跳到主要內容

臺灣博碩士論文加值系統

(44.222.104.206) 您好!臺灣時間:2024/05/28 13:09
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

: 
twitterline
研究生:吳孟儒
研究生(外文):Wu, Tung-Ging
論文名稱:以輸入資訊內涵觀點構建台灣股價指數類神經網路預測模式之研究
論文名稱(外文):A New View of Choosing Input Signals on Forecasting Taiwan Stock Index by Artificial Neural Networks Methods
指導教授:陳昭宏陳昭宏引用關係
指導教授(外文):Cheng, Jao-Hong
學位類別:碩士
校院名稱:義守大學
系所名稱:管理科學研究所
學門:商業及管理學門
學類:企業管理學類
論文種類:學術論文
論文出版年:2001
畢業學年度:89
語文別:中文
論文頁數:143
中文關鍵詞:資訊內涵類神經網路認知心理學消費者行為包絡預測
外文關鍵詞:Price ForecastingConsumer BehaviorCognitive PsychologyANNs
相關次數:
  • 被引用被引用:17
  • 點閱點閱:647
  • 評分評分:
  • 下載下載:63
  • 收藏至我的研究室書目清單書目收藏:4
近年來,國內股票市場逐漸走向自由化與國際化, 也吸引更多投資人不斷地投入其行列。 同時國內從事股價預測與分析的研究者也因此日益增多,因此建立一套有效率的股價預測模式實有其必要性。 目前從事股價預測的研究者,在量化訊號的選取方面,大部分都採用將每日股票市場之成交值(以下稱為原始值)經權值調整後所得的價量關係,並將此價量數列轉換成各技術分析的輸入變數。但如此一來,極可能造成多項分析變數來自同一原始值,因而導致分析資訊無法隨輸入變數增加而提昇的現象。此外,在原始值轉換成各分析指標的過程中,亦有可能因人為判斷或經驗公式影響等因素,造成輸入訊號扭曲、放大或衰減等結果。而處理所造成之可能問題有三種類型:1.時間序列移動平均期間的認定問題;2.次方型態的認定問題;3.排列組合的問題。此外,雖然技術指標雖在資料判讀上優於股市原始資訊,但是指標中原始數值之意義與其貢獻卻無法分辨,而如今藉由人工智慧及電腦資訊技術的強大能力,資料的判讀已不再是最大的障礙,取而代之的應是如何選取最能反映出系統資訊原貌之輸入解釋變數。因此本研究將在投資人具同質性期許(Homogenous Expectation)的假設下,以輸入資訊內涵觀點探討弱式效率市場中,技術分析指標變數與參數之原始資訊內涵及其選用意義。在量化資訊方面,經分析二十九種技術指標並歸納擷取指標公式中股市原始量化值作為輸入訊號,共得到十項變數,同時亦提出最低價、最高價、開盤價、收盤價等值即代表每日價格「資訊邊界」之概念,其中當日開盤價為每日價格之起始值條件(Initial Condition),當日最高價、最低價則為其邊界值條件(Boundary Condition)。在非量化因素方面,目前相關研究多停留在半強式效率市場之事件因素表層語意轉換,而未對投資人之心理認知因素加以探討。然而由弱式效率市場之技術指標中,內含諸多人為主觀與經驗法則推知,具經驗之股市投資人應存在對股市歷史資訊認知印象概推之運作方式。因此本研究結合認知心理學和消費者行為理論,在同質性期許與弱式效率市場假設下,建構投資人對技術分析資訊內涵之原始概念及線形特徵之知覺架構,藉此萃取出十項原始知覺因素。透過知覺因素本研究歸納出區間變化觀念,並以「門檻轉折模型」(TAR;Threshold Autoregressive)及「包絡預測」(Envelope Forecasting)方法來定義區間進行取值。本研究運用一般常用於股價預測模式之類神經網路(Artificial Neural Networks;ANNs)進行實証分析。實証結果經檢定分析發現本研究所建立模式之預測均方根誤差小於目前相關研究所建構之預測模式。此外,亦發現輸入衡量變數中若加入投資人對線形知覺特性所形成之「區間概念」,對僅以股市原始量化資訊作為輸入衡量變數之預測模式確有顯著貢獻。研究結果明顯提升股價預測研究在電腦模擬分析部份的準確性,同時也增加資料處理及決策的速度,亦即具有較佳之成本效率。而本研究透過自動控制工程之系統建構及消費者行為學、認知心理學等理論觀點所建構之股價預測系統分析架構,也提供了建構模型的理論依據,同時對跨領域之概念結合提供可參考之思維方向。此外,跨領域的理論結合與應用實例,也期許能有效提供往後研究者之參考。
With the progressive development of Taiwan stock market, the issue of how to build up a successful model to forecast the stock price has been very attractive. A lot of research has been devoted to this; however, little attention has been paid to examine how to select input signals.
