中文摘要

股市莫名的波動、崩盤，長久以來是財務研究者最有興趣的課題。而近年來，不論國內外，都有實證證明許多金融資產的走勢具有非線性或近似渾沌(chaos)的特質，而且在某段期間內呈現某種趨勢性。由於以往以預測為主題的研究慣常使用類神經網路做為核心技術，本研究特別利用R/S分析判別趨勢性，選擇股票做為研究標的，純粹利用價的技術指標，結合基因演算法建立預測模型，並與傳統的時間序列預測方法ARIMA分析做比較，希望找出價格波動下的隱藏型態，藉以協助投資人更客觀的研判股市，降低股市投資的風險性。

本研究的對象為台積電(2330)1994/09/05~1999/12/28的未調整股價日資料，共1490個交易日，資料來源為臺灣經濟新報資料庫(TEJ)，依其走勢分為空頭、多頭、先多後空三種型態，進行基因預測模型與ARIMA預測模式的比較，所得結論如下：

1. 在1994至1999這段觀察期而言，經過R/S分析得到台積電的Hurst指數為0.849855，其趨勢周期約為940日，證實市場具有趨勢性，也間接指出臺灣股市不具效率性。
2. 就方向準確性而言，本研究的預測模型以明顯的優勢在這三段走勢勝過ARIMA，究其原因，主要是本模型相較於ARIMA掌握較多的資訊。而就計算時間而言，由於ARIMA分析的過程需要人力介入，頗為費時且易有人為疏失，在電腦速度日益快速的今日，基因預測模型是較好的選擇。
3. 純就輸入端與輸出端觀之，本研究所設計的預測模型似乎可以做為相同輸入輸出變數的類神經網路預測模型，解釋變數關係的參考。
4. 股市「價」的技術指標和收盤價可以找出其隱含的關係型態，亦即，可以從技術指標推測出未來短期內股價的走勢與落點。
5. 學習區間呈現何種走勢，基因模型就會偵測主導的走勢。也就是說，在空頭的走勢中，在上漲、持平、下跌三種型態中，命中下跌方向的次數相對於命中上漲方向為高。
6. 學習期間越短，基因模型的預測績效愈好，然而就整體而言，就固定的演化代數與母群體大小之下，各種走勢之下，最保守的觀察，可以獲得７０%的方向準確性。
7. 基因預測模型配合適當的交易策略，在引入交易成本後，仍然顯著可以獲得比買入持有策略為佳的報酬，也較具操作彈性。
8. 本基因模型經檢定後，在多頭市場顯著超過0.5的機率，而空頭市場則需顯著水準大於0.25以上才顯著，亦即預測模型似乎具有事前性預測的潛力，但穩定程度與適用性則未有定論。

綜合上述，可以發現本研究提出了股價事後學習模式與事前性預測的可行方向，並能利用預測模型掌握趨勢的彈性，避免使用過於複雜與僵固性的交易策略。

Abstract
The impenetrable movement and crash of the stock market is always the most intriguing research task of any financial researcher. Nowadays, it has been proved that the movements of financial asset have the property of non-linearity or near-chaos and shows some tendency within a given period. We used the R/S analysis as the tool to indicate the tendency, and those stocks as our researching objects. We then combined purely price technical analysis indicators and genetic algorithms to form a predicting model. Then we compared our genetic predicting model with the traditional ARIMA analysis and hope to find out the invisible pattern under price volatility. And we hope our model could assist investors in assessing the stock markets more objectively and reduce the risk of stock investment.

The researching target is TSMC(2330). We covered the period from 5 September 1994 to 28 December 1999, resulting in 1490 trading days. Historical data are available from Taiwan Economic Journal (TEJ). We execute the researching comparison by bear-market, bull-market, and bull-then-bear market and concluded as follows.
1. After the R/S analysis, we got the Hurst exponent of TSMC to be 0.849855 and the trending cycle was 940. It has proved that the market has tendency and indirectly showed that the Taiwan stock market was not efficient.
2. According to directional precision, our predicting model apparently outpaced the ARIMA model in these three periods. The reason was that our model grabbed more information than the ARIMA model.
3. If we only think about the inputs and outputs, our model seems to be a proper framework for explaining the relationships among variables in comparison with the neural network model having the same input and output variables.
4. We can deduce the invisible relationships of price technical indicators and the closing price.
5. Genetic predicting model can detect the prevailing trend of the learning periods.
6. The shorter the learning period, the better the predicting effects. As a whole and conservatively speaking, we have 70% confidence in directional precision.
7. If we combine proper trading strategy with genetic predicting model and deduct the transaction cost, we still get a better profit than buy-and-hold strategy and have some maneuvering flexibility.
8. After hypothesis testing, our predicting model seems to have some potential of ex ante prediction, but the stability and usability still need further study.

