臺灣博碩士論文加值系統

近年來，台灣壽險市場在經濟發展、國民風險意識提升、相關法令放寬，以及金融機構併購風潮的帶動下，台灣保險市場競爭越來越激烈。有鑑於保險市場的競爭壓力日益沉重，對於國家的壽險保費收入預測精準與否，成為保險公司經營策略的關鍵成功因素；此外，從過去研究顯示，保費收入與整體經濟環境息息相關。因此，本研究利用總體經濟指標，使用保險科技(Insurance Technology)中的機器學習(Machine Learning)演算法，包括邏輯斯迴歸(LR)、最近鄰居法(KNN)、類神經網路(ANN)、決策樹(CART)、支援向量迴歸(SVR)、隨機森林(RF），建立人身保費收入預測模型。
實驗結果發現：(1)多數演算法於兩年推測一季的預測效果優於其他時間週期，但不同演算法仍有其最適合進行預測之時間週期。(2)預測模型效果評估，RF、KNN、Logistic迴歸、CART效果最好。(3)預測模型信度評估，Logistic迴歸、SVR、KNN穩定度遠高於其他三種演算法。(4)預測模型效率評估，Logistic迴歸、CART、SVR、KNN演算效率較高，適合應用在線上即時系統。(5)本研究認為，KNN、CART演算法在效果、信度、效率三種構面評估中表現優異，適合當作壽險保費收入預測模型。

In recent years, the insurance market in Taiwan has become increasingly competitive because of the economic development, the growth of risk awareness, the relaxation of law and the trend of banking mergers. According to competitive pressure of the insurance market, the accurate prediction of national premium income has become the key success factors of business strategy for the insurance company. Aadditionally, the past studies has point out that the premium income is related to macroecnomic phenomenon. As a result, we use macroeconomic Index, basing on insurance forecasting technology and machine learning algorithms to build a forecasting model in premiums income of personal insurance. The algorithms which been used are as follows：Logistic Regression, K-Nearest Neighbor, Back Propagation Neural Network, Support Vector Regression, Classification And Regression Trees, and Random Forest. The result we found are listed below:
1. For the time period of forecasting, when the time period is two years, forecast result is better than others. However, different algorithms have their appropriate time period.
2. For validity, the average mean squared error of Random Forest, K-Nearest Neighbor , Logistic Regression and Classification And Regression Trees are better than others.
3. For reliability, Logistic Regression, Support Vector Regression and K-Nearest Neighbor are more stable than others.
4. For efficiency, Logistic Regression, Classification And Regression Trees, Support Vector Regression and K-Nearest Neighbor are more efficient than others. They are suitable for applying to real-time online system.
5. According to all the above factors, the author thinks K-Nearest Neighbor and Classification And Regression Trees are suitable for building a forecasting model in premiums income because of the good perfomace in the validity, reliability and efficiency.  

