貳 文獻探討 一 技術分析 ( 一 ) 技術分析的基本意涵 Murphy(1999) 定義技術分析是研究市場行為, 藉以預測未來市場價格趨勢, 市場行為包含 : 價格 成交量 未平倉量三種基本資料來源, 其中未平倉量僅適用於期貨與選擇權 而技術分析是建立在三個基本前提假設之下 : 1. 市場行為預先反應技術分析者認為, 影響市場價格的因素, 不論是基本面 政治面 心裡面 等, 都會預先反應在價格中, 因為價格資訊反映了供給與需求的變化 當需求超過供給時, 市場價格會上漲 ; 反之, 當供給超過需求時, 市場價格會下跌 在這供給與需求的基本原則下, 即不論價格波動是什麼理由, 如果市場價格上漲, 可意味著經濟基本面為看多 基本面是供需力量拉扯, 造成空頭或多頭市場的主要原因, 技術分析透過間接的方式研究基本面, 股價走勢圖只是用來反應多 空的心理, 即使相信股市行情的漲跌都存在理由, 技術分析者認為預測股市行情, 並不需要知道這些理由, 只需透過價格本身反應的供需力量作分析即可 2. 價格發展具有趨勢技術分析研究價格走勢圖的目的, 在於能在早期就能辨別出 趨勢 的明確方向, 並順著趨勢發展進行交易 價格發展具有趨勢的前提是, 趨勢繼續發展的可能性大於反轉, 所以順勢 (trend following) 交易是停留在既有的趨勢中, 直到反轉的徵兆出現 3. 歷史將會不斷重演技術分析主要是研究人性的心理, 價格型態過去的價格走勢圖, 嘗試歸納人性心理造成的價格結構, 圖形結構顯示市場多 空心理 由於人性心理的原則恆古不變, 這些價格形態適用於過去, 因此假設未來也能適用, 了解未來的關鍵在於研究過去, 未來則是過去的重演 8
( 二 ) 技術分析的種類技術分析的分類方式繁多, 各家分法不同,Murphy(1999) 提到廣義的技術分析可畫分成兩大類 : 傳統圖形分析 與 統計技術分析, 以下就這兩種分類逐一說明 : 1. 傳統圖型分析價格走勢圖為主要的工具, 具有相當程度的主觀色彩, 分析的準確與否, 絕大部分取決於分析者本身的經驗與技巧 2. 統計技術分析將主觀的技術分析原理數量化, 透過測試 最佳化等程序, 發展出機械性的交易系統, 並將系統或交易模型轉換成程式語言, 產生機械性的 買進 或 賣出 的訊號 基本目的是為了能客觀的進行投資行為, 盡可能消除交易過程中人性主觀成分的影響 林天運 (2006) 將技術分析的工具分成三種 : 圖型分析 價格指標 量的指標 以下就三種分類逐一說明 : 1. 圖型分析利用過去市場價格所描繪出的曲線型態, 作為未來市場趨勢的判斷依據, 代表工具有 :K 線理論 道氏理論 等 2. 價格指標利用市場過去的價格資訊, 經過統計的方法處理得到一組有涵義的指標值, 用以衡量未來市場的趨勢, 常用的概念有 : 以過去買進的平均成本, 與現在的股價比較 ; 一段時間累積的漲跌, 作為買賣力道的參考等 代表工具有 : 移動平均線 (MA) 指數平滑移動平均線(MACD) 相對強弱指標(RSI) 隨機指標(KD) 乖離率 (BIAS) 威廉指標(%R) 3. 量的指標利用市場的成交量判斷股市的能量, 進而預測其趨勢, 代表工具 : 能量潮 (OBV) 9
賴盛章 (1990) 提到, 技術分析的種類可分成價格型態 遵循趨勢 市場特性 結構理論四種, 如表 1 所示 表 1 技術分析種類技術分析種類技術分析的方法價格型態 K 線 OX 圖 等 遵循趨勢移動平均線 (MA) 趨勢線 支撐線 阻力線 等 市場特性 RSI KD OBV ADL Bias 心理線 MACD 等 結構理論波浪理論 市場的季節變動 ( 資料來源 : 賴盛章,1990) 本研究主要針對技術分析中技術指標這一塊領域進行深入探討, 根據文獻探討整理各家看法, 本研究將 技術指標 定義為 : 利用統計 計量等數理計算模型, 將市場上的各種公開資料, 轉換成具有分析未來走勢意義的參考數值, 並能產生機械式買賣訊號, 提供投資人判斷買賣股票時機的一種工具 ( 三 ) 技術指標的種類技術指標的分類方式繁多, 分法各家不同, 缺少一套完整有架構的分類模型, 以下就各家分類進行探討 姜林杰祐 (2007) 將常用的技術指標根據其計算原理, 分成趨勢型指標與擺盪型指標 趨勢型指標認為股票會拉出一波上漲或下跌的趨勢, 只要找到起漲點與起跌點, 即可找到獲利區間 ; 擺盪型指標認為股價會在高低範圍內震盪, 分析可能的高低價位為作出買賣動作 Colly(2002) 將技術指標分成趨勢 (trend) 動量(momentum) 和情感 (sentiment) 三類 杜金龍 (2002) 於 技術指標在台灣股市應用的訣竅 一書中, 將 34 種計量化的技術指標概分成 : 價的技術指標 量的技術指標 時間的技術指標 市場寬幅的技術指標 其他技術指標, 共五大類, 如表 2 所示 10