In the previous research, the technical indicators were the major input signals and the transfer of raw data into indicators in the process of the market. This may cause the tilt by subjective experience and the repeated calculation of the raw data. On the other hand, although the indicators are easy to distinguish, the contributions of each parameter are hard to define. In fact, with the help of the powerful Artificial Intelligence Systems, what is difficult is not to discuss how to find the information of the indicators but to examine how to choose the most typical input signals type that can perfectly react the complete information of the stock market to set up a forecasting model. The purpose of this thesis, therefore, is to dissect the comprehension of choosing input signals on forecasting Taiwan Stock Index, based on the hypotheses of Homogenous Expectation and the scope of the Weak Form market. Two issues of input signals were investigated:
1. Scalar types: I analyzed the complex formula parameters of 29 technical indicators and reduced them to 10 raw signals. I also raised a concept about the margin of the price information.
2. Non-scalar types: An integrative model was developed by combining the concepts of Consumer Behavior and Cognitive Psychology theories to structure the consciousness model. It was developed to explore the concepts of technical analysis, and then 10 graphical characteristics was determined. Moreover, the concept of Interval which was shaped by the graphical characteristics was discussed. Finally I applied the concepts of Threshold Autoregressive Model(TAR)and Envelope Forecasting to determine the margin value of the graphical characteristics.
For practical analysis, Artificial Neural Networks(ANNs) were used to determine the output signals. Statistically significant results show that the theoretical model of this study is not only more efficient on computer simulations but also better in performance than the previous studies. It is expected that the results of this study may facilitate the integration and application of cross-theoretical domain and stimulate a new viewpoint in the related fields.
第一章 緒論
第一節 研究背景與動機………………………………………….1
第二節 研究目的與內容………………………………………….3
第三節 研究方法………………………………………………….5
第四節 研究範圍與限制………………………………………….6
第五節 研究之重要性與預期貢獻……………………………….7
第六節 研究流程………………………………………………….8
第七節 論文架構………………………………………………….9
第二章 股價預測控制系統
第一節 控制系統理論……………………………………………10
第二節 控制系統類型……………………………………………13
第三節 控制系統元件……………………………………………19
第四節 股價預測控制系統之建構………………………………21
第五節 小結………………………………………………………23
第三章 股價預測文獻回顧與分析
第一節 股價行為理論……………………………………………24
第二節 股價分析學派……………………………………………27
第三節 股價預測控制系統………………………………………30
第四節 台灣股票市場之發展與特性……………………………50
第五節 小結………………………………………………………53
第四章 研究分析
第一節 技術指標之謬誤與原始資訊分析………………………56
第二節 技術分析線型知覺概念因素之分析與萃取……………73
第三節 系統決策元件……………………………………………90
第四節 分析架構……………………………………………….100
第五節 小結…………………………………………………….101
第五章 研究設計與實証分析
第一節 研究設計……………………………………………….102
第二節 實証分析……………………………………………….106
第三節 小結…………………………………………………….124
第六章 結論與建議
第一節 結論…………………………………………………….125
第二節 研究貢獻……………………………………………….127
第三節 建議…………………………………………………….129
參考文獻……………………………………………………………131
附錄…………………………………………………………………142
一、英文部分
1. Almedia, F.C., FEARP & USP, (1997),”A Structure Approach to Neural Networks in Bankruptcy Prediction, ” IEEE , pp.1-8.
2. Baba, N. & Kozaki, M., (1992), “An Intelligent Forecasting System of Stock Price Using Neural Networks, ” IJCNN, Vol.92, I, pp.371-377.
