臺灣博碩士論文加值系統

Box & Jenkins（1976）所提出的整合自我迴歸移動平均(Auto Regression Integrated Moving Average ,ARIMA）模式常被專家學者應用作為股價預測的工具。本硏究擬應用ARIMA模式，以台灣積體電路股份有限公司（台積電）及鴻海科技集團(鴻海)為案例，藉由模式的配適度與效度指標進行模式的檢定以選出最佳模式進行預測。結果顯示根均方誤差（Root Mean Square Error, RMSE)、絕對平均誤差（Mean Average Error, MAE）以及平均絕對百分比誤差(Mean Absolute Percentage Error, MAPE)値，在統計意義上均較顯著，故本硏究台積電ARIMA（1,1,1）與鴻海ARIMA（2,0,0）模式的預測結果是可被接受的。未來在使用本模式時須留意其適用性並考慮非穩態之因素，以提高股價的預測準確性。

Auto Regression Integrated Moving Average (ARIMA) is often used as an instrument for stock price forecasting. This study aims to take Taiwan Semiconductor Manufacturing Co., Ltd. (TSMC) and Foxconn Technology Group (Foxconn) as examples to apply the ARIMA model for prediction. The models are identified by the goodness of fit and verified by validity indexes to determine the best mode. The results showed that the values of the Root Mean Square Error (RMSE), the Mean Average Error (MAE), and the Mean Absolute Percentage Error (MAPE) are in acceptable ranges. Therefore, the prediction effects of the ARIMA (1,1,1) of TSMC and the ARIMA (2,0,0) of Foxconn modes are acknowledged. When using these modes, in the future, we must notice its applicability and consider the factors of non-stationary state to improve the forecast accuracy of stock prices.

誌 謝
摘 要 I
Abstract II
目次 III
圖目次 IV
表目次 V
第一章 緒論 1
1.1 硏究動機 1
1.2 硏究目的 1
1.3 文獻回顧 1
第二章 硏究方法 3
2.1 ARIMA模式 3
2.2 R語言 5
2.3 ARIMA模型建構 5
第三章 案例分析 11
3.1公司簡介 11
3.2 ARIMA模型股價預測實證案例 16
3.3 討論 32
第四章 結論與建議 33
參考文獻 34
附錄 36
附錄1 36
附錄2 40

參考文獻
1. 李隆振(2002) 臺灣近期股價預測之研究，國立中正大學數學研究所碩士論文。
2. 林茂文.(2006) 時間數列分析與預測: 管理與財經之應用, 三版,華泰文化。
3. 施政榮.(1989）總統府月會之演講 - 心懷科技 放眼天下。
4. 曹晉彰.(1990). 股價指數與總體經濟因素的關係:以時間序列模式 (ARIMA)分析. National Taiwan University Graduate Institute of Business Administration。
5. 財政部統計處 https://www.mof.gov.tw/
6. 曾淑惠, & 王志成.(2003).亞洲金融危機後台灣出口貿易之動態分析-時間數列模式之應用. 智慧科技與應用統計學報, 1(1), 43-66。
7. 楊奕農. (2009). 時間序列分析: 經濟與財務上之應用. 雙葉書廊.
8. 潘浙楠, 席嘉澤, & 陳曉倩. (2009). 自我相關殘差管制圖模型選取之研究. 品質學報, 16(4), 245-260.
9. 蔡政良. (2004).最適利率預測模型之建構-以泰勒法則, ARIMA 為實證分析析 (Doctoral dissertation, 長庚大學).
10. 鍾侑達、郭峻菖、陳昶憲（2009年12月，農業工程學報第55卷第4期）。
11.Akaike, H. (1974). Stochastic theory of minimal realization. IEEE Transactions on Automatic Control, 19(6), 667-674.
12.Box, G., & Jenkins, G. (1976). Time series analysis: forecasting and control.
13.Fama, E. F. (1990). Stock returns, expected returns, and real activity. The journal of finance, 45(4), 1089-1108.
14.FISHER, R. A. 1922b. The goodness of fit of regression formulae, and the distribution of regression coefficients. J. Roy.
15.Huang, N. E., & Shen, Z. (1998). Long, SR Wu, MC Shih, HH Zheng, Q. Yen, NC Tung, CC and Liu. HH [The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-Stationary Time Series Analysis, Proceedings of the royal society of London, vol 454, pp. 903-995].
16.Lewis, C. D. (1982). Industrial and business forecasting methods: A practical guide to exponential smoothing and curve fitting. Butterworth-Heinemann.
17.Pai, P.-F., & Lin, C.-S. (2005). A hybrid ARIMA and support vector machines model in stock price forecasting. Omega, 33(6), 497-505.
18.Shibata, R. (1976). Selection of the order of an autoregressive model by Akaike's information criterion. Biometrika, 63(1), 117-126.

19.Wood, D., & Dasgupta, B. (1996). Classifying trend movements in the MSCI USA capital market index—a comparison of regression, ARIMA and neural network methods. Computers & Operations Research, 23(6), 611-622.
20.Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159-175.