TWI743625B - 交易決策產生系統及方法 - Google Patents

交易決策產生系統及方法 Download PDF

Info

Publication number
TWI743625B
TWI743625B TW108146087A TW108146087A TWI743625B TW I743625 B TWI743625 B TW I743625B TW 108146087 A TW108146087 A TW 108146087A TW 108146087 A TW108146087 A TW 108146087A TW I743625 B TWI743625 B TW I743625B
Authority
TW
Taiwan
Prior art keywords
decision
market
generation module
transaction
market trend
Prior art date
Application number
TW108146087A
Other languages
English (en)
Other versions
TW202125384A (zh
Inventor
葉吉原
黃献竤
王恩慈
林柔青
Original Assignee
財團法人工業技術研究院
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 財團法人工業技術研究院 filed Critical 財團法人工業技術研究院
Priority to TW108146087A priority Critical patent/TWI743625B/zh
Priority to CN201911354824.8A priority patent/CN112991053A/zh
Publication of TW202125384A publication Critical patent/TW202125384A/zh
Application granted granted Critical
Publication of TWI743625B publication Critical patent/TWI743625B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Technology Law (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

本發明揭露一種交易決策產生系統及方法。交易決策產生方法包括：取得一市場資訊；執行一市場趨勢產生模組，以依據市場資訊產生一市場趨勢；執行一狀態整合模組，以依據市場資訊、市場趨勢及一交易資訊產生一狀態；執行一決策參數產生模組，以依據狀態產生一決策參數；以及執行一決策產生模組，以依據決策參數產生一決策。