In short, we proposed the ex post stock price movement learning model and the viable direction of ex ante prediction. Investors can take advantage of the flexibility of the predicting model and avoid using the over-complex and rigid trading strategies.

論文目錄
第一章　緒論．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　１
第一節、研究背景及動機．．．．．．．．．．．．．．．．．．．．．．．．．　１
第二節、研究假設．．．．．．．．．．．．．．．．．．．．．．．．．．．．　１
第三節、論文架構與目的．．．．．．．．．．．．．．．．．．．．．．．．．　２
第四節、研究資料與分析工具．．．．．．．．．．．．．．．．．．．．．．．　３
第五節、論文結構．．．．．．．．．．．．．．．．．．．．．．．．．．．．　３

第二章　文獻探討．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．　４
第一節、股價理論．．．．．．．．．．．．．．．．．．．．．．．．．．．．　４
第二節、金融資產非線性現象與預測實證．．．．．．．．．．．．．．．．．．１０
第三節、基因演算法在財經領域的應用．．．．．．．．．．．．．．．．．．．１１
第四節、文獻與本研究關係．．．．．．．．．．．．．．．．．．．．．．．．１５

第三章　基因演算法與ARIMA預測模式．．．．．．．．．．．．．．．．．．．．１６
第一節、基因演算法．．．．．．．．．．．．．．．．．．．．．．．．．．．１６
第二節、ARIMA 預測模式．．．．．．．．．．．．．．．．．．．．．．．．２８

第四章　研究設計．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．３４
第一節、預測準確度與趨勢性的衡量．．．．．．．．．．．．．．．．．．．．３４
第二節、Ｒ�Ｓ分析．．．．．．．．．．．．．．．．．．．．．．．．．．．３６
第三節、技術指標．．．．．．．．．．．．．．．．．．．．．．．．．．．．３９
第四節、基因演算法預測模型．．．．．．．．．．．．．．．．．．．．．．．４７
第五節、實驗設計．．．．．．．．．．．．．．．．．．．．．．．．．．．．５１

第五章　實證結果與分析．．．．．．．．．．．．．．．．．．．．．．．．．．．５７
第一節、實驗區間R/S分析．．．．．．．．．．．．．．．．．．．．．．．．５７
第二節、精確度與方向性的比較分析．．．．．．．．．．．．．．．．．．．．５９
第三節、投資策略績效的比較分析．．．．．．．．．．．．．．．．．．．．．６３
第四節、事前預測能力檢定．．．．．．．．．．．．．．．．．．．．．．．．６５

第六章　結論與建議．．．．．．．．．．．．．．．．．．．．．．．．．．．．．６８
第一節、結論．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．６８
第二節、研究成果與貢獻．．．．．．．．．．．．．．．．．．．．．．．．．６８
第三節、研究限制．．．．．．．．．．．．．．．．．．．．．．．．．．．．６９
第四節、後續研究方向．．．．．．．．．．．．．．．．．．．．．．．．．．６９

參考文獻．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．７１
中文部分．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．７１
英文部分．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．７３
附錄　．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．７６
附錄一、空頭市場事後預測實驗結果．．．．．．．．．．．．．．．．．．．．７６
附錄二、多頭市場事後預測實驗結果．．．．．．．．．．．．．．．．．．．．７９
附錄三、多空市場事後預測實驗結果．．．．．．．．．．．．．．．．．．．．８２

