臺灣博碩士論文加值系統

近10多年來，台灣股市受一連串國際股災的影響，投資人買賣決策易受市場情緒影響，導致非理性判斷。由於許多研究顯現台灣股市並不符合效率市場的假設，個股投資人若能利用可靠的技術工具，預測次日收盤股價及其漲跌方向，仍可於詭譎多變的金融市場裡建構適當的股價預測模型作為投資依據。本研究側重在個股實驗，股價構成的因素繁複，各因素對各家公司股價影響的程度也不盡相同，受限於可研究的個股標的浩繁，無法一一進行實證，故本研究僅擇台積電與日月光兩家半導體公司為研究對象。本研究使用的分析方法有倒傳遞類神經網路及多元適應性雲形迴歸模型兩種人工智慧技術工具，另亦運用傳統ARIMA技術分析工具做比較。實驗結果顯現，各家公司於股價預測各有其適用的模式，但倒傳遞類神經網路及多元適應性雲形迴歸模型在方向準確性上的預測能力皆遠優於ARIMA。

Investing in stock market is the most popular and easiest way for investors. Everybody knows trading, but not all can make profit. As Taiwanese stock market doesn’t lie in the scope of efficient markets hypothesis, so investors can use reliable forecasting tools in predicting the trend and variation of stock prices. The purpose of this paper is to investigate the stock market forecasting capability of backpropagation neural network (BPN), multivariate adaptive regression splines (MARS), ARIMA, and hybrid MARS+BPN forecasting techniques. In order to evaluate the performance of the four proposed forecasting models, two public companies listed in Taiwan Stock Market are adopted as illustrative examples. The empirical results indicate that MARS and BPN provide better forecasting results in terms of several performance criteria. Besides, the obtained basis functions of MARS forecasting method can provide useful information for better investment decisions.

第 壹 章 緒論 1
第 一 節 研究背景 1
第 二 節 研究動機 3
第 三 節 研究目的 4
第 四 節 研究對象及範圍 5
第 五 節 研究架構 6
第 貳 章 文獻探討 8
第 一 節 財務時間序列預測 8
第 二 節 預測理論 11
第 三 節 台灣半導體業 14
第 參 章 研究方法 21
第 一 節 倒傳遞類神經網路 21
第 二 節 多元適應性雲型迴歸 27
第 三 節 自我相關整合移動平均 32
第 肆 章 實證結果與分析 37
第 一 節 資料處理 37
第 二 節 建構模式 38
第 三 節 評估準則 53
第 四 節 綜合比較 54
第 伍 章 結論與建議 59
第 一 節 研究結論 59
第 二 節 後續建議 63
參考文獻 64

