臺灣博碩士論文加值系統

本文以臺灣50指數成分股做為研究標的，再根據Arnott（2004）之基本面分析來決定投資組合成份股，探討由銷貨與淨值規模所挑選出來的成份股，透過四階自我迴歸式結合倒傳遞類神經網路所建構的投資組合，其績效是否可以打敗大盤，亦探討投資組合規模對於報酬率是否有顯著的影響。本研究以訓練三十六個月預測一個月配合移動視窗法來逐月篩選出預測效果最佳的投資組合，實證研究之樣本期間為2003年1月~2008年7月。
實證結果顯示：由類神經網路所建構投資組合，於預測期間的報酬率平均數皆優於大盤加權指數；在夏普指標方面皆優於大盤加權指數與臺灣50指數之績效；在Jensen''s Alpha指標方面，本文所建構的八組投資組合其Jensen''s Alpha值皆大於零，表示本文所建構的投資組合績效皆優於大盤加權指數與臺灣50指數；超額報酬標準差方面，本文由類神經網路所建構的八組投資組合其投資組合的個數能有效降低其超額報酬標準差，且每承擔一單位超額報酬之波動度所能獲得的超額報酬皆優於大盤加權指數與臺灣50指數，而本文依規模建構的投資組合對於報酬率並沒有顯著的影響。

This study employs an artificial neural work model integrating with AR (4) for portfolio construction. The fundamental variables of sales and book value of Arnott (2004) are used as stock selection criteria in the pool of the TSEC Taiwan 50 Index constituent stocks. The sample period spans from January 2003 to July 2008. A moving window of 36 months is designed as the training data to forecast the one-month ahead constituent stock price. The purposes of this present study are mainly on the relative performance of the resultant portfolio and the size effect of the portfolio as well.
The main findings of this empirical study indicate (1) The artificial neural network based portfolios possess higher average returns comparing to the TAIEX and the Taiwan 50 index; (2) The eight portfolios originated in the artificial neural network show positive Jensen’s alpha both with respect to the TAIEX and the Taiwan 50 index. The fact also highlights positive excessive returns of the constructed portfolios;(3) The eight portfolios demonstrate significant lower partial moment with respective to the TAIEX and the Taiwan 50 index and signify the higher risk premium relative to the TAIEX and the Taiwan 50 index; (4) However, the size effect of the constructed portfolios are found insignificant in this study.

中文摘要 i
英文摘要 ii
誌謝 iv
目錄 v
表目錄 vi
圖目錄 vii
一、緒論 1
1.1 研究背景與動機 1
1.2 研究目的 2
1.3 論文架構 3
二、文獻探討 4
2.1 投資組合理論 4
2.2 類神經網路之簡介 10
2.3 類神經網路相關文獻探討 17
三、研究方法 28
3.1 研究設計 28
3.2 資料描述 36
3.3 投資組合績效評估指標 39
四、實證結果與分析 44
4.1 投資組合建構結果與分析 44
4.2 基本統計分析 47
4.3 投資組合之績效評估 56
五、結論與建議 59
5.1 結論 59
5.2 建議 60
參考文獻 61

