臺灣博碩士論文加值系統

國際外匯市場自從1973年布列登森林協定時代結束後，各主要工業國家貨幣之兌換價格不再維持固定。近年來，匯率波動的幅度加劇。本研究期望比較出最適合預測匯率價格走勢的模型，以進一步來為台灣的進出口貿易廠商提供更佳的匯率價格走勢預警模型，降低台彎進出口廠商因匯率波動而產生的風險。
本研究為了解不同類神經網路模型，探討總體經濟變數時，對於匯價的變動是否具預測能力，分別就三種常用的預測模型來預測匯率價格走勢，倒傳遞類神經網路、回饋式類神經網路、回饋式模糊類神經網路，並比較此三種類神經網路於預測匯率價格時的學習效果與預測效果。
在研究後得知：
1.在預測匯率價格時，倒傳遞類神經網路由於沒有資料的回饋效果因此其隱藏層的神經元個數明顯的較回饋式類神經網路來的多，顯示回饋式類神經網路的資訊回饋效果在預測外匯價格上還不錯。
2.在回饋資訊的加強後，可以提高學習速率來加快收歛的速度。
3.加入模糊後，資訊的處理似乎因此而較為複雜，需增加隱藏層的神經元個數來加強類神經網路的運算效果。且學習速度率也因此而需降低。

Since the collapse of Bretton Woods system in 1973, the floating exchange rate has become a popular exchange rate system. During the past three decades, there are dramatic fluctuations in the foreign exchange rate. For those countries that international trade plays an important role such as Taiwan, had encountered serious problems because of the fluctuations of foreign exchange rate. This study attempts to examine the optimum model which can more accurately predicts the tendency of the exchange rate than conventional models in the current global economic environments in order to provide the companies which involved in international trade have a good forecasting power on exchange rate trend and reduce the foreign exchange rate risk of the exporters and importers.
This study explores whether the overall macro economic parameters have significant impacts on the forecasting ability of the trend movement of foreign exchange rate. In order to achieve this goal, this work employs three neural network models, namely, the Backpropagation Neural Network (BPN), Recurrent Neural Network (RNN), Recurrent Fuzzy Neural Network (RFNN) models to predict the trend of foreign exchange rate. This syudy also investigates which Neural Network model has the best forecasting power among the three neural networks to predict the foreign exchange rate.
The empirical results are summarized as follows:
1. Owing to the fact that BPN does not have the recurrent ability, the forecasting power on foreign exchange rate by BPN is inferior to that by RNN.
2. The convergent speed of learning improves by strengthening the recurrence of information.
3. The RFNN’s learning speed is slower than RNN after the fuzzy logic is added to RNN. However, RFNN’s forecasting power on foreign exchange rate outperforms RNN and BPN.
In summary, this study finds that the RFNN has the best predictive power, the RNN is ranked the second, and the BPN has the least predictive power among the three neural networks.

目 錄
謝　辭 I
摘 要 II
Abstract Ⅲ
目 錄 IV
圖目錄 V
表目錄 VI
第壹章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 2
第三節 研究流程 3
第貳章 文獻探討 4
第一節 外匯相關文獻探討 4
第二節 類神經相關文獻探討 5
第三節 模糊類神經相關文獻探討 7
第叁章 研究方法 8
第一節 資料來源與變數選取 8
第二節 前向式類神經網路模型 10
第三節 回饋式類神經網路模型 14
第四節 模糊類神經網路理論 16
第肆章 實證結果與分析 20
第一節 倒傳遞類神經網路的實證結果 22
第二節 回饋式類神經網路的實證結果 24
第三節 回饋式模糊遞類神經網路的實證結果 26
第四節 類神經網路的實證結果比較 28
第伍章 結論與建議 32
第一節 結論 32
第二節 研究限制 33
第三節 建議 33
參考文獻 34
附件一 38
附件二 43

