臺灣博碩士論文加值系統

股票投資是熱門的投資理財商品，投資者無不希望能從中快速獲取高利。股價預測的相關研究眾多，卻多忽略模型的非線性或結構性變化問題，導致模型設定有誤，甚至誤導序列的單根檢定結果，進而擴大預測結果之偏誤。因此本文研究目的有三，（1）探討股價序列之非線性特性如何影響股價預測能力；（2）以篩選出的最適統計模型之應變數、自變數為倒傳遞神經網路的產出與投入變數，分析統計模型估計結果是否有助於改善倒傳遞神精網路的預測。（3）探討統計模型與類神經網路二者預測股價之能力。
研究資料採用2001年1月2日至2004年12月31日台灣金融、紡織與食品三大類股指數之日資料、採用單變數模型，估計變數非線性的GAR模型、參數非線性的LSTAR模型、具結構變化的TAR與M-TAR模型以及類神經網路模型，並以2005年1月3日至2005年9月30日之日資料進行預測。
研究結果發現，台灣的金融、紡織與食品類股指數皆為穩定序列但具非線性特性，顯示台灣金融、紡織與食品總體股價指數並不符合效率市場假說；序列的非穩定性可能來自非線性特性誤導的結果，因此檢測單根時應確定模型並無非線性特性；M-TAR模型在模型配適與預測上都相對較佳。此外，依據統計模型篩選出最適模型再進行類神經網路學習與預測，並不會提升網路模型的學習與預測能力，因此在使用類神經網路進行股價預測時，可直接使用股價落遲期進行學習與預測。至於預測股價，類神經網路仍然提供較準確的預測，有助於投資者做出較佳的決策。
本文在研究設計上有下列限制：未探討多個結構變化點，也未考慮模型殘差變異數非線性的問題，包括模型殘差變異數有結構變化問題。因此未來的研究可以修正統計模型設計的不周全。

第一章 緒論　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 　1
第一節 研究動機　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 　1
第二節 研究目的　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 　3
第三節 研究方法　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 　3
第四節 研究貢獻與限制　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　 5
第五節 研究架構　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 　6
第二章 文獻回顧　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　　 7
第一節 統計模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　　 7
第二節 人工智慧　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　　13
第三章 研究方法　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　　24
第一節 統計模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　　24
第二節 類神經網路　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　 43
第四章 實證模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　　54
第一節 資料來源　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　　54
第二節 資料的研究與分析　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　　54
第三節 統計模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　　55
第四節 倒傳遞類神經網路　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　　87
第五節 類神經網路與統計模型實證結果之比較　‧‧‧‧‧‧‧　　93
第五章 結論　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　　95
第一節 結論　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　　95
第二節 未來研究方向與建議　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　　96
參考文獻　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　 114

圖表目錄
圖1 單根檢定的程序　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 27
圖2 模型檢定流程圖　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 37
圖3　金融保險類股之ACF與PACF圖　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　56
圖4　金融保險類股之股價趨勢圖　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　58
圖5　金融保險類股之股價一次差分圖　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　62
圖6　紡織纖維類股之ACF與PACF圖　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　65
圖7　紡織纖維類股之股價趨勢圖　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　67
圖8　紡織纖維類股之股價一次差分圖　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　71
圖9　食品類股之ACF與PACF圖　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　75
圖10　食品類股之股價趨勢圖　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　77
圖11　食品類股之股價一次差分圖　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　81
圖12　類神經網路學習流程圖　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　87
表 1 文獻探討　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 17
表 2 金融保險類股之最適AR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　56
表 3 金融保險類股之最適GAR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　57
表 4 金融保險類股之最適TAR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　58
表 5 金融保險類股之最適M-TAR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧　59
表 6 金融保險類股之最適ARIMA模型 ‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 60
表 7 金融保險類股之最適GARIMA模型 ‧‧‧‧‧‧‧‧‧‧‧‧‧ 61
表 8 金融保險類股之最適TARIMA模型　‧‧‧‧‧‧‧‧‧‧‧‧‧ 62
表 9 金融保險類股之最適M-TARIMA模型　‧‧‧‧‧‧‧‧‧‧‧‧‧ 63
表 10 金融保險類股之最適LSTARIMA模型　‧‧‧‧‧‧‧‧‧‧‧‧ 63
表 11 金融保險類股之單根 V.S TAR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧ 64
表 12 金融保險類股之單根 V.S M-TAR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧ 64