論文表次
表１－１：股市交易資料．．．．．．．．．．．．．．．．．．．．．．．．．．．．３
表３－１：輪盤法示例．．．．．．．．．．．．．．．．．．．．．．．．．．．．１８
表３－２：資料轉換方式對照表．．．．．．．．．．．．．．．．．．．．．．．．３０
表４－１： 16個交易日的模擬數列．．．．．．．．．．．．．．．．．．．．．．３５
表４－２：模擬數列的統計特性．．．．．．．．．．．．．．．．．．．．．．．．３６
表４－３：技術指標公式彙整表．．．．．．．．．．．．．．．．．．．．．．．．４６
表４－４：技術指標編號表．．．．．．．．．．．．．．．．．．．．．．．．．．４７
表４－５：基因預測模型參數編碼表．．．．．．．．．．．．．．．．．．．．．．４８
表４－６：基因演算法參數設定表．．．．．．．．．．．．．．．．．．．．．．．５１
表４－７：交易策略概要．．．．．．．．．．．．．．．．．．．．．．．．．．．５４
表４－８：植基於預測模型的交易策略演算明細．．．．．．．．．．．．．．．．．５４
表５－１：研究區間內個股與大盤的Hurst指數．．．．．．．．．．．．．．．．．５７
表５－２：持續性強度法資料表．．．．．．．．．．．．．．．．．．．．．．．．５８
表５－３：學習區間表．．．．．．．．．．．．．．．．．．．．．．．．．．．．５９
表５－４ａ：預測方向準確率表(84/10/09~85/01/31)90天期 ．．．．．．．．．．．．５９
表５－４ｂ：預測方向準確率表(84/10/09~84/12/22)60天期 ．．．．．．．．．．．．６０
表５－４ｃ：預測方向準確率表(84/10/09~84/11/16)30天期 ．．．．．．．．．．．．６０
表５－５ａ：預測方向準確率表(87/10/07~88/02/05)90天期 ．．．．．．．．．．．．６１
表５－５ｂ：預測方向準確率表(87/10/07~87/12/24)60天期 ．．．．．．．．．．．．６１
表５－５ｃ：預測方向準確率表(87/10/07~87/11/16)30天期 ．．．．．．．．．．．．６１
表５－６ａ：預測方向準確率表(86/07/11~86/10/18)80天期 ．．．．．．．．．．．．６２
表５－６ｂ：預測方向準確率表(87/02/02~87/05/28)90天期 ．．．．．．．．．．．．６２
表５－７ａ：臺積電(2330)於84/10/09~84/11/16(30天)的報酬比較(含交易成本)．．．．６３
表５－７ｂ：臺積電(2330)於84/10/09~84/12/22(60天)的報酬比較(含交易成本)．．．．６３
表５－７ｂ：臺積電(2330)於84/10/09~85/01/31(90天)的報酬比較(含交易成本)．．．．６４
表５－８ａ：臺積電(2330)於87/10/07~87/11/16(30天)的報酬比較(含交易成本)．．．．６４
表５－８ｂ：臺積電(2330)於87/10/07~87/12/24(60天)的報酬比較(含交易成本)．．．．６４
表５－８ｃ：臺積電(2330)於87/10/07~87/12/24(90天)的報酬比較(含交易成本)．．．．６４
表５－９ａ：臺積電(2330)於86/07/11~86/10/18(80天)的報酬比較(含交易成本)．．．．６５
表５－９ｂ：臺積電(2330)於87/02/02~87/05/28(90天)的報酬比較(含交易成本)．．．．６５
表５－１０：５０次實驗值比率(多頭市場)．．．．．．．．．．．．．．．．．．．６６
表５－１１：T檢定結果(多頭市場) ．．．．．．．．．．．．．．．．．．．．．．６６
表５－１２：５０次實驗值比率(空頭市場)．．．．．．．．．．．．．．．．．．．６７
表５－１３：Ｔ檢定結果(空頭市場)．．．．．．．．．．．．．．．．．．．．．．６７
附表一：GA模型預測方向準確率表(84/10/09~84/11/16)30天期學習期 ．．．．．．．７６
附表二：GA模型預測方向準確率表(84/10/09~84/11/16)60天期學習期 ．．．．．．．７７
附表三：GA模型預測方向準確率表(84/10/09~84/11/16)90天期學習期 ．．．．．．．７８
附表四：GA模型預測方向準確率表(87/10/07~87/11/16)30天期學習期 ．．．．．．．７９
附表五：GA模型預測方向準確率表(87/10/07~87/12/24)60天期學習期 ．．．．．．．８０
附表六：GA模型預測方向準確率表(87/10/07~88/02/05)90天期學習期 ．．．．．．．８１
附表七：GA模型預測方向準確率表(86/07/11~86/10/18)80天期學習期 ．．．．．．．８２
附表八：GA模型預測方向準確率表(87/02/02~87/05/28)90天期學習期 ．．．．．．．８３

