跳到主要內容

臺灣博碩士論文加值系統

(44.200.194.255) 您好!臺灣時間:2024/07/23 04:48
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:羅家景
研究生(外文):Lo, Chia-Ching
論文名稱:金控公司預測股價模型之績效研究
論文名稱(外文):Forecasting the Accuracy of Stock Prices of The Financial Holding Companies Through Models
指導教授:梁世安梁世安引用關係林泉源林泉源引用關係
指導教授(外文):Liang, Shih-AnLin, Chuang -Yuang
學位類別:碩士
校院名稱:國立臺北大學
系所名稱:國際財務金融碩士在職專班
學門:商業及管理學門
學類:財務金融學類
論文種類:學術論文
論文出版年:2005
畢業學年度:93
語文別:中文
論文頁數:108
中文關鍵詞:金控公司股價預測績效研究
外文關鍵詞:Financial holding companiesforecasting stock priceperformance
相關次數:
  • 被引用被引用:4
  • 點閱點閱:212
  • 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
本研究主要是探討目前國內金融環境下的上市13家金控公司之經營績效綜效,反應在股價上的表現,並欲以模型來預測其變動趨勢。
本研究之研究方法是以建立時間序列ARIMA模型﹑ARIMA+GARCH模型、移動平均模型﹑指數平滑模型、倒傳遞類神經網路模型等共五種模型,透過不同之準則方式,觀察各模型在時間序列資料的估計與預測上之優劣表現與評估績效的比較。
本研究所蒐集的資料樣本有台灣市場加權股價指數與金融保險指數及13家上市金控公司取自然對數後的日報酬資料,樣本期間為 2003 年 1 月 02 日至 2005年3月31日,共556 筆日報酬資料。但保留後 57 筆的資料做為樣本預測的比較,因此有 499 筆樣本內資料做為五種預測模型的估計樣本。
本研究實證結果如下:
(1)在整體預測誤差平均(MAPE)方面來看,ARIMA+GARCH模型最佳,其次為 ARIMA﹑指數平滑﹑倒傳遞類神經及移動平均模型。五種模型的預測誤差(MAPE)皆小於1.5%,故以MAPE評估,其預測準確度極佳。
(2)在整體的方向正確率平均(CSR)方面來看,倒傳遞類神經模型最佳,其次為指數平滑、ARIMA+GARCH﹑移動平均及ARIMA。而此五種模型的方向正確率(CSR)也都大於50%的機率,故此五種模型是方向精準的模型。
(3) 在整體的投資報酬率平均(Strategy) 方面來看,以倒傳遞類神經模型為最佳,其次為指數平滑、移動平均﹑ARIMA+GARCH及ARIMA。此五種模型的平均報酬率(Strategy)都優於預測期的實際平均報酬率-2.1%,表示五種模型所預測的投資報酬率均相當不錯。
(4) 在預測誤差值(MAPE)與預測方向正確率 (CSR)﹑投資報酬率(Strategy)三者關係方面來看,ARIMA﹑移動平均型﹑指數平滑﹑倒傳遞類神經等四種模型與上述三者無關,但在 ARIMA+GARCH模型方面只存在單向的預測誤差值與預測方向正確率呈正向。
(5) ARIMA等4種模型的預測股價誤差值與估計誤差值都呈正向相關. 僅倒傳遞類神經神模型與其無關。
(6) 五種模型的預測股價誤差值與原數列變異係數都呈正向相關。
Forecasting the Accuracy of Stock Prices of The Financial Holding Companies Through Models
by
Lo, Chia-Ching
June, 2005
ADVISOR(S): Professor Liang, Shih-An
ADVISOR(S): Dr. Lin, Chuang -Yuang

DEPARTMENT:EXECUTIVE MASTER OF BUSINESS ADMINISTRATION
IN INTERNATIONAL FINANCE
MAJOR:INTERNATIONAL FINANCE
DEGREE:MASTER OF BUSINESS ADMINISTRATION

The purpose of this research is to forecast the accuracy of stock prices of the current 13 financial holding companies through models. Also, the future trends of stock prices to be forecasted by various models had been discussed.

The ARIMA model, ARIMA+GARCH model, Moving Average model, Exponential Smooth model and Back Propagation Network model were used in the research. Through various evaluation criteria, the estimated data created by each model were observed and the performances of models were compared.

