臺灣博碩士論文加值系統

本研究從過去文獻中發現，粒子群演算法 (PSO) 在演化機制上比遺傳演算法 (GA) 簡單且能以較少的參數達成模型設計。但PSO的缺點在於無法動態的調整粒子移動的速度，因此搜尋到全域最佳解附近時，收斂的速度會動態的減少；以及面臨多目標複雜問題時，容易造成過早收斂等問題。因此，本研究針對PSO的這些缺失，結合GA動態調適與演化搜尋能力，為演化式粒子群演算法 (PSOGA) ，並加入影響係數 (impact factor) 概念，設計一個改良式粒子群演算法的群體學習機制，以提升原來傳統PSO演化機制。本研究把它應用在共同基金組合的設計問題，期望藉此檢驗新的PSO模型的績效與適用性，亦希望為投資人設計出較高投資報酬率與相對低風險之投資組合商品。
經實驗結果顯示，改良式演算法所設計出的投資組合，其績效 (報酬率較高且風險較低) 皆勝過國內、境外之組合型基金，以及台股指數 (市場) ，並且相較於傳統PSO及GA應用於共同基金投資組合，有更好的績效及高度的穩定性。據此，本研究設計之新模型可適合資產管理公司之基金經理人，或者一般投資大眾，更可針對個人的風險喜好程度選擇適合的模式，設計出理想的共同基金組合商品。此外，經本研究觀察演算法演化特性，可以發現PSOGA的收斂效率較佳，而PSOGA_Lbest將粒子散佈於解答空間中分佈較廣，亦即在多目標解答空間時，PSOGA_Lbest可尋找到較佳解。

In previous research, Particle Swarm Optimization (PSO) was conceptually simpler than Genetic Algorithms (GA) and can use lesser parameter in model design. The PSO usually performs well in the early iteration, but the disadvantage of PSO was that it was unable to dynamicly adjust the speed of movement of partical when partical reached a near optimal solution in several function optimization problems. Besides, another problem is that partical swarm was easily premature convergence in multimodal optimization problems. Therefore, the aim of this research combined the strengths of PSO with GA. The hybrid algorithm, PSOGA, combined the standard velocity and position update rules of PSOs with the ideas of selection, crossover and mutation from GA.We proposed a new velocity update rule, PSOGA_Lbest, incorporating with the impact factor of concept to improve swarm learning mechanism in standard PSO. This research used the PSOGA and PSOGA_Lbest to design and construct the “best portfolio of Mutual Funds”, in order to inspecting the new algorithms evolution mechanism.We hoped this system can design the best portfolio with high rate of returns and relatively low risk simultaneously for investor.
The experimental result showed that performance of profolio of mutual funds (high rate of returns with low risk) improved PSO (PSOGA and PSOGA_Lbest) designed was better than the domestic and offshore fund of funds and greater then TSEC weighted price index. Then, the improved PSO was highly competitive and stable, often outperforming tradition PSO and GA. Therefore, professional funds manager engaged in designing and operating mutaul funds merchandise can use this model to make decisions or poduce suggestions.For investors with self-investment attribute, they can deploy portfolio of mutual funds through this system.
In addition, we found that the convergence efficiency of PSOGA is better in performance through observing the evoluntionary characteristic in this research .Then, PSOGA_Lbest let the particle scatter more widely in solution space. And reached better optimization in multi-objective explanation space , on the other hand , PSOGA was more effictiveness and efficiency.

表 次 vi
圖 次 viii
第壹章 緒 論 1
第一節 研究背景與動機 1
第二節 研究問題 3
第三節 研究目的 4
第二章 文獻探討 5
第一節 共同基金 5
第二節 粒子群最佳化演算法 16
第三節 遺傳演算法 22
第四節 PSO與GA分析與比較 26
第五節 本章彙總 28
第三章 研究方法 31
第一節 研究架構 31
第二節 變數選擇與定義 33
第三節 PSOGA模組運作流程設計 35
第四節 實驗設計 44
第五節 系統效能測試 48
第肆章 實驗結果與分析 49
第一節 實驗參數 49
第二節 系統收斂效率分析 51
第三節 演化實驗結果與分析 53
第伍章 模組評估與討論 71
第一節 實驗結果與討論 71
第二節 投資組合績效情況 74
第三節 一年及兩年歷史資料實際投資績效比較 82
第四節 PSOGA與PSO比較 83
第五節 PSOGA與PSOGA_Lbest比較 85
第陸章 結論與建議 89
第一節 結論 89
第二節 研究貢獻 90
第三節 研究限制 91
第四節 未來研究與建議 92
參考文獻 93

