樣本外收益回報(bào)。此外,他們并沒有發(fā)現(xiàn)能夠證實(shí)該額外收益是由風(fēng)險(xiǎn)所引發(fā)的證據(jù),同時(shí)通過自舉過程,利用那些交易規(guī)則檢測(cè)到了沒有被標(biāo)準(zhǔn)統(tǒng)計(jì)模型所捕獲的數(shù)據(jù)模式。Neely等人把這些結(jié)果看作是市場(chǎng)低效率性的可信證據(jù)。2002年Skabar和Cloete使用了一個(gè)基于權(quán)重的遺傳算法優(yōu)化程序來訓(xùn)練神經(jīng)網(wǎng)絡(luò),并針對(duì)道瓊斯指數(shù)進(jìn)行了檢測(cè),得到的結(jié)果顯著優(yōu)于本來所預(yù)計(jì)的隨機(jī)價(jià)格序列。

        在模糊邏輯方面:1997年Chou等人提出了將包含大量技術(shù)分析指標(biāo)的系統(tǒng)和模糊邏輯規(guī)則相結(jié)合,并基于此建立了一個(gè)感應(yīng)樹系統(tǒng)。利用臺(tái)灣市場(chǎng)1990年1月至1995年4月的數(shù)據(jù)對(duì)該系統(tǒng)進(jìn)行了檢驗(yàn),即將輸出結(jié)果與買入并持有策略以及當(dāng)時(shí)臺(tái)灣的四大封閉式基金進(jìn)行了比較,結(jié)果表明該系統(tǒng)優(yōu)于買入并持有策略,且優(yōu)于當(dāng)時(shí)那四支基金,但奇怪的是該系統(tǒng)在1994年卻表現(xiàn)不佳,此文將其歸咎于這一年市場(chǎng)中“人類的影響”。2002年Dourra和Siy的文章,他們?cè)诩夹g(shù)分析系統(tǒng)中建立了一個(gè)模糊邏輯解釋后端。該系統(tǒng)首先確定了各種技術(shù)分析指標(biāo)的值,然后使用模糊邏輯將技術(shù)分析的輸出值量化成隸屬度集合,并用于模糊邏輯解釋。因此,系統(tǒng)評(píng)估專家只需將數(shù)值定義為“大”“小”等規(guī)則,而無(wú)需描述實(shí)際的數(shù)值。最終,系統(tǒng)得到了非常好的結(jié)果,利潤(rùn)遠(yuǎn)超標(biāo)準(zhǔn)普爾500指數(shù)的收益回報(bào)。

        在綜合方面:眾多的學(xué)者也結(jié)合神經(jīng)網(wǎng)絡(luò)、遺傳算法和模糊邏輯等綜合算法進(jìn)行了研究。2002年Thawornwong等人發(fā)現(xiàn),神經(jīng)網(wǎng)絡(luò)和遺傳算法集成系統(tǒng)所獲得的收益超過了使用ARIMA,MACD和買入并持策略所產(chǎn)生的收益,同時(shí)也提出了過度交易會(huì)產(chǎn)生負(fù)收益的疑問。2004年Simutis和Masteika提出了一個(gè)成功的模糊神經(jīng)遺傳算法,該算法利用基于價(jià)格變動(dòng)和成交量變動(dòng)的技術(shù)輸入變量,通過檢驗(yàn)從1992年初始至2002年底的標(biāo)準(zhǔn)普爾500指數(shù)而取得了非常好的結(jié)果。2005年Versace等人利用遺傳算法來選擇集成神經(jīng)網(wǎng)絡(luò)的構(gòu)造參數(shù),并在整個(gè)檢測(cè)集合中對(duì)集成系統(tǒng)的訓(xùn)練表明預(yù)測(cè)向上/向下的準(zhǔn)確率具有很高的水平。當(dāng)然還有一些文獻(xiàn)結(jié)合遺傳算法和神經(jīng)網(wǎng)絡(luò)對(duì)證券交易進(jìn)行研究。

        2 結(jié)論與展望

        本文在對(duì)國(guó)外文獻(xiàn)回顧的基礎(chǔ)上,對(duì)技術(shù)分析視角下證券投資交易研究方法進(jìn)行了系統(tǒng)性的梳理和評(píng)述,并將研究方法分為平均數(shù)法、技術(shù)指標(biāo)法、軟計(jì)算法3大類,這有助于研究者從單個(gè)研究方法的困惑中解脫出來,從整體上對(duì)證券投資交易研究方法有一定的了解。