中文部分
1.李天行、唐筱菁(2004)。整合財務比率與智慧資本於企業危機診斷模式之建構--類神經網路與多元適應性雲形迴歸之應用。資訊管理學報，11 (2)，161-189。
2.李天行、陳能靜、蔡榮裕(2001)。現貨盤後期貨交易資訊內涵之研究-以新加坡交易所日經 225指數期貨為例。管理學報，18 (3)，1-22。
3.李聰祥(2002)。台灣晶圓代工產業景氣循環與經營績效之研究—以台積電與聯電為例。中原大學企業管理研究所未出版碩士論文，桃園縣。
4.林瑞山(2003)。類神經網路於預測晶圓測試良率之應用。國立成功大學工學院工程管理專班未出版碩士論文，台南市。
5.邱志洲、李天行、周宇超、呂奇傑(2002)。整合鑑別分析與類神經網路在資料探勘上之應用。工業工程學刊，19(2)，9-22。
6.邱俊仁(2004)。台灣半導體產業經濟附加價值之研究-以台積電為例。世新大學經濟學研究所未出版碩士論文，台北。
7.洪志洋(2008)。晶圓代工技術發展之分析。國立交通大學管理學院未出版碩士論文，新竹。
8.唐培文(2004)。台股指數與寶來卓越50基金價格預測之研究—類神經網路與多元適應性雲型迴歸之應用。天主教輔仁大學管理學研究所未出版碩士論文，台北縣。
9.徐俊明(2004)。投資學理論與實務。台北，新陸書局。
10.張如心(2006)。矽說台灣－台灣半導體產業傳奇。台北，天下文化出版社。
11.張振魁(2000)。以類神經網路提高股票單日交易策略之獲利。國立中央大學資訊管理學系未出版碩士論文，桃園。
12.陳逸平(2007)。結合類神經網路及隨機與威廉指標應用於股市預測之研究。大葉大學資訊管理學系未出版碩士論文，彰化。
13.陳美玲(2006)。以總體經濟變數與存託憑證探討對標的股股價預測模式影響之研究-以台積電為例。大葉大學國際企業管理學系未出版碩士論文，彰化。
14.陳萱倫(2002)。臺灣、美國、日本半導體產業股價連動關係。國立成功大學企業管理學系未出版碩士論文，台南。
15.陳靜怡(2003)。整合類神經網路與多元適應性迴歸於失業率預測。私立輔仁大學管理科學研究所未出版碩士論文，台北縣。
16.粘耀仁(2007)。企業收購價格之財務評價探討-以凱雷收購日月光為例。世新大學財務金融研究所未出版碩士論文，台北。
17.馮文君(2008)。以時間數列ARIMA模式分析及預測台灣地區景氣對策訊號。中華大學應用數學系未出版碩士論文，新竹市。
18.黃嵩博(2007)。利用MARS於非參數時間模型分群之研究。國立台北大學統計學系未出版碩士論文，台北。
19.楊奕農(2005)。時間序列分析:經濟與財務上之應用。臺北：雙葉書廊 。
20.楊智傑(2005)。台股技術線型實證研究。南台科技大學財務金融系未出版碩士論文，台南。
21.葉素美(2002)。運用類神經網路與多元適應性雲形迴歸於匯率預測之研究。天主教輔仁大學管理科學研究所未出版碩士論文，台北縣。
22.管相柔(2006)。匯率預測模型之研究—ARIMA之應用。中原大學國際貿易研究所未出版碩士論文，桃園縣。
23.劉翔瑜(2006)。倒傳遞類神經網路、支援向量迴歸於日經225現貨指數之預測及交易策略之研究。天主教輔仁大學金融研究所未出版碩士論文，台北縣。
24.劉照群(2008)。美國費城半導體股市、臺灣股市、臺積電股價的關聯性之實證研究。國立臺北大學統計學系未出版碩士論文，台北。
25.鄭天德(2002)，ARMA-TGARCH模型之建立。國立交通大學經營管理研究所未出版碩士論文，新竹。
26.鄭誠義(2009)。評估日月光半導體公司成長策略。國立交通大學管理學院未出版碩士論文，新竹。
27.盧信銘(2002)。匯率預測與隨機漫步假說。國立台灣大學經濟學研究所未出版碩士論文，台北。
28.簡憶如(2006)。倒傳遞類神經網路於單一國家股票型基金淨值預測之應用－以亞洲四小龍為例。大葉大學國際企管管理學系未出版碩士論文，彰化。
29.羅宏杰(2008)。應用多元適應性雲形迴歸建構財務時間序列預測模式。天主教輔仁大學管理學研究所未出版碩士論文，台北縣。
30.羅家景(2005)。金控公司預測股價模型之績效研究。國立台北大學國際財務金融所未出版碩士論文，台北。

