跳到主要內容

臺灣博碩士論文加值系統

(216.73.217.127) 您好!臺灣時間:2026/07/29 06:46
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:陳雅琪
研究生(外文):Ya-chi Chen
論文名稱:智慧型資料探勘於國際商品與股價指數連動關係之研究
論文名稱(外文):An Intelligent Data Mining System for the Linkage Relationship Between the International Commodity Price and Stock Index
指導教授:巫沛倉
指導教授(外文):Pei-tsang Wu
學位類別:碩士
校院名稱:義守大學
系所名稱:工業工程與管理學系碩士班
學門:工程學門
學類:工業工程學類
論文種類:學術論文
論文出版年:2009
畢業學年度:97
語文別:中文
論文頁數:179
中文關鍵詞:倒傳遞類神經網路相關係數灰關聯分析國際商品指數國際股價指數連動性
外文關鍵詞:The Relationship of Stock MarketInternational Stock IndexInternational Commodity PriceBack-propagation Neural NetworkGrey Relational AnalysisCorrelation Coefficient
相關次數:
  • 被引用被引用:2
  • 點閱點閱:672
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:2
隨著經濟的全球化與網路資訊媒體的發達,使得國際金融市場之間的重大資訊得以迅速地傳遞,造就國際金融市場高度連動性。除了全球景氣及產業的變化會影響全球股市的連動之外,國際上一些重大因素的衝擊也不再只影響單一國家,例如近年的重大事件:911事件、美伊戰爭、SARS及次級房貸危機等等,只要國際間一點點風吹草動,都足以造成全球股市的震盪。
這幾年來全球經濟熱門的議題,總是少不了國際原油價格、貴金屬價格、大宗穀物價格及全球股市指數的變動,以2008年金融海嘯來說,影響之大,世界各國經濟無一倖免。美國的金融危機,剎那之間影響擴及全球,全世界都承受相當嚴厲的考驗,進而產生原物料商品和油價大跌,而全球各大股市也紛紛呈現重挫的現象,由此可知全球股市與國際商品間彼此存在著連動性。
本研究將選擇國際商品其中主要的四個大類,分別為:商品指數、能源指數、原物料指數與金屬指數;在國際股價指數中選擇四個標的作為探討,分別為:台灣加權股價指數、香港恆生指數、美國道瓊工業股價平均與美國S&P500綜合指數。本研究主要目的是想要瞭解國際商品行情價格漲跌,對全球國際股價指數的影響,提供投資人採取必要的資產配置投資策略的調整,降低(提升)投資人的損失(獲利)。本研究利用灰關聯分析、相關係數與倒傳遞類神經網路模式的結合,透過近十年的商品指數、能源指數、原物料指數與金屬指數等行情價格走勢的分析,找出與國際股價指數相互間的連動關係;透過近十年的國際股價指數走勢的分析,找出與台灣加權股價指數、香港恆生指數、美國道瓊工業股價平均與美國S&P500綜合指數相互間的連動關係。希望可以提供投資人在佈局全球化的資產配置時,能更充分掌握國際商品與全球股市的脈動,提供完整的分析,以幫助投資人作長期且有利的投資參考依據。
Along with the globalization of economy and development of network information media, the significant information of the international finance market is able to transmit rapidly. This causes the highly gearing accomplishment of international finance market. Booming and changing of the industries can affect the global stock market besides the whole world. Some international events have significant impacts that are no longer only affecting one country. In recent years, some significant events such as the 911 events, the American and Iraqi war, SARS and subprime mortgage, are sufficiently affecting the global stock market.
The impacts of international crude oil prices, the precious metal prices, the large amount grain prices and the global stock market index changes are popular issues for financial markets. The 2008 financial tsunami affects not only the US financial market but also the whole world’s economy. The whole world’s economy sustains severe test. The original product goods and the oil prices all dropped sharply. Therefore, the relationship between global stock market and the international commodity is very important.
The main purpose of this research is to: (1) investigate the relationship between the international commodity quotation price, (2) find the influence of the global international stock price index, (3) provide the investor to adopt the essential property disposition investment strategy. In this study, four main international commodities which include the Commodity index, the Energy index, the Original material index and the Metal index are chosen. We also chooses four international stock price indexes which include the Taiwan weighting stock price index, the Hong Kong Hengsheng index, the American Dow Jones industry stock price average and the American S&P500 composite index for our research. The use of the grey relational analysis, the correlation coefficient with prediction models of neural network is investigated. The ten year quotation prices of the commodity indexes and the international stock price indexes are collected. The results may provide the suggestions for the investor’s investment policies. It can help the investor to make long-term advantageous investment reference.
