本研究應用雲端分散式的架構來建置與佈署一個處理大量使用者交易需求的高頻交易投資策略服務平台，此平台有以下特色： 1. 系統後端採用雲端SOA架構，將整個龐大的交易系統切割佈署到雲端叢集之上，並提供單一的Façade介面供外部使用者呼叫；系統前端畫面的設計遵循Yahoo UI嚴格的MVC架構規範，並保證前端的View與Model與後端的資料達成同步。 2. 不斷接收來自外部的即時報價訊息，並產生海量的即時市場狀態資訊，包含多種技術分析指標、買賣規則…等，以供高頻交易的策略作為買賣的依據。 3. 利用Java Message Service將大量的即時市場狀態資訊快速、非同步的派送給分佈在雲端叢集各節點的系統模組，並採取Publisher-Subscriber的模式來維持分散後各系統模組之間的鬆散關係。 4. 多樣化的統計演算法模型可供使用者作為產生優良的個人化投資策略之依據。產生的新策略可馬上投入即時的模擬交易環境下監控與評估其策略績效。

本文應用遺傳規劃交易程式來檢驗八個國家的股票指數和外匯巿場的表現，採用移動視窗的方法，測試三組獨立的期間，重新檢驗較早期的研究結果，並繼續延申探討，包括交易報酬與交易行為。實證結果顯示，不論在股票還是外匯巿場，若訓練期間的資料選擇不當，遺傳規劃的獲利表現會不理想。資料形態不但會影響遺傳規劃交易程式的獲利性，同時也決定了程式本身的一些觀察特性。我們另外分析了交易程式的複雜度、演化時間、交易頻率和一致性。交易程式的複雜度和演化時間有正向的相關性，但複雜度和報酬、以及演化時間和報酬之間都只有很弱的關係。這些發現可以讓我們更了解遺傳規劃演化交易策略的過程，有助往後更進一步的研究。

本研究針對台股期貨與現貨價差、成交量與技術指標融合之期貨交易策略進行獲利分析，以台股期貨與現貨的價差為主體，融合傳統技術指標和量價關係作為進場買賣台股期貨的訊號與指標，採用資料為2001年至2016年加權指數與台指期貨一分鐘資料，經過實證研究後發現，正價差放空與逆價差做多其績效表現優於正價差做多與逆價差放空，這與坊間的使用方法大為不同，另外經過實證結果，我們可以得知，若要以量價關係作為交易策略與指標，長期下來成交量增加做多與成交量減少放空績效較佳，若要以均線作為交易策略與指標，長期下來指數在均線之上做多與指數在均線之下放空績效較佳，也經由實證結果得知，價差策略可以藉由價差濾網與考量除權息因素進行調整，使價差策略績效表現更為突出，另一方面，也實證出價差策略融合成交量形成的新策略，績效表現優於價差策略融合均線形成的策略，本研究最後將價差策略融合成交量形成的新策略，考慮了價差濾網與除權息因素進行改良，並且與大盤績效進行比較，實證結果得知價差策略融合成交量作為的交易策略，績效表現可以擊敗大盤，我們最後將資料區分為兩個時間區間，將價差策略融合成交量的策略進行穩健性檢定，發現在兩個不同時間區間下，策略的績效無明顯差異，因此我們可以說此策略長期下來具有穩定性，這有利於未來進行交易。 / This study focus on profit analysis of futures trading strategy with stock price spread, quantity and technical indicators in Taiwan. With the price spread between the stock index and the futures as main topic, we fusion traditional technical analysis indicators and the relationship of trading volume and price as our signal and indicator to setup a futures trading strategy. Our research data use one-minute data frequency of Taiwan weighted stock index and Taiwan index futures from 2001 to 2016 as analysis period. The empirical result shows that to short sale if bull spread is occurred and to going long if bear spread shows up have better performance than its opposite activity, which is different from the method people use in general. This study also finds that if we attempt to utilize the relationship of trading volume and price as trading strategy and indicator, going long if trading volume increase and to short sale if trading volume decrease will work better in long run period. If we are going to use the moving average as trading strategy and indicators, that we go long for price above the moving average of the stock index and short sale for price below the moving average of the stock will more proper in long run period. Empirical results also demostrate that through spread filter and ex-dividend factor consideration spread strategy can be adjusted accordingly so that spread strategy performance can be more prominent. On the other hand, this study also proves that the performance of new strategy, formed through integration of spread strategy and trading volume strategy, is better than the integration of spread strategy and moving average strategy. Finally, this study integrates the spread strategy and trading volume strategy to formed new strategy, taking into account the improvement of the spread filter and the ex-dividend factor, then compares it with the market performance. The results show that the spread strategy integration with trading volume as a trading strategy and performance indicators can beat the market. We first divide the data into two cycles, then we perfom robustness test to the integration of spread strategy and trading volume strategy. We find out that under both cycles the strategy shows similar result. Thus, we can conclude that this strategy is stabile in long run and would be beneficial in future trading.