        同時(shí)可知,目前國(guó)外在證券投資交易研究領(lǐng)域,基于技術(shù)分析的研究已經(jīng)形成了很多方法,這些方法主要從歷史數(shù)據(jù)維度來預(yù)測(cè)未來投資交易,并從不同的角度刻畫投資交易的特點(diǎn),對(duì)證券投資交易研究具有重要的意義。

        我國(guó)證券市場(chǎng)發(fā)展較晚,國(guó)內(nèi)在這方面的研究相對(duì)國(guó)外要滯后一些。近年來,國(guó)內(nèi)金融市場(chǎng)的快速發(fā)展,對(duì)證券投資交易的研究也取得很大的進(jìn)步,然而大部分研究?jī)H側(cè)重于采用技術(shù)指標(biāo)或神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn),進(jìn)而依據(jù)所識(shí)別的基本變量的閾值來決定證券投資交易,此時(shí)會(huì)導(dǎo)致證券投資的不確定性和風(fēng)險(xiǎn)性。

        因此,為更加清楚地了解技術(shù)分析視角下我國(guó)證券投資交易研究的現(xiàn)狀,從中吸取成功的經(jīng)驗(yàn),并發(fā)現(xiàn)當(dāng)前存在的問題,進(jìn)而根據(jù)中國(guó)獨(dú)特的情境,提出中肯的建議,本文系統(tǒng)性地梳理了2000年以來發(fā)表在主流期刊上的證券投資交易研究文獻(xiàn)①,如表1所示。在梳理的過程中,發(fā)現(xiàn)中國(guó)學(xué)術(shù)界在技術(shù)分析這方面還是比較欠缺的,主要體現(xiàn)在:研究證券投資交易領(lǐng)域的學(xué)者少,研究文獻(xiàn)也相對(duì)較少;國(guó)內(nèi)學(xué)者多采用國(guó)外成熟的技術(shù)分析方法,創(chuàng)新性比較少;部分技術(shù)分析方法,并未充分考慮政府政策指導(dǎo)等因素,國(guó)內(nèi)技術(shù)分析體系還有待完善。但是,就目前中國(guó)金融市場(chǎng)發(fā)展的前景看,中國(guó)證券投資交易市場(chǎng)容量大,范圍廣,證券投資交易研究是非常有潛力的。

        表1 主流期刊證券投資交易研究文獻(xiàn)

        針對(duì)中國(guó)證券投資交易在技術(shù)分析方面的欠缺,①就學(xué)術(shù)界而言,可以深入探討證券交易動(dòng)態(tài)過程,以獲取有洞察力的見解,加強(qiáng)理論、技術(shù)分析創(chuàng)新;加強(qiáng)跨層面議題研究,使研究獲得更全面、更符合現(xiàn)實(shí)的發(fā)現(xiàn),進(jìn)而將理論與實(shí)際聯(lián)系起來。②進(jìn)一步發(fā)展和完善國(guó)內(nèi)證券市場(chǎng)。如建立規(guī)范、高效的證券市場(chǎng)體系;積極擴(kuò)大證券市場(chǎng)容量,適應(yīng)企業(yè)融資需求;深入研究證券市場(chǎng)合理運(yùn)作機(jī)制等。③在未來證券投資交易研究的問題上必然還會(huì)出現(xiàn)多種新的技術(shù)分析方法,但未來的研究趨勢(shì)應(yīng)該更側(cè)重于將交易的即時(shí)性與交易的價(jià)格結(jié)合起來,這還有待進(jìn)一步的深入研究。

        主要參考文獻(xiàn)

        ①目前,國(guó)內(nèi)證券投資交易成果主要發(fā)表在證券期刊及經(jīng)濟(jì)管理類期刊,本文主要以A類期刊為主,并添加其他證券投資類期刊。本文選擇文獻(xiàn)的主題詞(′證券′+′證券預(yù)測(cè)′+′證券投資′+′證券交易′+′證券價(jià)格′+′股票預(yù)測(cè)′+′股票投資′+′股票交易′+′股票價(jià)格′+′股票期貨′+′股票期權(quán)′+′債券預(yù)測(cè)′+′債券投資′+′債券交易′+′債券價(jià)格′)*(′技術(shù)分析′+′技術(shù)有效性′+′量化分析′+′量化金融′+′程序化′+′移動(dòng)平均′+′技術(shù)指標(biāo)′+′人工神經(jīng)網(wǎng)絡(luò)′+′遺傳算法′+′模糊邏輯′),從中國(guó)知網(wǎng)上選擇文獻(xiàn)進(jìn)行系統(tǒng)梳理。

        [1]W Brock,J Lakonishok,et al.Simple Technical Trading Rules and the Stochastic Propertiesof Stock Returns[J].Journal of Finance,1992,47 (5):1731-1764.