摘要I
AbstractII
目錄III
表目錄IV
圖目錄VII
第一章 緒論
第一節 研究背景與動機1
第二節 研究目的5
第三節 研究對象與範圍6
第四節 研究架構7
第二章 文獻探討
第一節 國際商品9
第二節 國際股價指數16
第三節 灰色理論18
第四節 類神經網路20
第三章 研究方法
第一節 灰關聯分析23
第二節 倒傳遞類神經網路31
第四章 實證分析(I)-關聯度分析
第一節 資料蒐集與整理45
第二節 灰關聯分析50
第三節 相關係數分析73
第五章 實證分析(Ⅱ)-倒傳遞類神經網路
第一節 灰關聯神經網路預測96
第二節 相關係數神經網路預測128
第三節 綜合分析162
第六章 結論與未來研究方向
第一節 結論165
第二節 未來研究方向與建議167
參考文獻
中文部份168
英文部份170
表目錄
表1.1 世界經濟成長率2
表4.1 商品指數項目詳細表46
表4.2 能源商品項目詳細表47
表4.3 原物料商品項目詳細表47
表4.4 金屬商品項目詳細表48
表4.5 國際股價指數項目詳細表49
表4.6 商品指數與國際股價指數灰關聯度52
表4.7 商品指數與挑選出的6個國際股價指數灰關聯度53
表4.8 能源商品與國際股價指數灰關聯度55
表4.9 能源商品與挑選出的7個國際股價指數灰關聯度56
表4.10 原物料商品與國際股價指數灰關聯度之一58
表4.11 原物料商品與國際股價指數灰關聯度之二59
表4.12 原物料商品與挑選出的3個國際股價指數灰關聯度60
表4.13 金屬商品與國際股價指數灰關聯度之一62
表4.14 金屬商品與國際股價指數灰關聯度之二63
表4.15 金屬商品與挑選出的4個國際股價指數灰關聯度64
表4.16 台灣加權股價指數對其他國際股價指數灰關聯度65
表4.17 台灣加權股價指數與篩選後的其他國際股價指數灰關聯度66
表4.18 香港恆生指數對其他國際股價指數灰關聯度67
表4.19 香港恆生指數與篩選後的其他國際股價指數灰關聯度68
表4.20 美國道瓊工業股價平均對其他國際股價指數灰關聯度69
表4.21 美國道瓊工業股價平均與篩選後的其他國際股價指數灰關聯度70
表4.22 美國S&P500綜合指數對其他國際股價指數灰關聯度71
表4.23 美國S&P500綜合指數與篩選後的其他國際股價指數灰關聯度72
表4.24 商品指數與國際股價指數相關係數74
表4.25 商品指數與挑選出的6個國際股價指數相關係數75
表4.26 能源商品與國際股價指數相關係數77
表4.27 能源商品與挑選出的6個國際股價指數相關係數78
表4.28 原物料商品與國際股價指數之相關係數之一80
表4.29 原物料商品與國際股價指數之相關係數之二81
表4.30 原物料商品與挑選出的3個國際股價指數相關係數82
表4.31 金屬商品與國際股價指數灰關聯度之一84
表4.32 金屬商品與國際股價指數灰關聯度之二85
表4.33 能源商品與挑選出的7個國際股價指數相關係數86
表4.34 台灣加權股價指數對其他國際股價指數相關係數87
表4.35 台灣加權股價指數與篩選後的其他國際股價指數相關係數88
表4.36 香港恆生指數對其他國際股價指數相關係數 89
表4.37 香港恆生指數與篩選後的其他國際股價指數相關係數90
表4.38 美國道瓊工業股價平均對其他國際股價指數相關係數91
表4.39 美國道瓊工業股價平均與篩選後的其他國際股價指數相關係數92
表4.40 美國S&P500綜合指數對其他國際股價指數之相關係數93
表4.41 美國S&P500綜合指數與篩選後的其他國際股價指數之相關係數94
表5.1 商品指數網路參數的設定96
表5.2 參數組合的誤差值(MSE)97
表5.3 MSE小於0.00014的參數組合之MAPE 98
表5.4 能源商品網路參數的設定100
表5.5 參數組合的誤差值(MSE)101
表5.6 MSE小於0.00163的參數組合之MAPE 102
表5.7 原物料商品網路參數的設定104
表5.8 參數組合的誤差值(MSE)105
表5.9 MSE小於0.00014的參數組合之MAPE 106
表5.10 金屬商品網路參數的設定108
表5.11 參數組合的誤差值(MSE)109
表5.12 MSE小於0.00014的參數組合之MAPE 110
表5.13 台灣加權股價指數網路參數的設定112
表5.14 參數組合的誤差值(MSE)113
表5.15 MSE小於0.00024的參數組合之MAPE 114