論文圖次
圖１－１：論文架構圖．．．．．．．．．．．．．．．．．．．．．．．．．．．．．２
圖３－１：基因演算法流程圖．．．．．．．．．．．．．．．．．．．．．．．．．１７
圖３－２：染色體交配方式示意圖．．．．．．．．．．．．．．．．．．．．．．．２１
圖３－３：Schema 1****在適應性函數 的圖形．．．．．．．．．．．．．．２３
圖３－４：Schema ****1在適應性函數 的圖形 ．．．．．．．．．．．．．２４
圖３－５：Schema ***0*在適應性函數 的圖形．．．．．．．．．．．．．．２４
圖３－６：Schema 10***在適應性函數 的圖形．．．．．．．．．．．．．．２５
圖３－７：Schema 11***在適應性函數 的圖形．．．．．．．．．．．．．．２５
圖３－８：ARIMA分析流程圖 ．．．．．．．．．．．．．．．．．．．．．．．．３２
圖４－１：研究設計架構圖．．．．．．．．．．．．．．．．．．．．．．．．．．３４
圖４－２：預測趨勢與實際走勢的比較圖．．．．．．．．．．．．．．．．．．．．３６
圖４－３：Ｃｙｃｌｅ　Ｌｅｎｇｔｈ現象圖．．．．．．．．．．．．．．．．．．３９
圖４－４：一以貫之法示意圖．．．．．．．．．．．．．．．．．．．．．．．．．５２
圖４－５：模式辨認法示意圖．．．．．．．．．．．．．．．．．．．．．．．．．５２
圖４－６：移動學習法示意圖．．．．．．．．．．．．．．．．．．．．．．．．．５３
圖４－７：事前預測能力檢定設計圖．．．．．．．．．．．．．．．．．．．．．．５３
圖５－１：台積電走勢圖．．．．．．．．．．．．．．．．．．．．．．．．．．．５７
圖５－２：ｌｎ(R/S)對ｌｎ(L) 之散佈圖．．．．．．．．．．．．．．．．．．．．５８

