(18.206.177.17) 您好!臺灣時間:2021/04/11 03:39
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:許雯筆
研究生(外文):Hsu,Wen-Pi
論文名稱:應用多元模型於股價指數之預測-以台灣50股價指數為例
論文名稱(外文):Forecasting Stock Index Using Diversified Models into Taiwan 50 Index
指導教授:林萍珍林萍珍引用關係
指導教授(外文):Lin,Ping-Chen
口試委員:高啟昌柯博昌
口試委員(外文):Gau,Chii-ChangKo,Po-Chang
口試日期:2016-05-31
學位類別:碩士
校院名稱:國立高雄應用科技大學
系所名稱:金融系金融資訊碩士班
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:2016
畢業學年度:104
語文別:中文
論文頁數:72
中文關鍵詞:預測倒傳遞神經網路股價指數
外文關鍵詞:ForecastingBack Propagation Neural NetworkTaiwan 50 index
相關次數:
  • 被引用被引用:7
  • 點閱點閱:863
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:207
  • 收藏至我的研究室書目清單書目收藏:0
股票價格預測一直是一個典型的問題,過去,許多對股價預測的研究使用的技術可分為:統計模型和人工智慧模型;在本研究中,我們整合這兩種技術的交互使用,提出3個變數挑選(None:不挑選變數、PCA:主成分分析法以及SR:逐步迴歸分析)的方法和4個(BPNN:倒傳遞神經網路模型、MR:多元迴歸模型、ES:指數平滑法和ARIMA模型)預測模型,組成3種預測模組;並實際以台灣50股價指數來評估模型組合的預測表現以尋求最適的預測模型。研究結果發現:有經過變數挑選的模型組合其預測表現較佳,其中,以逐步迴歸(Stepwise)模組的預測表現最好;在預測模型的比較上,多元迴歸模型的預測表現整體優於神經網路模型,但差異不大。而這樣的實證結果說明,在運用各種模型組合時,可以進行交互驗證並從中找出最適的預測模型。

It is a typical issue on forecasting the trend of share market. In the past, two technical systems are most used on forecasting share market, one is statistical models the other is and artificial intelligence model. On this research, we combine two technical systems and use together. The method to take 3 variable, None: Unselective Variable, PCA: Principal Component Analysis, SR : Stepwise Regression Analysis. 4 forecasting models are BPNN:Back Propagation Neural Network Model, MR: Multiple Regression Model, ES: Exponential Smoothing, and ARIMA Model. Finally, forming 3 forecasting sets to find out which is more accurate model on 4 forecasting models which are assessed on Taiwan stock index 50.According to outcome of research, it is better on the model by forecasting through selective variables. It is little different on comparing forecasting models and MR is better than BPNN. On this basement, we can find out accurate forecasting model through cross validation among many kinds of forecasting sets.