表 13 紡織纖維類股之最適AR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　66
表 14　紡織纖維類股之最適GAR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　67
表 15 紡織纖維類股之最適TAR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　68
表 16 紡織纖維類股之最適M-TAR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧　69
表 17 紡織纖維類股之最適ARIMA模型 ‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 70
表 18 紡織纖維類股之最適GARIMA模型 ‧‧‧‧‧‧‧‧‧‧‧‧‧ 71表 19 紡織纖維類股之最適TARIMA模型　‧‧‧‧‧‧‧‧‧‧‧‧‧ 72
表 20 紡織纖維類股之最適M-TARIMA模型　‧‧‧‧‧‧‧‧‧‧‧‧‧ 73
表 21 紡織纖維類股之單根 V.S TAR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧ 74
表 22 紡織纖維類股之單根 V.S M-TAR模型　‧‧‧‧‧‧‧‧‧‧‧‧ 74
表 23 食品類股之最適AR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　76
表 24　食品類股之最適GAR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　77
表 25 食品類股之最適TAR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　78
表 26 食品類股之最適M-TAR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　79
表 27 食品類股之最適ARIMA模型 ‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 80
表 28 食品類股之最適GARIMA模型 ‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 81
表 29 食品類股之最適TARIMA模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 82
表 30 食品類股之最適M-TARIMA模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 83
表 31 食品類股之單根 V.S TAR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧ 84
表 32 食品類股之單根 V.S M-TAR模型　‧‧‧‧‧‧‧‧‧‧‧‧ ‧‧ 84
表 33 金融保險類股模型預測之比較　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　85
表 34 紡織纖維類股模型預測之比較　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　86
表 35 食品類股模型預測之比較　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　86
表 36 金融保險類股網路學習之比較　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　88
表 37 紡織纖維類股網路學習之比較　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　89
表 38 食品類股模型學息之比較　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　89
表 39 金融保險類股股價預測之比較　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　91
表40 紡織纖維類股股價預測之比較　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　91
表 50 食品類股股價預測之比較　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　92
附表 1 金融保險類股之穩定序列模型之解釋變數　‧‧‧‧‧‧‧‧‧‧‧　97
附表 2 金融保險類股之單根檢定　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　97
附表 3 金融保險類股之非穩定序列模型之解釋變數　‧‧‧‧‧‧‧‧‧‧ 98
附表 4 紡織纖維類股之AR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　99
附表 5 紡織纖維類股之GAR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　99
附表 6 紡織纖維類股之TAR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　100
附表 7 紡織纖維類股之M-TAR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　100
附表 8 紡織纖維類股之穩定序列模型之解釋變數　‧‧‧‧‧‧‧‧‧‧‧　101
附表 9 紡織纖維類股之單根檢定　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　102
附表 10 紡織纖維類股之ARIMA模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　103
附表 11 紡織纖維類股之GARIMA模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧　103
附表 12 紡織纖維類股之TARIMA模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧　104
附表 13 紡織纖維類股之M-TARIMA模型　‧‧‧‧‧‧‧‧‧‧‧‧‧　104
附表 14 紡織纖維類股之非穩定序列模型之解釋變數　‧‧‧‧‧‧‧‧‧　105
附表 15 食品類股之AR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　106
附表 16 食品類股之GAR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　106
附表 17 食品類股之TAR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　107
附表 18 食品類股之M-TAR模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　107
附表 19 食品類股之穩定序列模型之解釋變數　‧‧‧‧‧‧‧‧‧‧‧‧　109
附表 20 食品類股之單根檢定　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　110
附表 21 食品類股之ARIMA模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　111
附表 22 食品類股之GARIMA模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　111
附表 23 食品類股之TARIMA模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　112
附表 24 食品類股之M-TARIMA模型　‧‧‧‧‧‧‧‧‧‧‧‧‧‧‧　112
附表 25 食品類股之非穩定序列模型之解釋變數　‧‧‧‧‧‧‧‧‧‧‧　113

中文部份
方文碩與田志遠 (2001), “匯率貶值對股票市場的衝擊－雙變量GARCH-M模型,” 台灣金融財務季刊, 2(3), 99-117.
方文碩與吳政勳 (2003), “股市表現與消費支出,” 台灣金融財務季刊, 4(4), 87-108.
