由於財務報表資訊易遭管理當局操縱，因此財務預警模型若僅考慮財務比率變數，即有其限制。本研究因此結合財務比率變數與公司治理變數，以期建構更良好的財務預警模型。此外，本研究使用倒傳遞網路為工具，以避免前述限制，並預期結果顯示綜合採用財務比率及公司治理二類變數，在預測期間短時，所建立的財務預警模型，其錯誤率的確較低。本研究同時發現，樣本公司中的危機公司大多屬於「急速失敗公司」。 / Early warning models used to predict financial distresses of corporations confront with limitation, when the model specification consider only financial ratios based on financial statements, because of the possibility of manipulated financial statements. This study intends to construct a early warning model with not only financial ratio variables, but also corporate governance variables. The corporate governance variables may affect the corporation with financial distresses dramatically. This study constructs a new early warning model, considering the two kinds of variables, both financial ratio and corporate governance, and improves the predictability of sample firms of the one-quarter period. The study shows that Back Propagation Neural Network model can learn from the data of failed corporations and a matched group of survivor firms and hence predict the financial distresses. The study also finds the sample failed corporations are more likely to be “acute failure” ones. Keyword: BPN, Corporate Governance, Financial Distresses.

財務危機預警模式的建立一直是國內外財金學者所感興趣的課題，從早期單純的財務比率判定到統計方法的使用，至近幾年來非統計式的類神經網路之偵測分類，其模式的演變無不在增加危機預警的能力。一方面能正確的分類失敗企業與健全企業的財務結構，一方面能早期偵測出失敗企業體質的徵兆。而本研究所建模型為擷取統計方法在分類能力上的表現與類神經網路優於統計方法上的預測能力，所結合而成的一種含有類神經網路架構的動態化財務危機預警模式。以台灣股票上市公司民國七十一年以後打入全額交割股的企業為失敗企業，並在相同期間之相同產業內，挑選規模相近之正常企業為配對之健全企業。為了方便網路的學習，我們將樣本區分為以民國七十四年以前打入全額交割股的配對企業為供網路訓練之前期樣本，以及民國七十五年以後打入全額交割股的配對企業為建立財務危機預警模式之後期樣本。其實證結果有幾項結論： 　　1.經由後期樣本所推估的多變量CUSUM模式(4.1)中，我們發現固定資產／總資產比率對模式的分類結果較不敏感，而每股盈餘／每股市價比率對模式的分類結果最為敏感，且敏感度將近固定資產／總資產比率的十倍。 　　2.倒傳遞類神經網路在預測各期財務比率的誤差均方根為0.051，而多變量CUSUM模式的正確分類率為71.43%，且百分之八十的失敗企業在其危機發生（打入全額交割股）時的前六季左右，動態化多變量CUSUM模式即可偵測出徵兆。 　　3.一般而言，失敗企業的固定資產／總資產比率與存貨／營業收入比率較健全企業來得高；而失敗企業的營運資本／總資產比率，營業利益／總資產比率及每股盈餘／每股市價比率則低於健全企業，尤其在危機發生時前六季左右，更是急速下降。因此，失敗企業的流動性普遍不足，存貨積壓的結果，造成營運資金週轉不靈，而走向營運困難的窘境。

本研究以中國大陸上市企業為研究對象，選取2009年至2010年發生財務危機之51家公司其發生危機時點前半年、前一年、前兩年之財務比率季資料，另以產業類別、規模大小一比一選取正常公司進行配對，首先進行敘述統計分析與逐步迴歸分析，接下來以Logistic迴歸分析與倒傳遞類神經網路模型建構財務危機預警模型，最後以測試樣本驗證模型之正確判別率。實證結果顯示，由Logistic迴歸分析建構之財務危機預警模型於財務危機前半年、前一年、前兩年之正確判別率分別為0.9000、0.8333、0.8000；由倒傳遞類神經網路模型建構之財務危機前半年、前一年、前兩年之正確判別率分別為0.9333、0.9000、0.8000，顯示兩模型於短期內均能有效對財務危機達到預警效果，但兩模型之預警能力均隨著危機發生時點越遠而降低。整體來說倒傳遞類神經網路模型有較佳的預警能力。