        [2]SC T Chou,H JHsu,et al.A Stock Selection DSS combining AI and Technical Analysis[J].AnnalsofOperations Research,1997,75:335-353.

        [3]IDemir,JMuthuswamy,etal.Momentum Returns in Australian Equities:The Influences of Size,Risk,Liquidity and Return Computation[J]. Pacific-Basic Finance Journal,2004,12(2):143-160.

        [4]H Dourra,PSiy.InvestmentUsing TechnicalAnalysisand Fuzzy Logic[J]. Fuzzy Setsand Systems,2002,127:221-240.

        [5]T A E Ferreira,G C Vasconcelos,et al.A Hybrid Intelligent System Approach for Improving the Prediction of Real World Time Series[C]. Congresson Evolutionary Computation,2004.

        [6]A Goodacre,T Kohn-Speyer.CRISMA Revisited[J].Applied Financial Economics,2001,11(2):221-230.

        [7]G Jang,F(xiàn) Lai,et al.An Intelligent Trend Prediction and ReversalRecognition System using Dual-Module Neural Networks[C].First International Conference on Artificial Intelligence Applications on Wall Street,New York,1991.

        [8]C Lee,B Swaminathan.Price Momentum and Trading Volume[J].The Journalof Finance,2000(5).

        [9]R Levich,LThomas.The significance of Technical Trading Rule Profits in the Foreign Exchange Markets:A Bootstrap Approach[J].Journal of InternationalMoneyand Finance,1993(12):451-474.

        [10]CNeely,PWeller,etal.Is Technical Analysis in the Foreign Exchange Market Profitable?A Genetic Programming Approach[J].Journal of Financial&QuantitativeAnalysis,1997,32(4):405-426.

        [11]S N Neftci.Naive Trading Rules in Financial Markets and Wiener-Kolmogorov Prediction Theory:A Study of′Technical Analysis′[J]. JournalofBusiness,1991,46:549-571.

        [12]Park C H,Irwin SH.The profitability of technical analysis:A review [J].Urbana,2004,51.

        [13]S Pruitt,R White.The CRISMA trading system:Who says technical analysis can′tbeat themarket[J].Journal of Portfolio Management,1998 (Spring):55-58.

        [14]R Simutis,SMasteika.Intelligent Stock Trading Systems Using Fuzzy-Neural Networks and Evolutionary Programming Methods[J].Salf Formatin Theorgand Applicationg,2004(97):59-63.

        [15]A Skabar,ICloete.Neural Networks,F(xiàn)inancial Trading and the efficient markets hypothesis[C].25th Australasian conference on Computer Science,Melbourne,Australia,Australian Computer Society,2002.

        [16]SFSu,SR Huang.Applications of Model-Free Estimators to the Stock Market with the Use of Technical Indicators and Non-Deterministic Features[J].Journal of the Chinese Institute of Engineers,2003,26(1):21-36.

        [17]SThawornwong,DEnke,etal..Genetic Algorithmsand NeuralNetworks for Stock Trading Prediction and Technical Signal Optimization[C]. Decision Sciences Institute2002 AnnualMeeting,2002.

        [18]M Versace,R Bhatt,et al.Predicting the Exchange Traded Fund DIA with a Combination of Genetic Algorithms and Neural Networks[J]. ExpertSystemswith Applications,2005,27(3):417-425.

        [19]X YWang,ZOWang.Stock Market Time Series Data Mining Based on Regularized Neural Network and Rough Set[C].2002 International Conferenceon Machine Learningand Cybernetics,Beijing,2002.

        [20]HWhite.Economic Prediction using Neural Networks:The case of IBM Daily Stock Returns[C].Second Annual IEEE Conference on Neural Networks,1988.

        [21]董保寶.創(chuàng)業(yè)研究在中國(guó):回顧與展望[J].外國(guó)經(jīng)濟(jì)與管理,2014,36 (1):73-80.

        [22]劉海龍,仲黎明,吳沖鋒.股票流動(dòng)性度量方法[J].系統(tǒng)工程理論與實(shí)踐,2003,23(1):30-32.