Taiwan market weighting stock price index, the financial insurance index and the daily return rates calculated by natural logarithm of current 13 financial holding companies were collected. The sampling period is from January 2, 2003 to March 31, 2005. 556 daily returns rates are the total number. But the last 57 data will be the forecasted data, so the front 499 data will be the tested data for the five kinds of forecast models.
The results of this empirical study are as follows:
(1) From the Mean Absolute Average Error(MAPE) point of view, ARIMA+GARCH model is the best, then ARIMA , Exponential Smoothing , Back Propagation Network and Moving Average model follow. Forecast errors (MAPE) from 5 models are all smaller than 1.5%. The forecasting accuracy using by MAPE is extremely good.
(2) From Correct sign rate (CSR) point of view, the Back Propagation Network model is the best, then Exponential Smoothing, ARIMA+GARCH Moving Average, ARIMA follow. All the CSR of five models are bigger than 50%, thus the precise directions forecasted by 5 models were shown.
(3) From the investment returns rate (Strategy) points of view, Back Propagation Network model ranks first, then Exponential Smoothing, Moving Average, ARIMA+GARCH, ARIMA follow. All the investment average return rates (Strategy) of 5 models are higher than the actual average return rate –2.1%. So the investment return rates forecasted by 5 models were definitely good.
(4) From the relationships among MAPE, CSR and Strategy, neither the ARIMA, nor the Moving Average, nor the Exponential Smoothing, nor the Back Propagation Network shows its good relationship, but the unidirectional forecast error value and the forecast direction made by ARIMA+GARCH model is shown.
(5) All ARIMA, ARIMA+GARCH, Exponential Smoothing, Back Propagation Network models precisely forecast stock price error values and the estimation error values.
(6) The stock price error values and the original sequence coefficient of variation all significantly related made by the 5 models.
目錄
頁次
謝 辭…………………………………………………………………….……………… …Ⅰ
博碩士論文電子檔案上網授權書…….………………………………….……………… …Ⅱ
中文論文提要…………………………………………………………………………… …Ⅲ
英文論文提要………………………………………………………...…….……………...…IV
目 錄……………………………………………………………………….………….…ⅤI
圖 次……………………………………………………………………………………ⅤII
表 次……………………………………………………………….…………………ⅤIII
第一章 緒論……………………………………………………....………………… ……1
第一節 研究背景與動機…………………………………………………..…… …...1
第二節 研究目的………………………………………………………..……… …...3
第三節 研究流程……………………………………………………..………… …...4
第四節 章節架構…………………………………………………..…………… …...5
第二章 文獻回顧…………………………………………………………… … 6
第一節 時間序列的相關文獻…………………………………..…………….. ….…6
第二節 移動平均與指數平滑的相關文獻……………………..…….……….….… 11
第三節 類神經網路的相關文獻……………………………..…………..…….… …18
第三章 研究方法……………………………………………………………..29
第一節 時間序列之計量模型……………………………………...…………..… …29
第二節 傳統預測估計模型………………………….……………………....…….…42
第三節 倒傳遞類神經網路模型………………………………………..………….…42
第四節 研究設計與預測績效評估方法…………………………………..…….……49
第五節 統計檢定方法………………………………………………….….…………53
第四章 實證結果與分析………………………………………………...…… …57
第一節 資料選取與樣本基本統計量………………………………….….……… …57
第二節 各模型與參數估計之實證結果…………………………….…….……… …59
第三節 各模型與參數估計與預測績效評估分析………………………..……… …91
第五章 結論與建議……………………………………….…………… ……100
第一節 研究結論………………………………………….…………...………… …100
第二節 研究建議……………………………………...…………….…………… …102

參考文獻………………………………………….……………………….……103
中文部分………………………………………….………………………...…………103
英文部分………………………………………….………………………...…………105







