國立高雄大學圖資館 |

語系: 繁體中文

說明(常見問題)

圖資館首頁

登入

回首頁

切換: 標籤 | MARC模式 | ISBD

一個植基於高速交易週期所設計之智慧型系統及與傳統統計方法之比較性研究 =...

國立高雄大學資訊工程學系碩士班

一個植基於高速交易週期所設計之智慧型系統及與傳統統計方法之比較性研究 = A Comparative Study of an Intelligent System and Traditional Statistical Methods for High-speed Trading

紀錄類型:	書目-語言資料,印刷品 : 單行本
並列題名:	A Comparative Study of an Intelligent System and Traditional Statistical Methods for High-speed Trading
作者:	李振安,
其他團體作者:	國立高雄大學
出版地:	[高雄市]
出版者:	撰者;
出版年:	2015[民104]
面頁冊數:	77面圖，表 : 30公分;
標題:	高速交易
標題:	High-speed Trading
電子資源:	http://handle.ncl.edu.tw/11296/ndltd/32609039910309658594
附註:	104年10月31日公開
摘要註:	在這篇論文中,我們探討了一個在高速統計套利交易的環境下,基於遺傳演算法所設計的智慧型系統模型與基於逐步迴歸所設計的傳統統計模型之比較性研究。我們利用臺灣的股票市場在高速交易週期環境下對此兩種交易方法進行訓練與測試,以探討交易模型之可行性。主要以半導體類股、金融類股、高交易量股票等投資組合來探討交易模型在各種股票投資組合的情況下,我們的實驗結果顯示整體上遺傳演算法優於逐步迴歸的方法,且對於各種高交易量的股票投資組合皆有不錯的表現,這也說明了在高速交易週期環境下遺傳演算法比起逐步迴歸更能找出較強健的套利模型。我們希望用此人工智慧的相關方法及成果以推進高速交易於金融投資領域的研究。 In this thesis, we present a comparative study of Statistical Arbitrage (SA) using the Genetic Algorithms (GA) intelligent system and the Stepwise Regression (SR) methods for High-speed Trading (HST). Using various HST datasets in Taiwan's stock market we investigate the performance discrepancy of the two methodologies. The experimental results show that our proposed GA-based models typically outperform the SR-based models. The results also show that the GA-based method is able to generate more robust models than the SR method. We expect this study of the artificial intelligence method for SA to advance the current state of research in the high speed trading environment for computational finance.

一個植基於高速交易週期所設計之智慧型系統及與傳統統計方法之比較性研究 = A Comparative Study of an Intelligent System and Traditional Statistical Methods for High-speed Trading
李, 振安

一個植基於高速交易週期所設計之智慧型系統及與傳統統計方法之比較性研究 = A Comparative Study of an Intelligent System and Traditional Statistical Methods for High-speed Trading / 李振安撰 - [高雄市] : 撰者, 2015[民104]. - 77面 ; 圖，表 ; 30公分.
104年10月31日公開.
參考書目：面64-68.
高速交易High-speed Trading

一個植基於高速交易週期所設計之智慧型系統及與傳統統計方法之比較性研究 = A Comparative Study of an Intelligent System and Traditional Statistical Methods for High-speed Trading
LDR:02846nam0a2200289 450 001 458397
005 20170214090339.0
009 458397
010 0 $b 精裝
010 0 $b 平裝
100 $a 20170214d2015 k y0chiy50 e
101 1 $a chi $d chi $d eng
102 $a tw
105 $a ak am 000yy
200 1 $a 一個植基於高速交易週期所設計之智慧型系統及與傳統統計方法之比較性研究 $d A Comparative Study of an Intelligent System and Traditional Statistical Methods for High-speed Trading $z eng $f 李振安撰
210 $a [高雄市] $c 撰者 $d 2015[民104]
215 0 $a 77面 $c 圖，表 $d 30公分
300 $a 104年10月31日公開
314 $a 指導教授：黃健峯博士
320 $a 參考書目：面64-68
328 $a 碩士論文--國立高雄大學資訊工程學系碩士班
330 $a 在這篇論文中,我們探討了一個在高速統計套利交易的環境下,基於遺傳演算法所設計的智慧型系統模型與基於逐步迴歸所設計的傳統統計模型之比較性研究。我們利用臺灣的股票市場在高速交易週期環境下對此兩種交易方法進行訓練與測試,以探討交易模型之可行性。主要以半導體類股、金融類股、高交易量股票等投資組合來探討交易模型在各種股票投資組合的情況下,我們的實驗結果顯示整體上遺傳演算法優於逐步迴歸的方法,且對於各種高交易量的股票投資組合皆有不錯的表現,這也說明了在高速交易週期環境下遺傳演算法比起逐步迴歸更能找出較強健的套利模型。我們希望用此人工智慧的相關方法及成果以推進高速交易於金融投資領域的研究。 In this thesis, we present a comparative study of Statistical Arbitrage (SA) using the Genetic Algorithms (GA) intelligent system and the Stepwise Regression (SR) methods for High-speed Trading (HST). Using various HST datasets in Taiwan's stock market we investigate the performance discrepancy of the two methodologies. The experimental results show that our proposed GA-based models typically outperform the SR-based models. The results also show that the GA-based method is able to generate more robust models than the SR method. We expect this study of the artificial intelligence method for SA to advance the current state of research in the high speed trading environment for computational finance.
510 1 $a A Comparative Study of an Intelligent System and Traditional Statistical Methods for High-speed Trading $z eng
610 0 $a 高速交易 $a 統計套利 $a 遺傳演算法 $a 逐步迴歸
610 1 $a High-speed Trading $a Statistical Arbitrage $a Genetic Algorithm $a Stepwise Regression
681 $a 008M/0019 $b 464103 4053 $v 2007年版
700 1 $a 李 $b 振安 $4 撰 $3 709641
712 0 2 $a 國立高雄大學 $b 資訊工程學系碩士班 $3 353878
801 0 $a tw $b NUK $c 20151030 $g CCR
856 7 $z 電子資源 $2 http $u http://handle.ncl.edu.tw/11296/ndltd/32609039910309658594