參考文獻
中文部份
1. 王秀全，”股票報酬率非線性特性之研究”，台灣大學商學研究所未出版碩士論文，1996年。
2. 卞志祥，臺灣加權股價指數投資組合之基因演算法建構模型”，交通大學資訊管理研究所未出版碩士論文，1996年。
3. 李安邦，”以遺傳演算法為基底的模糊專家系統於投資策略之應用”，元智大學管理研究所資訊管理組未出版碩士論文，1997年。
4. 李沃牆，”共同基金的績效評估及淨值預測─遺傳演算法的應用”，臺灣經濟金融月刊，33卷第12期，pp.45~62，1997年。
5. 李桐豪，”以基因演算法模擬臺灣發行量加權股價指數的可行性”，證券市場發展與管理，1997年。
6. 李詩政，”運用渾沌理論於台灣金融市場行為之研究”，中山大學資訊管理研究所未出版碩士論文，1998年。
7. 李卿企，”以基因演算法探討國際投資組合策略之研究”，政治大學國際貿易研究所未出版碩士論文，1997年。
8. 沈添吉，”台灣利率混沌現象之研究”，國立成功大學企管研究所未出版碩士論文，1996年。
9. 杜金龍 著，技術指標在台灣股市應用的訣竅，金錢文化，1998年。
10. 金必煌，”運用遺傳基因演算法建立動態證券市場模型”，交通大學資訊管理研究所未出版碩士論文，1995年。
11. 林 和 譯，混沌──不測風雲的背後，天下文化出版，1999年。
12. 林良紹，”KD技術指標應用在臺灣股市之實證研究”，台灣大學商學研究所未出版碩士論文，1997年。
13. 林茂文 著，時間數列分析與預測，華泰書局，1998年。
14. 林萍珍，”遺傳演算法在始用者導向的投資組合選擇之應用”，中央大學資訊管理研究 所未出版碩士論文，1998年。
15. 吳柏林 著，時間數列分析導論，華泰書局，1995年。
16. 吳康祺，”混沌理論在股價上的應用”，台灣大學商學研究所未出版碩士論文，1995年。
17. 周育蔚，”利用類神經網路演算法股價預測模型”，台灣大學商學研究所未出版碩士論文，1996年。
18. 范饒耀，”遺傳演算法在財務預測之應用”，政治大學資訊管理研究所未出版碩士論文，1996年。
19. 庫倫工作室 譯，Visual Basic 程式設計聖經，和碩科技文化出版，1999年。
20. 郭 泰 著，股市實戰100問，遠流出版，1996年。
21. 郭震坤，“技術分析短線操作獲利性研究”，國科會計畫，NSC 79-0301- H002-65P，1992。
22. 陶宏德，”應用基因演算法達成知識之最適化—以臺灣股市技術分析指標為例”，交通大學資訊管理研究所未出版碩士論文，1995年。
23. 陳明杰，”基因演算擇時策略在臺灣股票市場之研究”，雲林科技大學企業管理研究所未出版碩士論文，1998年。
24. 陳建福，”遺傳程式與市場擇時策略之研究：臺灣股票市場的應用”，政治大學經濟研究 所未出版碩士論文，1995年。
25. 陳照憲，”基因演算法技術交易法則獲利績效─臺灣股票市場實證研究”，雲林科技大學企業管理研究所未出版碩士論文，1999年。
26. 葉時魁，”新台幣對美元匯率變動率之混沌性質之研究”，私立淡江大學國際貿易研究所未出版碩士論文，1997年。
27. 黃彥聖，”移動平均法的投資績效”，管理評論，第14卷第1期，1995年。
28. 黃嘉斌 譯，動能指標，寰宇財金，1998年。
29. 黃嘉斌 譯，市場韻律與時效分析，寰宇財金，1998年。
30. 黃嘉斌 譯，操作生涯不是夢，寰宇財金，1998年。
31. 黃嘉斌 譯，混沌操作法，寰宇財金，1998年。
32. 葉李華 譯，大自然的數學遊戲，天下文化出版，1996年。
33. 葉怡成 著，類神經網路模式應用與實作，儒林出版社，1993年。
34. 楊祥泰，”應用誤差貪心基因演算法求解旅行推銷員問題”，台灣大學資訊工程研究所未出版碩士論文，1994年。
35. 蔡毅宏，”臺灣股市長期趨勢之實證研究” ，台灣大學商學研究所未出版碩士論文，1994年。
36. 蔣廷芳，"類神經網路股價預測系統"，企銀季刊，頁40-49，1994年10月。
37. 劉大成，”結合遺傳演化與範例學習法進行臺灣股市行為預測之研究”，政治大學資訊管 理研究所未出版碩士論文，1999年。
38. 齊若蘭 譯，複雜──走在秩序與混沌邊緣，天下文化出版，1999年。
39. 鄧紹勳，”遺傳演算法於股市擇時策略之研究”，中央大學資訊管理研究所未出版碩士論文，1999年。
40. 謝劍平 著，現代投資學──分析與管理，智勝出版社，1998年。
41. 韓宜芬，”臺灣加權股價指數非線性與混沌現象之研究”，成功大學工管研究所未出版碩士論文，1993年。
42. 羅耀宗 譯，股票成交當量分析，寰宇財金，1997年。
43. 蘇木春和張孝德 著，機器學習、類神經網路、模糊系統以及基因演算法則，全華科技圖書股份有限公司，1997年。
44. 蕭永一，”股票交易策略系統－使用改良式遺傳演算法”，台灣大學資管所未出版碩士論文，1995年。
45. 蕭榮興，”股價預測模式中變數選取方法之研究”，屏東科技大學企業管理所未出版碩士論文，1999年。