3. Baddeley, A.D. & Dale, H.C.A.,(1966),”The Effect of Semantic Similarity on Retroactive Interference in Long-and Short-term Memory, ” Journal of Verbal Learning and Verbal Behavior, Vol.5, pp.417-420.
4. Gates, B., (1999), Business @ the Speed of Though: Using a Digital Nervous System, Warner Books, Inc. NY
5. Kuo, B.C., (1982) , Automatic Control Systems,4th ed., N.Y.: John Wiley & Sons, Inc.
6. Binmore, K.G.,(1980), The Foundations of Analysis: A Straightforward Introduction, Cambridge University Press.
7. Black, F., (1986), “Noise, ” Journal of Finance, Vol.41, pp.529-543.
8. Blum, A., (1992), Neural Networks in C++-An Object-Orentied Framework for Building Connectionist System, John-Wiley and Sons, pp.4.
9. Bongnam, T., (1995), A New Method For Forecasting Stock Prices Using Artificial Neural Network And Wavelet Theory, Ph.D. Thesis, University of Pennsylvania.
10. Bodie, Z.,Kane, A. & Marcus, A.,(1992), Essentials of Investments, MA:Irwin, INC.
11. Bruner, G. & Austin,(1956), A study of thinking, NY:Wiley.
12. Bruce, D. & Crowley, J. J., (1970),”A Caustic Similarity Effects on Retrieval from Secondary Memory, ” Quarterly Journal of Experimental Psychology, Vol.9, pp.190-196.
13. Cootner,(1964), ”The Random Character of Stock Market Prices, ” Ph.D. Thesis, MA, MIT, Cambridge.
14. Cadden & David, T., (1991) “Neural Network and The Mathematic of Choas-An Investigation of These Methodologies as Accurate Prediction of Corporate Bankruptcy, ” IEEE Computer Society Press.
15. Coats, P. K. & Fant, L. F., (1993) “Recognizing Financial Distress Patterns Using a Neural Network Tool, ” Financial Management, Autumn, pp.142-153.
16. Cooper, L.A. & Shepard, R.N.,(1973)”Chronometric Studies of The Rotation of Mental Images, ” in W.G. Chase Ed., Visual information processing, NY:Academic Press.
17. Cottrel, G.W., Munro, A. & Zisper, D.,(1987) “Learning Internal Representations from Gray-Scale Images:A Example of Extensional Programming,” Proceeding of the 9th Annual Conference of the Cognitive Science Society, pp.461-473.
18. Delong, J. B., Shleifer, A., Summers, L. H., & Waldmann, R. J., (1989),“The Size and Incidence of the Losses from Noise Trading, ” Journal of Finance, Vol.44, pp.681-696.
19. Dutta, S. & Shekhar, S., (1998), “Bond-Rating:A Non-conservative Application of Neural Networks, ” Proc. of the IEEE Conf. On Neural Network, Vol.2, San Diego, California, pp.443-450.
20. Edwards, R. D., J. Magee, Jr., (1958), Technical Analysis of Stock Trends, 4th ed., Springfield, Mass. :Tohn Magee, pp.3.
21. Edwards, R.D. & J. Magee, Jr., (1966), Technical Analysis of Stock Trends,5th rev. ed., Springfield, Mass. :Stock Trends Services.
22. Fama, E. F., (1965), “The Behavior of Stock Market Prices, ”Journal of Business, Vol.33, January, pp.34-105.
23. Fama, E. F., (1970),“Efficient Capital Market: A Review of Theory and Empirical Work, ” Journal of Finance, Vol.39, January, pp.226-241.
24. Fama, E. F., (1976), Foundations of finance: portfolio decision and securities, N. Y.: Basic Book.
25. Foley, B. J., (1991), Capital Markets, N.Y.: Macmillan Education Ltd.
26. Harris, J. R., (1995), ”Where is The Child’s Environment? A Group Socialization Theory of Development,” Psychological Review, Vol.102, pp.458-489.
27. Hogarth, R.M.,(1986),”Editors’ Comments:Perspectives from Economics and Psychology, ” Journal of Business, Vol.59, No.4, pp.185-206.
