臺灣博碩士論文加值系統

本研究以台灣50指數ETF基金為研究標的，運用統計方法，類神經網路以及適應性模糊推論系統等方法，分別不同之變數組合，建構10種預測模式組合，探究變數組合以及所使用之分析方法之模式績效表現。本研究整合預測模式，將依據文獻所選取之變數，主要有技術指標；三大法人買賣超、券資比以及具有代表性之國際股市指數，NASDAQ科技類股、香港恆生指數、東經225以及道瓊30為輸入變數，對台灣50指數ETF隔日收盤價作預測分析。
本研究之研究範圍為民國92年6月30日至民國96年3月15日。實證結果顯示，預測誤差方面，以使用因素計分加上其他變數，且經過逐步迴歸篩選之變數執行之適應性模糊類神經推論系統(ANFIS)以及由全部變數執行逐步迴歸模式表現最佳，其RMSE分別為0.650及0.653。

The study is in connection with Taiwan Top50 Tracker Fund, and to establish ten integrated forecasting models by statistical method, artificial neural network, adaptive network- based fuzzy inference system, with different combination of variables. It is to probe into the result of these models for Taiwan Top50 Tracker Fund in forecasting. Forecasting, the price of Taiwan Top50 Tracker Fund are forecasted based on the previous closing price, net buy or sell of the institutional investor, short-to-long ratio, NASDAQ index, DJ30, and so on.
The empirical interval is June 30, 2003 to March 15, 2007. The empirical result shows that: in point of the forecast error, the adaptive network- based fuzzy inference system model with variables, which get from factor analysis eliminated by stepwise regression, is better than other ones, and second is, the stepwise regression with all 25variables , the RMSE score is 0.650, and 0.653, separately.

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 研究對象及範圍 3
第四節 研究流程 3
第二章 參考文獻 5
第一節 效率市場假說 5
第二節 台灣50指數ETF股票型基金 7
第三章 研究方法 16
第一節 研究設計 16
第二節 統計方法 24
第三節 類神經網路 36
第四章 實證研究 45
第一節 統計分析 45
第二節 類神經網路 57
第三節 模式績效評估 61
第五章 結論與建議 62
第一節 結論總結 62
第二節 研究限制與後續研究建議 62
第三節 建議 64
附錄 68

中文部份：
1.王銘傑 (2004)，「弱式效率市場下共同基金績效之動態評估」，國立政治大學國暨貿易所，碩士論文。
2.王文俊 (2005)，認識Fuzzy，第三版，台北，全華圖書公司。
3.池福灶，傅裕中，李蕙年，陳志彬 (2004)「隨機指標於短、中、長期投資之獲利次數機率比較研究」， 商業現代化學刊，Vol. 3，No. 1，pp. 22~28。
4.李惠妍 (2002)，「類神經網路與迴歸模式在台股指數期貨預測之研究」，成功大學企業管理學系專班，碩士論文。
5.李良俊 (2003)，「台灣股票市場技術分析有效性之研究」，實踐大學企業管理研究所碩士論文。
6.杜金龍 (2005)，基本技術分析入門，初版，台灣，財訊出版社
7.林婉茹 (2003)，「類神經網路於台灣50指數ETF價格預測與交易策略之應用」，輔仁大學金融研究所，碩士論文。
8.林佳嫻 (2004)，「中國股市技術分析實證」，台灣大學國際企業學研究所，未出版碩士論文。
9.林靖中 (2005)，「台灣50指數股票型基金(ETF)對標的指數成分股之影響」，國立成功大學企業管理研究所，博士論文。
10.林茂文 (2006)，時間數列分析與預測 :管理與財經之應用 = Time series analysis and forecasting，第三版，台北，華泰文化事業股份有限公司。
11.張雅雯 (2003)，「以正、逆價差檢驗台灣股票市場效率性」，逢甲大學企業管理研究所碩士論文。
12.陳順宇 (2003)，多變量分析，三版，華泰書局。
13.葛思惠 (2003)，「指數股票型基因之制度規劃」，《證券暨期貨管理》，第21卷。
14.游英裕 (2004)，「股價成交量因果關係之研究─台灣股市的實證」，義守大學管理科學研究所，未出版碩士論文。
15.葉怡成 (2003)，類神經網路模式應用與實作，儒林書局，4-16。
16.詹興傑 (2004)，「中國大陸股票市場應用技術分析之實證研究」，義守大學管理研究所，碩士論文。
17.簡辰丞 (2001)，「結合MACD與類神經模糊技術之股票預測模型─以台灣金融股為例」，靜宜大學企業管理學系，碩士論文。
18.蘇木春、張孝德 (2004)，機器學習：類神經網路、模糊系統以及基因演算法則，三版，全華科技圖書。

英文部份：
1.Armano G.， Marchesi M，and Murru A.(2005)， “A hybrid genetic-neural architecture for stock indexes forecasting,” Information Sciences, Vol.170, Issue 1, pp.3-33.
2.Bessembiner, H. and Chan, C. (1995), “The profitability of technical trading rules in the Asian stock markets,” Pacific-Basin Finance Journal, Vol. 3, Iss. 2-3, 257-284.
3.Balachandher，K. G., Fauzias, M. N. and Lai， M. M. (2002)， “An Examination of the Random Walk Model and Technical Trading Rules in the Malaysian Stock Market,” Quarterly Journal of Business and Economics, Vol. 41, Iss. 1/2, 81-104.
4.Christian Kascha, Karel Mertens (2006), ”Bussiness Cycle Analysis and VARMA models,” European University Institute.
5.Eun, C. S. and Shim S. (1989)，“International Transmission of Stock Market Movements,” Journal of Financial and Quantitative Analysis, Vol. 24, Iss. 2, 241-256.
6.Fama, E. F. (1970), “Efficient capital market: a view of theory and empirical work,” Journal of Finance, Vol. 25, No. 2, 383-417.
7.Fama, E., F.(1991). “Efficient Capital Markets：A Review of Theory and Empirical Work II.” Journal of Finance, XLVI, No5, pp.1575-1617。
8.Gencay, R. and Stengos T. (1988)，"Moving Average Rules, Volume and the Predictability of Security Returns with Feedforward Networks" , Journal of Forcasting , Vol.17,pp. 401-414。
9.Gencay, R. (1998), “The Predictability of Security Returns with Simple Technical Trading Rules,” Journal of Empirical Finance, Vol. 5, Iss. 4, 347-359。