Description

交易決策產生系統及方法
本發明是有關於交易決策產生系統及方法。
投資股票或基金是現代人理財的方法之一，其中定期投資是指每隔一特定時間(例如一個月)投入固定或不固定的金額進行投資操作。隨著科技的發展，類神經網路及機器學習被應用來協助投資人做出交易決策。然而，類神經網路及機器學習在訓練(training)的過程中往往會面臨只有一條時間軸的歷史資料，而市場漲跌的趨勢是已知的。這將使得訓練缺乏市場不確定性、多樣的交易環境狀態以及多樣的交易情境，進而導致訓練出來的類神經網路及機器學習模型輸出的交易決策過度擬合(overfitting)歷史資料，而無法因應千變萬化的投資環境。此外，目前市面上的常見的只有針對定期定額投資的交易決策產生系統，而缺乏定期不定額投資及定期不定額再投資的交易決策產生系統。
本發明的一方面揭露一種交易決策產生系統。交易決策產生系統包括一市場趨勢產生模組、一狀態整合模組、一決 策參數產生模組及一決策產生模組。市場趨勢產生模組用以依據一市場資訊產生一市場趨勢。狀態整合模組用以依據市場資訊、市場趨勢及一交易資訊產生一狀態。決策參數產生模組用以依據狀態產生一決策參數。決策產生模組用以依據決策參數產生一決策。市場趨勢代表的是對應於一標的未來一特定時間後的一未來價格相較於標的的一當前價格是增加或減少。
本發明的另一方面揭露一種交易決策產生方法。交易決策產生方法包括：取得一市場資訊；執行一市場趨勢產生模組，以依據市場資訊產生一市場趨勢；執行一狀態整合模組，以依據市場資訊、市場趨勢及一交易資訊產生一狀態；執行一決策參數產生模組，以依據狀態產生一決策參數；以及執行一決策產生模組，以依據決策參數產生一決策。市場趨勢代表的是對應於一標的未來一特定時間後的一未來價格相較於標的的一當前價格是增加或減少。
為了對本發明之上述及其他方面有更佳的瞭解，下文特舉實施例，並配合所附圖式詳細說明如下：
10:交易決策產生模組
102:記憶模組
104、404:市場趨勢產生模組
106:狀態整合模組
108、408:決策參數產生模組
110、410:決策產生模組
112:使用者介面
MKT-info:市場資訊
TRD-info:交易資訊
MKT-view:市場趨勢
ST:狀態
DEC:決策參數
ACT:決策
D1:第一歷史資料
D2:第二歷史資料
PR:預測結果
AC1~ACn:準確度
SPR:模擬預測結果
P:模擬準確度
TP:交易區間
RW:收益
414:市場趨勢模擬器
416:交易區間產生器
418:收益計算器
第1圖繪示依據本發明一實施例的交易決策產生系統的方塊圖。
第2圖繪示依據本發明一實施例的交易決策產生方法的流程圖。
第3A、3B圖繪示依據本發明一實施例的交易決策產生系統的訓練方法的流程圖。
第4圖繪示依據本發明一實施例訓練交易決策產生系統的示意圖。
請參照第1圖，第1圖繪示依據本發明一實施例的交易決策產生系統的方塊圖。交易決策產生系統10包括一記憶模組102、一市場趨勢產生模組104、一狀態整合模組106、一決策參數產生模組108、一決策產生模組110及一使用者介面112。在一實施例中，交易決策產生系統10可由一處理器執行。處理器例如是中央處理單元(central processing unit，CPU)，或是其他可程式化之一般用途或特殊用途的微控制單元(micro control unit，MCU)、微處理器(microprocessor)、數位信號處理器(digital signal processor，DSP)、可程式化控制器、特殊應用積體電路(application specific integrated circuit，ASIC)、圖形處理器(graphics processing unit，GPU)、算數邏輯單元(arithmetic logic unit，ALU)、複雜可程式邏輯裝置(complex programmable logic device，CPLD)、現場可程式化邏輯閘陣列(field programmable gate array，FPGA)或其他類似元件或上述元件的組合。