技術面分析是使用過去市場資料包含股票價格與交易量來預測未來市場動態。技術分析將股價與交易量經由數學轉換成易懂且能繪製成圖表的技術分析指標，幫助技術分析投資人預測未來股價。本文的決策過程有別於傳統的技術面分析，使用相似度模型以貼近現實技術分析投資人的決策過程。此策略使用多個技術指標作為相似度技術指標交易策略的依據，用以捕捉市場動態與預測未來股價報酬，且即便不同的技術指標提供不同的買賣訊號，技術分析投資人依然可以藉由相似度技術指標交易策略進行投資決策。相似度技術指標交易策略所預測的未來報酬是根據過往價格圖形出現相似情境的報酬加權平均作為未來預測報酬。當預測報酬為正則買；預測報酬為負則賣。本文使用S&P500指數期貨來檢測相似度技術指標交易策略的獲利能力，發現在不同的技術指標下，相似度技術指標交易策略報酬顯著異於零也高於S&P500指數期貨在樣本期間內的B/H報酬。為使本文相似度技術指標交易策略更能模擬現實投資人的真實情況，導入機器學習改善相似度技術指標交易策略，分別使用貪婪演算法與模擬淬鍊法(Simulated Annealing)來模擬現實投資人會根據交易策略表現的好壞變更決策過程的策略。其報酬顯著異於零也高於S&P500指數期貨在樣本期間內的B/H報酬。本研究發現投資人會參考不同的混合技術指標策略，且會依照不同混合策略的過往績效，篩選出參考策略，進而決定投資策略，這也呼應混合技術指標的相似度技術指標交易策略比單一技術指標的相似度技術指標交易策略擁有較好的預測能力。因此使用混合技術指標的相似度技術指標交易策略作為機器學習篩選的策略可有效的改善原本的相似度技術指標交易策略。

於這篇論文中，我們運White (2000)的Reality Check與Romano and Wolf (2005)的stepwise multiple test檢測交易策略的獲利性以更正資料窺探的偏誤。不同於先前運用資料窺探法則的研究，我們的研究以技術分析及時間序列預測兩者為依歸來建立交易策略，另外我們探討的市場集中在六個主要的亞洲股票市場。大致上，我們發現鮮少證據支持技術交易策略的獲利性；於基礎分析中且考慮交易成本時，只有少數幾個獲利性交易法則出現於兩個興新市場。另外在子樣本期間中，我們發現獲利性策略的表現並不穩定且這幾年來獲利性有逐漸變弱的趨勢。在進階分析中，我們發現沒有任何交易策略表現優越於基本的買進持有策略。 / In this paper, we exam the profitability of trading strategies by using both White’s (2000) Reality Check and Romano and Wolf (2005)s’ stepwise multiple test that correct the data snooping bias. Different from previous studies with the data snooping methodology, our analysis set the universe of forecasts (trading strategies) based on both technical analysis and time series prediction, and the markets which our investigation focuses on are six major Asian stock markets. Overall we find little supportive evidence for the profitability of trading strategies. Our basic analysis shows that there are only few profitable trading strategies detected for two emerging markets while transaction costs are taken into account. Moreover, the performances of the profitable strategies are unstable and the profitability becomes much weaker in the recent years as we find in the sub-periods. In further analysis, we also find that there is no trading strategies in our universe that can outperform the basically buy and hold strategy.