英文部分
1.Allen, H., Taylor, M., & Charts, P. (1990). Noise and fundamentals in the London foreign exchange market. The Economic Journal, 100, 49-59.
2.Bodyyanskiy, Y., & Popov, S. (2006). Neural network approach to forecasting of quasiperiodic financial time series. European Journal of Operational Research, 175, 1357-1366.
3.Box, G. E. P., & Jenkins, G. M. (1970). Time series analysis: Forecasting and control. SF: Holden Day.
4.Box, G. E. P., Jenkins, M., & Reinsel, D. B. (1994). Time series Analysis: Forecasting and control(3rd eds.). NJ: Prentice-Hall Inc.
5.Box, G. E. P., Pierce, D. A. (1970). Distribution of residual auto-correlations in autoregressive integrated moving average time series models. Journal of the American Statistical Association, 65, 1509-1526.
6.Brooks, C. (1997). Linear and non-linear (non-) forecastability of high frequency exchange rates. Journal of Forecasting, 15, 125-145.
7.Chen, A. S., Leung, M. T., & Daouk, H. (2003). Application of neural networks to an emerging financial market: forecasting and trading the Taiwan stock index. Computers Operations Research, 30, 901-923.
8.Chen, A. S., & Leung, M. T. (2004). Regression neural network for error correction in foreign exchange forecasting and trading. Computers and Operations Research, 31, 1049-1068.
9.Cross, S. Y. (1998). All about the foreign exchange market in the United States. Federal Reserve Bank of New York, 11, 113-115.
10.Devenow, A., & Welch, I. (1996). Rational herding in financial economics. European Economic Review, 40, 603-615.
11.Diabold, F. X. Gardeazabal, J., & Yilmaz, K. (1994). On cointegration and exchange rate dynamics. Journal of Finance, 49, 727-735.
12.Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. Journal of Finance, 25, 383-417.
13.Friedman, J. H. (1991). Multivariate adaptive regression splines. The Annuals of Statistics, 19(1), 1-141.
14.Guoqiang, Zhang, B. Eddy Patuwo & Michael Y. Hu (1998). Forecasting with artificial neural networks: The state of the art. International Journal of Forecasting, 14, 35-62.
15.Ilan, A., Min, Q., & Sadowski, R. J. (2001). Forecasting aggregate retail sales: A comparison of artificial neural networks and traditional methods. Journal of Retailing and Consumer Services, 8, 147-156.
16.Ince, H., & Trafalis, T. B. (2007). Kernel principal component analysis and support vector machines for stock price prediction. IIE Transactions, 39, 629-637.
17.Kanas, A., & Yannopoulos, A. (2001). Comparing linear and nonlinear forecasts for stock returns. International Review of Economics and Finance, 10, 383-398.
18.Killian, L., & Taylor, M. P. (2003). Why is it so difficult to beat random walk forecast of exchange rates? Journal of International Economics, 60, 85-107.
19.Kimoto, T., Asakawa, K., Yoda, M., & Takeoka, M. (1990). Stock market prediction system with modular neural networks. IJCNN International Joint Conference on Neural Networks Publication, 1, 1-6.
20.Lee, T. S., & Chiu, C. C. (2002). Neural network forecasting of an opening cash price index. International Journal of Systems Science, 33, 229-237.
21.Malkiel, B. G. (2005). Reflections on the efficient market hypothesis: 30 years later. The Financial Review, 40, 1-9.
22.Mandelbrot, B., (1963). The variance of certain speculative prices. Journal of Business, 36, 394-419.
23.Mehran, J., & Shahrokhi, M. (1997). An application of four foreign currency-forecasting models to the U.S. dollar and Mexican peso. Global Finance Journal, 3, 211-220.
24.Nag, A. K., & Mitra, A. (2002). Forecasting daily foreign exchange rates using genetically optimized neural networks. Journal of Forecasting, 21, 501-511.

25.Neely, C. J., & Paul, A. W. (2001). Technical analysis and Central Bank Intervention. Journal of International Money and Finance, 949-970.
26.Roh, T. H. (2007). Forecasting the volatility of stock price index. Expert Systems with Applications, 33, 916-922.
27.Rumelhart, E., Hinton, G. E., & Williams, R. J. (1986). Learning internal representations by error propagation in parallel distributed processing. Cambridge, MA: MIT Press.
28.Trapletti, A., Geyer, A., & Leisch, F. (2002). Forecasting exchange rates using cointegration models and intra-day data. Journal of Forecasting, 21, 151-166.
29.Tsay, R, S. (2002). Analysis of financial time series. NY: John Wiley & Sons, Inc.
30.Vojislav, K. (2001). Learning and soft computing - support vector machines. Neural networks, fuzzy logic systems. Cambridge, MA: The MIT Press.
31.Widrow, B., & Hoff, E.M. (1960). Adaptive switching circuits. NY: IRE.