交易決策產生系統10可用以根據單一標的(例如一檔股票或一檔基金)產生交易決策，以進行自動交易或供使用參考。在本實施例中，使用者會每隔一交易間隔時間投入一筆固定 金額的資金進入一資金池進行投資。例如，使用者可每個月固定投入一萬元至資金池中進行投資。
記憶模組102例如是任何型態的固定式或可移動式的隨機存取記憶體(random access memory，RAM)、唯讀記憶體(read-only memory，ROM)、快閃記憶體(flash memory)、相變化記憶體、硬碟(hard disk drive，HDD)、暫存器(register)、固態硬碟(solid state drive，SSD)或類似元件或上述元件的組合。記憶模組102可用以儲存交易決策產生系統10運算時所需的資料以及運算時產生的資料。
市場趨勢產生模組104耦接至記憶模組102。在一實施例中，市場趨勢產生模組104可存取記憶模組102，並從記憶模組102取得一市場資訊MKT-info。在另一實施例中，市場趨勢產生模組104從交易決策產生系統10的外部接收市場資訊MKT-info，例如從雲端資料庫。市場資訊MKT-info可包括過去一特定時間區間(例如過去六個月)的市場狀況，例如用以代表標的的價格走勢、成交量、技術指標、大盤指數、經濟指標及/或財經報告量化後的數值等的多個特徵參數。市場趨勢產生模組104依據市場資訊MKT-info產生一市場趨勢MKT-view。市場趨勢MKT-view為一特徵參數，用以代表預測標的在經過一特定時間(例如一個月)後的一未來價格相較於一當前價格是增加或降低。在一實施例中，市場趨勢產生模組104會將市場趨勢MKT-view儲存至記憶模組102。在一實施例中，市場趨勢產生模組104可預 設多個特定時間，例如短期為一個月，中期為三個月，長期為六個月，並從中選擇至少其中之一來產生市場趨勢MKT-view。舉例來說，市場趨勢產生模組104可根據使用者的選擇來針對未來一個月、未來三個月及未來六個月至少其中之一來產生市場趨勢MKT-view。在另一實施例中，特定時間是可調整的。舉例來說，市場趨勢產生模組104可根據使用者的設定來決定特定時間，並針對使用者所設定的特定時間來產生市場趨勢MKT-view。值得一提的是，由於真實情況中未來的市場存在不確定性，即市場趨勢MKT-view是一個存在不確定性的參數，而傳統的做法中僅是以已知的市場的漲跌趨勢(即歷史資料)當作決策因子來得到的交易決策產生系統，因此普遍不會針對市場趨勢做出預測。
狀態整合模組106耦接至市場趨勢產生模組104。狀態整合模組106用以接收市場資訊MKT-info、市場趨勢MKT-view及一交易資訊TRD-info，並依據市場資訊MKT-info、市場趨勢MKT-view及交易資訊TRD-info產生一狀態ST。在一實施例中，狀態整合模組108可耦接至記憶模組102，且從記憶模組102取得市場資訊MKT-info、市場趨勢MKT-view及交易資訊TRD-info。交易資訊TRD-info可包括代表當前可用的資金(即資金池中的資金)、持有的標的的單位數、未實現損益等的多個特徵參數。狀態整合模組106可將市場資訊MKT-info、市場趨勢MKT-view及交易資訊TRD-info所包含的特徵參數整合起來以產生狀態ST。換言之，狀態ST包括市場資訊MKT-info、市場趨勢MKT-view及交易資訊TRD-info所包含的多個特徵參數。在一實施例 中，狀態整合模組106可耦接至記憶模組102，並將產生的狀態ST儲存至記憶模組102。