本研究利用雲端運算的技術，發展大量使用者使用的策略交易的系統。為滿足大量使用者的運算需求，本系統包括幾項特性： 1. 採用服務導向架構以充分使用雲端運算的特性。 2. 建立非同步事件控制機制以提供服務間非同步運算能力。 3. 採用集中式資料結構，提出收縮式肋骨網絡(SRN)資料結構，減少運算需求。 4. 提供基因演算模擬環境，讓使用者可以發展符合個人投資偏好的投資策略。 / In this study, we designed a algorithmic trading system for large numbers of users on a cloud computing plateform. So the main features of the algorithmic trading system have been as follows. 1. The use of Service-Oriented architecture in order to fully use the characteristics of cloud computing. 2. The establishment of asynchronous event control mechanism to provide services to non-synchronous computing power. 3. A centralized data structure, proposed Systolic Ribs Network (SRN) data structure, reducing the computing needs. 4. To provide the genetic algorithm simulation environment that allows users to develop in line with the investment strategy personal investment preferences.

本文改良金融投資技術分析操作方法中, 傳統的「單一移動平均」選股法為「多重移動平均」選股法, 其係以道氏理論上, 所謂的市場同時存在三種趨勢 (主要趨勢, 次級趨勢, 小型趨勢) 為基礎, 建立多重時間架構, 輔以移動平均線為股價趨勢判斷, 以及葛蘭碧八大法則之股價突破 (或跌破) 判斷原則作為操作訊號, 所彚整而提出。實證上, 採用2014年12月31日台灣證券交易所公告之台灣50、中型100, 以及富櫃50成分股為樣本, 並以2001年1月1日至2014年12月31日為回溯期間。在進行策略交易的模擬分析與績效差異檢定後, 實證結果發現, 多重移動平均選股法投資策略績效, 在統計分析上並無法較單一周期投資策略績效為優, 但卻能有效過濾沒必要的交易行為, 使突破買進之假訊號降低, 間接的降低交易次數及減少交易成本。 / This study enhanced from the traditional single period moving average for stock selection into multiple-period moving average counterpart. The theoretical foundation comes from the Dow Theory, which states that there exist three trends simultaneously, that is, major trend, secondary trend, and minor trend. Also, the Granville Rules suggest stock price breaking out may serve as entry and exit signal for trading. Our sample are grouped into three subsamples, Taiwan 50, Mid-Cap 100, Gretai 50. The sample period ranges from 2001/1/1 to 2014/12/31. Our empirical backtesting and performance test suggests that, contrary to our expectations, the multiple period method does not outperform its single period counterpart. However, the multiple period stock selection method may filter out false signals, and thereby reduce not only possible price risk associated with noisy trades but the accompanying transaction costs. / 摘要 I Abstract II 致謝詞 III 目錄 V 圖次 VII 表次 VIII 第一章　緒論 1 第一節　研究背景及動機 1 第二節　研究目的 2 第三節　研究對象與範圍 2 第四節　研究流程 4 第二章　文獻回顧 6 第一節　技術分析理論 6 一、技術分析基本邏輯 6 二、技術分析主要的型態類型 