摘要 ii
Abstract iii
目錄 iv
圖目錄 vi
表目錄 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 股價預測理論 5
第二節 預測方法回顧 7
第三節 類神經網路 10
第四節 國內外相關文獻 13
第三章 研究方法 16
第一節 研究架構圖 16
第二節 變數挑選 18
第一項 輸入/出 變數 18
第二項 主成分分析法 20
第三項 逐步迴歸分析 22
第三節 預測模型 23
第一項 倒傳遞神經網路模型 23
第二項 多元迴歸模型 28
第三項 指數平滑法 31
第四項 ARIMA模型 33
第四節 績效評估與檢定方法 35
第四章 實證結果 36
第一節 資料來源與研究期間相關設定 36
第二節 實驗環境與系統介紹 37
第三節 實驗設計 38
第四節 實驗結果 39
第五章 結論與建議 58
第一節 結論 58
第二節 建議方向 59
第六章 參考文獻 60
中文文獻
[1]張希影(2014),基於遺傳演算法優化的BP神經網路股票價格預測,青島科技大學,碩士論文。
[2]韓磊(2013),利用BP神經網路系統對股票市場進行預測與分析,天津大學軟件學院金融信息化,碩士論文。
[3]姚婷(2014),股票價格的宏觀影響因素分析及預測,安徽財經大學金融學院,碩士論文。
[4]胡佩(2014),基於ANN方法的股票預測模型,重慶大學數學與統計學院,碩士論文。
[5]吳閔帆(2014),「基於隨機變異優化選擇規則的神經網路在股指期貨價格預測中的應用」,廈門大學理論物理,碩士論文。
[6]許泱(2008),「基於神經網路的股票市場預測研究」,華中科技大學數量經濟學,碩士論文。
[7]武曉煒(2004),「基於人工神經網路的股價預測模型研究」,大連理工學院管理科學與工程,碩士論文。
[8]何啟舜(2014),「ETF台灣50指數投資報酬率之研究」,國立成功大學統計學系,碩士論文。
[9]葉清江 齊德彰 郭定峪(2011),「結合經驗模態分解法與類神經網路在股價預測之應用」,第14屆科際整合研討會,頁125-138。
[10]周宗南 劉瑞鑫(2005),「演化式類神經網路應用於台股指數報酬率之預測」,財經論文叢刊,第三期,頁77-94。
[11]賴碧瑩(2007),「應用類神經網路於電腦輔助大量估價之研究」,住宅學報,第十六卷第二期,頁43-65頁。
[12]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 Vol.2,No.1,頁83-99。
[13]林萍珍 柯博昌(2008),投資分析:含MATLAB應用、遺傳演算法與類神經網路模型,新陸書局。

英文文獻
[1]Serkan Aras, Deveci Kocako(2016),A new model selection strategy in time series forecasting with artificial neural networks: IHTS, Neurocomputing, Volume 174, Part B, 2016, Pages 974–987.
[2]Asil Oztekina, Recep Kizilaslanb, Steven Freundc, Ali Iserid(2016), A data analytic approach to forecasting daily stock returns in an emerging market, European Journal of Operational Research, Volume 253, Issue 3, 2016, Pages 697–710.
[3]Jigar Patel, Sahil Shah, Priyank Thakkar, K Kotecha(2015), Predicting stock market index using fusion of machine learning techniques, Expert Systems with Applications 42, 2015, 2162–2172.
[4]Jie Wang, Jun Wang(2015), Forecasting Stock Market Indexes Using Principle Component Analysis And Stochastic Time Effective Neural Networks, Neurocomputing 156, 2015, 68–78.
[5]Werner Kristjanpoller, Anton Fadic, Marcel C. Minutolo(2014), Volatility forecast using hybrid Neural Network models, Expert Systems with Applications, Volume 41, Issue 5, 2014, Pages 2437–2442.
[6]Ling-Jing Kao, Chih-Chou Chiu, Chi-Jie Lu, Chih-Hsiang Chang(2013), A hybrid approach by integrating wavelet-based feature extraction with MARS and SVR for stock index forecasting, Decision Support Systems, Volume 54, Issue 3, 2013, Pages 1228–1244
[7]Ju-jie Wang ,Jian-zhou Wang ,Zhe-george Zhang ,Shu-po Guo(2012), Stock Index Forecasting Based On A Hybrid Model, Omega 40, 2012, 758–766.
[8]Ching-Ping Wang, Shin-Hung Lin, Hung-Hsi Huang, Pei-Chen Wu(2012), Using neural network for forecasting TXO price under different volatility models, Expert Systems with Applications, Volume 39, Issue 5, 2012, Pages 5025–5032.
[9]Wei Shen, Xiaopen Guo, Chao Wu, Desheng Wu(2011), Forecasting stock indices using radial basis function neural networks optimized by artificial fish swarm algorithm, Knowledge-Based Systems, Volume 24, Issue 3, 2011, Pages 378–385.
[10]Mizuno,H. ,Kosaka, M. , Yajima, H. and Komoda, N.(1998), Application Of Neural Network To Technical Analysis Of Stock Market Prediction, Studies in Informatics and Control, vol. 7,No. 2,pp. 111-120.

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