臺灣博碩士論文加值系統

隨著近年來全球經濟成長快速與不確定之外在環境同時存在，高物價與微利時代的衝擊下，如何有效的運用投資理財獲利成為一般投資人最闗切的重要議題之一。本研究於眾多投資理財工具中選擇了股票為實證之標的物，實因股票市場廣為投資大眾所熟悉且容易取得公開資訊，加上股票市場買賣交易活絡，容易變現及市場流通。本研究以資料包絡法、蜂群演算法及類神經網路等方法建置一系列之投資組合最佳化程序，以風險最低獲利為目標的前題下進行投資活動。首先，運用資料包絡法作為選股之依據，再以蜂群演算法求出投資模型之股票投資權重，利用類神經網路預測股票並擇時作最佳之賣入賣出交易策略，最後的成果再與股票大盤投資報酬率或銀行定存利率作比較，來驗證建置之整合性投資策略之可行性與有效性。以台灣股票市場電腦及週邊產業類股作為實證標的，實證研究資料期間介於2009年到2011年，每半年為一個期間共建置四個個案為例之投資組合最佳化程序。本驗證結果得出四個模型的建構之實證投資報酬率均優於類股投資報酬率，代表本研究所作的投資最佳化組合之建置均優於大盤類股之投資報酬率，但於類股投資報酬率為負報酬率的情況下，雖然整體效益依然有獲利之效益，但若此時不作投資行為，將現金定存於銀行更優於股票投資行為。

With the coexistence of rapid global economic growth and uncertain external environment in recent years, how to effectively make profits by investment under the impact of high prices and low profits has become one of the most concerned issues of general investors. This paper selects stocks out of numerous investment and financing tools as the subject of the empirical study because stock market is widely known to general investors with easy access to public information, vibration trading, easy realization and market liquidity. This paper uses methods including the data envelope analysis, artificial bee colony and artificial bee colony to build a series of investment portfolio optimization programs to carry out investment activities on the premise of making profits with minimum risk. First, this paper employs the data envelope analysis as the basis for stock selection and the artificial bee colony to obtain the stock investment weights of the investment model before using the artificial bee colony for prediction of the stock and selection of the optimal timing of buy and sell transaction strategies. The final results are compared with the stock market investment return rate or the bank fixed deposit rate to verify the feasibility and effectiveness of the integrated investment strategies. With the stocks in the computer and peripheral industries in Taiwan’s stock market as the empirical subjects, in research data period from 2009 to 2011, this paper establishes the investment portfolio optimization programs of four cases at interval of half a year. According to the verification results, the empirical investment return rate in case of the four models is better than the investment return rate of stocks by sector, indicating that the investment return rate of the investment optimization portfolios proposed is better than the market. However, in case of stock sector investment return rate is negative, although the overall performance is profitable, the deposit of cash in the bank will be better than investment in stocks.

摘　要 i
Abstract ii
誌 謝 iii
目 錄 iv
表目錄 vi
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 2
1.3 研究步驟 2
第二章 文獻探討 4
2.1 投資組合最佳化 4
2.1.1 投資組合之理論 4
2.1.2 效率前緣 4
2.2 投資組合相關之研究 6
2.3 資料包絡分析法(data envelopment analysis, DEA) 11
2.3.1 資料包絡分析法之理論 11
2.3.2 資料包絡分析法之模型 12
2.3.3 資料包絡分析法之應用 17
2.4 蜂群演算法(artificial bee colony , ABC) 18
2.4.1 人工蜂群演算法 18
2.4.2人工蜂群演算法之一般步驟 20
2.5 類神經網路(artificial neural networks, ANNs) 21
2.5.1類神經網路之理論 21
2.5.2倒傳遞類神經網路 23
2.5.3倒傳遞類神經網路架構 25
2.5.4類神經網路之應用 27
2.6小節 28
第三章 研究方法 29
3.1 投資組合策略架構 29
3.2 投資組合之數學規劃模型 30
3.3 研究流程 33
3.3.1 選股策略 34
3.3.2 權重配置 34
3.3.3 股價預測 34
3.3.4 擇時策略 35
3.3.5 績效評估 35
第四章 實證結果與分析 36
4.1 資料蒐集 36
4.2 選擇投資標的 36
4.3 資金配置最佳化 42
4.4 建構股票預測模型 46
4.5 交易策略之制定 49
4.6 計算實際獲利 50
第五章 結論與建議 55
5.1 研究結論 55
5.2 研究限制 55
5.3 未來研究建議 56
附 錄 57
附錄1 本研究之資料蒐集 57
附錄2 應用DEA之效率值結果 61
附錄3 應用DEA求得之效率值與排序 63
附錄4 個案於投資期間之交易策略 66
附錄5 個案三與個案四各檔實際與預測收盤價繪圖 69
文獻探討 73
中文文獻 73
英文文獻 75