中文部份
1.王冠弼，應用遺傳演算法與動態模糊化調整策略於指數型基金商品設計之研究－以台灣50指數為例，輔仁大學資訊管理系碩士論文，2006年。
2.官大煊，共同基金，台北：商業週刊出版股份有限公司，1997年。
3.林世峻，影響台灣股票型基金績效之特性因素研究，淡江大學管理科學所碩士論文，2000年。
4.林宜芬，遺傳程式規劃為基的時間序列模型在金融市場之應用，輔仁大學資訊管理系碩士論文，2006年。
5.林澤全，模糊遺傳程式規劃在認購權證訂價模式之研究，輔仁大學資訊管理系碩士論文，2005年。
6.林傑宸，管理基金： 資產管理入門寶典， 台北， 智高文化事業有限公司， 2006年。
7.邱顯比，基金理財的六堂課，台北：天下遠見，2000年。
8.洪嘉苓，共同基金經理團隊與基金績效關係之研究，國立中山大學企業管理學系研究所碩士論文，1999年。
9.容軍達，互動式多目標演化式計算於投資組合推薦之研究，輔仁大學資訊管理系碩士論文，2007年。
10.張志宏，台灣共同基金投資績效評估之研究，國立成功大學企業管理研究所碩士論文，1996年。
11.陳安琳、洪嘉苓、李文智，共同基金經理團隊屬性與基金績效之研究，證券市場發展，第13 卷第3 期，2001年10月，頁1-27。
12.陳安琳、張舜、蘇錦俊，規模、淨值市價投資策略與投資組合之績效評估－ 共同基金之研究，管理研究學報，2002年1月，頁1-19。
13.陳姵君，多目標遺傳演算法應用於基金投資組合最佳化，元智大學資訊管理學系碩士論文，2005年。
14.陳鈞博，遺傳演算法在事前VAR為基礎的投資組合模型建構之應用，輔仁大學資訊管理系碩士論文，2003年。
15.傅光萬，遺傳程式規劃為基礎的股票動態交易策略之研究—模糊化技術指標擇時策略之應用，輔仁大學資訊管理系碩士論文，2005年。
16.黃培源與楊偉凱，投資共同基金的第一本書，台北：商業週刊出版股份有限公司，1998年。
17.黃植群，遺傳程式規劃為基礎的企業評價模型與交易策略之研究，輔仁大學資訊管理系碩士論文，2005年。
18.楊千霈，遺傳演算法在整合式價值投資策略之應用，輔仁大學資訊管理系碩士論文，200年。
19.齊克用，財富管理與境外基金-實務篇，台北：宏典文化，2007年。
20.劉怡君，應用遺傳程式規劃於臺指買權評價之研究，輔仁大學資訊管理系碩士論文，2004年。
21.劉貴強，遺傳演算法於組合型基金商品設計之研究，輔仁大學資訊管理系碩士論文，2004年。
22.顏志杰，遺傳演算法在股票投資組合風險值模型建構之應用－以臺灣50指數成份股票為例，輔仁大學資訊管理系碩士論文，2005年。

