臺灣博碩士論文加值系統

中文摘要
房地產是國人喜愛的投資標的之一，因具有滿足住的需求性與象徵財富地位的榮耀性外，亦因土地不可移動與供給量限制之特性，致使土地擁有長期上升趨勢的保值性。需求與供給是房地產市場的兩個影響因素，在需求量大時會導引資金流入房地產，影響租賃的成長率和房地產價格。故房地產景氣循環為必然趨勢，惟其循環高點與低點之房屋價差，有達30%以上。若能掌握其循環趨勢，對於自住型者，可判斷先行租賃或直接購屋較適當。對於投資型者，則可判斷適當投入時機。
本研究欲從景氣對策信號、國內生產毛額(GDP)、貨幣供給額-M2、核發建造執照樓地板面積、買賣契稅件數、購屋貸款利率、營建業股價指數、經濟成長率、土地增值稅、消費者物價指數變動率等10種總體經濟變數，並採用房地產景氣綜合指標（領先、同時二種指標）、國泰房價指數、信義房價指數等4個房地產指標為應變數。使用能對事物不確定性資料，進行有效處理的灰色關聯分析(Grey Relational Analysis)，依變數相關性進行排序後，以瞭解其灰關聯程度高低。再利用類神經網路驗證其預測效果，並期預測房地產波動之趨勢，使房地產生產者（建築商）、消費者（購屋者）、政策執行機構（政府），皆能瞭解房地產的趨勢，以預作策略因應。
本研究以臺灣地區為樣本，採取1999年第一季至2008年第四季，共計40季的季資料進行研究。由灰色關聯分析發現，十個自變數之灰關聯排序，以國內生產毛額(GDP)、貨幣供給額-M2、核發建造執照樓地板面積，與房地產景氣綜合指標等四個指標之灰關聯度較高。而類神經網路分析發現，以倒傳遞神經網路(BPN)的表現最好。將灰色關聯分析結果，代入倒傳遞神經網路(BPN)中發現，全部變數組代入神經網路後，均可將誤差值（MAE）降至0.076以下，顯示以此10個變數預測房地產走勢，準確度頗高。然灰關聯度高之變數組的誤差值，並未優於灰關聯度低的變數組。

Abstract
Real Estate is one of the favorite investments in Taiwan. Besides of fulfilling the needs of residence and the dignity of wealth status, the features of its immobility and limited amount caused the long-term trend of an increase in value. Demand and supply are the two major influential factors in the real estate market. When the demand is high, funds would be drawn into the real estate market and thus influencing the growth rate of rents as well as the price of properties. This demonstrates that the real estate market presents a circular cycle in prosperity. However, the high point and low point of this cycle have an over 30% difference in price. If this cycle can be predicted, the potential resident buyers can decide whether it is more economical to rent or to buy, while the investors can judge a better timing for entering the market.
This study focuses on ten macroeconomic variables, including Monitoring Indicator, gross domestic product (GDP), money supply balance – M2, the issuance of building license for total floor coverage, the number of contracts dealt, the mortgage interest rate, the stock index of constructing sector, the economic growth rate, land value-added tax, and consumer price index. It also refers to four dependent variables: real estate indicator (both leading and current indicators), Cathay housing index, and Sinyi housing index. The application chosen is the Gray Relational Analysis that can effectively process uncertain data, sorted in accordance to variables relativity, to verify the level of the gray relational correlation. Then applying artificial neural network analysis to examine the predicted effects and to foresee the fluctuation trend, it will allow the real estate producers (the constructors), consumers (the buyers) and policy makers (the government) to fully understand the trend of the real estate market, and react accordingly.
The samples used the quarterly data of 40 quarters in Taiwan, namely those from the first quarter of 1999 to the fourth quarter of 2008. From the Gray Relation Analysis, in accordance to the sorting of gray relativity of the ten variables, the gray relations of GDP, money supply balance – M2, issuance of building license of total floor coverage and the real estate indicator have the higher relativity. The results of artificial neural network analysis showed that Back-propagation Neural Network (BPN) performed best. When applying the gray relation analysis results into the BPN, the Mean Absolute Error (MAE) value connected with all variables could be lowered under 0.076, meaning high accuracy of predicting the developmental trend of real estate. However, the MAE of higher gray relation variables is not superior to the lower gray relation variables.
Key Words：Real Estate, Grey Relational Analysis, Artificial Neural Network, Back-propagation Neural Network,Mean Absolute Error

目錄
中文摘要................................................................I
英文摘要...............................................................II
致謝辭................................................................III
表目錄.................................................................Ⅵ
圖目錄..................................................................Ⅶ
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
第二章、文獻回顧.........................................................5
第一節、景氣循環相關文獻 .................................................5
第二節、房地產景氣相關文獻 ...............................................7
第三節、景氣對策信號相關文獻..............................................13
第四節 應用灰色關聯分析、類神經網路之財經相關文獻............................17