28. Howard, J. A., (1989), Consumer Behavior in Marketing Strategy, Prentice-Hall International Inc., pp.113-114.
29. Jensen, M.C., (1978), “Some Anomalous Evidence Regarding Market Efficiency, ” Journal of Financial Economics, Vol.6, pp.95-101.
30. James, F. E., Blackwell, R. D. &Kollat, D. T., (1982), Consumer Behavior, 4th ed., pp.687.
31. Johnson, R.E.& Wolk, E.K.,(1978), Calculas with Analytic Geometry, Allyn and Bacon, Boston.
32. Jones, C.P., (1997), Investment Analysis and Management, 6th ed., John-Wiley & Sons. Inc., NY.
33. Kimoto, T. & Askawa, K., (1990), “Stock Market Prediction System with Modular Networks, ” Proc. IEEE Int. Conf. Neural Networks, pp. 1- 6.
34. Kendall, M., (1953),”The Analysis of Economic Time Series, PartⅠ: Prices, ” Journal of the Royal Statistical Society, Vol.96, pp.11-25.
35. Kahneman, D. & Tversky, A., (1979), ”Prospect Thoery:An Analysis of Decision Under Risk, ” Econometrica, Vol.47, No.2, March, pp.263-291.
36. Kryzanowski, L., G., M., W. & D.W., (1993), “Using Artificial Neural Network to Pick Stocks, ” Financial Analysis Journal, July-August.
37. Lichtenstein, S. & Slovic, P., (1971), ”Reversal of Preferences Between Bids and Choices in Gambling Decisions, ” Journal of Experience Psychology, Vol.89, July, pp.46-55.
38. Longman, (1986),Poket English Dictionary, England:Longman Group.
39. Margarita, S., (1991), “Neural Networks, Genetic Algorithms and Stock Trading, ” Artificial Neural Networks, pp.1763-1766.
40. Nise, N. S., (1995), Control Systems Engineering,2nd ed. C.A. Addison-Wesley Publishing Company.
41. Odam, M. D. & Sharda, R., (1990), ”A Neural Network Model For Bankruptcy Prediction, ” IEEE INNS IJCNN, Vol.2, pp.163-168.
42. Paivio, A.U.,(1971), Imagery and Verbal Processing, NY:Holt, Rinehart and Winston.
43. Russell, T. & Thaler, R., (1985),”The Relevance of Quasi Rationality in Competitive Markets, ” The American Economic Review, Vol.75, No.5, Dec., pp.1071-1082.
44. Rosch, E., (1973), ”On the Internal Structure of Perceptual and Semantic Categories, ” In T.E. Moore(Ed.), Cognitive development and the acquisition of language, NY:Academic Press.
45. Schoneburg, E., (1990), “Stock Price Prediction Using Neural Networks:A Project report, ” Neuro-computing, Vol.2, pp.17-27.
46. Shiffrin, R.M. & Atkinson, R.C., (1969),”Storage and Retrieval Processes in Long-Term Memory, ” Psychology Review, Vol.56, pp.179-193.
47. Simon, H. A., (1956), ”Rational Choice and The Structure of The Environment, ” Psychology Review, Vol.63, pp.129-138.
48. Shiller, R., (1981),“Do Stock Price Move Too Much to be Justified by Subsequent Changes in Dividends? “ American Economic Review, Vol.71, No.3, pp.421-436.
49. Shiller, R., (1984), “Stock Price and Social Dynamics, ” Brookings Papers on Economic Activity, Vol.2, pp.457-498.
50. Shulman, H.G., (1972),”Semantic Confusion Errors in Short-Term Memory, ” Journal of Verbal Learning and Verbal Behavior, Vol.11, pp.221-227.
51. Slovic, P. & Lichtenstein, S. , (1971),”Comparison of Bayesian and Regression Approaches to The Study of Information Processing in Judgment, ” Organizational Behavior and Human Performance, Vol.6, pp.649-774.
52. Tchaban, T., Griffin, J.P., Taylor, M.J., (1998), “A Comparison Between Single and Combined Back-Propagation Neural Networks in The Prediction of Turnover, ” Engineering Application of Artificial Intelligence, Vol.11, pp.41-47.