決策參數產生模組108用以取得狀態ST，並根據狀態ST產生一決策參數DEC，其中決策參數DEC為一實數。在一實施例中，決策參數產生模組108耦接至狀態整合模組106，且從狀態整合模組106取得狀態ST。在另一實施例中，決策參數產生模組108耦接至記憶模組102，且從記憶模組102取得狀態ST。
決策產生模組110耦接至決策參數產生模組108，並用以接收決策參數DEC，依據決策參數DEC產生一決策ACT。在一實施例中，決策產生模組110可耦接至記憶模組102，並將決策ACT儲存至記憶模組102。決策ACT可包括停扣、續扣、贖回、加碼、減碼等。所謂停扣代表不進行交易。所謂續扣代表以每個交易間隔時間使用者所投入的資金進行投資。所謂贖回代表以手中持有的標的賣出換取資金。所謂加碼代表以高於每個交易間隔時間使用者所投入的資金進行投資。所謂減碼代表以低於每個交易間隔時間使用者所投入的資金進行投資。在一實施例中，決策產生模組110根據決策參數DEC可視為一單位投資金額比例a或可與單位投資金額比例a具有相關性。在本實施例中，決策參數DEC等於單位投資金額比例a，而在其他實施例中單位投資金額比例a也可以是根據決策參數DEC計算而得。決策產生模組110可根據表一所示的單位投資金額比例a與決策ACT的對應關係來決定決策ACT。
Figure 108146087-A0305-02-0008-5
Figure 108146087-A0305-02-0009-2
其中F為使用者於每隔一交易間隔時間(例如)所投入的資金(例如一萬元)，r為一容忍值(為大於零的實數，容忍值會在訓練階段設定。一般而言，決策參數DEC是一個連續的值，為了使決策參數DEC可對應至一特定範圍，因此加入容忍值。例如r設為0.01，當決策參數DEC為1.001時，最終的決策ACT可被決定為續扣F元，而不會被決定為加碼1.001*F元。。
使用者介面112耦接至記憶模組102，用以從記憶模組102取得市場趨勢MKT-view、交易資訊TRD-info及決策ACT，以及顯示交易資訊TRD-info及決策ACT供使用者觀看。舉例來說，使用者介面112可顯示標的目前的價格、標的未來的漲跌預測(即市場趨勢MKT-view)、使用者每個交易間隔時間買進/贖回的交易金額、報酬率等。使用者介面112可包括一圖形化操作介面。使用者可透過圖形化操作介面選擇/輸入各式參數，例如用以產生市場趨勢MKT-view特定時間、容忍值及決定是否按照決策ACT進行交易/投資等。此外，若不按照決策ACT進行交易/投資，使用者也可透過操作圖形化操作介面來自行決定如何進行交易，例如設定交易金額、買進/賣出的標的單位數 等。不僅如此，使用者介面112會顯示對應於每一次決策產生模組所產生的決策的一交易金額，當決策為加碼或減碼時，交易金額會根據決策參數及一基底資金(即每一交易間隔時間使用者投入資金池的資金)變動。不同於傳統的交易決策產生系統，交易決策系統10每次進行交易的交易金額可以很彈性的根據決策參數變動，而不僅僅是基底資金或基底資金的固定比例。另外，使用者還可透過使用者介面112選擇是否要將獲利或贖回得到的資金自動加入資金池中進行再投資。
在一實施例中，市場趨勢產生模組104及決策參數產生模組108可分別由一類神經網路或一機器學習程序實現。
請參照第2圖，第2圖繪示依據本發明一實施例的交易決策產生方法的流程圖。本實施例的交易決策產生方法可由一處理器執行。
S201中，取得一市場資訊。
S203中，執行一市場趨勢產生模組，以依據市場資訊產生一市場趨勢。
S205中，執行一狀態整合模組，以依據市場資訊、市場趨勢及一交易資訊產生一狀態。
S207中，執行一決策參數產生模組，以依據狀態產生一決策參數。
S209中，執行一決策產生模組，以依據決策參數產生一決策。
各個步驟的細節可參考前文所述，於此不加以贅述。
