近年來隨著財政部對外資投資限制的開放、資產市場活絡以及國人投資理財知識之普及，國人對於理財的需求越來越殷切，理財的方式也越加多元化。共同基金聚集眾人的資金，並有專業人士來操盤管理，投資大眾可以藉著極少的資金，投資許多國內外不同種類的金融商品，藉以分散風險。因此將資金交由專業理財專家代為操作的投資觀念，在投資大眾的心目中逐漸形成，由專業經理人代為管理的共同基金也因此成為投資大眾的投資標的之一。
此外由於政府有意使國內證券市場走向國際化、專業化，使得國內共同基金在市場上的地位也顯的相對重要。隨著國內共同基金的市場成長快速，使得各投信公司推出多種不同型態種類的基金，來吸引不同偏好的投資人。對投資人而言，面對各投信公司所推出的眾多不同種類和型態的基金，實在很難憑著投資人有限的知識和資訊去選擇一個好的基金來投資，再加上各投信公司所提供的資訊相當混亂缺乏一致性，使得投資人在選擇投資共同基金時對於各家投信公司的基金績效表現沒有統一的評比標準。
針對上述問題，中華民國投資信託暨顧問工會出版月報，對各家投信所推出的基金作詳盡的報導，並且設置網站對各基金進行績效的評比以及提供相關的資訊，作為投資人選擇參考的依據。投資人雖然可以經由工會所提供的資訊瞭解各基金的最新狀況和表現，但卻無法對各基金的風險性與報酬有更明確的瞭解。因此希望藉由投資人所能取得的相關資訊，找出影響基金風險性和績效表現的顯著因素，提供投資人在選擇共同基金時有較為便捷的評估依據。
有鑑於此，本研究利用中華民國投資信託暨顧問工會所提供的歷史資料，建構共同基金風險以及績效表現分群的類神經網路鑑別模式。並針對倒傳遞類神經網路模式在處理非線性資料的問題時，雖然常有不錯的表現，但由於神經元連接鍵係數需不斷的修正，因此學習過程常會較其他分析技術花費更長的時間之缺點進行改善，提出一整合類神經網路及多元適應性雲形迴歸（Multivariate Adaptive Regression Splines, MARS）的兩階段模式建構程序。即先利用MARS針對可能影響基金報酬及風險之變數進行變數的篩選，再將篩選所得之變數作為類神經網路模式之輸入層變數以〝預測〞該基金之報酬及風險。而為了驗證本研究所提出模式之可行性及評估建構模式之診斷能力，將以至2001年底成立一年以上之153支開放型股票型基金進行實証研究。實証結果顯示本研究提出之整合類神經網路及MARS之兩階段模式建構程序能準確的〝預測〞該基金之報酬及風險，提供法人及投資人進行投資決策時之參考依據。

Mutual fund has gained more and more attention since it is an efficient and alternative channel for public investors. As the amount invested in mutual fund has gone up steadily during the past decade and its high investment return, it has drawn serious attention from both academic researchers and practitioners. The purpose of this research is to build a classification model suitable for Taiwan’s mutual fund market and provide investors information about fund’s risk and performance.
This research tries to investigate the performance of mutual fund in integrating artificial neural networks (ANNs) and multivariate adaptive regression splines (MARS). Several variables that may affect the performance mentioned in the literature, like the age of the bond fund, the portfolio of the bond fund, the scale of the bond fund, will be used to “predict” mutual funds’ risks and returns. MARS is first used to extract important variables which may influence mutual funds’ risks and returns. The obtained significant variables are then used as the input nodes of the designed neural network model to predict its risks and returns. In order to evaluate the classification capability of the proposed two-stage classification technique, historical date of 153 open stock funds are used in this study. Analytic results demonstrate that the integrated approach not only provides better classification accuracies but also saves lots of data processing time. It implies that the variables selected by MARS provide a better initial solution of the designed neural network model and hence provide better classification accuracies.