由於時間序列在不同範疇的廣泛應用，許多實證結果已明白指出時間序列 資料普遍地存在非線性(nonlinearity)，使得非線型方法在最近幾年受到 極大的重視。然而，對於某些特定的非線型模式，縱然現在已有學者提出 模式選取之檢定方法，但是它們的模式階數確認問題至今卻仍無法有效率 地解決，更遑論得到最佳的模式配適與預測結果了。所以，我們試圖利用 一已於其他科學領域成功應用之新技術──神經網路，來解決非線型時間 序列之預測問題，而我們之所以利用神經網路的原因是其多層前輸網路是 泛函數的近似器(functional approximator)，對任意函數均有極佳之逼 近能力，使我們免除對時間序列資料之屬性(線性或非線性)作事先檢定或 假設的必要。在本篇論文中，我們首先建構15組雙線型時間序列資料，然 後對於這些數據分別以神經網路與自我迴歸整合移動平均(ARIMA) 模式配 適。藉著比較兩者間的配適與預測結果，我們發現神經網路對於預測非線 型時間序列是較具有穩健性。最後，我們以台幣對美元之即期匯率作為我 們的實證資料，結果亦證實了神經網路對於預測一般經濟時間序列亦較具 穩健性。 / With rapid development at the study of time series, the nonlinear approaches have attracted great attention in recent years. However, there are no efficient processes for the problem of identification to many specifically nonlinear models . Even if many testing methods have been proposed, we still can not find the best fitted model and obtain the best forecast performance. Hence, we try to solve the forecast problems by a new technique -- neurocomputing, which has been successfully applied in many scientific fields. The reason why we apply the neural networks is that the multilayer feedforward networks are functional approximators for the unknown function. In this paper, we will first construct several sets of bilinear time series and then fit these series by neural networks and ARIMA models. In this simulation study, we have found that the neural networks perform the robust forecast for some nonlinear time series. Finally, forecasting performance with favorable models will also be compared through the empirical realization of Taiwan.

隨著全球化與資訊科技之進步，大幅加快媒體傳播訊息之速度，使得與股票市場相關之新聞事件，無論在產量、產出頻率上，都較以往增加，進而對股票市場造成影響。現今投資者多已具備傳統的投資概念、觀察總體經濟之趨勢與指標、分析漲跌之圖表用以預測股票收盤價；除此之外，從大量新聞資料中，找出關鍵輔助投資之新聞事件更是需要培養的能力，而此正是投資者較為不熟悉的部分，故希望透過本文加以探討之。 　　本研究使用2009年自由時報電子報之財經新聞（共5767篇）為資料來源，以文件距離為基礎之kNN技術分群，並採用時間區間之概念，用以增進分群之時效性；而分群之結果，再透過類別詞庫分類為正向、持平及負向新聞事件，與股票市場之量化資料，包括成交量、收盤價及3日收盤價，一併輸入於倒傳遞類神經網路之預測模型。自台灣經濟新報中取得半導體類股之交易資訊，將其分成訓練及測試資料，各包含168個及83個交易日，經由網路之迭代學習過程建立預測模型，並與原預測模型進行比較。 　　由研究結果中，首先，類別詞庫可透過股票收盤價報酬率及篩選字詞出現頻率的方式建立，使投資者能透藉由分群與分類降低新聞文件的資訊量；其次，於倒傳遞類神經網路預測模型中加入分類後的新聞事件，依統計顯著性檢定，在顯著水準為95%及99%下，皆顯著改善隔日股票收盤價之預測方向正確性與準確率，換言之，於預測模型中加入新聞事件，有助於預測隔日收盤價。最後，本研究並指出一些未來研究方向。

在講求品質創新與顧客導向之時代中，隨著顧客的需求和期望，創造產品之一元品質和魅力品質，是促使企業不斷地精益求精之動力，同時也使企業更具競爭力，進而使企業能永續經營。 本研究以CK電腦公司之工業用筆記型電腦HDD為研究對象。公司提出因RT686型號工業用筆記型電腦無法通過軍規振動測試，公司正準備開發新型號。本研究將對舊型號之電腦HDD內部緩衝材做設計，待找到防振效果最佳之緩衝材設計後，將其應用至新機型電腦，使其能通過軍規振動測試。 透過實驗設計方法規劃和執行三階段之HDD振動實驗，並收集實驗數據，再分別利用MSE法、變異數分析結合迴歸分析法、回應圖和回應表分析法、類別資料分析法和倒傳遞類神經網路方法分析，以決定最佳緩衝材設計。在進行確認實驗後，找到不會因為外部環境之振動，使HDD之運轉速度發生暫停和轉慢情形之最佳緩衝材設計，防振效果良好，而且此緩衝材設計只使用一種材質，更是節省公司材料生產上之成本。

