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。