圖目錄
圖1- 1 研究流程 3
圖3- 1　倒傳遞類神經網路 11
圖3- 2　雙彎曲函數 12
圖3- 3　回饋式類神經網路架構 15
圖3- 4　模糊控制架構圖 16
圖3- 5　類神經模糊網路模型 19
圖4- 1　處理流程圖 20
圖4- 2　匯率實際價格與預測價格比照圖 23
圖4- 3　回饋式類神經網路匯率實際價格與預測價格比照圖 25
圖4- 4　模糊類神經網路匯率實際價格與預測價格比照圖 27
圖5- 1　倒傳遞類神經網路第一期1000次的訓練結果 38
圖5- 2　倒傳遞類神經網路第一期3000次的訓練結果 38
圖5- 3　倒傳遞類神經網路第一期5000次的訓練結果 38
圖5- 4　倒傳遞類神經網路第二期1000次的訓練結果 39
圖5- 5　倒傳遞類神經網路第二期3000次的訓練結果 39
圖5- 6　倒傳遞類神經網路第二期5000次的訓練結果 39
圖5- 7　倒傳遞類神經網路第三期1000次的訓練結果 40
圖5- 8　倒傳遞類神經網路第三期3000次的訓練結果 40
圖5- 9　倒傳遞類神經網路第三期5000次的訓練結果 40
圖5- 10　回饋式類神經網路的訓練結果 41
圖5- 11　回饋式類神經網路的訓練結果 41
圖5- 12　回饋式類神經網路的訓練結果 41
圖5- 13　回饋式模糊類神經網路的訓練結果 42
圖5- 14　回饋式模糊類神經網路的訓練結果 42
圖5- 15　回饋式模糊類神經網路的訓練結果 42


表目錄
表2- 1國內外外匯相關文獻探討 4
表3- 1 國內外外匯相關文獻探討 4
表3- 2　國內外類神經網路文獻探討 5
表3- 3　國內外類神經網路文獻探討 7
表4- 1　訓練資料分類表 21
表4- 2　測試資料表 21
表4- 3　倒傳遞類神經網路的輸入值 22
表4- 4　倒傳遞類神經網路的輸出值 22
表4- 5　回饋式類神經網路輸入值 24
表4- 6　回饋式神經網路輸出值 24
表4- 7　回饋式模糊類神經網路輸入值 26
表4- 8　回饋式模糊類神經網路輸出值 26
表4- 9　各類類神經網路的函數比較表 28
表4- 10　各類類神經經網路的輸入值比較表 29
表4- 11　各類類神經網路的學習效果比較表 29
表4- 12　各類類神經網路的預測效果比較表 31
表5- 1　倒傳遞類神經網路匯率實際價格與預測價格比照表 43
表5- 2 回饋式類神經網路匯率實際價格與預測價格比照表 45
表5- 3 回饋式模糊類神經網路匯率實際價格與預測價格比照表 48

一、中文文獻
丁義恩，1997年“應用類神經網路在匯價走勢上的預測”，義守大學管理科學研究所未出版碩士論文。
王姿尹，1995年“新台幣與美元相對匯率預測模型:類神經網路分析的應用”，淡江大學財務金融學系未出版碩士論文。
古峻明，1999年“類神經網路之預測與信賴區間之建構—以東南亞金融風暴後新台幣兌美元匯率為例”。
李榮謙，國際貨幣與金融，智勝文化事業有限公司，台北，1999 年。
岑英勤，1993年，“智慧型決策系統運用於臺灣股票市場技術面分析之研究”交通大學資訊管理研究所未出版碩士論文。
沈中華，“台灣遠期美元外匯市場效率性之再檢定--兩狀態Markov 模型的應用”，經濟論文，第21 卷第1 期，87-115 頁，1993 年。
林章鈞，1994年“使用類神經網路於台灣貨幣市場匯率趨勢預測之研究”，國立交通大學資訊管理研究所未出版碩士論文。
張智星，2005年，“MATLAB程式設計與應用”，清蔚科技。
劉亞秋，國際財務管理, 2000 年, 三民書局出版.
顏錫銘，國際財務管理, 1999 年, 三版, 華泰書局出版.
葉怡成，“類神經網路模式應用與實作”，儒林圖書有現公司，1999年3月六版
葉怡成，“類神經網路模式應用與實作”，儒林圖書有限公司，2002年
葉松炫，1999年“運用類神經網路預測匯率”，國立中山大學財務管理學系研究所未出版碩士論文。
楊雅淇，1999年“臺灣金融類股價指數預測模式之實證比較研究”，淡江大學統計學系研究所未出版碩士論文。
羅華強，“類神經網路-MATLAB的應用”，清蔚科技，2005年
蘇木春、張孝德 (2001)，“機器學習：類神經網路、模糊系統以及基因演算法則”，全華科技圖書股份有限公司。
鍾俊文譯，Michael Rosenberg 著“匯率預測的理論與實務”，貨幣觀測與信用評，1996 年11 月
戴士陽，1999年“合作式類神經模糊於時間序列之應用”，國立成功大學資訊管理研究所未出版碩士論文。
嚴錫銘編譯，Alanc. Shapiro 著，“國際財務管理”，華泰文化事業公司，1999年