表5.16 香港恆生指數網路參數的設定116
表5.17 參數組合的誤差值(MSE)117
表5.18 MSE小於0.00013的參數組合之MAPE 118
表5.19 美國道瓊工業股價平均網路參數的設定120
表5.20 參數組合的誤差值(MSE)121
表5.21 MSE小於0.00009的參數組合之MAPE 122
表5.22 美國S&P500綜合指數網路參數的設定124
表5.23 參數組合的誤差值(MSE)125
表5.24 MSE小於0.00012的參數組合之MAPE 126
表5.25 商品指數網路參數的設定128
表5.26 參數組合的誤差值(MSE)129
表5.27 MSE小於0.00048的參數組合之MAPE 130
表5.28 能源商品網路參數的設定132
表5.29 參數組合的誤差值(MSE)133
表5.30 MSE小於0.00118的參數組合之MAPE 134
表5.31 原物料商品網路參數的設定136
表5.32 參數組合的誤差值(MSE)137
表5.33 MSE小於0.00013的參數組合之MAPE 138
表5.34 金屬商品網路參數的設定140
表5.35 參數組合的誤差值(MSE)141
表5.36 MSE小於0.00032的參數組合之MAPE 142
表5.37 參數組合的平均絕對值誤差率(MAPE)143
表5.38 台灣加權股價指數網路參數的設定146
表5.39 參數組合的誤差值(MSE)147
表5.40 MSE小於0.00173的參數組合之MAPE 148
表5.41 香港恆生指數網路參數的設定150
表5.42 參數組合的誤差值(MSE)151
表5.43 MSE小於0.00011的參數組合之MAPE 152
表5.44 美國道瓊工業股價平均網路參數的設定154
表5.45 參數組合的誤差值(MSE)155
表5.46 MSE小於0.00021的參數組合之MAPE 156
表5.47 美國S&P500綜合指數網路參數的設定158
表5.48 參數組合的誤差值(MSE)159
表5.49 MSE小於0.00019的參數組合之MAPE 160
表5.50 指數商品對國際股價指數之訓練、測試結果162
表5.51 能源商品對國際股價指數之訓練、測試結果162
表5.52 原物料商品對國際股價指數之訓練、測試結果163
表5.53 金屬商品對國際股價指數之訓練、測試結果163
表5.54 台灣加權股價指數之訓練、測試結果163
表5.55 香港恆生指數之訓練、測試結果164
表5.56 美國道瓊工業股價平均之訓練、測試結果164
表5.57 美國S&P500綜合指數之訓練、測試結果164
圖目錄
圖1.1 國際景氣領先指標圖3
圖1.2 國際原油價格變動圖3
圖1.3 國際主要大宗物資價格變動圖4
圖1.4 亞洲主要股市變動趨勢圖5
圖1.5 歐美主要股市變動趨勢圖5
圖1.6 研究架構8
圖3.1 灰關聯分析流程圖30
圖3.3 雙彎曲函數33
圖3.4 雙曲正切函數33
圖3.5 倒傳遞神經網路運算流程圖41
圖4.1 國際商品的分類46
圖4.2 商品指數與國際股價指數關聯圖54
圖4.3 能源商品與國際股價指數關聯圖57
圖4.4 原物料商品與國際股價指數關聯圖61
圖4.5 金屬商品與國際股價指數關聯圖65
圖4.6 台灣加權股價指數與篩選後的其他國際股價指數66
圖4.7 國際股價指數與台灣加權股價指數之股價指數分佈圖67
圖4.8 香港恆生指數與篩選後的其他國際股價指數68
圖4.9 國際股價指數與香港恆生指數之股價指數分佈圖69
圖4.10 美國道瓊工業股價平均與篩選後的其他國際股價指數70
圖4.11 國際股價指數與美國道瓊工業股價平均之股價指數分佈圖71
圖4.12 美國S&P500綜合指數與篩選後的其他國際股價指數72
圖4.13 國際股價指數與美國S&P500綜合指數之股價指數分佈圖73
圖4.14 商品指數與國際股價關聯圖76
圖4.15 能源商品與國際股價指數關聯圖79
圖4.16 原物料商品與國際股價指數關聯圖83
圖4.17 金屬商品與國際股價指數關聯圖87
圖4.18 台灣加權股價指數與篩選後的其他國際股價指數88
圖4.19 國際股價指數與台灣加權股價指數之股價指數分佈圖89
圖4.20 香港恆生指數與篩選後的其他國際股價指數90
圖4.21 國際股價指數與香港恆生指數之股價指數分佈圖91
圖4.22 美國道瓊工業股價平均與篩選後的其他國際股價指數92