技術分析種類價的技術指標量的技術指標時間的技術指標市場寬幅的技術指標其他技術指標 表 2 計量化技術指標分類技術分析指標名稱移動平均線 (MA) 乖離率(Bias) 指數平滑異同移動平均線 (MACD) 隨機指標(KD) 威廉指標(%R) 動量指標與震盪指標 (MTM & OSC) 相對強弱指標 (RSI) 停損點轉向操作指標(SAR) 動量震盪(CMO) 寶塔線 (Tower) 逆勢操作系統(CDP) 量化陰陽線 (Qstick) 商品通道指標(CCI) 人氣指標(AR) 平均成交量 (MQ) 調量移動平均線(VAMA) 波動難易度 (EOM) 勁道指數(FI) 能量潮(OBV) 逆時鐘曲線 量強弱指標 (VR) 加權股價指數點數的成交值 (TAPI) 江波分析法 股市週期循環 漲跌比率 (ADR) 騰落指標(ADL) 阿姆斯指數(AI) 股市驅動指標與驅動振盪指標 (MT & TO) 超買超賣指標 (OBOS) 心理線(PSY) 融資融劵餘額表 股價指數的比較 ( 資料來源 : 杜金龍,2002) ( 四 ) 技術指標的相關研究過去有許多國內外的學者, 利用不同的驗證方式, 檢驗技術指標在市場的有效性 驗證方式主要有兩種, 一種是使用單一或多個指標是否能顯著在市場上獲利的實證研究, 一種則是使用技術指標對股價資料進行前處理, 使用人工智慧工具 線性迴歸 等預測模型, 預測未來股價走勢 而驗證技術指標是否有效, 通常以超越買進持有 (buy and hold) 報酬率為比較的基準點 表 3 整理出國內外使用指標或指標組合, 驗證技術指標是否能獲利的相關研究 作者年份 James (1968) 表 3 技術指標相關研究研究內容選擇 1926 年至 1960 年, 紐約證交所普通股月資料作為研究對象, 使用移動平均線 (MA) 和指數平滑移動平均線 (MACD), 以當日收盤價超過或跌破平均線的正負 2% 當作交易條件, 實證結果技術指標無效 11
( 續前頁 ) Pruitt & White(1988) 提出著名的 CRISMA 交易系統, 使用累積成交量指標 ( 即 OBV 指標 ) 相對強勢(Relative Strength) 與移動平均指標 (Moving Average) 建構出 CRISMA 的交易準則, 並以芝加哥大學電腦檔案 CRSP 內的 204 支股票為測試標的, 研究結果顯示 CRISMA 交易準則皆能獲得超額報酬 Brock Lakonishok & 使用移動平均線 ( 變動移動平均 VMA 和固定移動 Lebaron (1992) 平均 FMA) 與區間突破法兩種技術指標, 驗證 1897 年至 1986 年的 DIJA 指數日資料, 當技術指標的值滿足進出場條件時, 進行買進或賣出的投資行為, 研究結果證實技術指標顯著有效 Ratner & Leal(1999) 研究技術指標在新興國家的有效性, 主要以亞洲與拉丁美洲國家為主, 測試 1982 年至 1995 年的大盤資料, 使用移動平均線, 當技術指標的值滿足進出場條件時, 進行買進或賣出的投資行為, 研究結果發現技術指標僅在台灣 泰國 墨西哥顯著有效 Coutts & Cheung(2000) 研究 1985 年至 1997 年的香港恆生指數, 採用移動平均線與區間突破法兩種技術指標, 實證結果顯示, 技術指標再考慮交易成本與投資相關的機會成本後, 無法擊敗買進持有的報酬率 洪美惠 (1997) 使用移動平均線 (MA) 相對強弱指標(RSI) 乖離率指標 (BIAS) 三種技術指標, 單獨產生或綜合建立交易決策, 取 1985 年至 1996 年台灣 90 家上市公司的日資料, 結果發現分析在空頭時期能夠擊敗買進持有策略, 