中文部份
1.王春笙，1996，以技術指標預測台灣股市股價漲跌之實證研究－以類神經網路與複迴歸模式建構，國立台灣大學資訊管理研究所碩士論文。
2.王國洲，2005，進化策略與類神經網路應用於投資組合保險報酬率之研究-以國內組合型基金為例，長庚大學資訊管理所碩士論文。
3.余文耀，1999，以資訊勘測建構基金中的基金，台灣大學財務金融學系碩士論文。
4.吳佳陽，2006，類神經網路在投資組合管理之應用，雲林科技大學財務金融研究所碩士論文。
5.吳宗正，2004，人工神經網路與統計方法應用於台灣上市電子類股價指數預測與分類之研究，國立成功大學統計研究所碩士論文。
6.吳振坤，1992，類神經網路在學習臺灣股價行為上的應用，國立交通大學資訊管理研究所碩士論文。
7.林鈺芳，2005，以類神經網路進行雙變量模糊時間序列股價預測，逢甲大學企業管理研究所碩士論文。
8.侯惠月，2000，統計方法與類神經網路再台股指數期貨之研究，國立成功大學統計研究所碩士論文。
9.洪新原，1994，結合套利定價理論及類神經網路以支援投資組合分析之研究，國立中山大學資訊管理研究所碩士論文。
10.孫慶平，2005，類神經網路應用在台灣股價指數期貨預測之研究，中原大學資訊管理所碩士論文。
11.徐俊明，2003，投資學：理論與實務，新陸書局，台北。
12.財務金融研究中心（銘傳大學），2003，投資分析+Matlab應用，全華科技圖書，台北。
13.張政一，2000，類神經網路於有價證券預測股價及漲跌之研究，文化大學國際企業管理所碩士論文。
14.張振魁，2000，以類神經網路提高股票單日交易策略之獲利，中央大學資訊管理研究所碩士論文。
15.張斐章、張麗秋，1996，類神經網路，東華書局，台北。
16.陳世芳，2006，運用類神經網路於個股籌碼流動向量股價預測系統之建立，南華大學財務管理研究所碩士論文。
17.陳逸平，2006，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碩士論文。
18.黃煥彰，1998，提高台灣電子類股投資績效之研究-類神經網路結合技術指標，國立中興大學企業管理研究所碩士論文。
19.楊修懿，2000，共同基金績效評估與淨值預測－灰色系統理論之運用，大葉大學事業經營所碩士論文。
20.溫志鴻、潘文超、林維垣，2007，以廣義迴歸神經網路預測共同基金報酬，貨幣觀測與信用評等。
21.葉怡成，2002，應用類神經網路，儒林書局，台北。
22.劉濠葦，2000，運用類神經網路於共同基金績效之研究，東華大學企業管理學系碩士論文。

23.蔡晨瑩，2005，台灣50指數ETF整合型分類預測之研究，國立成功大學統計研究所碩士論文。
24.賴宏仁，1995，結合技術分析與類神經網路以支援股票投資決策之研究，國立中山大學資訊管理研究所碩士論文。
25.謝劍平，2002，投資學，智高文化，台北。
26.羅華強，2005，類神經網路-MATLAB的應用，高立，台北。
27.蔡依玲，2001，台灣股票市場報酬率之研究，國立成功大學統計研究所碩士論文。

英文部分

1.Baba, N. and M. Kozaki, 1992, “An Intelligent Forecasting System of Stock Price Using Neural Networks”, IJCNN, Vol. 92, pp.371-377.
2.Brands, S. and D. R. Gallagher, 2005, “Portfolio selection, diversification and fund-of-funds: a note”, Accounting and Finance , Vol. 45,pp.185-197.
3.Donaldson, R.G. and M. Kamstra, 1996, “Forecast Combining with Neural Networks”, Journal of Forecasting, Vol. 15, pp.49-61.
4.Ellis, C. and P. J. Wilson., 2005, “Can a neural network property portfolio selection process outperform the property market”, Journal of Real Estate Portfolio Management , Vol. 11,pp.105-121.
5.Gencay, R., 1996, “Nonlinear Prediction of Security Returns with Moving Average Rules”, Journal of Forecasting, Vol. 15, pp.165-174.
6.Kimoto, T. and Asakawa, W., 1990, “Stock market predication system with modular network”, Proc. IEEE int. Joint Conf. Neural Network, Vol. 1, pp.1-6.
7.Kryzanowski & Galler & W.Wright, 1993, “Using Artificial Neural Network to Pick Stocks”, Financial Analysis Journal, Vol. 49, pp.21-27.
8.Lam, M., 2004, “Neural network techniques for financial performance prediction: integrating fundamental and technical analysis”, Decision Support Systems, Vol. 37, pp. 567 - 581.
9.Mizuno, H., Kosaka, M., Yajima, H. and Komoda, N., 1998, “Appliction Of Neural Network To Technical Analysis Of Stock Market Prediction”, Studies in Informatic and Control, Vol. 7, pp.111-120.
10.Robert D. Arnott, Jason Hsu, Philip Moore, 2005, “Fundamental Indexation”, Financial Analysts Journal, Vol. 61,pp. 83-99..
11.White, H., 1988, “Economic Prediction Using Neural Networks: The Case of IBM Daily Stock Returns,” IEEE International Joint Conference on Neural Networks, pp.451-458.
12.Wood, Douglas, Bhaskar, Dasqupta, 1996, “Modelling and Index of the French Capital Market”, Economic and Financial Computing, pp.119-136.