中文文獻
1.陳怡伶，2002，平均數-低偏動差模型之投資績效表現－與平均數-變異數模型之比較－，中原大學國際貿易學系。
2.王瑋鈴，2003，相關資產與投資組合效率前緣的估計，崑山科技大學企業管理研究所。
3.余尚武和郭至軒，2004，運用基因演算法與模糊理論於台股指數期貨投資策略之研究，中華管理評論，2期，頁131-157。
4.陳振遠、王朝仕和湯惠雯，2007，以修正投資組合再檢測新上市股票之長期績效，經營管理論叢，2期，頁59-76。
5.邱耀德，2006，依公司財務報表做最佳化選股及擇時買賣策略之研究－以上市櫃營建產業類股為例，國立中央大學土木工程研究所。
6.游川又，2008，運用基因演算法及投資組合理論建構可接受風險下的較佳投資組合，國立臺北科技大學商業自動化與管理研究所。
7.陳岍樺，2008，以蒙地卡羅模擬不同投資屬性投資者最適化投資組合之研究，元智大學管理研究所。
8.葉桂珍，2008，我國電腦及週邊產業企業經營績效剖析，國立成功大學企業管理研究所。
9.許晋雄和鄒慶士，2009，多準則投資組合最佳化分析：結合K-MOPSO及TOPSIS，東吳經濟商學學報，65期：頁109-138。
10.楊勝智，2010，應用資料包絡分析法與多目標規劃建構最佳化投資組合，國立臺北大學企業管理學系研究所。
11.張又升，2010，結合選股與支援向量迴歸解決穩健投資組合問題，國立臺北科技大學工業工程與管理研究所。
12.許光明，2010，類神經網路與圖型分析於晶圓製程之良率預測，國立高雄大學，亞太工商管理學系碩士班。
13.林志軒，2011，類神經網路投資策略績效之實證研究：以台灣中型100電子股為例，靜宜大學財務金融研究所。
14.楊瑋瑋，2011，以基本面指數建構最適投資組合-類神經網路模型之應用，國立臺北大學企業管理研究所。
15.陳鄢貞，2011，以財務指標及技術指標建構股價預測模型－類神經網路模型之應用，國立臺北大學國際財務金融碩士在職專班。
16.黃綺年，2004，統計方法與類神經網路應用於國內開放式股票型基金投資績效分類及投資報酬率預測之研究，國立成功大學統計學系碩博士班。
17.陳天惠，2006，應用資料包絡分析模式於工作負荷之評估與改善，國立成功大學工業管理科學系碩博士班。
18.洪海玲，2002，以資料包絡分析法作製造業之營運效率分析，國立成功大學工業管理科學系碩博士班。
19.張斐章和張麗秋，2010，類神經網路導論：原理與應用，滄海書局。
20.林萍珍和陳稼興和林文修，遺傳演算法在使用者導向的投資組合選擇之應用」，資訊管理學報，第7卷，第1期，頁 155-172。
21.孫遜，2004，資料包絡分析法－理論與應用，揚智，台北。
22.葉怡成，2000，類神經網路模式應用與實作(七版)，儒林，台北。
23.蘇木春和張孝德，1997，機器學習類神經網路、模糊系統以及基因演算法則，全華，台北。
24.許文姿，2010，資料包絡分析法及組合編碼遺傳演算法於投資組合之應用-以中國概念股為例。 碩士， 銘傳大學， 台北市。
25.李玟蒂，2010， 風險控制投資組合最佳化:使用粒子群演算法，中原大學研究所。
26.張瑜庭，2011， 應用和弦演算法於投資組合最佳化問題之sqnlrsip ，元智大學工業工程研究所。
27.劉佳倩，2011，人工蜂群演算法於投資組合最佳化問題之應用，元智大學工業工程研究所。
 
