臺灣博碩士論文加值系統

航運業是一個具有資本密集市場的服務業。不論是陸運業的鐵路、公路、或捷運系統，還是海運業的散裝航運或是貨櫃航運、客運郵輪或是航空業，對於一國的經濟發展均極為重要。台灣經濟體制以對外貿易為導向，此時台灣航運類股與本國整體經濟脈絡可說是息息相關，故本文試著模式化台灣航運類股指數，希望能有效預測台灣航運類股指數走勢，未來能當作投資分析的參考。
傳統的時間序列資料多以ARIMA模型分析及預測為主，ARIAM模型在處理線性的資料也有很優秀的表現，而SVR模型為一機器學習演算法，其擅長處理非線性的資料，本研究參考Zhang(2003)所提出的混合模型概念，透過ARIMA模型以及SVR模型結合成一新的混合模型，希望得出的混合模型能夠提高預測的能力。
本文分別以三種方式ARIMA、SVR以及混合模型來預測台灣航運類股指數，最後再將三種模型進行比較分析，發現SVR模型雖然可以很好的描述資料走勢，但在本研究模型預測能力上並無顯著效果，而混合模型不管在樣本內配適或是在樣本外預測，各項評估的準則上皆優於其他兩種模型的表現，為預測航運類股指數的最佳模型。

The shipping industry is a service industry with a capital-intensive market. Whether it is land transportation, shipping or aviation, this is extremely important to the economic development of a country.Taiwan’s economy is oriented towards foreign trade. At present, shipping stock market is highly related to the domestic economy.Therefore, this research tries to model the shipping stock index, hoping to effectively predict the future trend of the shipping stock index as a reference for future investment analysis.
In order to predict the time series data, three methods are used to predict shipping and transportation index in this study. The first one is auto regression integrated moving average (ARIMA) model, the second one is support vector regression (SVR) and the last one is the hybrid model of ARIMA and SVR. Mean absolute percentage error (MAPE) and root mean square error (RMSE) are used to examine the performance of the proposed models.
The results show that the performance of the hybrid model is the best among the three models. The prediction performance of the hybrid model has been greatly improved compared to ARIMA and SVR models.

目錄
1緒論------------------------------------------------------------------ 1
1.1研究目的---------------------------------------------------------- 1
1.2研究架構---------------------------------------------------------- 2
2文獻回顧--------------------------------------------------------------- 3
2.1航運股相關文獻回顧------------------------------------------- 3
2.2 研究方法相關文獻--------------------------------------------- 4
2.2.1時間序列相關文獻回顧----------------------------------- 4
2.2.2 SVR相關文獻回顧---------------------------------------- 5
2.2.3混合模型文獻回顧----------------------------------------- 5
3研究方法--------------------------------------------------------------- 7
3.1時間序列---------------------------------------------------------- 8
3.1.1單根檢定----------------------------------------------------- 8
3.1.2ARIMA模型------------------------------------------------ 11
3.1.3樣本內模型評估準則-------------------------------------- 13
3.2支援向量迴歸( Support Vector Regression )----------------- 16
3.3混合模型---------------------------------------------------------- 23
3.4樣本外模型評估準則------------------------------------------- 24
4實證分析--------------------------------------------------------------- 26
4.1航運類股指數-ARIMA模型---------------------------------- 27
4.1.1 Ljung-Box 檢定 -------------------------------------------- 29
4.2航運類股指數-SVR模型--------------------------------------- 30
4.3航運類股指數-混合模型--------------------------------------- 31
4.4各模型樣本內資料比較---------------------------------------- 32
4.5各模型樣本外資料比------------------------------------------- 34
5結論與建議------------------------------------------------------------ 37
5.1研究結論---------------------------------------------------------- 37
5.2研究---------------------------------------------------------------- 38

圖目錄
圖1.1論文架構-------------------------------------------------------- 2
圖3.1建立ARIMA模型流程圖---------------------------------- 15
圖3.2二維的支援向量機基本概念------------------------------- 16
圖3.3低維空間資料轉換到高維空間中分類------------------- 18
圖3.4支援向量迴歸非線性轉換----------------------------------- 22
圖4.1航運類股指數時間圖(訓練資料)--------------------------- 26
圖4.2原始資料之ACF與PACF圖------------------------------- 27
圖4.3一次差分後之ACF與PACF圖---------------------------- 28
圖4.4ARIMA(1,1,0)殘差經過Ljung-Box檢定圖-------------- 29
圖4.5航運類股指數樣本內資料ARIMA(1,1,0)模型配適圖- 32
圖4.6航運類股指數樣本內資料支援向量迴歸模型配適圖-- 32
圖4.7航運類股指數樣本內資料混合模型配適圖-------------- 33
圖4.8ARIMA模型樣本外預測圖形------------------------------ 34
圖4.9SVR模型樣本外預測圖形---------------------------------- 35
圖4.10混合模型樣本外預測圖形----------------------------------- 35

