跳到主要內容

臺灣博碩士論文加值系統

(44.192.22.242) 您好!臺灣時間:2021/08/03 20:12
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

: 
twitterline
研究生:陳宗敬
研究生(外文):Chen, Tsungching
論文名稱:應用灰關聯分析、遺傳演算法與模糊神經網路預測臺灣股票加權指數之研究
論文名稱(外文):Apply Grey Relation Analysis, Genetic Algorithms And Fuzzy Neural Network To Forecast Taiwan Stock Exchange Weighted Index
指導教授:李樑堅李樑堅引用關係黃永成黃永成引用關係
指導教授(外文):Lee, LiangchienHuang, Yungcheng
口試委員:田瑞駒李昭蓉李樑堅黃永成
口試委員(外文):Tien, JuichuLi, ChaojungLee, LiangchienHuang, Yungcheng
口試日期:2012-05-21
學位類別:碩士
校院名稱:義守大學
系所名稱:財務金融學系
學門:商業及管理學門
學類:財務金融學類
論文種類:學術論文
論文出版年:2012
畢業學年度:100
語文別:中文
論文頁數:52
中文關鍵詞:臺灣股票加權指數模糊神經網路遺傳演算法模糊遺傳演算法
外文關鍵詞:Taiwan Stock Exchange Weighted IndexFuzzy Neural NetworkGenetic AlgorithmFuzzy Genetic Algorithms
相關次數:
  • 被引用被引用:14
  • 點閱點閱:963
  • 評分評分:
  • 下載下載:228
  • 收藏至我的研究室書目清單書目收藏:1
股票市場對許多國家而言是個重要的經濟指標,因為上市公司的未來獲利能力與景氣指標會事先反應在股票市場上。2010年5月希臘債務危機爆發,引發後續的歐債危機,2011年3月日本大地震,同月利比亞發生戰爭動亂等因素都造成全球股市大盤受到非常強烈的影響,臺灣股票加權指數也不例外。本研究採用灰關聯分析找出影響臺灣股票加權指數高度相關因子(如:日經225指數、上海綜合股價指數、S&P500、深圳成分綜合指數、德國DAX指數、道瓊工業指數、英國FTSE指數、融券餘額、聚散指標、移動平均線),而運用灰關聯分析,其主要目的是在篩選目標值與參考值之間相互關聯的程度,再利用灰關聯分析對臺灣股票加權指數較相關的二十三個變數進行篩選,從中篩選出前十個相關變數,而後模擬建構出預測模型,進而預測未來台灣股票加權指數,以協助投資人作為判斷選擇依據。
本研究使用2008年至2010年臺灣股票加權指數與其重要相關因子,透過遺傳演算法、模糊神經網路與模糊遺傳演算法建構出測試模式,再輸入2011年臺灣股票加權指數與其相關重要因子來做實證分析,以界定遺傳演算法、模糊神經網路與模糊遺傳演算法之實質效果。
經實證結果顯示,不管在個別變數與整體變數單一解的最優方法幾乎都是以遺傳演算法之誤差最小,而最優平均值及最後總平均值的最優方法都是以模糊神經網路之誤差最小。
Stock markets have been an essential indication in economy market for many countries. The main reason for this is because the stock market index could reflect the expected profitability of listed companies in current period beforehand, also is able to predict the economic sentiment index. The Greek debt crisis in May 2010 triggering the subsequent debt crisis in Europe; the earthquake in Japan in March 2011, and the same month the civil wars in Libya, all of these factors had a profoundly impact on stock markets around the world, no exception for Taiwan stock exchange weighted index as well.In this case study, the gray relational analysis will be used to examine the factors which are highly relavant in affecting the Taiwan stock exchange weighted index (e.g. Tokyo Nikkei 225、Shanghai SSE Composite Index、Standard & Poor 500 Index、Shenzhen Component Index、 Frankfurt DAX、Dow Jones Industrial Average、London FT100、adjusted debit balance bearish、moving average convergence divergence、moving average). The main purpose of using gray relational analysis is to filter out the relationship between the target and the reference values. Moreover, gray relational will be used to analyze 23 variables which are relevant with Taiwan stock exchange weighted index, and filter out the top ten relevant variables to constrict the prediction model in order to forecasting Taiwan stock exchange weighted index. The result can be the standard to assist investors choosing the better investment.