圖4.23 國際股價指數與美國道瓊工業股價平均之股價指數分佈圖93
圖4.24 美國S&P500綜合指數與篩選後的其他國際股價指94
圖4.25 國際股價指數與美國S&P500綜合指數之股價指數分佈圖95
圖5.1 商品指數-國際股價指數訓練資料趨勢預測圖98
圖5.2 商品指數-國際股價指數測試資料趨勢預測圖99
圖5.3 能源商品-國際股價指數訓練資料趨勢預測圖103
圖5.4 能源商品-國際股價指數測試資料趨勢預測圖103
圖5.5 原物料商品-國際股價指數訓練資料趨勢預測圖107
圖5.6 原物料商品-國際股價指數測試資料趨勢預測圖107
圖5.7 金屬商品-國際股價指數訓練資料趨勢預測圖111
圖5.8 金屬商品-國際股價指數測試資料趨勢預測圖111
圖5.9 台灣加權股價指數的股價指數訓練資料趨勢預測圖115
圖5.10 台灣加權股價指數的股價指數測試資料趨勢預測圖115
圖5.11 香港恆生指數的股價指數訓練資料趨勢預測圖119
圖5.12 香港恆生指數的股價指數測試資料趨勢預測圖119
圖5.13 美國道瓊工業股價平均的股價指數訓練資料趨勢預測圖123
圖5.14 美國道瓊工業股價平均的股價指數測試資料趨勢預測圖123
圖5.15 美國S&P500綜合指數的股價指數訓練資料趨勢預測圖127
圖5.16 美國S&P500綜合指數的股價指數測試資料趨勢預測圖127
圖5.17 國際股價指數訓練資料趨勢預測圖131
圖5.18 國際股價指數測試資料趨勢預測圖131
圖5.19 國際股價指數訓練資料趨勢預測圖135
圖5.20 國際股價指數測試資料趨勢預測圖135
圖5.21 國際股價指數訓練資料趨勢預測圖139
圖5.22 國際股價指數測試資料趨勢預測圖139
圖5.23 國際股價指數訓練資料趨勢預測圖144
圖5.24 國際股價指數測試資料趨勢預測圖145
圖5.25 台灣加權股價指數的股價指數訓練資料趨勢預測圖149
圖5.26 台灣加權股價指數的股價指數測試資料趨勢預測圖149
圖5.27 香港恆生指數的股價指數訓練資料趨勢預測圖153
圖5.28 香港恆生指數的股價指數測試資料趨勢預測圖153
圖5.29 美國道瓊工業股價平均的股價指數訓練資料趨勢預測圖157
圖5.30 美國道瓊工業股價平均的股價指數測試資料趨勢預測圖157
圖5.31 美國S&P500綜合指數的股價指數訓練資料趨勢預測圖161
圖5.32 美國S&P500綜合指數的股價指數測試資料趨勢預測圖161
中文部份
[1]日商聯貿期貨http://www.tw-unicom.com
[2]日盛期貨http://www.jihsunfutures.com.tw/
[3]王建富(2002),小型台指期貨指數變動預測-灰色理論與類神經網路之應用,大葉大學事業經營研究所未出版碩士論文。
[4]王春笙(1996),應用倒傳遞網路及複迴歸來預測台灣股票市場股價的漲跌,國立台灣大學資訊管理研究所未出版碩士論文。
[5]台灣經濟研究院http://www.tier.org.tw/
[6]朱正修(2004),台灣股市與國際股市連動之研究,國立成功大學統計學研究所未出版碩士論文。
[7]朱恭德(2007),灰關聯分析運用於超音波加工多重品質特性之最佳化製程,逢甲大學機械工程研究所未出版碩士論文。
[8]行政院經濟委員會http://www.cepd.gov.tw/
[9]翁慶昌、陳嘉欉、賴宏仁編著(2001),灰色系統基本方法與其應用(初版),台北:高立圖書有限公司。
[10]財團法人國家政策研究基金會http://www.npf.org.tw/
[11]國泰期貨http://www.onrich.com.tw/
[12]張國川(2006),應用灰色關聯分析及類神經網路建構一金融商品價差走勢預測模型,朝陽科技大學財務金融研究所未出版碩士論文。
[13]張斐章、張麗秋著(2005),類神經網路(初版),台北:台灣東華書局股份有限公司。
[14]統一期貨期http://www.pfcf.com.tw/front/bin/home.phtml
[15]郭英哲(2004),應用倒傳遞類神經網路技術於臺灣指數期貨預測之研究,南台科技大學資訊管理研究所未出版碩士論文。
[16]陳峰毅(2006),智慧型多層次篩選模型與風險值在平行式投資組合之策略應用,嶺東科技大學財務金融研究所未出版碩士論文。
[17]陳國玄(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,國立成功大學統計學研究所未出版碩士論文。