估價於房地產市場實扮演著一不可或缺的角色，精確的估價不僅可提供消費者正確極充分的購屋資訊，亦為政府擬定政策方針之基礎。由於台灣房地產市場為一不完全市場，消費者在購屋的同時更常因資訊的不健全而遭受不必要之損失，因此精確及流通之估價資訊實為健全台灣房地產市場之首務。 鑑於過去估價技術仍未成熟，所佔之房價常無法令人信服。本研究欲以類神經網路之功能，將其原理應用於房地產估價上，試圖解決過去估價方法本身之缺失，並作為估價人員輔助之工具。本研究主要以倒傳遞及理解倒傳遞類神經網路與特徵價格法進行公證比較分析，並以特徵價理論為基礎，利用類神經網路得出影率房地產價格更具代表性之因素，以做為未來建立房地產估價輔助系統之參考。 為了解不同的資料型態是否會使類神經網路有不同的學習效果，本研究將資料分為四組實驗設計，分別對不同的資料型態進行測試，研究結果顯示類神經網路對於資料型態較為敏感，其中又以理解倒傳遞類神經網路為最，使得其在預測能力上易受異常點或極端值的影響，而有好壞差異較大的情況。即類神經網路之學習效果端視資料是否具代表性而定。

為了提升競爭優勢與生產能力，並進而達到永續經營的目的，突破現況、持續改善產品品質、降低產品成本與服務成本則成為提昇競爭力的重要因素之一，因此產品在設計開發階段就必需要考量品質與成本的問題。 本研究以電源轉換器為對象。該電源轉換器目前已設計完成且已通過美國UL安規認證，並已在國內量產銷售，但因為該電源轉換器的溫升及其變異很大，仍然會導致該產品的壽命過短，因此降低電源轉換器的溫升及其變異是一急需解決的問題。 透過了田口與實驗設計的方法規劃及進行實驗並收集數據。並利用十二種分析方法(包括：田口方法、主成份分析、主成份＋倒傳遞類神經網路＋基因演算法、主成份灰關聯＋倒傳遞類神經網路＋基因演算法、指數型理想函數＋倒傳遞類神經網路＋基因演算法、MSE方法、MSE方法＋倒傳遞類神經網路＋基因演算法、SUM方法、SUM方法＋倒傳遞類神經網路＋基因演算法、重要零件加總法、重要零件加總法＋倒傳遞類神經網路＋基因演算法)對實驗數據進行分析，以決定最適因子水準組合。 由改善後的確認實驗得到：雖然平均溫升下降的程度不大，然而大部份量測點的溫升標準差都顯著變小了。因此本研究在降低該電源轉換器溫升變異的效果十分顯著。對於電源轉換器的生產者而言，品質提升就是提升銷售量的保證，因此本研究所得到的最適因子水準組合，雖然產品在成本上有些微的增加，但品質改善後之產品將可為生產者帶來更多有形與無形之利益。

本研究欲提出一COMEX黃金期貨價格的類神經網路模型，期此一模型能預測出當期的黃金期貨價格。在類神經網路模型方面，採用倒傳遞類神經網路；而其輸入層共有九個處理單元，即影響黃金期貨價格的九個變數，輸出層為一個處理單元，即黃金期貨價格，至於隱藏層則採二層，因黃金期貨價格有波動大、難預測且為非線性的特性。 　　為證明類神經網路是否有較傳統統計學方法在此一方面有較強的預測能力，所以以此模型與單變量時間數列模型及迴歸分析模型做比較，並以MSE及MAPE作為評估的準則。 　　在實作方面，研究資料以西元1987年1月至西元1991年12月60筆月資料為訓練樣本；而西元1992年1月至1995年12月48筆月資料為測試樣本。研究結果顯示不論是MSE或MAPE類神經網路模型皆優於迴歸分析模型及時間數列模型。

長久以來,人類在萬物中獨具的高智慧特質吸引了無數的哲學家和科學家 投入對其研究,除了醫學的原因之外,由於人腦所具有卓越的辨識系統及學 習能力,為數不少的科學家們相信人腦存在許多最適化系統與設計,因此如 何模仿人類腦神經的組織與運作,一直是很多人努力及夢寐以求的.因此類 神經網路就是依據這些理念而在各研究領域上廣為發展與應用,其中本文 所探討的倒傳遞神經網路模型更是目前類神經網路模型中最具代表性,應 用最廣的模型.而結構性時間數列模型則是將可被觀察的變數分解成趨勢, 季節性,不規則性等不可被觀察項,故其對經濟意義的解釋是相當明當明顯 的,藉由狀態空間模式的轉換,我們將很容易地利用卡門濾器來作估計與預 測.而本文所欲探的重點在於比較有學習機能的倒傳遞神經網及可利用最 新的資訊更新之結構性時間數列何者之預測能利較佳,藉此瞭解二者之一 些特性.