圖次
圖1-1 研究流程圖.................................................4
圖2-1 神經細胞圖.................................................19
圖2-2人工神經元模型示意圖 .......................................20
圖2-3 門檻值函數(hardlim ) ........................................21
圖2-4 線性移轉函数(purelin) .......................................22
圖2-5 S型移轉函数(logsig) ..........................................22
圖2-6 倒傳遞神經網路演算法流程....................................24
圖3-1 Enders 建議之單根檢定程序...................................32
圖3-2 TGRCH 資訊衝擊與報酬率波動不對稱..........................39
圖3-3時間序列之計量模型研究架構流程圖............................41
圖3-4移動平均與指數平滑法流程圖..................................43
圖 3-5 倒傳遞類神經網路架構建立流程圖............................45
圖 3-6 倒傳遞網路5-7-4-1. ......................................47
圖 3-7 滑動視窗測試示意圖........................................48
圖3-8 研究架構流程圖.............................................49
圖 3-9 樣本資料說明圖............................................50
圖4-1 15種金融商品原始序列日股價走勢圖...........................61
















表次
表1-1 2004年上市與上櫃的14家金控公司...........................2
表 2-1 平均數模型之演進過程.......................................6
表 2-2 ARCH 族條件變異數模型演進過程.............................7
表2-3-1 時間序列在預測之文獻整理表..................................10
表2-3-2 時間序列在預測之文獻整理表..................................11
表2-4 移動平均與指數平滑在預測之文獻整理表........................17
表2-5 非線性轉換函表..............................................23
表2-6類神經網路應用在股市投資策略之文獻整理表……………26
表2-7神經網路應用於估計與預測模型之文獻整理表……………28
表3-1 ACF及PACF鑑定p與q的方法................................33
表3-2 MAPE評估預測準確度之準則.............................51
表3-3 相關係數的強度大小與意義.....................................53
表4-1金控公司股價與指數的估計樣本與預測樣本資料..................57
表4-2 金控公司股價與指數的報酬率之基本統計量......................58
表4-3 金控公司股價與指數的原數列之第1階至8階自我相關表..........62
表4-4 金控公司股價與指數的原數列與差分ㄧ次之單根檢定.............63
表4-5 金控公司股價與指數報酬率之自我相關36階數之ACF值..........64
表4-6-1 ARIMA模型配適係數與Ljung and Box Q Test..................65
表4-6-2 ARIMA模型配適係數與Ljung and Box Q Test..................66
表4-6-3 ARIMA模型配適係數與Ljung and Box Q Test..................66
表4-7 ARIMA模型預測誤差值與漲跌方向正確率比較表.......67
表4-8 ARIMA模型投資報酬率與實際報酬率比較表….........68
表4-9 ARIMA 模型 Spearman檢定...................................69
表4-10 ARIMA模型估計與誤差預測誤差值線性相關檢定..................69
表4-11 ARIMA模型預測誤差值與原數列C.V.值線性相關檢定.............69
表4-12 各金融商品ARCH效果檢定..................................70
表4-13-1 ARIMA與GARCH模型配適係數與Ljung and Box Q Test.........71
表4-13-2 ARIMA與GARCH模型配適係數與Ljung and Box Q Test.........72
表4-13-3 ARIMA與GARCH模型配適係數與Ljung and Box Q Test.........73
表4-14 各金融商品之GARCH模型配適度..............................74
表4-15 ARIMA+GARCH預測誤差值與漲跌方向正確率比較表...75
表4-16 ARIMA-GARCH 模型投資報酬率與實際報酬率比較表...........76
表4-17 ARMA+GARCH 模型 Spearman檢定............................77
表4-18 ARMA-GARCH模型估計與誤差預測誤差值線性相關檢定............77
表4-19 ARIMA模型預測誤差值與原數列C.V.值線性相關檢定.......... 77
表4-20-1移動平均模型樣本資料誤差..................................78
表4-20-2移動平均模型樣本資料誤差..................................79
表4-21移動平均模型預測誤差值與漲跌方向正確率比較表…........80
表4-22移動平均模型投資報酬率與實際報酬率比較表.................81
表4-23 移動平均模型Spearman檢定..................................82