第三章、研究方法 ........................................................19
第一節、研究對象、資料來源與相關變數.......................................19
第二節、灰色關聯分析(GREY RELATIONAL ANALYSIS) ..........................22
第三節、類神經網路(ARTIFICIAL NEURAL NETWORK) ...........................31
第四章、實證結果與分析　..................................................46
第一節、灰色關聯分析結果 .................................................46
第二節、類神經網路 ......................................................50
第五章、結論與建議 ......................................................57
第一節、研究結論　.......................................................57
第二節、研究貢獻 ........................................................59
第三節、研究限制與建議 ...................................................60
參考文獻　..............................................................62
附錄　 ................................................................67
附錄1、詳細灰關聯度計算過程(以房地產景氣綜合指標領先指標綜合指數為例)..........67
附錄2、三種類神經網路（MAE、RMSE）誤差表　.................................77
附錄3、實際值與三種類神經模型網路推論值比較　...............................80
附錄4、實際值與三種灰色關聯結果網路推論值比較...............................82
表目錄
表2-1景氣循環相關文獻.....................................................6
表2-2房地產景氣相關文獻...............................................10-12
表2-3 景氣對策信號各構成項目及檢查值表.....................................14
表2-4 景氣對策信號相關文獻 ...............................................16
表2-5灰色關聯分析、類神經網路分析相關文獻 ...............................17-18
表3-1 國內經常性發佈不動產房價指數表.......................................21
表3-2 機率統計、模糊理論、灰色理論差異表....................................23
表3-3 類神經網路發展過程表................................................32
表4-1各指標灰關聯度排序結果...............................................47
表4-2自變數排序結果......................................................48
表4-3 各指標三種神經網路預測能力比較表.....................................51
表4-4 各指標最適參數.....................................................54
表4-5 灰色關聯分析代入各指標後神經網路結果..................................55

圖1-1 研究流程圖.........................................................4
圖3-1 灰色關聯分析幾何形狀圖 .............................................23
圖3-2 灰色關聯分析流程圖.................................................29
圖3-3真實系統模型與系統模型(類神經網路)之比 ................................31
圖3-4 生物神經元模型.....................................................31
圖3-5 人工神經元模型構圖 ................................................33
圖3-6 類神經網路運作過程.................................................35
圖3-7倒傳遞類神經網路架構圖...............................................36
圖3-8 倒傳遞演算法流程圖.................................................39
圖3-9 回饋式神經網路架構圖................................................40
圖3-10即時回饋學習演算法流程圖............................................42
圖3-11輻狀基底函數神經網路架構圖..........................................43
圖3-12 輻狀基底函數學習演算法流程圖........................................45
圖4-1 房地產領先指標實際值與三種類神經模型網路推論值之走勢圖..................52
圖4-2 房地產領先指標實際值與三種灰色關聯結果網路推論值之走勢圖................56