        [23]母澤洪,周劍.公司資本結(jié)構(gòu)的證券設(shè)計(jì)理論綜述[J].經(jīng)濟(jì)學(xué)動(dòng)態(tài),2011(9):146-149.

        [24]攀登,施東暉,曹敏.中國(guó)個(gè)人投資者采用股價(jià)趨勢(shì)交易策略的經(jīng)驗(yàn)研究[J].世界經(jīng)濟(jì),2003(11).

        [25]楊麗,高風(fēng).模糊組合神經(jīng)網(wǎng)絡(luò)智能選股模型的建立[J].控制工程,2008,15(增):97-99.

        [26]禹建麗,孫增圻,ValeriKroumov,等.基于BP神經(jīng)網(wǎng)絡(luò)的股市建模與決策[J].系統(tǒng)工程理論與實(shí)踐,2003(5):15-19.

        [27]曾勇,李平,王志剛,等.組合證券投資與資本市場(chǎng)研究[M].北京:科學(xué)出版社,2007.

        10.3969/j.issn.1673-0194.2015.11.084

        F832.48

        A

        1673-0194(2015)11-0141-04

        2015-04-05術(shù)分析的主要研究范圍,并將技術(shù)分析領(lǐng)域的經(jīng)典研究分為兩大類:早期研究與現(xiàn)代研究。但由于早期與現(xiàn)代研究的邊際定界模糊,且在技術(shù)分析的研究中,風(fēng)險(xiǎn)評(píng)估、交易利潤(rùn)的統(tǒng)計(jì)分析以及數(shù)據(jù)窺測(cè)等問題往往都不可分割,同時(shí)由于2004-2015年,學(xué)術(shù)界對(duì)技術(shù)分析領(lǐng)域的研究再一次呈現(xiàn)爆發(fā)性增長(zhǎng),尤其是對(duì)股票市場(chǎng)和外匯市場(chǎng)的研究熱情空前高漲。因此在本研究中,通過對(duì)技術(shù)分析方法在證券投資交易領(lǐng)域的發(fā)展實(shí)踐、內(nèi)涵及基本架構(gòu)的分析,以及在相關(guān)文獻(xiàn)分類總結(jié)的基礎(chǔ)上,對(duì)現(xiàn)代國(guó)外學(xué)術(shù)界對(duì)證券投資交易方法的研究進(jìn)行分類,本文主要?dú)w納總結(jié)為以下3種。

        猜你喜歡
        證券遺傳算法交易
        東方證券
        東方證券
        《今日證券》今日證券 每日相約
        基于自適應(yīng)遺傳算法的CSAMT一維反演
        一種基于遺傳算法的聚類分析方法在DNA序列比較中的應(yīng)用
        基于遺傳算法和LS-SVM的財(cái)務(wù)危機(jī)預(yù)測(cè)
        基于改進(jìn)的遺傳算法的模糊聚類算法
        交易流轉(zhuǎn)應(yīng)有新規(guī)
        大宗交易
        近期連續(xù)上漲7天以上的股
        免费播放成人大片视频| 91国产超碰在线观看| 日本高清在线播放一区二区| 51国产偷自视频区视频| 国产精品视频露脸| 亚洲日韩一区二区一无码| 免费的黄网站精品久久| 国产一区二区精品亚洲| 国产又a又黄又潮娇喘视频| 国产高清视频91| 玩弄极品少妇被弄到高潮| 极品尤物精品在线观看| 日本一卡2卡3卡4卡无卡免费网站 亚洲av无码一区二区三区不卡 | 丁香花五月六月综合激情| 中文字幕久久久人妻无码| 在线亚洲综合| 国产成年女人特黄特色毛片免| 亚洲熟妇自偷自拍另类| 国产精品久久久久久久久岛| 国产免费av片在线观看播放| 国产一区二区三区涩涩| 日本强伦姧人妻一区二区| 亚洲aⅴ天堂av天堂无码麻豆| 久久国产免费观看精品| 国产自拍视频一区在线| 国产果冻豆传媒麻婆精东| 久久国产成人午夜av影院| 中文字幕偷拍亚洲九色| 国产成人高清在线观看视频| 国产精品无码一区二区在线看| 日本视频中文字幕一区在线| 最新国产一区二区三区| 新婚人妻不戴套国产精品| 依依成人精品视频在线观看 | 免费在线视频一区| 亚洲色图偷拍自拍亚洲色图| 免费不卡无码av在线观看| 欧美变态口味重另类在线视频| 国产精品亚洲综合色区丝瓜| 中文字幕乱码在线人妻| 台湾无码av一区二区三区|