(3.238.173.209) 您好!臺灣時間:2021/05/15 15:58
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:呂彗青
研究生(外文):Lu,Hui-ching
論文名稱:以基因表示規劃法為基礎之共同基金客戶風險屬性分類
論文名稱(外文):A Classification of Mutual Fund Customers Risk Assessment Based on Gene Expression Programming
指導教授:林文修林文修引用關係
學位類別:碩士
校院名稱:輔仁大學
系所名稱:資訊管理學系
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2010
畢業學年度:98
語文別:中文
論文頁數:86
中文關鍵詞:基因表示規劃法共同基金客戶風險屬性分類
外文關鍵詞:Gene Expression Programming(GEP)Mutual FundCustomers Risk AssessmentClassification
相關次數:
  • 被引用被引用:7
  • 點閱點閱:171
  • 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:0
金融自由化為全球帶來利潤, 隨著低利時代及共同基金
(mutua l fund )標的越來越多樣化,購買基金是投資者考量投資理
則的項目之一, 伴隨金融海嘯、各區域景氣低靡及部份國家面臨
倒閉的財政赤字, 金融機構應利用資訊科技對投資客戶進行客戶
本身投資屬性分類, 並於客戶投資同時盡風險告知的義務, 使金
融機構與客戶間產生更多的互動, 也因風險告知進而提高客戶對
金融機構的忠誠度並產生正面形象。
本研究旨在探索基因表示規劃法(Ge ne Ex pres sion
Progra mmin g, GEP ) 應用於共同基金客戶風險屬性分類之適合
性,以盡共同基金客戶投資時風險告知之義務。本研究所選擇的
變數包含性別、年齡、教育程度、職業類別、聯絡區域、來往期
間、基金投資金額、可承擔投資風險及基金風險屬性。本研究實
驗結果顯示, 運用基因表示規劃法(G EP)預測共同基金客戶風險
屬性分類的正確率高達97. 73%,且基因表示規劃法(G EP)具有良
好的學習速度,可將不同組合的樣本進行快速的演化,並尋求最
佳解之搜尋(實驗1、實驗3)。此外, 運算函數集的限制對演化
學習的正確率有重要影響,而族群大小亦會影響演化的效率。整
體而言, 基因表示規劃法(GEP) 預測模型的正確性(Acc) 為
97.728 %、敏感性(SE)為98.7 95%及特異性(S P)94 .780 %皆表現相
當好,而敏感性(S E)的數值優於其他二者,與本研究設計目的相
符, 表示基因表示規劃法(GEP )運用於共同基金客戶風險屬性分
類是適切的。
Mutual fund is one of popular investments and financial company should improve customer protection through investor classification based on risk assessment with information technology. This process benefits both financial companies and their customers.
The research objective is to study if GEP (Gene Expression Programming) can apply on investor classification. The variables of this research are sex, age, education, career, living location, experience on investment, investment amount, risk assessment, and mutual fund type. The research shows rate of accuracy up to 97.73% with GEP to predict customers risk assessment. GEP(Gene Expression Programming) has good learning capability and obtain the best solution from different combinations. In summary, accuracy ups to 97.728, SE ups to 98.795%, and SP is 94.780 with GEP and GEP performs better in SE than other two models. The research shows that is it better to use GEP to predict customers risk assessment.