表目錄
表3.1ARIMA模型判斷準則------------------------------------------- 12
表3.2SVM優缺點----------------------------------------------------- 19
表3.3MAPE指標定義--------------------------------------------------- 25
表4.1航運類股指數單根檢定結果------------------------------------ 28
表4.2暫定模型配適的樣本內評估檢驗------------------------------ 29
表4.3使用航運指數建構支援向量迴歸模型的樣本內配適表現 30
表4.4結合支援向量迴歸模型之混合模型的樣本內配適表現--- 31
表4.5各模型樣本內配適表現分析比較------------------------------ 33
表4.6三種模型樣本外預測配適表現比較--------------------------- 36
表4.7三種模型樣本外方向對稱性檢定------------------------------ 36

中文
江政儒(2019)，應用ARIMA建立公部門航空油料需求預測模型，國防大學管理學院運籌管理學系碩士班論文
吳俊德，(2015)，航運類股價指數與總體經濟變數關係之研究，國立臺灣大學經濟學研究所碩士論文
胡天佑(2011)，台灣航運股股價與總體經濟的關聯性-類神經網路模型之應用，國立台北大學國際財務金融碩士在職專班碩士論文
張紹勳著(2012)，計量經濟及高等研究法，五南圖書出版有限公司，初版，pp. 202-261
陳肇安(2004)，台灣運輸類股指數與BDI等國內外相關指數連動性之探討，國立中山大學財務管理學系研究所碩士論文
陳建宏(2008)，產業營運特性與獲利能力之探討-以航運業為例，國立中正大學財務金融所碩士論文
楊踐為、李家豪、類惠貞(2007)，應用時間序列分析法建構台灣證券市場之預測交易模型，中華管理學報，第十卷第三期
黃子晉(2014)，運用支持向量機與類神經網路於金融時間序列之預測與比較，龍華科技大學學報第三十四期
黃宇翔、王百祿(2008/12)，ARIMA與適應性SVM之混合模型於股價指數預測之研究，Journal of e-Buiness期刊，第十卷第四期，pp. 1041-1066
蔡明翰(2008)，應用ARIMA與GARCH模式於台灣運輸產業股價之預測，國立交通大學運輸科技與管理學系碩士論文
葉家堯(2014)，波羅的海運價指數與主要國家股價指數之關聯性研究---門檻共整合之應用，國立臺灣海洋大學航運管理學系碩士論文
葉依萍(2019)，總體經濟環境、油價與匯率對航運類股營收獲利與股價之影響，國際財務金融碩士在職專班碩士論文
葉憶雯(2018)，網路搜尋資料在蔬菜價格預測之運用，國立台北大學統計學系碩士班論文

英文
Fang, H. and Kwong, K. K. (1991). Forecasting foreign exchange rate, Journal of Business Forecasting, Winter, pp. 16-19.
Granger, C.W.J. and Newbold, P.(1974).Spurious regressions in econometrics,Journal of Econometrics, pp. 111-120.
Kim, K. J. (2003).Financial time series forecasting using support vector machines, Neurocomputing, 55, pp.307-319.
Meesad, P. and Rasel, RI. (2013). Predicting stock market price using support vector regression, The proceeding of the international conference on informatics, electronics and vision. Dhaka, pp. 1-6.
Pai, P.-F. andLin ,C.-S. (2005). A hybrid ARIMA and support vector machinesmodel in stock price forecasting, Omega 33, pp. 497-505.
Sadorsky, P.(1999). Oil Price Shocks and Stock Market Activity, Energy Economics, 21(5) ,pp. 449-469.
Tay, F. E. H. and Cao, L. (2001). Application of support vector machines financial time series forecasting, Omega 29, pp. 309-317.
Zhang, G. P. (2003). Time series forecasting using a hybrid ARIMA andneural network model, Neurocomputing 50, pp. 159-175