癌症高居國人十大死因之首，由於癌症初期病患接受適時治療的存活率較高，因此若能「早期發現，早期診斷，早期治療」則可降低死亡率。本研究主要針對「表面強化雷射解析電離飛行質譜技術」(Surface-Enhanced Laser Desorption / Ionization Time-of-Flight Mass Spectrometry，SELDI-TOF-MS)所蒐集而來的攝護腺癌症蛋白質質譜之事前處理資料進行分析。目的是希望藉由Meta-Learning的方式結合分類器，並以逐步特徵選取之，期望以較少且具代表的特徵變數將資料分類，以達到較高的正確率。本文利用正確率決定逐步特徵選取時變數加入的順序，並進一步以Elastic Net與判定係數作為特徵變數排序依據，以改善變數間共線性高的問題。並且考慮投票法(多數表決法與權重投票法)以及串聯法(cascading)：多個分類器串聯與單一分類器串聯。研究發現，以判定係數刪選特徵變數加入的先後順序並以支持向量機(Support Vector Machine，SVM)串聯的特徵選取結果在各分類下皆有良好表現，為較佳的特徵選取方式。 關鍵字：特徵選取、串聯法、蛋白質質譜、meta-learning、支持向量機

從2014年九合一選舉到今年總統大選，網路在選戰的影響度越來越大，後選人可透過網路上之熱門討論議題即時掌握民眾需求。 文字情感分析通常使用監督式或非監督式的方法來分析文件，監督式透過文件量化可達很高的正確率，但無法預期未知趨勢，耗費人力標注文章。 本研究針對網路上之政治新聞輿情，提出一個混合非監督式與監督式學習的中文情感分析方法，先透過非監督式方法標注新聞，再用監督式方法建立分類模型，驗證分類準確率。 在實驗結果中，主題標注方面，本研究發現因文本數量遠大於議題詞數量造成TFIDF矩陣過於稀疏，使得TFIDF-Kmeans主題模型分類效果不佳；而NPMI-Concor主題模型分類效果較佳但是所分出的議題詞數量不均衡，然而LDA主題模型基於所有主題被所有文章共享的特性，使得在字詞分群與主題分類準確度都優於TFIDF-Kmeans和NPMI-Concor主題模型，分類準確度高達97%，故後續採用LDA主題模型進行主題標注。 情緒傾向標注方面，證實本研究擴充後的情感詞集比起NTUSD有更好的字詞極性判斷效果，並且進一步使用ChineseWordnet 和 SentiWordNet，找出詞彙的情緒強度，使得在網友評論的情緒計算更加準確。亦發現所有文本的情緒指數皆具皆能反應民調指數，故本研究用文本的情緒指數來建立民調趨勢分類模型。 在關注議題分類結果的實驗，整體正確率達到95%，而在民調趨勢分類結果的實驗，整體正確率達到85%。另外建立全面性的視覺化報告以瞭解民眾的正反意見，提供候選人在選戰上之競爭智慧。 / From Taiwanese local elections, 2014 to Taiwan presidential elections, 2016. Network is in growing influence of the election. The nominee can immediately grasp the needs of the people through a popular subject of discussion on the website. Sentiment Analysis research encompasses supervised and unsupervised methods for analyzing review text. The supervised learning is proved as a powerful method with high accuracy, but there are limits where future trend cannot be recognized, and the labels of individual classes must be made manually. In the study, we propose a Chinese Sentiment Analysis method which combined supervised and unsupervised learning. First, we used unsupervised learning to label every articles. Secondly, we used supervised learning to build classification model and verified the result. According to the result of finding subject labeling, we found that TFIDF-Kmeans model is not suitable because of document characteristic. NPMI-Concor model is better than TFIDF-Kmeans model. But the subject words is not balanced. However, LDA model has the feature that all subject is share by all articles. LDA model classification performance can reach 97% accuracy. So we choose it to decide article subject. According to the result of sentimental labeling, the sentimental dictionary we build has higher accuracy than NTUSD on judging word polarity. Moreover, we used ChineseWordnet and SentiWordNet to calculate the strength of word. So we can have more accuracy on calculate public’s sentiment. So we use these sentiment index to build prediction model. In the result of subject labeling, our accuracy is 95%. Meanwhile, In the result of prediction our accuracy is 85%. We also create the Visualization report for the nominee to understand the positive and the negative options of public. Our research can help the nominee by providing competitive wisdom.

