以價格資料發現圖形式價格型態資訊

Abstract

本文研究了有關形態學的新的領域型態發現，型態發現與型態辨識的不同在於型態辨識在資料中辨識出給定的型態，型態發現在資料中發現會有特別表現的型態。我們提出了一個基於K-Means分群的演算法，利用此演算法在台灣股票中產生20天會漲幅10%的型態，並搭配各種分群與期間去檢驗演算法的表現。我們後續觀察測試期間的性質並利用統計檢定去驗證型態發現後的報酬是否異常來檢測有無外資訊。最後我們利用此演算法進行選股策略去測試演算法與真實市場的互動為何。 研究結果發現，我們的演算法在各種期間以及分群測試期間的性質與型態形成期間的性質是一致的，且有解釋效果的。同時在統計結果當中發現，型態在各種期間以及分群測試期間大部分都異於平常情況的報酬。而兩者的結果也發現長期間的型態比短期間的型態表現更好。就股策略方面，大部分而言，在各種分群與期間中，許多指標上我們的選股策略都是優於我們的基準投組。而簡森Alpha 與 夏普比率也支持了我們前面提到長時間型態有比較好表現的結果。

In this paper, we consider the new domain of stock patterns, Pattern Discovery. Pattern Recognition try to recognize patterns in the price data, on the other hand, Pattern Discovery try to discover new patterns in the price data. We propose the algorithm of Pattern Discovery based on K-Means Clustering, and apply it to find stock price patterns before a “10% increase in 20 days” in Taiwan stock market. We observe the pattern property in both the constructing period and the test period, and also implement out-sample statistic tests. The pattern property and results in statistic tests show that the algorithm can get useful information in some special performance. Finally, we select securities to form a portfolio based on Pattern Discovery. The sharp ratio, Jensen’s Alpha and annualized return of our strategy outperform the benchmark. In conclusion, our result shows that our Pattern Discovery algorithm has great performance in any period and any cluster number in Taiwan stock market.