表4-24 移動平均模型的預測誤差值與估計誤差值線性相關檢定..............82
表4-25移動平均模型預測誤差值與原數列C.V.值線性相關檢定.............82
表4-26-1指數平滑模型(α=0.9)樣本資料誤差.........................83
表4-26-2指數平滑模型(α=0.9)樣本資料誤差.........................84
表4-27指數平滑模型預測誤差值與漲跌方向正確率比較表............84
表4-28指數平滑投資報酬率與實際報酬率比較表 ..........85
表4-39 指數平滑模型Spearman檢定.............................. ...86
表4-30指數平滑模型預測誤差值與估計誤差值線性相關檢定............ ...86
表4-31指數平滑模型預測誤差值與原數列C.V.值線性相關檢定.............87
表 4-32類神經網路模型參數設定...................................88
表4-33倒傳遞類神經模型估計樣本資料誤差表.......................88
表4-34倒傳遞類神經模型預測誤差值與漲跌方向正確率比較表...........88
表4-35倒傳遞類神經模型投資報酬率與實際報酬率比較表...........89
表4-36 倒傳遞類神經模型Spearman檢定............................90
表4-37倒傳遞類神經模型預測誤差值與估計誤差值線性相關檢定......90
表4-38倒傳遞類神經模型預測誤差與原數列C.V.值線性相關檢定........91
表4-39 五種模型的預測誤差值(MAPE)之績效衡量......................91
表4-40 各金融商品的預測誤差值(MAPE)績效排行...................92
表4-41五種模型的預測誤差值 (MAPE) 符號順序檢定表..............93
表4-42五種模型的方向正確率(CSR)之績效衡量.....................93
表4-43各金融商品的方向正確率(CSR)績效排行......................94
表4-44 五種模型的方向正確率(CSR)符號順序檢定表....................95
表4-45 五種模型的投資報酬率(Strategy)之績效衡量......................96
表4-46 各金融商品的投資績效(Strategy)排行..........................97
表4-47 五種模型的報酬率(Strategy)符號順序檢定表....................98
表4-48五種模型的MAPE 與CSR及Strategy相關檢定表...............98
表4-49五種模型的估計誤差與預測誤差值相關檢定表............... 99
表4-50五種模型的預測誤差值原數列C .V.值相關檢定..............99
參考文獻
中文部分
1.王國軒,運用不同類神經網路與模糊理論評價認購權證績效比較之研究, 國立台北大學企業管理學系未出版碩士學位論文,民國91年。
2.王勝助,運用智慧型系統在認購權證評價模式、避險及投資策略之研究,國立雲林科技大學資訊管理研究所未出版碩士學位論文,民國87年。
3.王琡閔, 股價預測之統計模型, 國立中央大學/統計研究所未出版碩士學位論文,民國89年。
4.朱正修, 台灣股市與國際股市連動性之研究, 國立成功大學統計學系未出版碩士學位論文系碩士學位論文,民國93年。
5.周文賢, 統計學,第3版,智勝文化圖書出版有限公司,民國90年。
6.林肯毅,台灣金融保險類股價指數之時間數列研究,大葉大學事業經營研究所未出版碩士學位論文,民國89年。
7.林茂文, 時間數列分析與預測,華泰書局,pp. 98-100、pp . 137- 139、pp.349-357,民國81年。
8.邱皓政,量化研究與統計分析,五南圖書出版有限公司,pp 12-6,民國89年。
9.施雅蓉,季每股盈餘之預測能力-根據時間序列及人工智慧模型,國立成功大學財務金融研究所未出版碩士學位論文,民國93年。
10.徐子峻,預測台灣電子類股指數報酬率之風險值-比較歷史模擬法、指數平滑法,長庚大學企業管理研究所未出版碩士學位論文,民國91年。
11.財務金融研究中心,投資分析+ Matlab 應用,全華科技圖書股份有限公司,民國88年。
12.張政一,類神經網路於有價證券預測股價及漲跌之研究,中國文化大學企業管理研究所未出版碩士學位論文,民國89年。
13.張斐章、張麗秋、黃浩倫, 類神經網路理論與實務,東華書局,民國93年。
14.郭伯聖,台灣股市認購權證定價模型之實證研究 ANN-GARCH 模型之應用,國立台北大學企業管理學系未出版碩士學位論文,民國91年。
15.陳姿先,美國國庫券與歐洲美元利率期貨價格間預測關係之探討-根據時間序列與人工智慧模型, 國立成功大學財務金融研究所未出版碩士學位論文,民國93年。
16.陳峙儒, S&P500 股價指數期貨與現貨間價格預測效果的探討---根據時間序列與人工智慧模型, 國立成功大學財務金融研究所未出版碩士學位論文,民國93年。
17.陳國玄,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系未出版碩士學位論文,民國93年。
18.陳國安,台灣股市電子股報酬率之預測--類神經網路與GARCH模型之應用, 東海大學管理研究所未出版碩士學位論文,民國87年。
19.黃國棟,回饋式類神經網路知識發掘於最適投資組合資金配適之研究,雲林科技大學資訊管理研究所未出版碩士學位論文,民國89年。
20.葉小蓁,時間數列分析與應用,萬達打字印刷有限公司,第二版,pp .1-33、pp .46-47、pp.54-55,民國91年。
21.葉怡成,類神經網路模式應用與實作,儒林圖書公司,民國92年。
22.詹琇伃,結合ARIMA模式與倒傳遞網路以降低預測誤差,國立成功大學工業管理科學系未出版碩士學位論文,民國93年。
23.劉宛鑫,運用股價原始資訊建構股價預測模型-類神經網路之應用, 國立高雄第一科技大學金融營運所未出版碩士學位論文,民國90年。
24.劉瑞鑫,時間序列與人工智慧方法在台股指數報酬率預測之績效比較,朝陽科技大學財務金融所未出版碩士學位論文,民國92年。
25.鄭天德,ARMA-TGARCH 模型之建立,國立交通大學經營管理研究所未出版碩士論文,民國91年。
26.魯秉鈞,技術分析於台灣股票市場的運用─移動平均線與均量指標, 東海大學管理所碩士學程在職進修專班未出版碩士學位論文,民國89年。
27.謝儀蓁,單樣本問題之無母數方法,中原大學應用數學研究所未出版碩士學位論文,民國91年。
28.羅慕君, 短期訂單預測模型之研究—PDA產業為例,中原大學資訊管理究所未出版碩士學位論文,民國92年。
29.蘇明南,移動平均線法則應用於台灣股市之實證研究, 淡江大學財務金融所未出版碩士學位論文,民國89年