請參照第3A、3B圖，本發明亦提供了針對交易決策產生系統10的訊練方法。由於市場趨勢產生模組104及決策參數產生模組108可分別由一類神經網路或一機器學習程序實現，因此交易決策產生系統10需要透過訓練來增進市場趨勢產生模組104及決策參數產生模組108。而第3A、3B圖即為用以訓練交易決策產生系統10所用的訓練方法。並請搭配第4圖以利理解，其中第4圖為對應於第3A、3B圖的訓練方法的交易決策產生系統的訓練示意圖。
S301中，以第一歷史資料D1訓練市場趨勢產生模組，以得到一訓練後的市場趨勢產生模組404(訓練後的市場趨勢產生模組404即可做為交易決策產生系統10的市場趨勢產生模組104)。舉例來說，記憶模組中儲存有對應於標的由西元2000年至西元2015年共十六年的交易資訊，這總共十六年的交易資訊可切割為第一歷史資料D1與一第二歷史資料D2，對應於第一歷史資料D1的第一時間區間是由西元2000年至西元2013年共十四年的交易資訊，對應於第二歷史資料D2的第二時間區間是由西元2014年至西元2015年共二年的交易資訊，而其中第一歷史資料D1用來訓練市場趨勢產生模組以產生訓練後的市場趨勢產生模組404，第二歷史資料D2的用途會在下文詳述。
S303中，藉由訓練後的市場趨勢產生模組404依據第二歷史資料D2產生一預測結果PR，其中預測結果PR包括第二時間區間內每隔一預測間隔時間的多個市場趨勢。舉例來說，預測間隔時間可為一個月。在這個例子中，訓練後的市場趨勢產生模組404會從西元2014 年1月開始，針對接下來每相隔一個月產生一個市場趨勢。也就是說，市場趨勢產生模組404會產生對應於西元2014年1月的市場趨勢、對應於西元2014年2月的市場趨勢、對應於西元2014年3月的市場趨勢、...以及對應於西元2015年12月的市場趨勢。如前文所述，所謂對應於西元2014年1月的市場趨勢代表的是標的於西元2014年1月最後一天的收盤價格相較於西元2013年12月的最後一天的收盤價格是增加或減少，其餘以此類推。此外，預測間隔時間為可調整的，例如在訓練產生短期的市場趨勢時，預測間隔時間可為一個月，在訓練產生中期的市場趨勢時，預測間隔時間可為三個月，在訓練產生長期的市場趨勢時，預測間隔時間可為六個月。
S305中，藉由一市場趨勢模擬器414依據第二歷史資料D2及預測結果PR，計算對應於第二時間區間內多個計算區間的多個準確度AC1~ACn。在一實施例中，計算區間是固定的。市場趨勢模擬器414可設定計算區間為六個月，首先將預測結果中西元2014年1月至2014年6月期間的預測結果(共六個)與第二歷史資料D2中西元2014年1月至2014年6月的部分比較，計算準確度；接著，預測結果中西元2014年2月至2014年7月期間的預測結果(共六個)與第二歷史資料D2中西元2014年2月至2014年7月的部分比較，計算準確度，以此類推。在另一實施例中，計算區間是不固定的。市場趨勢模擬器414可隨機設定計算區間的範圍，並根據計算區間從第二時間區間中隨機決定時間起始點，以計算多個準確度。
S307中，藉由市場趨勢模擬器414依據準確度AC1~ACn計算一平均值μ(mean)及一變異數σ2(variance)。
S309中，藉由市場趨勢模擬器414依據平均值μ及變異數σ2產生一常態分佈N(μ,σ2)。此常態分佈N(μ,σ2)可視為預測準確度的機率分佈。
S311中，藉由市場趨勢模擬器414依據常態分佈N(μ,σ2)產生一模擬準確度P。
S313中，藉由市場趨勢模擬器414建立成功率為模擬準確度P的一二項分佈。
S315中，藉由市場趨勢模擬器414依據二項分佈產生對應於第一時間區間的一模擬預測結果SPR。模擬預測結果SPR係藉由模擬產生，包括對應於第一時間區間內每隔一個預測時間間隔的多個市場趨勢模擬值。藉由市場趨勢模擬器414可以解決訓練階段中歷史資料的漲跌趨勢為已知而缺乏市場不確定性的問題。
