臺灣博碩士論文加值系統

投資者面臨眾多不確定性因素影響的投資市場且有限自有資金情況下，如何決定投資組合中個別資產資金配置比例，達到高獲利且低風險性的投資組合，一直是投資者的難題。傳統財務中的資金配置方式建立在假設及限制條件下，不符合現實投資環境；被廣範應用在資金配置問題的遺傳演算法(GA)，有許多主觀的資金配置方面不合理性問題；而傳統類神經網路近幾年被使用於多位學者研究上，雖然證明能有效率應用於求解大規模非線性複雜問題，然而，應用於投資者資產配置決策，欲以輸出層神經元輸出個別資產資金配置比例時，無法最佳化資金配置比例，且使個別資產資金配置比例總合為100%。
為解決上述方法應用在資金配置問題，本研究提出配置學習基礎類神經網路模型，在無任何假設及限制條件下，求解投資者面臨不確定因素影響及有限自有資金情況下之投資組合個別資產資金配置比例。考量個別資產預期報酬、預期報酬風險、個別資產間報酬相互影響關係及投資者本身的風險趨避程度(Risk Averter)，在類神經網路輸出層神經元輸出最佳化個別資產資金配置比例，且使配置比例總合為100%。
本文實證結果發現：配置學習基礎類神經網路應用於投資者投資組合資產配置比例問題上，不但能使類神經網路於輸出層之投資組合資產配置比例總合為100%，且使個別資產配置比例最佳化，其報酬率績效較台灣加權股價指數之報酬績效高。研究結果亦發現，配置學習基礎類神經網路於訓練網路前，若先找出最適合此網路之訓練參數，再行訓練，經測試期資料做實證研究，確實能再提升投資組合資產配置比例最佳化程度。

The investor’s asset allocation choice deeply depends on the trade-off between risk and return. The well-known mean variance method requires predetermined risk and expected return to calculate optimal investment weights of portfolio.
The artificial neural network (ANN) with nonlinear capability is proven to solve large-scale complex problem effectively. However, the traditional ANN model cannot guarantee the summation of produced investment weight always preserves 100% in output layer.
This article introduces an allocated learning based neural network model to optimize investment weight of portfolio. This model will dynamically adjust the investment weight as a basis of 100% of summing all of asset weights in the portfolio. The experimental results demonstrate the feasibility of optimal investment weights and superiority of ROI of buy-and-hold trading strategy compared with benchmark TSE (Taiwan Stock Exchange).

目 錄
中 文 摘 要 I
英 文 摘 II
誌 謝 III
目 錄 IV
表 目 錄 VI
圖 目 錄 VII
第一章 緒論 1
第一節 研究動機與目的 1
第二節 研究方法 3
第三節 研究架構 5
第二章 相關方法與文獻回顧 7
第一節 相關方法探討 7
第二節 類神經網路 15
第三節 相關文獻回顧 22
第三章 研究方法 28
第一節 配置學習基礎類神經網路數學模型 28
第二節 配置學習基礎類神經網路運作流程 49
第三節 研究設計 51
第四章 系統設計 52
第五章 實證結果和分析 59
第一節 研究期間和資料來源 59
第二節 選取最佳訓練參數 63
第三節 個別資產資金配置比例 70
第四節 投資報酬績效 74
第六章 結論與建議 78
參考文獻 81
一、 中文部分
二、 英文部分

一、中文部分
[1]王進德、蕭大全,「類神經網路與模糊控制理論入門」全華科技圖書股份有限
公司，2001年
[2]謝劍平,「現代投資學-分析與管理」智勝文化事業有限公司，2001年
[3]鐘朝宏,「投資學」，國立編譯館主編五南圖書出版，1998年
[4]柯博昌, 林萍珍, 游景安,「新類神經網路應用於最適投資組合資金配置」，真
理大學第三屆演化式計算應用研討會，2005年
[5]侯佳利,「組合編碼遺傳演算法於投資組合及資金分配之應用」，國立中央大學
資訊管理學系碩士論文，2001年
[6]林萍珍、陳稼興、林文修,「遺傳演算法在使用者為導向的投資組合選擇之應
用」，資訊管理學報，第七卷，第一期，2000年，頁155-171
[7]曾湘嵋,「預測台灣加權股價指數之績效比較-誤差修正模型與類神經網路」，國
立高雄應用科技大學金融資訊研究所碩士論文，2005年
二、英文部分
[8]Zvi Bodie, Alex Kane, Alan J. Marcus, “Essentials of
Investments,” McGraw-Hill, 2003.
[9]Hagan, Demuth, Beale, “Neural Network Design”, THOMSON,2004.
[10]David Lowe, “Novel Exploitation of Neural Network Methods in
Financial Markets,” International Conference on Neural
Networks , IEEE, 1994, pp.3623-3628.
[11]P. C. Ko, P. C. Lin. “An Evolution-Based Approach with
Modularized Evalua-tions to Forecast Financial Distress,”
Knowledge Based Systems, 2006, Vol. 19: pp. 84-91 (SCI)
[12]Marco J. Morelli, Guido Montagna, Oreste Nicrosini, Michele
Treccani, Marco Farina, Paolo Amato, “Pricing financial
derivatives with neural networks,” Physica A: Statistical
Mechanics and its Applications, 2004, Vol. 338(1-2):
pp. 160-165
[13]Jingtao Yao, Yili Li, Chew Lim Tan, “Option price
forecasting using neural net-works,” The International
Journal of Management Science, 2000, Vol. 28: pp. 455-466
[14]Edwin J. Elton, Martin J. Gruber, ”Modern Portfolio Theory,
1950 to date,” Journal of Banking & Finance, 1997, Vol. 21:
pp. 1743-1759.
[15]Hung Kei-keung, Yiu-ming Cheung and Lei Xu,” An Extended
ASLD trading system to enhance portfolio management,” IEEE
Press, 2003, Vol. 14: pp. 413-425.
[16]Yusen Xia, Baoding Liu, Shouyang Wang and K.K. Lai, “A Model
for Portfolio Selection with Order of Expected Return,”
Computers & Operations Research, 2000;Vol. 27:409-422
[17]Nicolas Chapados, Yoshua Bengio, “Cost Functions and Model
Combination for Var-Based Asset Allocation Using Neural
Networks,” IEEE Press, 2001, Vol. 12:pp. 890-906
[18]M. Srinivas, M. Patnaik, “Genetic Algorithms：A Survey,”
IEEE Press, 1994, Vol. 27:pp. 17-26
[19]Jacqueline Shoaf, James A. Foster, “The Efficient Set GA for
stock portfolios” Proc. Int. Conf. on Evolutionary Computing
(CEC), IEEE Press, 1998, pp.354-359.