臺灣博碩士論文加值系統

近年來經濟不景氣與物價上揚，使得現代人非常注重投資理財，投資理財種類不勝枚舉，其中股票投資更是多數人的首選，因此本論文之主題為預測標準普爾500指數，可做為投資人的參考數據。
標準普爾500指數（S&P 500 Standard & Poor's 500 index），又譯為史坦普500指數，由標準普爾公司1957年開始編製的，自1957年起記錄美國股市的平均紀錄，觀察範圍達美國上市公司之前500家。
預測標準普爾500指數系統以標準普爾500指數(S&P500)為研究對象，本論文中使用了類神經網路中的倒傳遞類神經網路(Back-propagation Neural Network)[8]和迴響狀態網路(Echo State Networks)[8]以及模糊理論為工具來預測標準普爾500當天最高價、最低價與收盤價，在倒傳遞類神經網路中加入模糊理論能夠有效的改善學習率與變動率，本論文的預測模式分為兩種，模式一為1965年至1985年訓練樣本，1986年至1994年測試資料，模式二為1995年至2000年訓練樣本，2001年至2007年測試資料，經實驗結果比較在加入模糊理論後能使訓練及測試之誤差下降。

People are obliged to studying the topics of finance and investment on account of economic regressing, and rising prices in market in recent days. The investment in stock is one of the preferred choice for the modern finance. There are various data on forecasting the stock investment. The S&P500 Index is better tool for forecasting. The theme of this research is focusing S&P 500 Index forecasting, as the investor's reference data.
S&P 500 (Standard & Poor's 500) index began in 1957 by the Standard & Poor's establishment. The U.S. stock market made an average record observed range up to top 500 U.S. listed companies since the year of 1957.
S&P500 Index System use Back-propagation Neural Network and Echo State Networks as the tools to build up models. The goal is to predict the highest-price, lowest-price, and close price in the daily S&P 500 Index, and to add fuzzy rules in to Back-propagation Neural Network to improve the prediction. The result that by adding Fuzzy Rules into Back-propagation Neural Network can improve the learning and momentum effectively. This research categorize the prediction into two models. The result shows that stock price increase rapidly from 1995 to 2007. Therefore, this paper categorize S&P 500 into two models, one is trained between 1965-1990 and tested between 1995-2000, while another one is trained from 1995-2000 and tested from 2001-2007. By comparing the results, it indicates that by adding the Fuzzy Rules can lower down the variation between training and testing.

目錄
摘要 i
Abstract iii
誌謝 iv
圖目錄 viii
表目錄 xi
第一章 緒論 1
1.1研究背景 1
1.2研究動機 1
1.3研究目的 2
1.4論文架構 2
第二章 類神經網路 3
2.1導論 3
2.1.1 生物神經元模型 3
2.1.2 人工神經網路構造 4
2.1.3 類神經網路組成與架構 5
2.1.4 類神經網路種類與模式 8
2.2 倒傳遞類神經網路 9
2.2.1 倒傳遞類神經網路架構 10
2.2.2 倒傳遞類神經網路演算法 10
2.3 迴響狀態網路 14
2.3.1 迴響狀態網路架構 15
2.3.2 迴響狀態網路演算法 16
第三章 模糊理論 19
3.1 導論 19
3.1.1 模糊理論的基本架構 19
3.1.2 模糊集合 19
3.2 模糊系統 20
3.2.1模糊控制器的架構 21
3.3 模糊規則 22
3.3.1 語意式變數 22
3.3.2 規則庫 23
3.3.3 建立模糊控制規則與控制表 23
第四章 預測標準普爾500指數資料分析 25
4.1 資料擷取 25
4.2 資料分析 25
4.3 模式評估標準 27
第五章 實驗結果 28
5.1 模糊規則 28
5.2 預測標準普爾500指數之比較 30
第六章 結論與未來研究方向 41
6.1 結論 41
6.2預測標準普爾500指數 41
6.3 未來研究方向 42
參考文獻 43

[1] H. Jaeger, "The echo state approach to analysing and training recurrent neural networks". GMD Rrport 148, 2001.
[2] H. Jaeger, "Short term memory in echo state networks" GMD Rrport 148, 2002.
[3] H. Jaeger, "Adaptive Nonlinear System Identificaion with Echo State Networks", NIPS, 2002.
[4] Li-Xin Wang(2006)，《模糊理論與應用》，汪惠健，權威圖書有限公司。
[5] Shang-Jen Chuang, "Power Load Forecasting By Neural", Ph.D., 2001
[6] T-D Wang, C. Fyfe, "Training Echo State Networks with Neuroscale",TAAI, pp.107-112, Nov. 2011.
[7] 王進德，"類神經網路與模糊控制入門與應用"，全華圖書，2011年6月。
[8] 高健智，"使用類神經網路手寫簽名辨識與預測標準普爾500指數"，國立海洋科技大學電訊工程所碩士論文，2012年5月。
[9] 周郁霖，"使用類神經網路預測電力負載與預測標準普爾500指數"，國立海洋科技大學電訊工程所碩士論文，2013年1月。
[10] 葉怡成，"類神經網路模式應用與實作"，儒林圖書，2009 年4 月。