The figures of Taiwan stock exchange weighted index from 2008 to 2010, will be inserted to analyze this project. The test model will be constructed through genetic algorithms, fuzzy neural network and fuzzy genetic algorithm, moreover, the index of Taiwan stock exchange weighted and the relevant important factors will be applied into the empirical analysis, in order to define the actual effect of genetic algorithm, fuzzy neural networks and fuzzy genetic algorithms.
Single solution best practices in the individual variables and global variables, almost all of the genetic algorithm are the minimum error, and optimal average and final average optimal methods are fuzzy neural networks with minimum error.
謝誌I
摘要II
ABSTRACT III
目錄IV
表目錄V
圖目錄VI
第一章 緒論1
第一節 研究背景與動機1
第二節 研究目的2
第三節 研究對象及範圍3
第四節 研究流程3
第二章 文獻回顧5
第一節 類神經網路5
第二節 灰關聯分析10
第三節 遺傳演算法14
第四節 影響股價指數漲跌之相關因子17
第三章 研究方法19
第一節 資料說明19
第二節 灰關聯分析22
第三節 遺傳演算法23
第四節 模糊神經網路之網路架構27
第五節 模糊遺傳演算法29
第四章 實證與分析30
第一節 灰關聯分析結果30
第二節 遺傳演算法31
第三節 模糊神經網路33
第四節 模糊遺傳演算法35
第五節 遺傳演算法、模糊神經網路及模糊遺傳演算法之比較36
第五章 結論與建議39
第一節 結論39
第二節 建議40
參考文獻41
表目錄
表2-1 模糊神經網路之相關研究結果8
表2-2 灰關聯分析之相關研究結果12
表2-3 遺傳演算法之相關研究結果16
表2-4 影響股價漲跌之相關變數18
表3-1 影響變數之定義及說明20
表4-1 各影響變數之灰關聯值排序表30
表4-2 遺傳演算法參數設定表31
表4-3 傳演算法之測試誤差結果32
表4-4 遺傳演算法之實證誤差結果32
表4-5 模糊神經網路之測試誤差結果34
表4-6 模糊神經網路之實證誤差結果34
表4-7 模糊遺傳演算法之測試誤差結果35
表4-8 模糊遺傳演算法之實證誤差結果35
表4-9 遺傳演算法、模糊神經網路及模糊遺傳演算法之實證誤差36
表4-10遺傳演算法、模糊神經網路及模糊遺傳演算法之比較分析37
圖目錄
圖1-1 研究流程4
圖2-1 回歸型類神經網路5
圖2-2 前授型類神經網路6
圖3-1 遺傳演算法演化流程圖24
圖3-2 遺傳演化之單點交配25
圖3-3 遺傳演化之多點交配25
圖3-4 遺傳演化之均勻交配26
圖3-5 模糊神經網路架構28
圖3-6 整合遺傳演算法與模糊神經網路之流程圖29
中文部份
[1]方彥軍、蘇正偉、李世紅 (2004),基於一種混和遺傳演算法的模糊神經網路的優化,武漢大學學報(工學版)37卷2期,頁74-77。
[2]王進德、蕭大全 (2003),類神經網路與模糊控制理論入門,台北:全華科技圖書股份有限公司。
[3]吳東曄 (2009),應用類神經網路於預測台股指數之研究,國立屏東教育大學應用數學研究所。
[4]呂國宏 (2001),運用演化式類神經網路預測臺灣股市行為之研究,國立政治大學資訊管理研究所。
[5]周宗南、王惠娟 (2007),應用灰色預測與演化式類神經網路建構臺灣加權股價指數之預測模式,朝陽學報12期,頁89-106。
[6]周恆志、涂登才 (2002),台灣綜合證券商經營績效評估與績效持續性之研究:灰關聯分析之應用,朝陽商管評論1卷1期,頁99-119。
[7]林典蓉 (2007),應用基因演算法與灰色決策建構擇股策略模型,朝陽科技大學財務金融研究所。
[8]林昇遠 (1997),應用類神經網路及模糊德爾菲法於個別股價預測模式之研究─以台積電公司為例,義守大學管理科學研究所。
[9]林雅迪、虞孝成、孫嘉祈、林亭汝 (2009),應用灰關聯與Entropy探討台灣LED廠商經營績效,臺灣企業績效學刊3卷1期,頁73-102。
[10]林建成 (2001),遺傳演化類神經網路於臺灣股市預測與交易策略之研究,東吳大學經濟學研究所。
[11]洪振家 (2009),以模糊時間序列為主的類神經網路方法預測臺灣證券交易所股價指數選擇權價格,國立臺灣科技大學資訊管理研究所。
[12]徐志銘 (2006),以技術指標建構ETF交易策略-灰關聯及類神經網路之應用,南華大學財務管理研究所。
[13]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,朝陽科技大學財務金融研究所。
[14]張品傑 (2010),整合灰關聯分析、遺傳演算法和粒子群演算法對信用評等之研究,義守大學財務金融研究所。
[15]張偉哲、溫坤禮、張庭政 (2000),灰預測模型方法與應用,台北:高立圖書股份有限公司。
[16]連立川、葉怡成 (2008),以遺傳神經網路建構臺灣股市買賣決策系統之研究,資訊管理學報15卷1期,頁29-51。
[17]陳玉輝 (2002),遺傳演化類神經網路應用於股價指數漲跌方向之預測,大葉大學事業經營研究所。
