進階搜尋


下載電子全文  
系統識別號 U0026-2606201411430200
論文名稱(中文) 台灣加權股價指數整合性預測之研究
論文名稱(英文) A Study of the Integrated Forecasting for TAIEX
校院名稱 成功大學
系所名稱(中) 統計學系
系所名稱(英) Department of Statistics
學年度 102
學期 2
出版年 103
研究生(中文) 蘇哲宇
研究生(英文) Che-Yu Su
學號 R26011090
學位類別 碩士
語文別 中文
論文頁數 54頁
口試委員 指導教授-吳宗正
口試委員-溫敏杰
口試委員-賴明材
中文關鍵字 台灣加權股價指數  時間序列  倒傳遞類神經網路  經驗模態分解法 
英文關鍵字 TAIEX  Time Series Analysis  Back-Propagation Neural Network  Empirical Mode Decomposition 
學科別分類
中文摘要 台灣在景氣底迷的現今,如何創造財富更顯重要。隨著時代的演進,以往累積財富的方式已不適用當今社會,人們改以投資來快速致富。台灣投資商品數量眾多,而其中最廣為人知、最多人投資的商品,就是「股票」。根據台灣證券交易所網站統計,股票交易金額來到18兆9409.3億,若投資人能掌握股價指數走勢,則可得超額報酬。有鑑於此,本研究將台灣加權股價指數作為研究對象,並且提供投資人作為投資參考。
本研究利用技術指標作為解釋變數,運用時間序列、倒傳遞類神經網路以及經驗模態分解法建立台灣加權股價指數隔日收盤價之預測模型,並比較六個模型的優劣。研究範圍為2012年2月29日至2013年12月31日止,共計462日。研究結果顯示,不論是在統計方法或倒傳遞類神經網路之下,結合經驗模態分解法皆能有效降低預測誤差;結合解釋變數之模型皆有最佳走勢預測。綜合來說,統計方法之預測優於倒傳遞類神經網路。
英文摘要 In this paper, we use technical indicators as explanatory variables, time series, back-propagation neural network and empirical mode decomposition to build predictive models for TAIEX next day's closing price. Then, we compare the pros and cons of each model. The scope of the study is from 29 February 2012 to 31 December 2013, a total of 462 days. The results show that the statistical methods or back-propagation neural network combined with empirical mode decomposition effectively reduce prediction error. Besides, the model with explanatory variables has the best trend forecast. In summary, predicted accuracy of statistical methods is better than back-propagation neural network.
論文目次 第一章 緒論 1
第一節 研究動機與背景 1
第二節 研究目的 2
第三節 研究範圍與對象 2
第四節 研究流程 3
第二章 基礎理論與文獻探討 4
第一節 股票價格分析理論 4
第二節 相關文獻探討 6
第三章 研究方法 10
第一節 研究架構 10
第二節 變數定義 11
第三節 統計方法 16
第四節 類神經網路 23
第五節 經驗模態分解 28
第六節 模式評估標準 30
第四章 實證研究 31
第一節 統計分析 31
第二節 類神經網路分析 41
第三節 模式績效評估 45
第五章 結論與建議 47
第一節 研究結論 47
第二節 研究比較 48
第三節 研究限制 49
第四節 後續研究建議 49
參考文獻 51
附錄 53
參考文獻 中文部分
【1】 王盈傑(2004),「台灣股市動量策略與反向策略之整合研究」,國立中正大學國際經濟研究所碩士論文。
【2】 吳宗正(2010),投資技術分析,七版,華泰文化事業股份有限公司。
【3】 林茂文(2006),時間序列分析與預測-管理與財經之應用,三版,華泰文化事業股份有限公司。
【4】 周冠伶(2010),「台灣上市電子類股價指數整合性預測之研究」,國立成功大學統計學研究所碩士論文。
【5】 陳國玄(2004),「人工神經網路與統計方法應用於台灣上市電子類股價指數預測與分類之研究」,國立成功大學統計學研究所碩士論文。
【6】 陳順宇(2005),多變量分析,四版,華泰文化事業股份有限公司。
【7】 黃綺年(2004),「統計方法與類神經網路應用於國內開放式股票型基金投資績效分類及投資報酬率預測之研究」,國立成功大學統計學研究所碩士論文。
【8】 葉怡成(2003),類神經網路模式應用與實作,八版,儒林圖書有限公司。
【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屆科聯整合管理研討會,125-138頁。
【10】 蔡依玲(2001),「台灣股票市場報酬率之研究-以上市電子類股為例」,國立成功大學統計學研究所碩士論文。
【11】 戴淑瑩(2007),「台灣50指數ETF整合型預測之研究」,國立成功大學統計學研究所碩士論文。
【12】 羅華強(2011),類神經網路:MATLAB的應用,三版修訂,高立圖書。

英文部分
【1】 Box, G. E. & Gwilym M. J. (1976). Time series analysis: forecasting and control, revised ed. Holden-Day.
【2】 Chakraborty, K., Mehrotra, K. & Mohan, C. K. (1992). “Forecasting the behavior of multivariate time series using neural networks,” Neural Networks, Vol. 5, pp. 961-970.
【3】 Fama, E. F. (1970). “Efficient capital market: a view of theory and empirical work,” Journal of Finance, Vol. 25, No, 2, pp. 383-417.
【4】 Huang, N. E., et al. (1998). “The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis,” Proceedings of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences, Vol. 454, No. 1971, pp. 903-995.
【5】 Ljung, G. M., & Box, G. E. (1978). “On a measure of lack of fit in time series models,” Biometrika, Vol. 65, No. 2, pp. 297-303.
【6】 Liu, X. J., Mi, Z. Q., Lu, B. & Wu, T. (2009). “A Novel Approach for Wind Speed Forecasting Based on EMD and Time-series Analysis,” IEEE, Asia-Pacific, pp. 1-4.
【7】 Tang, Z., Almeida, C. & Fishwick, P. A. (1991). “Time series forecasting using NN v.s Box-Jenkins Methodology,” Simulation, 57, pp. 303-310.
【8】 Wood, D. & Dasgupta, B. (1996). “Classifying Trend Movements in the MCSI U.S.A. Capital Index-A Comparison of Regression, ARIMA and Neural Network Methods,” Computer and Operations Research, Vol. 23, No. 6, pp. 611-622.
論文全文使用權限
  • 同意授權校內瀏覽/列印電子全文服務,於2015-07-09起公開。
  • 同意授權校外瀏覽/列印電子全文服務,於2015-07-09起公開。


  • 如您有疑問,請聯絡圖書館
    聯絡電話:(06)2757575#65773
    聯絡E-mail:etds@email.ncku.edu.tw