S317中，藉由一交易區間TP產生器416產生一交易區間TP。在一實施例中，交易區間產生器416可藉由隨機選擇一區間起始時間與一區間結束時間來產生交易區間TP。在另一實施例中，交易區間產生器416可先決定一區間長度(例如三年)，再決定區間起始時間來產生交易區間TP。藉由交易區間產生器416可以解決訓練階段中缺乏多樣的交易情境的問題。
S319中，藉由交易區間產生器416依據交易區間TP、第一歷史資料D1、一交易資訊TRD-info及模擬預測結果SPR產生一狀態ST。
S321中，藉由決策參數產生模組408依據狀態ST產生一決策參數DEC。
S323中，藉由一決策產生模組410依據決策參數DEC產生一決策ACT。
S325中，藉由一收益計算器418依據決策ACT及交易資訊TRD-info計算一收益RW。
S327中，依據收益RW調整決策參數產生模組408，例如調整用以實現決策參數產生模組408的類神經網路的一或多個參數。
S329中，判斷決策參數產生模組408是否訓練完成，若是，結束本流程；若否，回到S317。在一實施例中，處理器可根據S317~S327是否執行達到指定次數來判斷訓練是否完成。在另一實施例中，處理器可根據決策參數產生模組408是否達到一預設標準來判斷訓練是否完成。
需要注意的是，在重複執行S317~S327的過程中，交易區間是變動的。舉例來說，第一次執行S317~S327時，交易區間可設定為西元2010年1月至西元2013年1月，第二次執行S317~S327時，交易區間可設定為西元2010年2月至西元2013年2月，第三次執行S317~S327時，交易區間可設定為西元2010年3月至西元2013年3月，以此類推。藉由採用資料滾動(data rolling)與可變運算框(variable operation window)的方式可以模擬出市場的不確定性，以避免訓練出的決策參數產生模組408過度擬合第一歷史資料D1。
此外，收益計算器418依據決策ACT及交易資訊TRD-info計算收益RW時，根據不同的決策ACT會有不同的收益計算方式。以下舉一計算收益的實施例以供參考，本發明不以此為限。首先計算累積報酬CR：CR=γR t+1+γ2(R t+2-R t+1)+γ3(R t+3-R t+2)+…+γ n (R t+n -R t+n-1)
其中γ為折扣因子(decay factor)，0<γ<1，R t+1=
Figure 108146087-A0305-02-0015-3
，Rt+1為時間點t+1時的報酬(t為正整數)，yt為時間點t時標的的價格，其餘以此類推。決策ACT與收益RW的關係可參考表二。
Figure 108146087-A0305-02-0015-4
其中tc為交易成本(例如手續費)，tf為機會成本(例如定存利率)。
需要注意的是，上述的各模組、市場趨勢模擬器、交易區間產生器及收益計算器皆可以是計算機可讀指令的組合，並藉由處 理器來執行此些計算機可讀指令來實現上述的各模組、市場趨勢模擬器、交易區間產生器及收益計算器的功能。
藉由上述方式訓練得到的交易決策產生系統可有效避免過度擬合歷史資料，而使得做出的決策無法對應多樣化的交易環境。此外，本發明提供的交易決策產生系統還能夠產生定期不定額投資及定期不定額再投資的交易決策，亦即除了續扣、停扣及贖回以外還能夠產生加碼及減碼的交易決策，而能夠有效利用交易環境及可用資金取得更大的獲利。
值得一提的是，本發明的交易決策產生系統可對應於強化學習(reinforcement learning，RL)的架構，其中市場趨勢產生模組可對應於強化學習架構中的環境(environment)，而決策參數產生模組及決策產生模組可對應於強化學習架構中的代理人(agent)。
綜上所述，雖然本發明已以實施例揭露如上，然其並非用以限定本發明。本發明所屬技術領域中具有通常知識者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾。因此，本發明之保護範圍當視後附之申請專利範圍所界定者為準。
S201~S209:步驟