表目錄 v
圖目錄 vii
第壹章 緒論 1
第一節 研究背景與動機 1
第二節 研究問題與研究目的 2
第三節 研究流程 3
第貳章 文獻探討 5
第一節 總體經濟指標於保費收入之影響探討 5
第二節 影響保費收入之預測方法探討 8
第三節 機器學習演算法 9
第四節 邏輯斯迴歸 21
第五節 時間序列 22
第參章 研究設計 23
第一節 研究架構 23
第二節 變數說明 25
第三節 演算法設計說明 27
第四節 實驗設計 37
第五節 績效之比較與分析 40
第肆章 實驗結果與分析 41
第一節 實驗結果與說明 41
第二節 綜合分析與評估 81
第伍章 結論與未來展望 89
第一節 結論 89
第二節 研究貢獻 90
第三節 研究限制 91
第四節 未來研究與建議 91
參考文獻 92
附錄一 97
附錄二 102
附錄三 104
附錄四 110
附錄五 142

一、中文文獻
1.王彥仁，台灣壽險業保費收入的預測模型之建立，國立高雄第一科技大學企業管理學系碩士論文，2014。
2.王翎聿，應用倒傳遞類神經網路與支援向量機預測加權股價指數，國防大學財務管理學系碩士班碩士論文，2015。
3.石凱圯，壽險公司新契約與有效契約費用預測模型－以南山人壽為例模型，真理大學數理科學研究所碩士論文，2009。
4.吳宗龍，總體經濟因素對台灣年金保費收入之研究-分量迴歸，國立高雄第一科技大學風險管理與保險系，碩士論文，2005。
5.吳敏男，利用K-最近鄰居法辨識中文母音及翹舌音的探討，國立中興大學統計學研究所碩士論文，2012。
6.呂佳芹，應用時間序列、演化式類神經網路與灰預測方法在匯率預測績效之比較，朝陽科技大學財務金融所碩士論文，2009。
7.李建昌，保險代理人壽險簽單保費收入及壽險市場占有率預測模型建構之研究，淡江大學保險學系保險經營碩士在職專班碩士論文，2007。
8.李瑞宜，總體經濟與壽險續期保費收入關聯性之探討，世新大學財務金融學研究所碩士論文，2011。
9.周俊言，探討多國股市季節性的變動－結合類免疫演算法與人工智慧方法，中華大學資訊管理學系碩士班碩士論文，2009。
10.周俊言，探討多國股市季節性的變動－結合類免疫演算法與人工智慧方法，中華大學資訊管理學系碩士論文，2009。
11.宗建雄，兩岸銀行保險之比較研究，淡江大學保險學系保險經營碩士在職專班碩士論文，2007。
12.林欣嵐，運用二元邏輯迴歸與資料探勘技術建構來台旅客重遊之預測模式，國立臺中技術學院事業經營研究所碩士論文，2007。
13.林建華，從重要經濟指標與保險數據分析預測壽險業營運方針，東吳大學財務工程與精算數學系碩士論文，2009。
14.林楓淳，結合ARIMA與支援向量迴歸於財務時間序列預測模型之建構─以新加坡交易所日經255指數期貨為例，天主教輔仁大學管理學研究所碩士論文，2007。
15.邱楨方，我國壽險新契約總保費預測之研究-轉換函數模式之應用，朝陽科技大學保險金融管理研究所，碩士論文，2005。
16.施柏屹，倒傳遞類神經網路學習收斂之初步探討，國立中央大學機械工程研究所碩士論文，2000。
17.洪若梅，我國銀行保險發展趨勢之研究，逢甲大學保險學系碩士班碩士論文，2004。
18.翁啟棠，機器學習在垃圾郵件過濾之應用，天主教輔仁大學資訊管理學系在職專班碩士論文，2012。
19.張淑惠，總體經濟因素對台灣年金保險新契約保費收入之影響，朝陽科技大學保險金融管理研究所，碩士論文，2004。
20.曹耀鈞、薛舜仁，自我迴歸整合移動平均法在指數股票型基金之預測效果研究，臺灣銀行季刊，第六十二卷第三期，2011/12，頁202-216。
21.陳少榛，總體經濟因素對銀行保險通路新契約保費收入之影響，國立臺北大學國際財務金融碩士在職專班碩士論文，2015。
22.陳文欽、陳振臺、蔡志弘、何宗軒，類神經網路應用於半導體蝕刻製程終點圖形之辨識，工業工程學刊，23卷4期，2006/07/0，頁269-279。
23.陳秀齡，台灣地區壽險保費收入與總體經濟因素之關係向量自我相關迴歸分析，逢甲大學保險學研究所，碩士論文，2002。
24.陳佩鈴，邏輯迴歸樹應用於印刷電路板之瑕疵分類，元智大學工業工程研究所碩士論文，1998。
25.陳威澤，人壽保險滿期金回購預測模型之研究－以某大壽險公司為例，東吳大學財務工程與精算數學系碩士論文，2009。
26.陳玲慧，壽險有效契約之成長與經濟環境之相關分析研究，保險專刊第58輯，1999。
27.陳健勛，各類機器學習方法在太陽黑子數目預測上之效能評估，亞洲大學生物與醫學資訊學系研究所碩士論文，2013。
28.陳淑惠，台灣人身保險整體收入及給付預測模式之建立--以總體經濟指標為預測變數，國立臺北大學統計學系碩士論文，2002。