英文文獻
1.Chiang, M. H., and Huang, H. Y., 2011, Stock Market Momentum, Business Conditions, and GARCH Option Pricing Models, Journal of Empirical, 18(3), pp.488-505.
2.Çınar, V., Öncan, T., &; Süral, H. (2010). A Genetic Algorithm for the Traveling Salesman Problem with Pickup and Delivery Using Depot Removal and Insertion Moves, Lecture Notes in Computer Science, 60(25), 431-440.
3.Dallagnol, V. A. F., van den Berg, J., &; Mous, L. (2009). Portfolio management using value at risk: A comparison between genetic algorithms and particle swarm optimization. International Journal of Intelligent Systems, 24 (7) , 766-792.
4.Deng, G.-F., &; Lin, W.-T. (2010). Ant Colony Optimization for Markowitz Mean-Variance Portfolio Model Swarm, Evolutionary, and Memetic Computing. In B. Panigrahi, S. Das, P. Suganthan &; S. Dash (Eds.), (Vol. 6466, pp. 238-245): Springer Berlin / Heidelberg.
5.Deng, G.-F., Lin, W.-T., &; Lo, C.-C. (2012). Markowitz-based portfolio selection with cardinality constraints using improved particle swarm optimization. Expert Systems with Applications, 39(4), 4558-4566.
6.Fama, E. F. &; French, K. R. (1995). Size and book-to-market factors in earnings and returns. Journal of Finance, 50, 131-155.
7.Farrell, M. J. (1957). The Measurement of Productive Efficiency. Journal of the Royal Statistical Society. Series A (General), 120(3), 253-290.
8.Goldfarb, D. and G. Iyengar. (2003).Robust Portfolio Selection Problems. Mathematics of Operations Research, vol. 28, no. 1, 2003, pp. 1-38.
9.Golmakani, H. R., &; Fazel, M. (2011). Constrained Portfolio Selection using Particle Swarm Optimization. Expert Systems with Applications, 38 (7), 8327-8335.
10.Karaboga, D. (2005), An Idea Based on Honey Bee Swarm for Numerical Optimization, TechnicalReport-TR06, Erciyes University, Computer Engineering Department.
11.Karaboga, D. and Basturk, B. (2007), Artificial bee colony (ABC) optimization algorithm for solving constrained optimization problems, LNCS: Advances in Soft Computing: Foundations of Fuzzy Logic and Soft Computing, 4529, 789–798, Berlin: Springer-Verlag.
12.Karaboga, D. and Basturk, B. (2008), On the performance of artificial bee colony (ABC) algorithm, Applied Soft Computing, 8(1), 687–697.
13.Lev, B. &; Thiagarajan, S.R. (1993). Fundamental information analysis. Journal of Accounting Research, 31, 190-215.
14.Lin, Y. C., Chen, T., and Wu, H. C., 2011, Future WIP Level Forecasting in a Wafer Fabrication Factory with a Hybrid Fuzzy And Neural Approach, International Journal of Innovative Computing Information and Control, 7(8), pp.4621-4634.
15.Rao, R. V. and Patel, V. K. (2011), Optimization of mechanical draft counter flow wet-cooling tower using artificial bee colony algorithm, Energy Conversion and Management, 52(7), 2611–2622.
16.Samanta, S. and Chakraborty, S. (2011), Parametric optimization of some non-traditional machining processes using artificial bee colony algorithm, Engineering Applications of Artificial Intelligence, 24(6), 946–957.
17.Sun, J., Fang, W., Wu, X., Lai, C.-H., &; Xu, W. (2011). Solving the multi-stage portfolio optimization problem with a novel particle swarm optimization. Expert Systems with Applications, 38(6), 6727-6735.
18.Szeto, W. Y., Wu, Y. Z., Ho, S. C. (2011), An artificial bee colony algorithm for the capacitated vehicle routing problem, European Journal of Operational Research, 215(1), 126–135.