Claims (16)

  1. 一種交易決策產生系統，包括：一市場趨勢產生模組，用以依據一市場資訊產生一市場趨勢；一狀態整合模組，用以依據該市場資訊、該市場趨勢及一交易資訊產生一狀態；一決策參數產生模組，用以依據該狀態產生一決策參數；以及一決策產生模組，用以依據該決策參數產生一決策，其中該市場趨勢代表的是對應於一標的未來一特定時間後的一未來價格相較於該標的的一當前價格是增加或減少；以及其中該市場趨勢產生模組係根據對應於一第一時間區間的一第一歷史資料進行訓練，該決策參數產生模組係依據該第一歷史資料、對應於一第二時間區間的一第二歷史資料產生的一預測結果及依據該第一歷史資料及該預測結果產生的一模擬預測結果進行訓練。
  2. 如申請專利範圍第1項所述之交易決策產生系統，其中該決策產生模組產生的複數個決策包括續扣、停扣、贖回、加碼及減碼。
  3. 如申請專利範圍第1項所述之交易決策產生系統，其中該決策參數產生模組係藉由一訓練方法訓練而得，該訓練方法包括：藉由以該第一歷史資料訓練後的該市場趨勢產生模組依據該第二歷史資料產生該預測結果；藉由一市場趨勢模擬器依據該第二歷史資料及該預測結果計算對應於該第二時間區間內複數個計算區間的複數個準確度；藉由該市場趨勢模擬器依據該些準確度產生對應於該第一時間區間的該模擬預測結果；藉由一交易區間產生器產生一交易區間；藉由該交易區間產生器依據該交易區間、該第一歷史資料、一交易資訊及該模擬預測結果產生一狀態；藉由該決策參數產生模組依據該狀態產生一決策參數；藉由一決策產生模組依據該決策參數產生一決策；藉由一收益計算器依據該決策及該交易資訊計算一收益；以及依據該收益調整該決策參數產生模組。
  4. 如申請專利範圍第3項所述之交易決策產生系統，其中於藉由該市場趨勢模擬器依據該些準確度產生對應於該第一時間區間的一模擬預測結果的步驟包括：藉由該市場趨勢模擬器依據該些準確度產生一常態分佈，並依據該常態分佈產生該模擬預測結果。
  5. 如申請專利範圍第4項所述之交易決策產生系統，其中該市場趨勢模擬器依據該常態分佈產生一二項分佈，並依據該二項分佈該模擬預測結果。
  6. 如申請專利範圍第3項所述之交易決策產生系統，其中於藉由該市場趨勢模擬器依據該些準確度產生對應於該第一時間區間的一模擬預測結果的步驟包括：藉由該市場趨勢模擬器依據該些準確度計算一平均值及一變異數；藉由該市場趨勢模擬器依據該平均值及該變異數產生一常態分佈；藉由該市場趨勢模擬器依據該常態分佈產生一模擬準確度；藉由該市場趨勢模擬器建立成功率為該模擬準確度的一二項分佈；以及藉由該市場趨勢模擬器依據該二項分佈產生該模擬預測結果。
  7. 如申請專利範圍第3項所述之交易決策產生系統，其中該收益計算器於計算該收益時，對應於不同的決策使用不同的計算方式。
  8. 如申請專利範圍第1項所述之交易決策產生系統，更包括一使用者介面，用以顯示對應於每一次該決策產生模組所產 生的該決策對應的一交易金額，當該決策為加碼或減碼時，該交易金額係根據該決策參數及一基底資金變動。
  9. 一種交易決策產生方法，包括：取得一市場資訊；執行一市場趨勢產生模組，以依據該市場資訊產生一市場趨勢；執行一狀態整合模組，以依據該市場資訊、該市場趨勢及一交易資訊產生一狀態；執行一決策參數產生模組，以依據該狀態產生一決策參數；以及執行一決策產生模組，以依據該決策參數產生一決策，其中該市場趨勢代表的是對應於一標的未來一特定時間後的一未來價格相較於該標的的一當前價格是增加或減少；以及其中該市場趨勢產生模組係根據對應於一第一時間區間的一第一歷史資料進行訓練，該決策產生模組係依據該第一歷史資料、對應於一第二時間區間的一第二歷史資料產生的一預測結果及依據該第一歷史資料及該預測結果產生的一模擬預測結果進行訓練。
  10. 如申請專利範圍第9項所述之交易決策產生方法，其中該決策產生模組產生的複數個決策包括續扣、停扣、贖回、加碼及減碼。
  11. 如申請專利範圍第9項所述之交易決策產生方法，其中該決策參數產生模組係藉由一訓練方法進行訓練，該訓練方法包括：藉由以該第一歷史資料訓練後的該市場趨勢產生模組依據該第二歷史資料產生該預測結果；藉由一市場趨勢模擬器依據該第二歷史資料及該預測結果計算對應於該第二時間區間內複數個計算區間的複數個準確度；藉由該市場趨勢模擬器依據該些準確度產生對應於該第一時間區間的該模擬預測結果；藉由一交易區間產生器產生一交易區間；藉由該交易區間產生器依據該交易區間、該第一歷史資料、一交易資訊及該模擬預測結果產生一狀態；藉由該決策參數產生模組依據該狀態產生一決策參數；藉由一決策產生模組依據該決策參數產生一決策；藉由一收益計算器依據該決策及該交易資訊計算一收益；以及依據該收益調整該決策參數產生模組。
  12. 如申請專利範圍第11項所述之交易決策產生方法，其中於藉由該市場趨勢模擬器依據該些準確度產生對應於該第一時間區間的一模擬預測結果的步驟包括：藉由該市場趨勢模擬器依據該些準確度產生一常態分佈，並依據該常態分佈產生該模擬預測結果。
  13. 如申請專利範圍第12項所述之交易決策產生方法，其中該市場趨勢模擬器依據該常態分佈產生一二項分佈，並依據該二項分佈該模擬預測結果。
  14. 如申請專利範圍第11項所述之交易決策產生方法，其中於藉由該市場趨勢模擬器依據該些準確度產生對應於該第一時間區間的一模擬預測結果的步驟包括：藉由該市場趨勢模擬器依據該些準確度計算一平均值及一變異數；藉由該市場趨勢模擬器依據該平均值及該變異數產生一常態分佈；藉由該市場趨勢模擬器依據該常態分佈產生一模擬準確度；藉由該市場趨勢模擬器建立成功率為該模擬準確度的一二項分佈；以及藉由該市場趨勢模擬器依據該二項分佈產生該模擬預測結果。
  15. 如申請專利範圍第11項所述之交易決策產生方法，其中該收益計算器於計算該收益時，對應於不同的決策使用不同的計算方式。
  16. 如申請專利範圍第9項所述之交易決策產生方法，更包括：藉由一使用者介面顯示對應於每一次該決策產生模組所產生的該決策對應的一交易金額，當該決策為加碼或減碼時，該交易金額係根據該決策參數及一基底資金變動。
TW108146087A 2019-12-17 2019-12-17 交易決策產生系統及方法 TWI743625B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW108146087A TWI743625B (zh) 2019-12-17 2019-12-17 交易決策產生系統及方法
CN201911354824.8A CN112991053A (zh) 2019-12-17 2019-12-25 交易决策产生系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW108146087A TWI743625B (zh) 2019-12-17 2019-12-17 交易決策產生系統及方法