53. Tsay, R.S.,(1989),”Testing and Modeling Threshold Autoregressive Processes, ” Journal of America Statistical Association, Vol.84, pp.231-240.
54. Tulving, E., (1972),“Episodic and Semantic Memory,” in E. Tulving and W. Donaldson(Eds.), Organization of memory, London:Academic Press.
55. Tulving, E., (1983), Elements of episodic memory, Oxford:Oxford University Press.
56. Tversky, A. & Kahneman, D., (1974), ”Judgments under Uncertainty:Heuristics and Biases, ”Science, Vol.185, pp.1124-1131.
57. Wei, C.H., Hwang, K.P., &Cheng, J.H.,(1994),”Development of A Freeway Incident Detection Model Using Artificial Neural Network, ” 6th Annual Conference Pacific Rim Council on Urban Development, Taipei, pp.233-238.
58. Yoda, M., (1994), Predicting the Tokyo Stock Market:Trading on the Edge, John Wiley & Sons, Inc., pp.66-79.
59. Yoon, Y. & S. George, (1991),”Predicting Stock Price Performance:A Neural Network Approach, ”Proceedings of the Twenty-fourth Annual Hawaii International Conference on System Sciences, pp.156-162.
60. Zvi, B., Kane, A. & Marcus, A. J. J., (1995), Essential of Investments,3rd ed., N.Y.:McGraw-Hill.
二、中文部分
1. 王春笙(1996),「以技術指標預測台灣股市股價漲跌之實証研究─以類神經網 路與複回歸模式建構」,國立台灣大學資訊管理研究所未出版碩士論文。
2. 王致舜(1996),「適應性R.B.F.類神經網路應用於非線性系統的適應控制」,國立成功大學工程科學研究所未出版碩士論文。
3. 王錦銘(1996),控制系統解析,第十二版,台北:超級科技圖書公司。
4. 王鐘億(1998),「類神經網路投資決策支援系統投資策略之研究」,國立成功大學企業管理研究所未出版碩士論文。
5. 方國榮(1991),「證券投資最適決策指標之研究─技術面分析」,國立台灣大學商學研究所未出版碩士論文。
6. 白晉榮(1989),「股價預測:專家系統給例學習法之應用」,國立政治大學企 業管理研究所未出版碩士論文。
7. 江侃士(1994),「以行為理論探討股市投資決策」,國立台灣大學財務金融研究所未出版碩士論文。
8. 杜金龍(1998),技術指標:在台灣股市應用的訣竅,初版,台北:金錢文化出版社。
9. 李宏達(1989),「證券市場投資者之金融投資行為分析」,國立政治大學國際貿易研究所未出版碩士論文。
10. 李政芳(1996),「應用類神經網路與模糊德爾非法於股票預測模式建立之研究」,義守大學管理研究所未出版碩士論文。
11. 李春安、陳隆麒、劉維琪(1998),「管理者投資專案選擇行為與股價反應─聲譽模式觀點」,管理學報,第15卷,第四期,535-559頁。
12. 李俊毅(1999),「應用灰色預測理論與類神經網路於企業財務危機預警模式之研究」,義守大學管理研究所未出版碩士論文。