[18]陳建安 (2000),整合類神經網路與遺傳演算法為輔之模糊神經網路於智慧型訂單選取之應用,國立台北科技大學生產系統工程與管理研究所。
[19]黃永成 (1997),應用遺傳演算法與模糊神經網路於股票預測模式之研究,高雄工學院管理科學研究所。
[20]黃永成 (2011),結合灰關聯分析之模糊連續遺傳演算法對選擇權之評價,資訊管理學報,18卷1期,頁133-153。
[21]葉怡成 (1995),類神經網路模式應用與實作,儒林圖書公司。
[22]游梓堯 (2001),美國股市與臺灣股市關連性研究─VAR、GARCH與灰關聯分析之應用,國立臺灣科技大學資訊管理研究所。
[23]劉克一 (2001),以遺傳演算法演化類神經網路在股價預測上的應用,真理大學管理科學研究所。
[24]鄭宜芳 (2008),以灰色理論改良股票投資技術分析指標之研究-以日經平均指數成分股為例,國立屏東科技大學企業管理研究所。
[25]謝企榮 (1999),應用類神經網路及灰關聯分析建立店頭市場股價指數預測基礎模式之研究,中國財務學會1999年會暨財務金融學術論文研討會論文集,頁1017-1030。
[26]MBA智庫百科遺傳演算法特點http://wiki.mbalib.com/wiki/%E9%81%97%E4%BC%A0%E7%AE%97%E6%B3%95
英文部份
[1]Armano, G., Murru, A. and Roli, F. (2002), “Stock market prediction by a mixture of genetic-neural experts”, International Journal of Pattern Recognition and Artificial Intelligence, (16), pp. 501-526.
[2]Deng, J. (1989), “Introduction to Grey System Theory”, The Journal of Grey System, 1(1), pp. 1-24.
[3]Fukuda and Shibata (1992), “Theory and Applications of Neural Networks for Industrial Control Systems”, IEEE Trans. On IE, 39(6), pp. 472-489.
[4]Hamid, S. A. and Zahid, I. (2004), “Using Neural Networks for Forecasting Volatility of S&P500 Index Futures Prices”, Journal of Business Research, 57(10), pp. 1116-1125.
[5]Holland, J. H. (1975), “Adaptation in Natural and Artificial Systems”, University of Michigan, Ann Arbor, MI.
[6]Kimoto, T. and Asakwa, K., (1990), “Stock Market Predication System with Modular Neural Networks”, International Joint Conference on Neural Networks-90-Wash., I, pp.1-6.
[7]Huang, K. Y. (2011), “A New Grey Relational Analysis Function Based on Harmonic Mean”, Journal of Grey System, 14(2), pp. 47-54.
[8]Mirmirani, S. and Li, H. C. (2004), “Glod Price, Neural Network and Genetic Algorithm”, Computational Economics, 23(2), pp. 193-200.
[9]Oh, K. J., Kim, T. Y., Min, S. H., and Hyoung, Y.L. (2006), “ Portfolio algorithm based on portfolio beta using genetic algorithm”, Expert Systems with Applications, 30, pp. 527-534.
[10]Parisia, A., Parisi, F. and Diaz, D. (2008), “Forecasting Gold Price Changes: Rolling and Recursive Neural Network Models”, Journal of Multinational Financial Management, 18, pp. 477-487.
[11]Shen, Y. (2008), “A Novel Prediction Method for Stock Index Applying Grey Theory and Neural Networks”, Operations Research Society of China & Asia-Pacific Operations Research Center, pp. 104–111
[12]Skouras, S. (2001), “Financial Returns and Efficiency as Seen by An Artificial Technical Analyst”, Journal of Economic Dynamics and Control, 25, pp. 213-244.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top