目 錄
表次------------------------------------------------------- iii
圖次------------------------------------------------------- iv
第一章 緒論------------------------------------------------ 1
第二章 文獻探討-------------------------------------------- 7
第一節 共同基金的相關研究------------------------------ 7
第二節 解釋變數之文獻探討------------------------------ 9
第三節 類神經網路-------------------------------------- 12
第四節 多元適應性雲形迴歸------------------------------ 15
第三章 研究方法------------------------------------------- 18
第一節 研究範圍---------------------------------------- 18
一、研究期間--------------------------------------- 18
二、資料來源--------------------------------------- 18
三、樣本設計--------------------------------------- 18
四、變數的定義------------------------------------- 19
五、判別率之計算----------------------------------- 23
第二節 研究限制---------------------------------------- 24
第三節 研究方法---------------------------------------- 25
一、集群分析--------------------------------------- 25
二、類神經網路------------------------------------- 27
三、多元適應性雲形迴歸----------------------------- 32
第四章 實證研究------------------------------------------- 37
第一節 MARS之資料分析---------------------------------- 39
第二節 整合模式之資料分析------------------------------ 41
第三節 綜合比較---------------------------------------- 57
第五章 結論與建議------------------------------------------ 59
參考文獻--------------------------------------------------- 61
中文文獻----------------------------------------------- 61
英文文獻----------------------------------------------- 63
附錄一 本研究基金資料明細 68
表 次
表3-1. 錯誤分類表（Confusion Matrix / 混淆表）------------ 23
表4-1. 運用MARS所篩選出之變數----------------------------- 39
表4-2. 模式一MARS分類模式之判別結果----------------------- 40
表4-3. 模式二MARS分類模式之判別結果----------------------- 40
表4-4. 類神經網路架構表----------------------------------- 42
表4-5. 模式一高風險集群各參數組合之預測結果--------------- 43
表4-6. 模式一低風險集群各參數組合之預測結果--------------- 45
表4-7. 模式一整合模式之判別結果--------------------------- 46
表4-8. 模式二高風險集群各參數組合之預測結果--------------- 47
表4-9. 模式二低風險集群各參數組合之預測結果--------------- 48
表4-10. 模式二整合模式之判別結果--------------------------- 49
表4-11. 模式一類神經網路結構--輸出層包含兩個神經元--------- 51
表4-12. 模式二類神經網路結構--輸出層包含兩個神經元--------- 52
表4-13. 模式一BPN模式各參數組合之預測結果------------------ 53
表4-14. 模式一整合模式之判別結果--輸出層包含兩個神經元----- 54
表4-15. 模式二之BPN模式各參數組合之預測結果---------------- 55
表4-16. 模式二整合模式之判別結果--輸出層包含兩個神經元----- 56
表4-17. 模式一之五種模式之判別結果比較表------------------- 58
表4-18. 模式二之五種模式之判別結果比較表------------------- 58
圖 次
圖1-1. 研究流程圖------------------------------------------ 6
圖2-1. 類神經網路神經元之構造------------------------------ 13
圖3-1. 倒傳遞類神經網路之構造------------------------------ 28
圖3-2. MARS模型單變數之BF折線圖---------------------------- 33
圖3-3. MARS模型與原始資料---------------------------------- 35
圖4-1. 模式一高風險集群訓練樣本之RMSE趨勢圖---------------- 44
圖4-2. 模式一低風險集群訓練樣本之RMSE趨勢圖---------------- 45
圖4-3. 模式二高風險集群訓練樣本之RMSE趨勢圖---------------- 47
圖4-4. 模式二低風險集群訓練樣本之RMSE趨勢圖---------------- 48
圖4-5. 模式一之BPN模式訓練樣本之RMSE趨勢圖
--輸出層包含兩個神經元------------------------------ 53
圖4-6. 模式二之BPN模式訓練樣本之RMSE趨勢圖
--輸出層包含兩個神經元------------------------------ 55

中文部分：
1. 陳慧瀅，「台灣地區汽車市場需求預測之實證─無母數雲狀迴歸加法
性模型之應用」， 國立中央大學產業經濟研究所碩士論文，1994
年。
2. 王琮瑜，「共同基金的類型、規模與其操作績效關係之研究」，交通
大學管理科學研究所碩士論文，1996年。
3. 張志宏，「台灣共同基金投資績效評估之研究」，成功大學企業管理
研究所碩士論文，1996年。
4. 尹振華，「美國股票型共同基金分類型態與績效持續性之研究」，國