二、英文文獻
Allen Hobbs, Nikolaos G. Bourbakis (1995), “A NeuroFuzzy Arbitrage Simulator for
Stock Investing”, Computational Intelligence for Financial Engineering.
Baba, N. and Kozaki, M. (1992), "An Intelligent Forecasting System of Stock Price
Using Neural Networks, " IJCNN, 1, PP.371-377.
Bahram Adrangi, Arjun Chatrath, Kanwalroop Kathy Dhanda and Kambiz Raffiee
(2001), “Chaos in oil prices? Evidence from futures markets”, Energy Economics 23 405-425
Boston, J.R.(1998), “A measure of uncertainty for stock performance”, Proceedings of
the IEEE/IAFE/INFORMS 1998 Conference on Computational Intelligence for
Financial Engineering.
Constantin von Altrock (1996), “Fuzzy Logic and NeuroFuzzy Applications in
Business and Finance”, 1996, 149.
Chen, K. C. , R. S. Sears, and D. N. Tzang (1987), “Oil Prices and Energy Futures,”
The Journal of Futures Markets, Vol.7, No.5, pp.501-518.
Davies, P. C., “Design Issues in Neural Network Development,” NEUROVE$T
JOURNAL, No.5, 1994, pp.21-25.
Davies, P. C., “Implementation Issues in Neural Network Development,”
NEUROVE$T JOURNAL, No.6, 1994, pp.7-10.
Elman JL. (1990), “Finding structure in time.” Cognitive Science,14(2):179~211.
Grudnitski, G. and Osbum, L. (1993), “Forecasting S&P and Gold Futures Prices:
An Application of Neural Networks,” The Journal of Finance, 5, PP.1155-1176.
Hopfield (1982), “Neural networks and physical systems with emerging collective
computational abilities,” in Proc. Nut. Acad. Sci. USA, vol.79, 1982, pp.
2554-2558.
Hopfiled, D. W. Tank (1985), “Neural Computation of Decisions in Optimization
Problems.” Biol. Cyberne., 52, 1985, pp.141-152.
J.-S. R. Jang, C.-T. Sun, E. Mizutani (1997), “Neuro-Fuzzy and Soft Computing: A
Computational Approach to Learning and Machine Intelligence.” Prentice-Hall
International, Inc.
Lajbcygier, P., Boek, C., Flitman, A., and Palaniswami, M. (1996), “Comparing
Conventional and Artificial Neural Network Models for the Pricing of Options
on Futures, ” Neurove$t Journal, 4, PP.16-24.
Li X, Chen ZQ, Yuan ZZ, Chen GR.(2001), “Generating chaos by an Elman network”
IEEE Transactions on Circuits and Systems-I: Fundamental Theory and
Applications, 2001,48(9):1126~1131.
Lin FJ, Wai RJ, Hong CM. (2000), “Recurrent neural network control for LCC-resonant ultrasonic motor drive.” IEEE Transactions on Ultrasonics, Ferroelectrics and Frequency Control, 2000,47(3):737~749.
Lin FJ, Wai RJ, Shyu KK, Liu TM. (2001), “Recurrent fuzzy neural network control
for piezoelectric ceramic linear ultrasonic motor drive.” IEEE Transactions
on Ultrasonics, Ferroelectrics and Frequency Control, 2001,48(4):900~913.
Liu, M. (1996) , “Option Pricing with Neural Networks, ” Progress in Neural
Information Processing, 2, PP.760-765.
Margarita (1991), “Neural networks, Genertic algorithm and Stock trading”, Artificial Neural Networks, pp1763-1766.
McCulloch, Warren S. and Walter Pitts, (1943) “A Logical Calculus of the Ideas
Immanent in Nervous Activity,” Bulletin of Mathematical Biophysics, 5:
115-133.
Pham, DT, Karaboga D. (1999), “Training Elman and Jordan networks for system
identification using genetic algorithms.” Artificial Intelligence in Engineering,
1999,13(2):107~117.
Pham DT, Liu X. (1999), “Training of Elman networks and dynamic system
modeling.” International Journal of Systems Science, 1996, 27(2):221~226.
Wernerfelt, B., 1984, A resource-based view of the firm, Strategic Management Journal 5（2）, 171-180.
White, H, 1980, A heteroscedasticity-consistent covariance matrix estimator and a direct test for heteroscedasticity, Econometrica 48, 817-838.
Satyanarayan, S. and E. Somensatto (1997), “Trade-offs from hedging Oil Price Risk in Ecuador,” RePEc Working Paper., No.1792.
Zadeh, L. A. (1965). “Fuzzy Sets,” Information and Control, 8, 338-353.