英文部份
1. Allen F. and Karjalainen R., “Using Genetic Algorithms to Find Technical Trading Rules”, Journal of Financial Economics, Vol. 51, pp.245~271,1999.
2. Arifovic,J. “Genetic Algorithms in Learning and Cobweb Model”, Journal of Dynamics and Control”, Vol. 18, No. 1, pp.3-28, Jan. 1994.
3. Bachelier, L. Theorie de la Speculation (Pairs : Gauthier-Villars, 1900), and reprinted in English in Cootner, P. (ed.) The Random Charater of Stock Market Prices, Cambridge : M. I. T., 1964.
4. Bauer,R.J., Genetic Algorithms and Investment Strategies , John Wiley & Sons. 1994.
5. Bessembinder, H., and K. Chan, “The Profitability of Technical Trading Rules in the Asian Stock Market.” Pacific-Basin Finance Journal, pp.257- 284, July 1995.
6. ___________, “Market Efficiency and the Return of Technical Analysis.” Financial Management, vol.27, no.2, pp.5-17, Summer 1998.
7. Blume, L., D. Easley and M. O’Hara, “ Market Statistics and Technical Analysis: The Role of Volume.” Journal of Finance, vol.49, pp.153- 181, March 1994.
8. Brealey, Richard A. and Stewart C. Myers, Principles of Corporate Finance, McGraw Hill Book Company, 1991.
9. Brock, W. A., Dechert, W. D. and Scheinkman, J. A., “A Test for Independence Based on the Correlation Dimension”, SSRI Working Paper #8702, University of Wisconsin-Madison, 1987.
10. Brock, W., J. Lakonishok, and B. LeBaron, “Simple Technical Trading Rules and the Stochastic Properties of Stock Returns”, Journal of Finance Vol. 47, pp.1731-1764, 1992
11. Brockwell, P.J. and Davis, R.A., Time Series: Theory and Methods, 2nd ed., Springer-Verlag, New York, 1991.
12. Chorafas, D.N., Chaos Theory in The Financial Markets, Chicago, Probus Publishing Co., 994.
13. Christian D., Nonlinear Modeling of High Frequency Financial Time Series, John Wiley & Sons. 1998.
14. Christopher N., Paul W., and Rob D., “Is Technical Analysis in the Foreign Exchange Market Profitable? A Genetic Programming Approach”, Journal of Financial And Quantitative Analysis, Vol.32, No. 4, pp.405~426,December 1997.
15. Corana A. et al., ”Minimizing Multi-modal Functions of Continuous Variables With the Simulated Annealing Algorithm.”, ACM Transactions on Mathematical Software, Vol. 13,pp.262~280, 1987.
16. David J. L., Robert D. A., “Quantitative and Computational Innovation in Investment Management”, The Journal of Portfolio Management, pp.8-15, Winter 1995.
17. Davis L., Handbook of Genetic Algorithms, Van Nostranf Reinhold, New York, 1991.
18. Deboeck G.J., Trading on the Edge─Neural, Genetic and Fuzzy System for Chaotic Financial Markets, John Wiley & Sons. 1994.
19. De Jong, K. A., An Analysis of the Behavior of a Class of Genetic Adaptive Systems. Ph.D. thesis, University of Michigan, Ann Arbor. 1975.
20. Dorsey, R. E., & W. J. Mayer,” Genetic Algorithms for Estimation Problems With Multiple Optima, Non-differentiability, and Other Irregular Features”, Journal of Business & Economic Statistics, Vol. 13, No. 1, pp.53~66, January 1995.
21. Fama, E. F., “Efficient Capital Market: A Review of Theory and Empirical Works.” Journal of Finance, pp.383-417, May. 1970.
22. Fama, E. F., and Blume, M. E., “Filter Rules and Stock Market Trading. Security Prices: a Supplement.” Journal of Business, vol. 39, pp.226-241. 1966.
23. Feder J., Fractals, New York: Plenum Press, 1988.
24. Foster, G., “Recent Developments in Finance”, Journal of Banking and Finance, Vol. 2, 1978.
25. Franco V., ”Genetic Algorithms Applications In The Analysis Of Insolvency Risk”, Journal of Banking & Finance, Vol. 22, pp.1421~1439,1998.