英文部分
1. Bollerslev, T., Generalized Autoregressive Conditional Heteroskedasticity, Journal of Econometrics, Vol. 31,1986 pp1307-1327.
2 .Box, G. E. P. and G. M. Jenkins , Time Series Analysis:forecasting and
Control, 1976 pp. 17-19.
3. Chan, KS. And H. Tong , On Estimating Threshold in Autoregressive Models,Journal of Time Series Analysis, Vol. 7, 1986 pp179-190.
4. Chan, K.S. and R.S. Tsay , Functional-Coefficient Autoregressive
Models, Journal of the American Statistical Association, Vol. 88, 1993 pp 298-308.
5. Chan, K.S. and R.S. Tsay , Nonlinear Additive ARX Models, Journal of the American Statistical Association, Vol. 88, 1993 pp955-967.
6. Chou, R. F., Volatility Persistence and Stock Valuations: Some Empirical Evidence Using GARCH, Journal of Applied Econometrics, Vol.3, 1988 pp.279-294.
7. Christ,R.and J. Steinebach ,Estimating the adjusting the coefficient in an ARMA(p,q) risk model, Insurance Mathematics and Economics, Vol.17, 1995 pp149-161.
8. Dickey, D.A. and W.A. Fuller, Likelihood Ratio Test for Autoregressive Time Series with a Unit Root, Journal of American Statistics association, Vol.49, 1981 pp1057-1072.
9. Enders, W. Analysis of Econometric Time Series., John Wiley& Sons. Inc. 2004.
10. Engle, R. F. and V. K. Ng, Measuring and Testing the Impact of News on Volatility, Journal of Finance, Vol.48, 1993 pp.1749-1778.
11. Engle, R. F. and B. S. Yoo, Forecasting and Testing in Cointegrated System, Journal of Econometrics, North Holland, 1987 pp. 143-157.
12. Engle, R.F. , Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of UK Inflation, Econometrica, Vol.50, 1982 pp987-1008.
13. Engle,R.F.and L.David and R.Robins,Estimate Time Varyig Risk Premia in the Term Structure:The ARCH-M Model. Econometrica, Vol. 55, 1987 pp 391-407
14. Fama, E.F.,Efficient Capital Markets:A Review of Theory and Empirical work, The Journal of Finance, Vol. 25, 1970 pp383-417.
15. Gargett, G. A., The Link Between Stock Price and Liquidity,Financial Analysis Journal,1978 pp.50-54。
16. Gerber, H.U. (),Ruin theory in the linear model, Insurance Mathematic Economics, Vol. 1, 1982 pp177-184.
17.Granger, C. W. J. and P. Newbold, Spurious Regression in Econometrics, Journal of Econometrics, Vol. 2, 1974 pp. 111-120.
18.Glosten, L. , R. Jagannathan , D. Runkle, On the Relation Between the Expected Value and the Volatility on the Nominal Excess Returns on Stock, Journal of Finance Vol., 48, 1993 pp1779-1801.
19. Hamilton, J.D. , A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle, Econometrica, Vol.57, 1989 pp 357-384.
20. Hiemstra, C. and J. D. Jones ,Testing for Linear and Nonlinear Granger Causality in the Stock Price-Volume Relation, The Journal of Finance,Vol.49,No.5,1994 pp.1639-1664。
21. Hwarng, H.B. and H.T. Ang , A simple neural network for ARMA(p,q)time series, Omega, Vol. 29, 2001 pp319-333.