王琡閔 (2001), “股價預測之統計模型,” 國立中央大學統計研究所未出版碩士論文.
王毓敏 (2003), “台股認購權證交易對標的股票波動性的影響,” 台灣金融財務季刊, 4(2), 65-79.
李建強與陳珮芬 (2004), “股價報酬是經濟成長的領先指標嗎？－門檻向量迴歸模型的應用,” 第五屆全國實證經濟學論文研討會.
呂國宏 (2001), “運用演化式類神經網路預測台灣股市行為之研究,” 國立政治大學資訊管理所未出版碩士論文.
林建成 (2001), “遺傳演化類神經網路於台灣股市預測與交易策略之研究,” 私立東吳大學經濟研究所未出版碩士論文.
林萍珍 (1998),”遺傳演算法在使用者導向的投資組合選擇之應用,” 國立中央大學資訊管理研究所未出版碩士論文.
林國平 (2003),”橢圓形模糊系統對股價預測,” 大葉大學工業工程學系所未出版碩士論文.
周慶華 (2001), “整合基因演算法及類神經網路於現貨開盤指數之預測－以新加坡交易所摩根台股指數期貨為例,” 輔仁大學金融所未出版碩士論文.
施正宏 (2004), “結合總體經濟指標及個股財報資料以預測個股漲跌－以台灣電子股為例,” 中原大學資訊管理所未出版碩士論文．
陳元保 (1999), “股市波動與經濟波動的因果關係,” 經濟專論195.
莊文慶 (2001), “總體經濟因素與股價關聯性之行為分析－類神經網路模型之應用,” 國立交通大學資訊管理學程所未出版碩士論文.
陳東明 (1991), “台灣股票市場量價關係之實證研究,” 台灣大學商學研究所未出版碩士論文.
黃淑慧 (2004), “股價的評估及其動態調整－以我國電信產業為例,” 中原大學國際貿易研究所未出版碩士論文.
葉怡成 (2003), “類神經網路模式應用與實作,” 儒林圖書公司(八版).
楊靜琪 (2002), “台灣股市雜訊交易因素及其對股價影響性之研究”, 中國文化大學國際企業管理所未出版碩士論文.
劉宜峰 (1996), “以類神經網路與ARIMA模式預測台灣股市行為之適用性比較,” 東吳大學會計所未出版碩士論文.
羅華強 (2001), “類神經網路_MATLAB的應用,” 清蔚科技出版.
英文部份
Balke, N. S. and Fomby, T. (1997) “Threshold Cointegration.” International Economic Review, 38, 624-664.
Boswijk, H.P., Hommes, C.H. and Manzan S. (2003) “Mean Reversion, Bubbles and Heterogeneous Beliefs in Stock Prices.” CeNDEF, Department of Quantitative Economics University of Amsterdam.
Brock, W.A. and Hommes, C.H. (1997). “A Rational Route to Randomness.” Econometrica, 65, 1059-1095.
Brock, W.A. and Hommes, C.H. (1998). “Heterogeneous beliefs and routes to chaos in a simple asset pricing model.” Journal of Economic Dynamics and Control, 22, 1235-1274
Brock, W., Dechert D., Scheinkman, J. and LeBaron, B.(1997) “A Test for Independence Based Upon the Correlation Dimension.” Econometric Reviews 15, 197-235.
Caner, M. and Hansen B.(2001) “Threshold Autoregression with a Unit Root.” Econometrica 69, 1555-96.
Chan, K.S.(1993) “Consistency and limiting Distribution of the Least Squares Estimator of a Threshold Autoregressive Model.” The Annals of Statistics, 520-533.
Chow, G. C. (1960) “Tests of Equality Between Sets of Coefficients in Two Linear Regressions.” Econometrica, 28(3), 591-605.
Enders. W. (2004) “Applied Econometric Time Series.” New York: John Willey & Sons, Inc.
Enders, W. and Granger, C.W.J.(1998) “unit-root Tests and Asymmetric Adjustment with an Example Using the Term Structure of Interest Rates.” Journal of Business and Economic Statistics 16, 304-11.
Fama, E.F. and French, D.R. (1992). “The Cross-Section of Expected Stock returns.” The Journal of Finance, 427-465.