7 第二節　移動平均線的原理 9 一、簡單移動平均線的計算 9 二、移動平均線的常見應用 9 第三節　多重移動平均理論及選股法 11 一、多重移動平均的原理 11 二、多重移動平均的選股模式 11 第四節　相關研究文獻回顧與評析 11 一、過去研究文獻 11 二、文獻評析 16 三、本文假說推論 16 第三章　研究方法 17 第一節　傳統移動平均線選股模式 17 第二節　YC指標選股模式 17 第三節　選股模式績效差異檢定 19 第四節　資料來源與變數選取 19 第四章　實證分析 20 第一節　操作策略績效估計 20 第二節　操作策略績效比較 28 第三節　多重策略模型之適性歸納–由規模的角度 36 第五章　結論與建議 43 參考文獻 44 中文部份 44 英文部份 46 參考網址 46 圖次 圖1-4-1 研究流程圖 5 圖2-1-1 型態類技術理論的基本分類 6 圖2-1-2 市場同時存在三種趨勢 7 圖2-1-3 K線的基本構造 8 圖2-2-1 葛蘭碧(Granville)八大法則概念圖 10 表次 表1-3-1 台股之台灣50成分股 2 表1-3-2 台股之中型100成分股 3 表1-3-3 台股之富櫃50成分股 3 表2-4-1 過去研究文獻的整理 14 表4-1-1 台灣50成份股總交易次數及成本 20 表4-1-2 中型100成份股總交易次數及成本 22 表4-1-3 富櫃50成份股總交易次數及成本 26 表4-1-4 單一與多重模式下交易次數與進出場交易成本彚整 28 表4-2-1 台灣50成份股總報酬及總報酬率 28 表4-2-2 中型100成份股總報酬及總報酬率 30 表4-2-3 富櫃50成份股總報酬及總報酬率 34 表4-2-4 單一與多重策略下的平均總報酬與平均總報酬率彚整 36 表4-3-1 多重策略下總報酬率與市值之迴歸分析 36 表4-3-2 多重策略下總報酬率與股本之迴歸分析 37 表4-3-3 台灣50股本前20%成份股之策略績效及差異比較 37 表4-3-4 台灣50股本後20%成份股之策略績效及差異比較 38 表4-3-5 中型100股本前20%成份股之策略績效及差異比較 39 表4-3-6 中型100股本後20%成份股之策略績效及差異比較 40 表4-3-7 富櫃50股本前20%成份股之策略績效及差異比較 41 表4-3-8 富櫃50股本後20%成份股之策略績效及差異比較 42

量價關係，一直以來皆為技術分析學派所廣泛運用，其主張運用過去的股價以及成交量來推測股票未來的走勢，而也有許多的研究以及投資策略皆是從量價關係所出。在國內，小型股也由於其股本小的特性，往往成為有心人士炒作之標的。此外，小型股亦較大型股具有不對稱資訊的性質，而由於成交量背後往往隱藏著許多的資訊，因此投資人利用量與價之間的關係，得到能夠有效預測小型股股價的方法以利其投資。 而本文之研究，將量價關係運用在小型股上，想檢視彼此間有無任何關係存在。本文中我們使用了因果關係檢定，三因子模型，以及縱橫迴歸模型，用來分別檢視小型股與大型股的量價關係。驗證結果發現，在不同的檢驗方式下，都會得到小型股較大型股，有顯著量價影響的關係存在。 / The relation between volume and price is widely used in technical analysis. It predicts future stock price by using past stock price and volume. There are lots of investigations and investment strategies are stemmed from it. In Taiwan, small caps are preferred to be held by the people who would like to manipulate the price because of their small number of capitalization. In addition, compared with large caps, small caps are of asymmetric information to the investors. As there is lot of information hidden behind volume, investors are likely to use the relation between volume and price to get a useful way to predict small caps’ stock price. In this paper, I use granger causality test, three-factor model, and panel data model to test the relation between price/return and volume of small caps and big caps separately. The experiment shows that use different ways, we can verify there exist more obvious relations between volume and price in small caps than in large caps.