立台灣大學財務金融研究所碩士論文，1997年。
5. 曾少芳，「國內股票型基金風格與績效持續性之研究」，國立台灣大
學財務金融研究所碩士論文，1997年。
6. 王葆真，「運用類神經網路建構企業債信分類模式」，國立交通大學
管理科學研究所碩士論文，1997年。
7. 林為元，「以類神經網路與區別分析模式研究證券風格之分類、辨識
與投資績效」，國立政治大學資訊管理研究所碩士論文，1998年。
8. 洪隆宇，「開放型共同基金風格分類及其穩定性之研究」，國立政治
大學企業管理研究所碩士論文，1998年。
9. 黃鴻文，「共同基金績效評估方法-文獻探討與實證主題研究」，國
立政治大學國際貿易研究所碩士文， 1998年。
10.胡崇銘，「以主成份分析評估基金績效與風險」，台灣大學商學研究
所博士論文，1999年。
11.陳俊呈，「倒傳遞網路在財務危機預警模式預測能力之探討」，國立
海洋大學航運管理學系碩士論文，1999年。
12.邱志洲、謝邦昌，「STATISTICA應用系列叢書(六) ─類神經網路分
析」，2000年。
13.劉濠葦，「運用類神經網路於共同基金績效之研究」，國立東華大學
企業管理研究所碩士論文，2000年。
14.陳惠娜，「非營利組織基金投資之穩定性研究─以共同基金為例」，
國立南華大學非營利事業管理研究所碩士論文，2000年。
15.董峰呈，「運用Cox危險等比例模式預測共同基金之營運危機」，國
立高雄第一科技大學金融營運系碩士論文，2000年。
16.楊修懿，「共同基金績效評估與淨值預測─灰色系統理論之運用」，
私立大葉大學事業經營研究所碩士論文，2000年。
17.陳順宇，「多變量分析」，華泰出版社，2000年二版。
18.吳萬益、林清河，「企業研究方法」，華泰出版社，2000年初版。
19.簡德年，「智慧資本構面下企業危機診斷模式之建構─類神經網路、
分類迴歸樹與鑑別分析方法之應用」，國立台北科技大學商業自動化
與管理研究所碩士論文，2000年。
20.黃軍儒，「台灣股票型共同基金分類型態與風格分析」，國立台灣大
學財務金融研究所碩士論文，2001年。
21.池韺華，「景氣循環下影響基金績效因素之研究」，國立中山大學財
務管理研究所碩士論文，2001年。
22.許峻源，「MARS於資料探勘上之應用-以信用卡發卡資料為例」，私
立輔仁大學應用統計研究所碩士論文，2001年。
23.葉怡成，「應用類神經網路」，儒林出版社，2001年三版。
網站部分
24.中華民國證券投資信託暨顧問商業同業公會官方網站：
http://www.sitca.org.tw
25.Salford Systems公司官方網站：
http://www.salford-systems.com
英文部分
26.Boyd, S., Ghaoui, L. E., Feron, E., and Balakrishnan, V.,
Linear Matrix Inequalities in System and Control Theory,
Philadelphia, PA: SIAM, 1994.
27.Bose, S., “Classification Using Splines”, Computational
Statistics and Data Analysis, Vol. 22, 1996, pp. 505-525.
28.Christopherson, Jon A., “Equity Style Classifications”,
Journal of Portfolio Management Vol.21, 1995, pp.32-43.
29.Davies, P. C., “Design Issues in Neural Network
Development”, NEUROVEST Journal, 1994, pp. 21-25.
30.De Gooijer, J. G., Ray, B. K., and Krager, H.,
“Forecasting Exchange Rates Using TSMARS”, Journal of
International Money and Finance, Vol.17, Issue 3, June
1998, pp.513-534.
31.De Veaux R. D., Gordon, A. L., Comiso, J. C., and Bacherer
N.E., “Modeling of Topographic Effects on Antarctic Sea
Ice Using Multivariate Adaptive Regression Splines”,
Journal of Geophysical Research, Vol. 98(C11), 1993,
pp. 20307-20319.
32.De Veaux R.D., Psichogios, D. C., and Ungar, L. H., “A
Comparison of Two Nonparametric Estimation Schemes: MARS
and Neural Networks”, Computers Chemical Engineering,
Vol. 17, 1993, pp.8.
33.Dillon, W. R. and Goldstein, M., Multivariate Analysis
Methods and Applications, Wiley, New York, NY, 1984.
34.Dutta, S. and Shekhar, S., “Bond-rating: A Non-
conversation Application of Neural Network”, IEEE
International Conference on Neural Networks, Vol. 2,
1988, San Diego, CA,pp.443-450.
35.Fish, K.E., Barnes, J. H., and Aiken, M. W. “Artificial
Neural Networks: A New Methodology for Industrial Market
Segmentation”, Industrial Marketing Management, 1995,
pp.431-438.
36.Freeman, J. A. and Skapura, D. M. “Neural Networks
Algorithms, Applications, and Programming Techniques”,
Addison-Wesley, Reading, MA, 1992.
37.Friedman, J. H., “Multivariate Adaptive Regression Splines
(with discussion)”, Annals of Statistics, Vol. 19, 1991,
pp.1-141.
38.Friedman, J. H. and Roosen, C. B., “An Introduction to
Multivariate Adaptive Regression Splines”, Statistical
Methods in Medical Research, Vol. 4, 1995, pp.197-217.