Publications (2)

Publication Number Publication Date
TW202125384A TW202125384A (zh) 2021-07-01
TWI743625B true TWI743625B (zh) 2021-10-21

Family

ID=76344186

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108146087A TWI743625B (zh) 2019-12-17 2019-12-17 交易決策產生系統及方法

Country Status (2)

Country Link
CN (1) CN112991053A (zh)
TW (1) TWI743625B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI806467B (zh) * 2022-03-03 2023-06-21 金兆豐數位科技股份有限公司 金融商品提昇報酬率多維度決策方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060069635A1 (en) * 2002-09-12 2006-03-30 Pranil Ram Method of buying or selling items and a user interface to facilitate the same
WO2006127469A2 (en) * 2005-05-20 2006-11-30 Whitney Education Group, Inc. Threshold trading method
TWI647644B (zh) * 2012-10-16 2019-01-11 鍾尉誠 圖形化建立及執行下單策略的交易系統及其方法
CN109919349A (zh) * 2017-12-12 2019-06-21 黄浩霆 金融风险预测系统及其方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060069635A1 (en) * 2002-09-12 2006-03-30 Pranil Ram Method of buying or selling items and a user interface to facilitate the same
WO2006127469A2 (en) * 2005-05-20 2006-11-30 Whitney Education Group, Inc. Threshold trading method
TWI647644B (zh) * 2012-10-16 2019-01-11 鍾尉誠 圖形化建立及執行下單策略的交易系統及其方法
CN109919349A (zh) * 2017-12-12 2019-06-21 黄浩霆 金融风险预测系统及其方法

Also Published As

Publication number Publication date
TW202125384A (zh) 2021-07-01
CN112991053A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
JP2017530494A (ja) トレーディング・プラットフォーム・システムおよびその方法
CN112686693A (zh) 电力现货市场边际电价预测方法、系统、设备及存储介质
Manahov et al. High‐frequency trading from an evolutionary perspective: Financial markets as adaptive systems
Liu et al. Implied volatility forecast and option trading strategy
CN107230004A (zh) 一种可再生能源项目投资组合优化方法、装置及计算设备
CN112132356A (zh) 一种基于时空图注意力机制的股价预测方法
Rahmani Cherati et al. Cryptocurrency direction forecasting using deep learning algorithms
TWI743625B (zh) 交易決策產生系統及方法
Simaitis et al. Smile and default: the role of stochastic volatility and interest rates in counterparty credit risk
Liu et al. Impacts of alternative allowance allocation methods under a cap-and-trade program in power sector
CN117853158A (zh) 基于动态量本利分析的企业运营数据预测方法及装置
Chan et al. Forecasting online auctions via self‐exciting point processes
US20210182972A1 (en) Trading decision generation system and method
Crawford et al. Automatic High‐Frequency Trading: An Application to Emerging Chilean Stock Market
Chourmouziadis et al. Intelligent stock portfolio management using a long-term fuzzy system
Yadav Formulation of a rational option pricing model using artificial neural networks
TWI248007B (en) Method for evaluating market trade based on trend prediction
Li et al. Hierarchical Deep Reinforcement Learning for VWAP Strategy Optimization
Xu et al. The double-edged role of social learning: Flash crash and lower total volatility
CN105589950A (zh) 事件属性语句确定及基于事件属性语句预警方法和装置
US12032652B1 (en) Attribution analysis
WO2019043729A2 (en) SYSTEM AND METHOD FOR PERFORMANCE MANAGEMENT FOR ROTARY SAVINGS AND CREDIT ASSETS
Han et al. Bitcoin or Gold? A Financial Investment Model Based on LSTM
Honaiser et al. Decision Support System For Demand Forecasting in Business Games
Wu et al. Pricing of Shanghai stock exchange 50 ETF options based on different volatility models