29.游士億，以 FCM 分群、指標模糊化與SVR探討多國股市的動態，中華大學資訊管理學系碩士班碩士論文，2008。
30.游士億，以FCM分群、指標模糊化與SVR探討多國股市的動態，中華大學資訊管理學系碩士論文，2008。
31.黃惠貞，郵政定期儲金與簡易壽險保費收入之預測模型建構，國立臺中科技大學企業管理系碩士班學位論文，2015。
32.楊進億，總體經濟與人口統計變數對壽險需求的影響：台、美、日、韓的實證研究，逢甲大學金融碩士在職專班，2014。
33.楊雅媛，迴歸分析與類神經網路預測能力之比較，國立政治大學統計研究所碩士論文，2002。
34.葉怡成，應用類神經網路。臺北市：儒林，1997。
35.廖椿民，以迴歸分析影響壽險業團體健康險保費收入之因素，逢甲大學統計學系統計與精算碩士班碩士論文，2014。
36.鄭雅如，保險景氣分數的制定，真理大學數理科學研究所碩士論文，2005。
37.賴建造，經濟指標與壽險業總保費收入之關聯性研究，大葉大學管理學院碩士在職專班碩士論文，2014。
38.錢心怡，應用遺傳演算法與支持向量迴歸於多國股市技術分析之研究探討，中華大學資訊管理學系碩士論文，2007。
39.儲憶雯，總體經濟因素對台灣壽險業新契約保費收入之影響，逢甲大學保險學研究所，碩士論文，2002。
40.簡禎富、許嘉裕，資料挖礦與大數據分析，新北市：前程文化，2014。
41.顏鳳勤，個人健康險保費收入與經濟指標之關聯性，國立高雄第一科技大學金融研究所碩士論文，2014。
42.羅憶萍，保險需求影響因素之探討：分量迴歸分析，逢甲大學金融碩士在職專班碩士論文，2014。
43.鐘任傑，我國壽險有效契約總保費收入預測之研究─轉換函數模式之應用，朝陽科技大學企業管理系碩士班碩士論文，2015。
二、英文文獻
1.Breiman, L., Bagging predictors, Machine Learning, 24(2), 1996, pp.123-140.
2.Breiman, L., Friedman, J.H., Olshen, R.A. and Stone, C.J., Classification and regression trees, Belmont, CA：Wadsworth International Group, 1984.
3.Breiman, L., Random Forests., Machine Learning 45 (1), 2001, pp.5-32.
4.Drucker, H., Burges, C. J.C., Kaufman, L., Smola A., & Vapnik V. Support vector regression machines, Advances in Neural Information Processing Systems. 9, 1997, pp.155-161.
5.Ho, T. K., Random Decision Forest, Proc. of the 3rd Int'l Conf. on Document Analysis and Recognition, Montreal, Canada, August 14-18, 1995, pp.278-282.
6.Ho, T. K., The Random Subspace Method for Constructing Decision forests, Transactions on Pattern Analysis and Machine Intelligence, IEEE, 1998, pp. 832-844.
7.Kass, G., An exploratory technique for investigating large quantities of categorical data, Applied Statistics, Vol. 29, No.2, 1980, pp.119-127.
8.Quinlan, J. R., C4.5：Programs for Machine Learning, San Francisco, CA：Morgan Kaufmann Publishers, 1993.
9.Vapnik,V., The Nature of Statistical Learning Theory, Springer ,New York, 1995.
三、網路文獻
1.維基百科：機器學習，無日期。2016/12/1 取自https://goo.gl/KWVSqh。
2.維基百科：時間序列，無日期。2016/11/13 取自https://goo.gl/TsLGUA。