39.Gallagher, T. J., “Mutual Fund Size and Risk-Adjusted
Performance”, Illinois Business Review, Vol. 45, 1988,
pp.11-13.
40.Goetzmann, W. and Ibbotson, R. G., “Do Winners Repeat？
Patterns in Mutual Fund Performance”, Journal of Portfolio
Management, Vol. 20, 1994, pp.9-18.
41.Griffin, W. L., Fisher, N. I., Friedman, J. H., and Ryan,
C. G., “Statistical Techniques for the Classification of
Chromites in Diamond Exploration Samples”. Journal of
Geochemical Exploration, Vol. 59, 1997, pp.233-249.
42.Ippolito, R., “Consumer Reaction to Measure of Poor
Quality: Evidence from the Mutual Fund Industry”, Journal
of Law and Economics, Vol. 35, 1992, pp.45-70.
43.Jain, A. K., Mao, J., and Mohiuddin, K., “Artificial
Neural Network: A Tutorial”, IEEE Computer, Vol. 29, 1996,
pp.31-44.
44.Jensen, M. C., “The Preference of Mutual Funds in the
Period 1945-64”, Journal of Finance, Vol. 23, 1968,
pp. 389-416.
45.Johnson, R. A. and Wichern, D. W., Applied Multivariate
Statistical Analysis (Fourth Edition), Prentice-Hall, Upper
Saddle River, NJ, 1998.
46.Lippmann, R. P.,“A Introduction to Computing with Neural
Nets”, IEEE ASSP Magazine, April 1987, pp. 4-22.
47.MARS V2.0-for windows 95/98/NT, Salford System, San Diego,
CA, 2000.
48.Berry, M. J. A. and Linoff, G. S., “Data Mining
Techniques: For Marketing, Sales, and Customer Support”,
John Wiley and Sons, New York, NY, 1997.
49.Punj, G., and Stewart, D. W., “Cluster Analysis in
Marketing Research: Review and Suggestions for
Application”, Journal of Marketing Research, Vol. 20, May
1983, pp.134-148.
50.Qnet97-Neural Network Modeling for Windows 95/98/NT, Vesta
Services, Winnetka, IL, 1998.
51.Rumelhart, D. E., Hinton, G. E., and Williams, R. J.,
“Learning Internal Representations by Error Propagation in
Parallel Distributed Processing”, Vol. 1, MIT Press, 1986,
Cambridge, MA, pp318-362.
52.Sanchez, M. S., and Sarabia, L. A. “Efficiency of Multi-
layered Feed-forward Neural Networks on Classification in
Relation to Linear Discriminant Analysis, Quadratic
Discriminant Analysis and Regularized Discriminant
Analysis”, Chemometrics and Intelligent Laboratory
Systems, Vol.28, 1995, pp.287-303.
53.Sharma, S. “Applied Multivariate Techniques”, Wiley, New
York, 1996.
54.Sharpe, W. F.,“Mutual Fund Performance”, Journal of
Business, 1966, pp.119-138.
55.Sharpe, W. F.,“Asset Allocation: Management Style and
Performance Measurement”, Journal of Portfolio Management,
Vol.18, 1992, pp.7-19.
56.SPSS 1999 — Statistic Modeling for Windows 95/98/2000/NT,
SPSS Inc., 2000.
57.Steinberg, D, Bernard, B., Phillip, C., and Kerry, M., MARS
User Guide, Salford System, San Diego, CA, 2001.
58.Stern, H. S., “Neural Networks in Applied Statistics”,
Technometrics, Vol. 38, 1996, pp. 205-216.
59.Surkan, A. J., and Singleton, J. C., “Neural Networks for
Bond Ration Improved by Multiple Hidden Layers”, IJCNN-89,
1989, pp. 157-162.
60.Treynor, J. L., “How to Rate Management of Investment
Funds”, Harvard Business Review, Vol.13, 1965, pp.63-75.
61.Vellido, A., Lisboa, P. J. G., and Vaughan, J., “Neural
Networks in Business: A Survey of Applications
(1992-1998) ”, Expert Systems With Applications, Vol. 17,
1999, pp. 51-70.
62.Werbos P., Beyond Regression: New Tools for Prediction and
Analysis in the Behavioral Sciences, Ph.D thesis, Harvard,
Cambridge, MA, 1974.
63.Zhang, G., Patuwo, B. E. and Hu, M.Y., “Forecasting with
Artificial Neural Networks: The State of the Art”,
International Journal of Forecasting, Vol. 14, 1998,
pp. 35-62.