跳到主要內容

臺灣博碩士論文加值系統

(100.26.196.222) 您好!臺灣時間:2024/03/01 00:38
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:劉元君
論文名稱:盈餘預測準確度之實證研究:類神經網路與時間序列之比較
指導教授:吳安妮吳安妮引用關係蔡瑞煌蔡瑞煌引用關係
學位類別:碩士
校院名稱:國立政治大學
系所名稱:會計學系
學門:商業及管理學門
學類:會計學類
論文種類:學術論文
論文出版年:1998
畢業學年度:86
語文別:中文
論文頁數:128
中文關鍵詞:盈餘預測類神經網路
相關次數:
  • 被引用被引用:3
  • 點閱點閱:337
  • 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:1
盈餘預測不僅是公司本身管理決策的重要依據,更是廣大投資人做投資決策時仰賴甚深之基本面分析工具。過去的研究試圖以各種時間序列之計量方法找出較準確的餘預測,而本研究引進一個新的預測工具一類神經網路系統,希望比較傳統的預測盈餘計量模式一帶趨勢隨機漫步,以及類神經網路系統-BP、RNBP對盈餘預測之能力何者較優。
本研究希望探討下列幾個問題:
  一、類神經網路系統與計量模型對盈餘的預測準確度何者較高?
  二、就類神經網路系統而言:
    (一)不同的類神經網絡系統:BP、RNBP對盈餘的預測的能力是否有所差異?
    (二)不同之輸入變數個數是否對類神經網路系統的預測能力有所影響?
    (三)用單一公司做訓練範例與用類似之公司做訓練範例何者類神經網路可以學得較好?
  三、就產業之控制而言:對不同的產業做預測,其準確度是否不同?
  四、就橫斷面影響因素而言:增加了前一期之橫斷面資料一財務比率神經網路之輸入變數,預測之準確度是否會較原有的類神經網路、隨機漫步模式預測結果有顯著的提昇?
  本研究以國內上市公司中的年度盈餘為研究對象,將過去的資料給定類神經網路分析學習後預測盈餘,並與時間序列模式一帶趨勢隨機漫步預測結果相比較。本研究選取水泥、電子二個產業作研究,年盈餘則採用每股盈餘與稅前盈餘兩種定義。類神經網路學習之資料包括前數期之盈餘以及前一期財務比率資料。研究期間年自民國七十年至民國八十五年。
  經由實證結果,本研究獲致如下之結論:
  一、在類神經網路與時間序列計量模式之預測準砍度比較方面,帶趨勢隨機漫步模式在預測水泥業的每股盈餘、稅前盈餘,以及電子業的每股盈餘時,預測均相當準確,類神經網路最多與之預測能力相當。但是預測電子業的稅前盈餘時,預測能力最佳之類神經網路最多與預測能力相當。但是預測電子業的稅前盈餘時,預測能力最佳之類神經網路會顯著優於帶趨勢隨漫步,而預測能力最差之類神經網路則與帶趨勢隨機漫步無顯著差異。
  二、在BP與RNBP類神經網路系統預測準確度比較方面,預測水泥業時,RNBP之預測能力較佳,但預測電子業時,BP之預測能力較佳。
  三、預測電子業時,用前三年之盈餘作為輸入變數,可以得出較準確之預測值。預測水泥業時,則視採用之類神經網路系統決定應輸入之個數;如果採用BP,則用前五年之盈餘作為輸入變數,可以得出較準確之預測值,如果採用RNBP,則用前三年之盈餘作為輸入變數,可以得出較準確之預測值。
  四、在訓練樣本是否應該用分類混合公司的探討方面,預測水泥業時,訓練樣本是否分類無顯著差異。預測電子業時,如果使用BP,用分類混合樣本做訓練範例的預測效果顯著較好;如果使用RNBP,使用單一公司作訓練範例時準確度較高。
  五、在探討輸入變數增加橫斷面之影響方面,當類神經綱路的輸入變數除了前三期盈餘,還增加了12項財務比率時,預測準確度並未增加,甚至有一組預測反而顯著較差。因此,預測盈餘時,只用前期盈餘做輸入變數即能得到良好之預測值,不必增加財務比率作為輸入變數。
  Earning forecasting is an important information used by corporation management and investors. Researches in the past tempt to forecast earnings more accurately with time series models. My research introduces a new tool - Artificial Neural Networks - to predict earnings, and will be compared with the traditional time series model - random walk.
  Through the empirical results, my research conclude that:
  ◆In forecasting the EPS and earnings before taxes of concrete industry and EPS of electric industry, random walk is better than artificial neural network. But in forecasting the earnings before taxes of electric industry, artificial neural network is better than random walk.
  ◆When forecasting earnings of concrete industry, RNBP is better than BP; while forecasting earnings of electric industry, BP is better than RNBP.
  ◆Using 3 inputs to forecast earnings of electric industry can have accurate result. When forecasting earnings of concrete inustry, BP will perform better with 5 inputs and RNBP will perform better with 3 inputs.
  ◆When forecasting earnings of concrete industry, it makes no difference use pooling samples or not. When forecasting earnings of electric industry, BP will perform better with pooling samples and RNBP will perform better with single company sample.
  ◆It seems that using financial ratios as input will not contribute to earning forecasting.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top