13. 李建興(2000),「貨幣需求結構改變與金融變數轉折區間:變數模糊時間序列模型」,國立政治大學中山人文社會科學研究所未出版博士論文。
14. 呂卓穎(1997),「類神經網路之探討與應用」,國立成功大學化學工程研究所未出版碩士論文。
15. 何文榮譯(1998),投資學,初版,台北:新陸書局。譯自Zvi Bodie, Alex Kane, Alan J.J Marcus(1995)。
16. 林昇遠(1998),「應用類神經網路及模糊得爾非法於個別股價預測模式之研究-台積電公司為例」,義守大學管理研究所未出版碩士論文。
17. 林泉源、黃正雄、鄭仁偉(1988),「證券投資顧問事業績效及投資人投資行為特性之研究」,中華民國證券市場發展基金會研究報告。
18. 林財印(1999),「應用時間序列在台灣加權股票指數的預測」,義守大學管理研究所未出版碩士論文。
19. 林啟文(1994),「股價調整行為之研究」,國立中山大學財務管理研究所未出版碩士論文。
20. 林煜宗(1985),現代投資學:制度、理論與實証,第三版,台北:三民書局。
21. 林曉雯(1997),「類神經網路在台灣股市投資之應用─指標選取與回饋式網路架構之建立」,國立台灣大學資訊管理研究所未出版碩士論文。
22. 林裕舜(1999),「消費者涉入模糊測度」,義守大學管理研究所未出版碩士論文。
23. 吳明彥(1998),「不同投資資訊來源對台灣股市投資人投資行為影響之研究」,大葉大學事業經營研究所未出版碩士論文。
24. 吳芝儀、李奉儒譯(1995),質的評鑑與研究,初版,台北:桂冠。譯自Michael Quinn Patton。
25. 吳康祺(1995),「渾沌理論在股價上之應用」,國立台灣大學商學研究所未出版碩士論文。
26. 邵國雄(1990),股價預測:理論與技術,初版,台北:中興管理顧問公司。
27. 洪清寶、白能勝、王孟輝、賴秋庚合譯(1997),控制系統工程,第二版,台中:滄海書局。譯自Norman S. Nise(1995)。
28. 袁澤峻(1998),「應用類神經網路在台灣股價指數預測上之研究」,長庚大學管理學研究所未出版碩士論文。
29. 翁霓(1993),「雜訊交易對股價行為影響之研究」,國立政治大學企業管理研究所未出版博士論文。
30. 陳文泉(1996),「結合渾沌信號理論及抑制雜訊原理作信號檢測」,中原大學電機工程研究所未出版碩士論文。
31. 陳弘彬(1998),「整合灰色理論與類神經網路於預測模型之建立-以SIMEX台灣股價指數期貨為例」,義守大學管理研究所未出版碩士論文。
32. 陳明智(1989),股市交戰手冊,台北:邯鄲出版社。
33. 陳明智(1992),股市經典,台北:漢宇出版社。
34. 陳威呈(1998),「應用智慧型控制理論於垃圾焚化廠燃燒控制系統及污水處理廠生物處理程序之研究」,國立成功大學環境工程研究所未出版碩士論文。
35. 陳建全(1998),「台灣股市技術分析之實証研究」,國立台灣大學商學研究所未出版碩士論文。
36. 陳進忠(1999),證券投資技術分析,台北:台灣實業文化出版社。
37. 陳國安(1999),「應用類神經網路於電子類股之預測與分析」,88年度全國管理碩士論文研討會論文集(光碟版)。
38. 張文信(1995),「以類神經網路預測股價指數漲跌」,國立台灣大學財務金融 研究所未出版碩士論文。
39. 張永盛(1989),最新股價曲線圖技術分析,初版,台北:武陵。
40. 張真卿(1997),股市技術分析操作勝典,台北:台灣廣廈出版公司。
41. 張齡松、羅俊(1990),股票操作學,二十二版,台北:證券出版社。
42. 雲建宏(1995),股市簡易技術分析,初版,台北:尚文出版社。
43. 許振明、蔡佳珍(1993), 「股價與經濟因素之關聯性分析與預測:MTV及主成分回歸分析」,台大管理論叢,第4卷,第1期,民國82年,79-104頁。
44. 黃彥聖(1995),「移動平均法的投資績效」,管理評論,第14卷,第一期,pp.47-68。
45. 黃漢斌(1994),「逆傳遞類神經網路隱藏層節點數之研究─以MRP批量方法之法則歸納為例」,國立成功大學工業管理研究所未出版碩士論文。
46. 黃曙平、蔡永泰(1991),詹森微積分,弟12版,台北:曉園出版社。
47. 莊義瑞(1991),「台灣股市崩盤之實証研究─以九二四證交稅事件為例」,國立政治大學企業管理研究所未出版碩士論文。