22. John, Kraft and Arthur, Kraft,Determinants of common Stock Price : A Time Series Analysis, The Journal of Finance,Vol.32,No.2,1977 pp.417-425。
23. Jarque, M. and K. Bera, Model Specification Tests: A Simultaneous Approach, Journal of Econometrics, Vol.20, 1982 pp. 59-83.
24. Koreisha, S.G. and Y. Fang , The impact of measurement errors on ARMA rediction, Journal of Forecasting, Vol. 18, 1999 pp95-109.
25. Kanas, A. and A. Yannopoulos , Comparing linear and nonlinear forecasts for stock return, International Review of Economics and Finance, Vol. 10, 2001 pp383-398.
26. Keran, M. W.,Expectation, Money and Stock Market, Review Federal Reserve Bank of St.louis,1971 pp.16-31。
27. Ljung, G. M. and G. E. P. Box, On a measure of lack of fit in time series models, Biomertrika, Vol.65, 1978 pp. 297-303.
28. Kohzadi, N.and M.S. Boyd and B. Kermanshahi and L. Kaastra , A comparison of artificial neural network and time series models for forecasting commodity prices, Neurocomputing, Vol. 10, 1996 pp169-181.
29. Makridakis et al., Smoothing Models,Professor Roy Batchelor Cass
Business School, City of London ESCP-EAP, Paris 2000.
30. Makridakis, S. and M. Hibon , ARMA Models and Box-Jenkins Methodology, Journal of Forecasting, Vol. 16, 1997 pp147-163.
31 Martin, C. A. and S. F. Witt, Accurary of Econometric Forecasts of Tourism, Annals of Tourism Research, Vol. 16, 1989 pp. 407-428.
32 .Nelson, C. and C. Plosser, Trends and random walks in macroeconomic time series Some evidence and implications, Journal of Monetary Economics, Vol.10, 1982 pp. 130-162.
33.Nelson, D. B.), Stationary and Persistence in the GARCH(1,1) Model,Econometrica, Vol.6, 1990 pp. 318-334.
34.Nelson, D. B., Conditional Heteroskedasticity in Asset Returns:A New 1991.
Approach, Econometrica, 59, pp. 347-370..
35.Priestly, M.B. , State-Dependent Models:A General Approach to Nonlinear Time Series Analysis, Journal of Time Series Analysis, Vol.1, 1980 pp47-47.
36.Said, S. E. and D. A. Dickey, Testing for Unit Roots in Autoregressive
Moving Average Models of Unknown Order, Biometrika, Vol. 71, 1984 pp. 599-608.
37. Sprinkel, B. W.,Money and Stock Price ,Homewood Illinois: Richard D. Irwin ,Inc.,1964 pp.115-120。
38 Terävirta, T., Specification, Estimation, and Evaluation of Smooth Transition
Autoregressive Models, Journal of the American Statistical Association, Vol. 89,
1994 pp. 208-218.
39. Tong, H., On a Threshold Models, in Patten Recognition and Single Processing, ed. C. H. Chen, Sijhoff & Noordhoff: Amsterdam. 1978.
40 Tsay, R. S., Conditional Heteroscedastic Time Series Models, Journal of the
American Statistical Association, Vol. 82, 1987 pp. 590-604.
41.Tsay, R. S. ,Analysis of Financial Time Series, John Wiley& Sons. Inc. Ch3. 2002

42.Zakoian, J. ,Threshold Heteroskedastic Model, Journal of Economic Dynamics and Control, Vol 18, 1994 pp. 931-955.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top