在多頭時期技術分析則無效 黃煥彰 (1998) 結合隨機指標 乖離率 相對強弱指標 買賣氣勢 買賣意願指標 量強弱指標和心理線作為輸入變數, 對台灣電子類股進行投資, 證實在大空頭或多頭的格局, 不利於該模式的分析與預測 陳建全 (1998) 針對 1988 年至 1997 年台灣加權指數 類股指數及個股, 將研究期間劃分成 配適期 與 檢驗期, 再 配適期 篩選出較佳的指標 操作參數與操作策略, 檢驗期 驗證是否能擊敗買進持有策略, 一共使用了移動平均線 (MA) 相對強弱指標(RSI) 乖離率 (BIAS) 等一共八個技術指標和 CRISMA 系統, 結果皆未能優於買進持有策略的報酬率 12
( 續前頁 ) 何旭輝 (1999) 使用威廉指標 相對強弱指標 乖離率 隨機指標 指數平滑異同移動平均數共五個技術指標當作輸入變數, 以 FK 技術指標當作輸出變數, 在較長的訓練期和限定輸入變數數目四個以下的設定中, 報酬率可優於買進持有 林耀堂 (2001) 以三種不同類型的運算子 ( 邏輯 比較 算術運算 ), 結合隨機常數 原始交易資料 技術指標, 以演化的力量組合成交易規則, 產生新的指標, 並考量 獲利追求導向 與 風險趨避導向, 在大多頭測試期間的平均報酬率, 證實略高於買進持有策略 李淑惠 (2006) 針對 CRISMA 系統的指標, 作為輸入變數, 研究其與台灣摩根成份股, 股價漲跌幅間的關係, 並建構投資組合, 實證結果 CRISMA 系統在台灣有效, 可獲得超額報酬 林天運 (2007) 使用日 KD 指標在台灣大盤與個股的實證結果無效, 週 KD 指標因為受到短期消息面影響程度較小, 週 KD 指標在大盤的操作績效優於長期持有報酬率, 但週 KD 指標在個股操作上無效 ( 資料來源 : 本研究整理 ) 二 商業分類模型 ( 一 ) 基本介紹資料塑模者 (data modelers) 認為用來描述組織的資料有模型三個層級可以使用, 分別是概念 (conceptual) 層級 邏輯 (logic) 層級 實體 (physical) 層級 1. 概念層級 (conceptual level) 描述組成企業的商業概念 (business concepts), 以及這個概念如何互動, 可作為發展資訊系統背後的目的 2. 邏輯層級 (logic level) 作為概念層級與實體層級的中介者, 將概念層定義的概念用結構化的方法提供一份有用的說明, 給要將商業概念實體的設計者, 常見的工具例如 E-R Model 3. 實體層級 (physical level) 13
展現資料在資料庫中的實體架構 由於組織內不同的角色對於商業問題 (business issue) 觀點不同, 在討論問題時會產生溝通與了解上的困難, 商業分類模型 (business classification model) 為了商業問題, 將模糊不清和未成形的構想, 在各種觀點上都明確的定義, 因此提出一套結構與值 (schemes and values) 的分類模式 (Anonymous, 1998) 商業概念是分類值 (classification values), 每個值可以被一個或多個分類結構 (classification schemes) 往下分成幾個子概念, 不同的分類結構 (scheme) 則是不同的觀點, 透過一個值可以被許多結構 (scheme) 分類, 讓概念擁有許多不同的觀點, 形成一個分類階層 ( 二 ) 分類原則 (Classification Rule) 使用結構與值 (schemes and values) 的分類模型有以下三條分類原則 (Anonymous, 1998): 1. 在分類階層中的結構是固定的, 再分類階層的頂端是一個值 (value), 這個值 (value) 是層級最高的概念 第二層是利用一系列的結構 (scheme) 分類將最頂端的值分類, 第三層則是由值構成, 是由頂端的值被第二層的結構 (scheme) 給分類後所創造出來的值, 以此列推 2. 不能有重複的價值和結構 (scheme), 每個值和結構 (scheme) 在分類模型中只能出現一次 3. 結構 (scheme) 下的子值 (sub-value) 要完全彼此互斥 (exclusive) 14