Feltham, G.A. and Ohlson, J.A. (1995). “Valuation and clean surplus accounting for operating and financial activities.” Contemporary Accounting Research, 11(2), 689-731.
Feltham, G.A. and Ohlson, J.A. (1996). “Uncertainty resolution and the theory of depreciation measurement.” Journal of Accounting Research, 34(2), 209-234.
Glosten, L., Jagannathan, L. and Runkle D. (1993), “On the Relation Between Expected Value and the Volatility of the Nominal Excess Return on Stocks,” Journal of Finance, 48, 1779-1801.
Granger, C. and Terasvirta, T. (1993) “Modeling Nonlinear Economic Relationships.” Oxford University Press: Oxford.
Hansen, B.E. (2001) “The New Econometrics of Structural Change：Dating Breaks in U.S. Labor Productivity.” The Journal of Economic Perspectives, 117-128.
Hansen, B.. (1997) “Inference in TAR Models.” Studies in Nomlinear Dynamics and Econometrics 2, 1-14.
Jung, J. and Shiller, R.J. (2002). “One Simple Test of Samuelson’s Dictum For The Stock Market.” Cowles Foundation For Research in Economics Yale University.
Kanas, A.(2001). “Neural Network Linear Forecasts for Stock Returns.”International Journal of Finance and Economics, 245-254.
Leigh, W., Odisho, E., Paz, N. and Paz, M. (2000). “Progress report: Improving the stock price forecasting performance of the bull flag heuristic with genetic algorithms and neural networks.” Intelligent Problem Solving: Methodologies and approaches, prodeedings lecture notes in artificial intelligence 1821: 617-622.
Lumsdaine, R.L. and Papell, D.H.(1997) “Multiple Trend Breaks and the Unit-Root Hypothesis.” Economics and Statistics, 212-218.
Marcek, D. (2004). “Stock price forecasting: Statistical, classical and fuzzy neural network approach.” Modeling Decisions for Artificial Intelligence, Proceedings Lecture Notes In Artificial Intelligence 3131: 41-48
McLeod, A. and Li, W.(1983) “Diagnostic Checking ARMA Time Series Models Using Squared Residual Correlations.” Journal of Time Series Analysis 4, 269-73.
Narayan, P.K. and Smyth, R.(2004) “Is South Korea’s stock market efficient?” Applied Economics Letters, 707-710.
Narayan, P.K.(2005) “Are the Australian and New Zealand stock prices nonlinear with a unit root?” Applied Economics, 37, 2161-2166.
Nelson, C.R. and Plosser, C.I. (1982) “Trends and Random Walk in Macro-Economic Time Series : Some Evidence and Implications ,” Journal of Monetary Economics, 139-162.
Perron, P.(1989) “The Great Crash, the Oil Price Shock and the Unit Root Hypothesis,” Econometrica, 57, 1361-1401.
Pai, P. and Lin, C. (2005). “A hybrid ARIMA and support vector machines model in stock price forecasting.” Omega-International Journal of Management Science, 33(6), 497-505.
Pindyck, R. and Rubinfeld, D.(1998). Econometric Models and Economic forecasts, 517-543.
Pippenger, M. K., and Goering, G.E.(1993) “A Note on the Empirical Power of Unit Root Tests under Threshold Processes.” Oxford Bulletin of Economics and statistics 55, 473-81.
Ramsey, J. B. (1969) "Tests for specification errors in classical least-squares regression analysis", Journal of the Royal Statistical society, Series B, 31, 350-371.
Rothman, P.(1998). “Forecasting Asymmetric Unemployment Rates.” The Review of Economics and Statistics, 80(1), 164-168.
Samuelson, P.A. (1998) “Summing Up on Business Cycles: Opening Address,” in Jeffrey C. Fuhrer and Scott Schuh, Beyond Shocks: What Causes Business Cycles, Boston: Federal Reserve Bank of Boston.
Tsay, R. S. (1986) “Nonlinearity Tests for Time Series.” Biometrika, 461-466.
Zhang, W., Cao, Q., and Schniederjans, M. J.(2004) “Neural Network Earnings per Share Forecasting Models：A Comparative Analysis of Alternative Methods.” Decision Sciences, 205-237
Zivot, E. and Andrews, D. (1992) “Further Evidence of the Great Craah, the Oil-Price Shock and the Unit-Root Hypothesis.” Journal of Business and Economic Statistics, 10, 251-270.