參考文獻
中文部份
Jake Bernstein(1995)，金融產品景氣循環手冊，寰宇出版社股份有限公司。
Michael Negnevitsky(2001)原著，人工智慧：智慧型系統導論，顧力栩、沈晉惠等編譯，
全華圖書股份有限公司。
王健安（1995），房地產景氣與總體經濟景氣關係之研究，國立政治大學碩士論文。
中央銀行-網站資料。
中華民國住宅學會，台灣房地產景氣動向季報(1999)，第一卷第一期至第十卷第四期，內政
部建築研究所。
江金山、吳佩玲等7人(1998)，灰色理論入門，高立圖書有限公司。
行政院經濟建設委員會-網站資料。
何肇榮（2006），景氣對策信號對台灣房地產之研究，中原大學碩士論文。
吳致寧、陳秀淋(1993)，「戰後台灣之實質景氣循環－動差配適」，經濟論文，21卷第2期，
頁395-423。
吳漢雄、鄧聚龍、溫坤禮（1996），灰色分析入門，高立圖書有限公司。
李政道(2000)，台灣不動產景氣與政府政策之研究，國立成功大學碩士論文。
李惠妍、吳宗正、溫敏杰(2006)，「迴歸模式與類神經網路在台股指數期貨預測之研究」，
經營管理論叢書，第2卷第1期，頁83-99。
林勝益（1992），房地產景氣預測之探討，國立成功大學碩士論文。
林慶彰（2002），台灣景氣循環之特徵，世新大學碩士論文。
柯伯煦(2006)，不動產估價概要理論與實務，新文京開發出版有限股份公司。
馬德信(2003)，應用模糊類神經技術對台股之模擬投資實證研究，朝陽科技大學碩士論文。
高斐蘭（1996），台灣地區房地產景氣與經濟、金融變數之共整合研究，國立中山大學碩士夏郭賢，
吳漢雄（1998），「灰關聯分析之線性數據前處理探討」，灰色系統學刊，第一卷，第一期，
頁47-53。
張金鶚（1990），房地產的世界，頁116~117，實戰智慧叢書。
張金鶚 (1996) ，房地產投資與決策分析理論與實務，華泰書局。
張金鶚（1998），房地產投資與決策分析-理論與實務，華泰書局。
張金鶚等（1989），房地產景氣指標之研究，國立政治大學地政系研究。
張金鶚等（2008），「中古屋及預售屋房價指數之建立、評估與整合台北市之實證分析」，
住宅學報，第十七卷第二期，頁13~34。
張偉哲(2000)，廣義灰關聯生成模型之研究，灰色系統學刊，第三卷第一期，頁53-62。
張國川(2006)，應用灰色關聯分析及類神經網路建構金融商品價差走勢預測模型，朝陽科技
大學碩士論文。
張斐章、張麗秋(2005)，類神經網路，臺灣東華書局股份有限公司。
張斐章、張麗秋、黃浩倫(2003)，類神經網路理論與實務，臺灣東華書局股份有限公司。
張婷慈，影響全球不動產投資信託關鍵因素之硏究-灰色關聯分析與類神經網路之應用，中原大學碩
士論文。
郭厚村(2006)，不動產估價概要理論與實務，新文京開發出版有限股份公司。
陳秋鋤（1980），台灣房屋建築循環之研究，文化大學碩士論文。
陳若暉、陳彥旻（2002），「景氣對策信號與股市異常報酬之經濟指標分析」，亞太經濟評論
，5卷2期，頁36-55。
陳繁雄、溫坤禮、黃敏亮 (1987)，灰色方法入門與應用，長隄出版社印行。
黃淑娟(2006)，模糊類神經系統於葛蘭碧法則之應用，國立新竹教育大學碩士論文。
溫坤禮(1996)，灰色系統理論之研究及其應用，全華科技圖書股份有限公司。
溫坤禮、黃宜豐等(2003)，關聯模型方法與應用，高立圖書股份有限公司。
葉怡成(1997)，應用類神經網路，儒林圖書有限公司。
葉怡成(2003)，類神經網路模式應用與實作，儒林圖書有限公司。
詹書銘(2005)，演化式類神經網路、灰色關聯分析應用於信用卡風險管理之實證研究，朝陽
科技大學碩士論文。
靳蕃、範俊波、譚永東(1992)，神經網路與神經計算機，儒林出版社，頁80-82。
鄭惠如(2006)，人口結構變遷對房地產價格影響之研究，東吳大學碩士論文。
鄧聚龍(1996)，灰預測原理與應用，全華科技圖書股份有限公司。
鄧聚龍(2000)，灰色系統理論與應用，高立圖書有限公司。
鄧聚龍、郭洪、溫坤禮、張廷政、張偉哲(1999)，灰預測模型方向與應用，高立圖書公司。
盧秋玲、游雅芳（1999），「不動產市場與銀行風險之探討」，中華民國住宅學會第八屆論
文集，頁153-176。
盧靜怡(2001)，企業經營績效排名之預測—灰色關聯分析與類神經網路之運用，台灣科技大
學資訊管理系研究所碩士論文。
賴怡誠（1998），房地產景氣預測之研究，國立中央大學碩士論文。
賴碧瑩 (1989）， 房地產景氣指標之研究，國立政治大學碩士論文。
錢曉雁(2007），以時間序列方法探討台灣不動產景氣綜合指標，開南大學碩士論文。
謝潮儀、黃進雄(1993），不動產經濟學導論，茂榮書局發行。
顏炳立（2006），買對房屋不貶值，台灣廣廈出版集團。
顏聰玲(2004) ，不動產市場分析與預測，新文京開發出版有限股份公司。
鐘正良(1996)，類神經網路之應用：黃金期貨預測，國立政治大學碩士論文。

