臺灣博碩士論文加值系統

本研究以倒傳遞類神經網路應用於總體經濟指標與台灣航運類股股價報酬率的關聯性分析，研究期間為2000年至2010年9月之季資料，包含18家上市櫃航運股票報酬率及銷售淨額成長率和另外16種總體經濟指標，共2,236筆資料。
先以逐步迴歸法篩選最具有解釋能力的變數組合，再以類神經網路及基因演算法做檢測，採用外部效度的預測命中率作為績效衡量的方法。另外，用移動窗格法分析訓練期間逐次向後移動，檢視在期間長度條件固定不變時，變數資料的增減是否影響模型預測效果。最後，依最佳預測結果建構2種投資策略，藉以觀察報酬率是否如預期增加。
實證結果顯示：
一、 所選取的總體經濟指數在落後1-4期的情況下與航運股的股價報酬率大多具有顯著的影響。
二、 訓練基期在最佳狀況時，航運類股整體的平均預測命中率最高達60.80%。
三、 如以個別公司來分析，有四家公司之預測命中率超越整體平均命中率，達到72.22%。
四、 根據最佳預測模型所展開的投資策略模擬，以策略一的作多方式投資報酬率最好。在長達18個測試期中，個股最佳的平均年化報酬率高達155%，而且絕大多數的個股報酬率均優於同時期的大盤表現。

The study is using macroeconomic variables to forecast Taiwan transportation stocks returns through the application of back-propagation network approach. The period of study span is from the beginning of 2000 to September of 2010 with quarterly information. In total of 2,236 data, the model contains stock returns and net sales growth ratios of 18 listed transportation companies as well as other 16 microeconomics indices.
Start with stepwise regression to select the most related variables combination. Following with artificial neural computing and genetic algorithm for testing and calculation, the predicted hit ratio (PHIT) of external validity is the tool for performance measurement. In addition, moving windows method is adopted to examine the forecast result when the training periods are tested and then moving forward to next period for testing. Finally, two investment strategies are built up based on the best sequence of prediction and see whether the approach can lead to increment of yield rate.
The empirical study shows:
1. The result reveals a significant effect on the transportation stock returns by lagging one to four periods from most of the selected macroeconomic variables.
2. Under best scenario of training period, the average PHIT among all of the transportation stocks is up to 60.80%
3. If go down to company level, some of the companies’ PHIT are better than average result. There are 4 companies’ PHIT reach to 72.22%.
4. According to the best model result, we can develop a simulation through the investment strategies. The outcome shows the long position of strategy 1 defeats the other. In the testing period of 18 quarters, the best company shows an outstanding performance in return of 155%. In addition, most of the individual stock returns apparently beat the result of TAIEX in the same period.

第一章　緒　論1
第一節　航運業簡介與研究動機1
第二節　研究目的2
第三節　論文章節架構3

第二章　文獻探討5
第一節　總體經濟因素的文獻回顧5
第二節　應用類神經網路的文獻回顧7
第三節　文獻回顧彙總10

第三章　研究方法14
第一節　研究的範圍與流程14
第二節　總體經濟指標的選取與原因17
第三節　逐步迴歸分析的篩選19
第四節　類神經網路的模型與基因演算法之應用20

第四章　實證結果28
第一節　敘述統計28
第二節　逐步迴歸之結果29
第三節　類神經網路之實證結果31
第四節　預測漲跌下之模擬分析36

第五章　結論與建議48
第一節　結論48
第二節　管理意涵49
第三節　未來研究方向與建議50

1. 古永嘉、黃鐘億，「以改良式倒傳遞類神經網路運用成分股與技術指標預測台灣50指數報酬率之研究」，中華管理學報，第九卷第一期，PP. 37-56，2008。
2. 古智偉，「營收資訊揭露對股價報酬率預測效果之影響－應用修正式基因類神經網路模型」，國立台北大學資訊管理研究所碩士論文，2004。
3. 何瓊芳著，「國際金融－全球金融市場觀點」，初版，三民，2009。
4. 沈聖弘，「臺灣地區匯率,利率與股價指數長期均衡及短期動態調整關係」，國立中興大學企業管理學系碩士論文，1996。
5. 林政賢，「台灣地區總體經濟指標對上市電子產業股價之關係研究」，國立中興大學企業管理學系碩士論文，1998。
6. 林建成，「遺傳演化類神經網路於台灣股市預測與交易策略之研究」，東吳大學經濟學系碩士論文，2001。
7. 徐毓宏，「總體經濟指標預測股價指數報酬率之實證研究－基因及類神經網路之應用」，國立台北大學企業管理學系碩士論文，2002。
8. 陳適宜，「基因類神經網路在臺股指數期貨的預測與蝶式交易策略研究」，國立台北大學企業管理學系碩士論文，2009。
9. 葉怡成著，「類神經網路－模式應用與實作」，九版，儒林，2009。
10. 潘世煌，「類神經網路於台股指數與台指期貨基差變動之實證研究」，國立台北大學企業管理學系碩士論文，2006。
11. 鄧勝元，「總體經濟因素對電子類及金融類股價指數相關性之研究」，國立中興大學企業管理學系碩士論文，1999。
12. 謝文馨，「總體經濟變數與股價指數之關聯性研究－以台灣為例」，國立成功大學企業管理學系碩博士班碩士論文，2007。
13. 謝鎮州，「股票、黃金與原油價格互動關系之研究－以台灣為例」，逢甲大學經濟學所碩士論文，2006。
14. 謝明瑞，「台灣航運業的發展」，國家政策研究基金會網址: http://www.npf.org.tw/post/2/2972，2007，。搜尋日期：2011年 5月21日。
15. 魏宏泰，「台灣股價與總體經濟變數關係之實證研究」，朝陽科技大學財務金融系碩士班碩士論文，2003。
16. Abdullah, D.A. and Hayworth, S.C., "Macroeconometrics of Stock Price Fluctuations ", Quarterly Journal of Business and Economics, 32(1), 1993, PP. 49-63.
17.Graham, S., "The Price of Gold and Stock Price Indices for the United States", World Gold Council, 2001.
18. Kamijo and Tanigawa, "Stock Price Pattern Recognition-a Recurrent Neural Network Approach ", IEEE New York, 1990.
19. Kohonen, T., "An Introduction to Neural Computing", Neural Networks, 1(1), 1988, PP. 3-16.
20. Kuo, R. J., Chen, C. H. and Huang, Y. C., " An Intelligent Stock Trading Decision Support System Through Integration of Genetic Algorithm Based Fuzzy Neural Network and Artificial Neural Network " , Fuzzy sets and Systems, vol.118, no. 1, 2001, PP. 21-45.
21. Lippmann, R. P., "An Introduction to Computing with Neural Nets", IEEE ASSP Magazine, 1987, PP. 4-22.
22. Liu, Y. and Yao, X., "Evolving Neural Networks for Hang Seng Stock Index Forecast", Proceedings of the 2001 Congress, 1, 2001, PP. 256-260.
23. Wood, Douglas and Daskqupta, Bhaskar, "Classifying Trend Movement in the MSCI Captial Market－A Comparison of Regression, Arima and Neural Network Method ", Computer & OR, 1996, PP. 611-622.