48. 盛介中(1995),「台灣股市之技術指標分析與價量關係之實証研究」,國立交通大學資訊管理研究所未出版碩士論文。
49. 游國居(1990),「時間數列與一般常用之技術分析方法應用於台灣股市之研究」,國立台灣工業技術學院工程技術研究所未出版碩士論文。
50. 葉怡成(1995),類神經網路:模式應用與實作,第四版,台北:儒林圖書。
51. 葉怡成(1997),應用類神經網路,初版,台北:儒林圖書公司。
52. 葉榮明(1997),「網際網路上即時股價預測類神經網路系統之研究」,國立政治大學資訊管理研究所未出版碩士論文。
53. 曾淑青(1994),「運用類神經網路於台灣股票市場價量關係的預測與分析」,國立交通大學資訊管理研究所未出版碩士論文。
54. 楊豐松(1997),「整合式智慧型系統在資料篩選上之研究─整合類神經網路與模糊理論以證券市場預測為例」,國立政治大學資訊管理研究所未出版碩士論文。
55. 戴震(1989),股市操典-技術分析實戰錄,初版,台北:時報文化出版社。
56. 廖廣毅(1999),「以類神經網路預測股價指數漲跌」,元智大學工業工程研究所未出版碩士論文。
57. 鄭永福譯(1987),自動控制系統,第二版,台北:文笙書局。譯自Benjamin C. Kuo(1982)。
58. 鄭竹均(1993),「台灣股票市場過度反應之實証研究」,國立台灣工業技術學院管理技術研究所企業管理學程未出版碩士論文。
59. 鄭志偉(1997),「運用類神經網路於台灣股市個股及指數之預測分析」,淡江大學資訊管理研究所未出版碩士論文。
60. 鄭昭明(1993),認知心理學,初版,台北:桂冠圖書公司。
61. 鄭麗玉(1993),認知心理學:理論與應用,初版,台北:五南圖書公司
62. 蔣東瀛(1988),股價線路圖形看法:入門篇,台北:眾文出版社。
63. 蔣東瀛(1988),股價線路圖形看法:實戰篇,台北:眾文出版社。
64. 鄧博文(1997),「模糊自組織映射類神經網路模式之建立與應用」,義守大學 管理研究所未出版碩士論文。
65. 鄧福鈞(2000),「波浪理論針對台股走勢之實証研究及預測」,國立台灣大學商學研究所未出版碩士論文。
66. 鄧聚龍(1996),灰色分析入門,台北:高立圖書公司。
67. 鄧聚龍、郭洪(1996),灰預測原理與應用,台北:全華圖書公司。
68. 劉慧欣(1998),「外國機構投資人交易策略及交易行為對我國股市衝擊之研究」,國立政治大學財務管理研究所未出版碩士論文。
69. 郭祥兆、韓宜芬(1994),「台灣加權股價指數非線性與渾沌現象之研究」,管 理科學學報,第11卷,第1期,pp.49-69。
70. 蔡宜龍(1990),「台灣股票市場技術分析指標有效性之衡量」,國立成功大學工業管理研究所未出版碩士論文。
71. 蔡嘉文(1996),「應用模糊神經網路於股價預測之研究」,國立成功大學工業管理研究所未出版碩士論文。
72. 賴勝章(1990),「台灣股票市場弱式效率性實証研究─以技術分析檢驗」,國立台灣大學商學研究所未出版碩士論文。
73. 謝企榮(1999),「整合類神經網路及灰色理論於國內上櫃股價指數預測模式建立之研究」,義守大學管理研究所未出版碩士論文。
74. 鍾遠祥(1999),「財務資訊對股價行為的影響─股價行為模式與投資決策」,國立中央大學企業管理研究所未出版碩士論文。
75. 寰宇財務顧問公司譯(1994),群眾心理與走勢預測,初版,台北:寰宇出版社。譯自Tony Plummer。
76. 韓宜芬(1993),「台灣加權股價指數非線性與渾沌現象之研究」,國立成功大學工業管理研究所未出版碩士論文。
77. 韓曾晉(1992),適應控制系統,初版,台北:科技圖書公司。
78. 簡貞玉譯(1996),消費者行為學,初版,台北:五南圖書公司。譯自D.I. Hawkins、J.B., Roger, A.C., Kenneth, Consumer Behavior: Implications for Marketing Strategy, 5th ed.。
79. 魏健宏、楊雨青(1999),「高雄港轉口貨櫃運量預測之研究-以類神經網路評選輸入變數」,運輸學刊,第十一卷,第三期,1~20頁。
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top