[18]黃家輝(2002),利用灰色理論於選題策略之研究,義守大學資訊工程研究所未出版碩士論文。
[19]溫坤禮等著(2006),MATLAB在灰色系統理論的應用(初版),台北:全華科技圖書有限公司。
[20]萬絢、林明毅、陳宏杰編著(2006),模糊理論應用與實務(初版),台北:儒林圖書有限公司。
[21]經濟部www.moea.gov.tw
[22]葉怡成編著(2004),應用類神經網路(三版二刷),台北:儒林圖書有限公司。
[23]蔡依玲(2000),台灣股票市場報酬率之研究,國立成功大學統計學研究所未出版碩士論文。
[24]鄧聚龍(1985),灰色系統基本方法,武漢:華中理工大學。
[25]盧靜怡(2001),企業經營績效排名之預測-灰色關聯分析與類神經網路之應用,國立台灣科技大學資訊管理研究所未出版碩士論文。
[26]寶來曼氏期貨http://www.pmf.com.tw/newversion/index.php
[27]蘇育民(1998),灰關聯分析在食品科技上之應用,國立屏東科技大學食品科學研究所未出版碩士論文。
英文部份
[1]Chang, T. C., & Lin, S. J. (1999), Grey Relation Analysis of Carbon Dioxide Emissions From Industrial Production and Energy Uses in Taiwan, Journal of Environmental Management, 56, 247-257.
[2]Chiang, W.C., Urban, T.L., & Baldridge, G.W. (1995),A Neural Network Approach to Mutual Fund Net Asset Value Forecasting, Omega, Int. J. Mgmt. Sci., 24(2), 205-210.
[3]Kimoto, T., & Asakawa, K. (1990), Stock Market Predication System with Modular Networks, IJCNN-90, 1, 1-6.
[4]Mizuno, H., Kosaka, M., Yajima, H., & Komoda, N. (1998), Appliction Of Neural Network To Technical Analysis Of Stock Market Prediction, Studies in Informatics and Control, 7(2), 111-120.
[5]Odom, M. D., & R. Sharda (1990), A Neural Network Model for Bankruptcy Prediciton, IEEE/INNS, 2,163-168.
[6]Tu, Y.C., Lin, C.T., &Tsai, H.J. (2001), The Performance Evaluation Model of Stock-listed Banks in Taiwan:by Grey Relational Analysis and Factor Analysis, Journal of Grey System, 13(2), 153-164.
[7]Tzeng, G. H., & Tsaur, S. H. (1994), The Multiple Criteria Evaluation of Grey Relation Model, The Journal of Grey System, 6(3), 87-108.
[8]Wu, P. (1995), Neural Network Source Code, NCSU, Raileigh, N.C., U.S.A..
[9]Yoon, Y., & Swales, G.. (1991), Predicting Stock Price Performance: A Neural Network Approach, Proceeding of Twenty-Fourth Annual Hawaii International Conference on System Science, Hawaii, 156-162.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