Reference
Altay, E. and H. Satman（2005）, “ Stock Market Forecasting: Artificial
Neural Network and Linear Regression Comparison in an Emerging Market” ,
Journal of Financial Management & Analysis, Vol.18(2), pp.18-34.
Azoff, E.M. (1994), “ Neural Network Time Series Forecasting of Financial
Markets”, John Wiley & Sons, Inc.
Barras, R. and Ferguson, D. (1985) , “ A Spectral Analysis of Building Cycle
in Britain” , Environment and Planning A, Vol.17(10) , pp.1369-1391.
Barro, R. J. (1976). "Rational Expectations and the Role of Monetary Policy,"
Journal of Monetary Economics, Vol.2(1), pp.1-31.
Barsky, R.B., Miron, J.A. (1989), "The seasonal cycle and the business cycle",
Journal of Political Economy, Vol. 3. pp.503-534.
Burns, A. F. and Mitchell, W. C.（1946）, “Measuring business cycles” ,
National Bureau of Economic Research.
Collins, A. and Evans, A. (1994) , “ Aircraft Noise and Residential Property
Values: An Artificial Neural Network Approach.” , Journal of Transport
Economics and Polic.,Vol.28(2) , pp.175-197.
Coyle, E.J. (1988) , “ Stack Filters and the Mean Absolute Error Criterion” ,
Acoustics, Speech and Signal Processing, IEEE Transactions, Vol.36(8) ,
pp.1244-1254.
Derksen, J. B. D. (1940), “Long Cycles in Residential Building：An
Explanation” , Econometrica, Vo1. 8 , pp.97-116.
Grebler, L.l and Burns L. S. l.（1982）, “ Construction Cycles in the United
States Since World War II” , Real Estate Economics, Vol.10(2) , pp.123-
151.
Grenadier, Stiven R. (1995) , “Continuation of Real Estate Circulation” ,
Finance and Magazine of Economics of Real Estate, March Vol.10 , Q2.
Hinton, G. and Anderson, J.,（1981）,“ Parallel Models of Associative
Memory”,Lawrence Erlbaum Associates, Publishers.
Hornik, K., M. Stinchcombe, and H. White（1989）,“ Multilayer Feed forward
Networks are Universal Approximations”, Neural Networks, Vol.2(5), pp.359-
366.
Jaffee, D.M. and Rosen, K.T.（1978）, “Estimates of the Effectiveness of
Stabilization Policies for the Mortgage and Housing Markets”, The Journal
of Finance,Vo1.33(3), pp.933-946.
Lestano, Jan Jacobs and Gerard H. Kuper (2003), “ Indicators of Financial
Crises Do Work An Early-Warning System for Six Asian Countries” ,
Department of Economics, University of Groningen, CCSO Centre for
Economic Research , Working Papers.200313.
Lucas, R. E. ( 1972) , “Expectations and the neutrality of money” , Journal of
Economic Theory , Vo1.4, pp.103-124.
─── (1977） , “Understanding Business Cycles” ,Carnegie-Rochester Conference
Series on Public Policy.” Vo1.5(1), pp.7-29.
McGreal, S., A. Adair, D. McBurney and D. Patterson. (1998), “Neural Networks:
The Prediction of Residential Values,” Journal of Property Valuation and
Investment. Vo1.16(1), pp.57-70.
Morgan, D.P.（1993）, “Asymmetric effects of monetary policy”, Federal Reserve
Bank of Kansas City Economic Review, Vo1. Q2, pp.21-33.
Moshiri, S., N. E. Cameron, and D. Scuse, Static, Dynamic, and Hybrid
（1999）, “ Neural Networks in Forecasting Inflation”, Computational
Economics, Vol.14(3), pp.219-235.
Mueller, Glenn. R. (1999）, “Real Estate Rental Growth Rates at Different
Points in the Physical Market Cycle” , The Journal of Real Estate
Research, , Vo1.18(1), pp.131-150.
Nguyen, N., and. Cripps, A.（2001）, “Predicting Housing Value: A Comparison
of Multiple Regression Analysis and Artificial Neural Networks” , The
Journal of Real Estate Research, Vo1.22(3), pp. 313-336.
Nelson, K.M., Nelson, H.J.A and Ghods, M.（1997）, “Technology flexibility:
conceptualization, validation, and measurement” , Proceedings of the 30th
Hawaii International Conference on System Sciences: Information System
Track-Organizational Systems and Technology.Vo1.3, pp. 76-87.
Ostas, J.R.（1976）, “The Effects of Usury Ceilings in the Mortgage”, The
Journal of Finance, Vo1.31 (3), pp.821-834.
Pyhrr, S. and Cooper, J.（1982）, “Real Estate Investment”, John Willey &
Sons, Inc.
Sargent, T.J. (1973) ,"Rational expectations, the real rate of interest, and
the natural rate of unemployment," Brookings Papers on Economic Activity,
Vol. 2, pp. 429-472.
Skouras, S.（2001）, “Financial returns and efficiency as seen by an
artificial technical analyst”, Journal of Economic Dynamics and
Control,Vo1.25（1-2）, pp. 213-244.
Vojinovic, Z., V. Decman, and R. Seidel（2001）, “ A Data Mining Approach to
Financial Time Series Modeling and Forecasting” , International Journal of
Intelligent Systems in Accounting, Finance and Management, Vo1.10(4), pp.
225-239.