第壹章 緒論
第一節 研究背景與動機
第二節 研究目的
第三節 研究流程
第貳章 文獻探討
第一節 顧客關係管理
第二節 共同基金
第三節 客戶風險屬性
第四節 基因表示規劃法
第參章 研究方法
第一節 研究架構
第二節 基因表示規劃法(GEP)架構及設計
第三節 實驗設計
第肆章 實驗結果與分析
第一節 前測分析
第二節 系統績效測試
第三節 基因表示規劃法(GEP)實驗結果
第四節 正確性(ACC)、敏感性(SE)、特異性(SP)分析
第五節 實驗分析與評估
第伍章 結論與建議
第一節 研究結論
第二節 研究貢獻
第三節 未來研究建議
參考文獻
1.白欽元,國內中小企業財務危機預警模型之研究,交通大學經營管理研究所碩士論文,2003。
2.伍忠賢,超越基金:利用最強基金組合賺取最高投資報酬,遠流出版社,1999。頁173-174。
3.宋文琪,股票開放型共同基金投資人投資行為研究—以怡富投信基金投資人為例,國立政治大學經營管理碩士學程碩士論文,2003。
4.林宛姿,財富管理商品與客戶風險屬性之適合度研究:以共同基金為例,南台科技大學企業管理研究所碩士論大,2007。
5.林耀堂,遺傳程式規劃於股市擇時交易策略之應用,中央大學資訊管理學系碩士論文,2001。
6.吳忠義,共同基金投資人投資行為及風險偏好之研究,中央大學財務金融學系碩士論文,2008。
7.洪珠懿,如何應用新金融商品於銀行財富管理以達成績效的均衡表現,政治大學經營管理碩士論文,2005。
8.陳浩寧,遺傳演算法於橋墩沖刷深度推估之研究,逢甲大學水利工程與資源保育學系碩士論文,2008。
9.黃志力,企業財務危機預測─以遺傳程式規劃建構產業別預警模型,中山大學企業管理研究所碩士論文,2007。
10.黃耿輝,遺傳程式規劃於完備與型Ⅱ設限資料之韋伯與常態分配判定的應用,虎尾科技大學工業工程與管理研究所碩士論文,2005。
11.黃植群,遺傳程式規劃為基礎的企業評價模型與交易策略之研究,輔仁大學資訊管理學系碩士論文,2005。
12.閔庭祥,顧客關係管理系統之價值模型建構,國立中央大學資訊管理學系博士論文,2001。
13.楊文德,應用資料探勘技術於共同基金客戶分群之研究─以金融業為例,輔仁大學資訊管理學系在職專班碩士論文,2004。
14.楊棠堯,顧客關係管理系統互動性之實驗分析,國立成功大學企業管理研究所博士論文,2002。
15.齊星,基于基因表达式编程的分类算法研究及应用,浙江工业大学硕士学位论文,2008。
16.葉怡成,遺傳程式規劃模式應用與實作,台北市:儒林,2003。
17.劉安傑,投資者對海外共同基金之風險知覺、採納態度、採納行為與投資績效之關聯性研究,大葉大學國際企業管理學系碩士論文,2006。
18.廖勇,唐常杰,元昌安,陈安龙,段磊,基于基因表达式编程的股票指数时间序列分析,四川大学学报(自然科学版),第42卷第5期,2005/10,頁931-936。
19.顧石望,金融預警制度之研究—以本國一般銀行為例,國立政治大學企業管理學系碩士班碩士論文,1997。
20.維基百科 2009/12/01,取自:http://zh.wikipedia.org/zh-tw/%E5%85%B1%E5%90%8C%E5%9F%BA%E9%87%91
21.蔡文馨、胡元媛、吳美惠、詹耀華、黃敏慈 譯,Jeff Madura著,個人理財規劃,財團法人台灣金融研訓院,2004/06。
22.蔣宛如譯,Mary C. Bickley著,金融服務及產品的原理,財團法人台灣金融研訓院,2004/06。頁270-290,頁357。
23.Anderson, J. L., Jollyb, L. D., & Fairhurst, A. E., (2007), Customer Relationship Management in Retailing: A Content Analysis of Retail Trade Journals, Journal of Retailing and Consumer Services, Vol 14(6), pp.394-399.
24.Berry, M. J. A. and Linoff , G. S. (2000), Mastering Data Mining: The Art and Science of Customer Relationship Management, John Wiley & Sons.
25.Bolton, Ruth N, (1998), A Dynamic Model of the Duration of the Customer’s Relationship with A Continuous Service Provider: The Role of Satisfaction , Marketing Science, Vol 17(1), pp.45~65.
26.Ferreira, C., (2001), Gene Expression Programming: A New Adaptive Algorithm for Solving Problems Complex Systems 13(2), pp.87~129.
27.Ganesh, Jaishankar Mark J. Arnold, and Kristy E. Reynolds, (2000), Understanding the Customer Base of Service Providers: An Examination of the Differences Between Switchers and Stayers , Journal of Marketing, Vol. 64, No.3, pp.65~87.
28.Holland ,J.H.,(1975), Adaptation in Natural and Artificial Systems, University of Michigan Press.
29.Harlow, W.V., Brown, K.C., (1990), Understanding and assessing financial risk tolerance: a biological perspective. Financial Analysts Journal 46, pp.50-62.
30.Kalakota, R. & Robinson, M., (2001), E-Business 2.0: Roadmap for Success Boston, MA: Addison-Wesley.
31.King, S. F., & Burgess, T. F., (2008), Understanding Success and Failure in Customer Relationship Management, Industrial Marketing Management, Vol 37(4),pp.421-431.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top