26. Grefenstette, J. J., Genetic Algorithms for Machine Learning, Kluwer Academic Publishers. 1993.
27. Goldberg D. E., Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley, 1989.
28. Goldberg D. E., ”Genetic and Evolutionary Algorithms Come of Age”, Communications of ACM, Vol. 37, No. 3, pp.113-119, March 1994.
29. Holland, J.H. "Genetic Algorithms", Scientific American, 267(1), pp.66-72, 1992.
30. Kho, B. C., “ Time-Varying Risk Premia, Volatility, and Technical Trading Profits: Evidence from Foreign Currency Futures Markets.” Journal of Financial Economics, vol. 41, pp.249-290, 1996.
31. Koza J. R., Genetic Programming: On the Programming of Computers by means of Natural Selection, Cambridge, MA: MIT Press, 1992.
32. Levich, R. M., and Thomas L. R., “The Significant of Technical Trading-Rule Profits in Foreign Exchange Market: A Bootstrap Approach.” Journal of International Money and Finance, pp.451-474, October 1993.
33. Levy, R. A., ”Conceptual Foundations of Technical Analysis”, Financial Analyst’s Journal, Vol. 22, No. 4, 1966.
34. Malkiel B. G., A Random Walk down Wall Street, 5th edition, W. W. ,Norton & Company, New York. 1990.
35. Mandelbrot B.B., “When Can Price Be Arbitraged Efficiently ? A Limit to the Validity of the Random Walk and Martingale Models”, Review of Economics and Statistics, 53, pp. 225-236, 1971.
36. Mandelbrot B.B., “Statistical Methodology for Non-periodic Cycles: From the Covariance to R/S Analysis”, Annals of Economic and Social Measurement, 1, pp. 259-290, 1972.
37. Mandelbrot B.B., Fractals and Scaling in Finance, Springer, 1997.
38. Mitchell M., An Introduction to Genetic Algorithms, The MIT Press, 1996.
39. Nelder J. A, and Mead R. “A Simplex Method for Function Minimization”, Computer Journal, Vol. 7, pp.308~313. 1965.
40. Pankratz, Alan, Forecasting with univariate Box-Jenkins models : concepts and cases. New York : Wiley, 1983.
41. Peters, Edgar E., “Fractal Structure in the Capital Markets”, Financial Analysts Journal, pp.32-37, July-August, 1989.
42. Peters, Edgar E., Chaos and Order In The Capital Markets, A New View of Cycles, Prices, and Market Volatility, John Wiley & Sons. 1991.
43. Prozanto L. et al. “A General Purpose Global Optimizer: Implementation and Applications.” Mathematics and Computers in Simulation, Vol. 26,pp.412~422. 1984.
44. Sara H., “Emerging Genetic Algorithms”, AI Expert, pp.24-29, Sep. 1994.
45. Srinivas, M., ”Genetic Algorithms: A survey”, Computer, pp.17-26, June 1994.
46. Syswerda, G., “Uniform crossover in Genetic algorithms”, Proceedings of the Third International Conference on Genetic Algorithms. Morgan Kaufmann. 1989.
47. Wallis, J. R. and Matalas, N. C., “Small Sample Properties of H and K Estimators of The Hurst Coefficient H”, Water Resources Research, 6, pp.1583-1594, 1970.
48. Wayner, P., "Genetic Algorithms: Programming takes a valuable tip from nature", BYTE, January, pp.361~368,1991.
49. White, H., ”Economic Prediction Using Neural Networks: The Case of IBM Daily Stock Returns”, ICNN-88, II, pp.451-458, 1988.
50. Yao J. and H. Poh, ”Forecasting the KLSE Index Using Neural Networks”, IEEE, pp.1013-1017, 1995.
51.___________, C. Tan and H. Poh, ”Neural Networks for Technical Analysis: A Study on KLCI”, International Journal of Theoretical and Applied Finance, 1999.
52. Zbigniw and Michalewics, Genetic algorithms + data structures = evolution programs, Berlin ; New York : Springer-Verlag, 1997.