英文部份
1.Angeline, P., “Evolutionary Optimization versus Particle Swarm Optimization: Philosophy and performance differences”, Proceedings of the Evolutionary programming, vol.1447, 1998, pp. 601-610.
2.Apap, A. and Griffith, J. M., “The Impact of Expenses on Equity Mutual Fund Performance”, Journal of Financial Planning, 1998, pp.76-81.
3.Carhart, M. M., “On Persistence in Mutual Fund Performance”, The Journal of Finance, Vol.52, 1997, pp.57-81.
4.Eberhart, R.C., Shi, Y., “Comparison between genetic algorithms and particle swarm optimization”, Proceedings of the 7th Annual Conference on Evolutionary Programming, 1998.
5.Golec, J. H., “The Effects of Mutual Fund Managers’ Characteristics on Their Portfolio Performance, Risk and Fees”, Financial Services Review, 1996, pp.133-148.
6.Gorman, L., “A Study of the Relationship Between Mutual Fund Return and Asset Size”, 1974-1987, Akron Business and Economic Review,Vol. 22, 1991, pp53-61.
7.Grinblatt, M. and Titman, S., “A Study of Mutual Fund Returns and Performance Evaluation Techniques”, The Journal of Financial and Quantitative Analysis, Vol.29, 1994, pp.419-444.
8.Grinblatt, M. and Titman, S., “Mutual Fund Performance: An Aanalysis of Quarterly Portfolio Holding”, The Journal of Business,Vol.62, 1989, pp.393-416.
9.Indro, Daniel C., Christine X. J., Michael Y. H., and Wayne Y. L., “Mutual Fund Performance: Does Fund Sizes Matter? ”, Financial Analysis Journal,Vol. 55, 1999, pp.74-87.
10.Ippolito, R. A., “Efficiency with Costly Information A Study of Mutual Fund Performance Quarterly”, Journal of Economics,Vol.104, 1989, pp.1-23.
11.Jensen, M. C., “The performance of Mutual Funds in the Period 1945-64”, Journal of Finance,Vol. 23, 1968, pp.389-416.
12.Kennedy, J., Eberhart, R.C., “Particle swarm optimization”, Proceedings of the 1995 IEEE International Conference on Neural Networks, vol. 4, 1995, pp. 1942-1948.
13.Kennedy, J., Mendes, R., “Population structure and particle swarm performance”, Proceedings of the IEEE Congress on Evolutionary Computation (CEC 2002), 2002, pp. 1671-1676.
14.Kyong Joo Oh, Tae Yoon Kim, Sungky Min, Using genetic algorithm to support portfolio optimization for index fund management, Expert Systems with Applications, Vol 28, 2005, pp. 371-379.
15.Løvbjerg, M., Rasmussen, T., Krink, T., “Hybridparticle swarm optimiser with breeding and subpopulations”, Proceedings of the Genetic and Evolutionary Computation Conference, GECCO-2001, 2001.
16.Moses, E. A., Cheney, J. M., and Viet, E. T., “A New and More Complete Performance Measure”, Journal of Portfolio Management, Vol.13 (4) , 1987, pp.24-33.
17.Settles, M., Soule, T., “Breeding swarms: a GA/PSO hybrid”, Proceedings of the Genetic and Evolutionary Computation Conference, GECCO_2005, 2005, pp. 161-168.
18.Sharpe, W. F., “Mutual Fund Performance”, Journal of Business, 39 (1), 1966 ,pp.119-138.
19.Shi, X., Lu, Y., Zhou, C., Lee, H., Lin, W., Liang, Y., “Hybrid Evolutionary Algorithms Based on PSO and GA”, Proceedings of the IEEE 2003 Congress on Evolutionary Computation, Canberra, 2003, pp. 2393-2399.
20.Shi, Y., Eberhart, R. C., “ A Modified Particle Swarm Optimization Algorithm”, Proceedings of IEEE International Conference on Evolutionary Computation, 1998.
21.Taylor, W.R.L. and Yoder, J.A., “Mutual Fund Trading Activity and Investor Utility”, Financial Analysis Journal, May-June, 1994 ,pp. 66-69.
22.Treynor, J.L., “How to Rate Management Investment Fund”, Harvard Business Review, Vol. 43, Jan/Feb 1965, pp. 63-75.

網路資料部份
1.邱顯比、李修存，「2008年01月份基金績效評比表」，台灣共同基金績效評比，2008。2008年3月10日，取自：http://www.fin.ntu.edu.tw/。
2.胡曉輝，粒子群優化算法介紹，2002。2007年9月25日，取自：http://icdweb.cc.purdue.edu/~hux
3.基智網，「金融與投資/基金」，2007。2008年1月20日，取自：http://www.funddj.com/z/glossary/gl_homeA.asp?a=$^$glossary$glcat[18]djhtm