本研究旨在探討金融情勢指數與公債、投資等級公司債與非投資等級公司債之關係，藉此探討金融情勢指數應用於債券投資上的實用價值。在研究方法上利用時間序列模型中自我向量回歸模型(Vector Autoregressive Model, VAR)，以Granger因果檢定、衝擊反應函數模型與預測誤差變異分解模型作為分析。研究樣本為聯邦儲備銀行芝加哥分行全國金融情勢指數、聯邦儲備銀行芝加哥分行調整後全國金融情勢指數、彭博金融情勢指數以及美林-美國銀行公債指數報酬率、美林-美國銀行投資等級債券指數報酬率與美林-美國銀行高收益投資債券指數報酬率，研究期間涵蓋1994年7月1日至2011年5月27日之周頻率資料。經實證研究分析後，獲得以下幾點結論： 1.彭博金融情勢指數具有領先公債指數報酬率之單向因果關係；全國金融情勢指數與調整後全國金融情勢指數與公債指數報酬率互為獨立關係。彭博金融情勢指數、全國金融情勢指數以及調整後全國金融情勢指數與投資等級債券指數報酬率具有雙向回饋關係。全國金融情勢指數則與高收益債券指數報酬率具有雙向回饋關係。彭博金融情勢指數與調整後全國金融情勢指數皆無領先高收益債券指數報酬率的關係，但高收益債券指數報酬率則有領先前述兩者之單向因果關係。 2.經Granger因果檢定與預測誤差變異分解模型綜合判斷，彭博金融情勢指數對於公債指數報酬率解釋能力優於全國金融情勢指數與調整後全國金融情勢指數。對於投資等級債券報酬率的解釋能力則以調整後全國金融情勢指數的解釋能力較佳。而高收益債券指數報酬率則以全國金融情勢指數的解釋能力最優。 3.從衝擊反應函數模型得知，公債指數報酬率與彭博金融情勢指數為正向互動關係；投資等級債券指數報酬率與調整後全國金融情勢指數為負向互動關係；高收益債券指數報酬率與全國金融情勢指數亦為負向互動關係。公債指數報酬率與投資等級債券報酬率受到各項金融情勢指數衝擊後，最晚在4期內可回復均衡狀態，顯示公債市場與投資等級債券市場具有好的流動與效率性。高收益債券市場則因為市場流動性較低，需至6期時間才能回復均衡狀態。 4.當彭博金融情勢指數顯示金融情勢不佳時，增持公債資產可望降低市場變動風險。當調整後全國金融情勢指數顯示金融情勢轉佳時，增加投資等級債券資產可望獲取較公債資產較佳報酬。當全國金融情勢指數顯示金融情勢寬鬆時，持有高收益債券之收益優於公債資產與投資等級債券資產。

傳統的裝飾紋路，如獸面紋和雲紋，是經過工匠藝術家將其對於自然的變化與鳥獸的形態加以抽象化，藉由這些精妙的花紋傳遞豐富的訊息，形成具有象徵意義的紋路。本論文針對傳統中國雲紋進行分析，發現其保有高度的自我相似性，以此特性為基礎，我們發現到L-system也常被運用於此類特性紋路之創建，本論文以此語法為基礎撰寫生長規則，配合parametric L-system參數化的特性，不但可以讓雲紋達到很好的多樣性，同時配合非相片寫實電腦繪圖技術強化風格效果，讓我們的結果更忠於傳統雲紋，更進一步透過具時間序列的向量場資訊影響L-system之成長，產生具東方風格之動態雲紋。 / Traditional decorative patterns, such as animal mask and cloud patterns, are the art heritage from the abstraction of the changing nature and the shape of animals. These decorative patterns are not only exquisite art, but also meaningful symbolic patterns. In this thesis, we analysis the traditional Chinese cloud patterns, and find out the structure of self-similarity in cloud pattern. In this thesis, we design the growth rules base on the grammar of L-system and the parameterization of parametric L-system. We also combine the stylized line drawing to achieve a good variety of cloud patterns, and our results are faithful to the traditional art. Furthermore, we can generate the dynamic oriental cloud patterns with a time-varying vector field to affect the growth rule.

台灣證券市場早期對國外投資人有許多的限制，而開放外資來台投資有助於台灣金融與經濟的國際化與自由化，隨著政府對外資的投資限制逐漸減少，外資在台股和期貨與選擇權的交易上對台灣股市的影響也與日俱增。本論文將透過實證的方式，探討外資現貨買賣超、期貨與選擇權多空交易與大盤指數之關係，來瞭解外資的交易行為對台股所造成的影響，以作為投資人交易之參考。 本論文資料期間為2010年1月4日至2012年2月2日共530筆日資料，以台灣加權股價指數報酬率、外資現貨買賣超金額、外資期貨多空未平倉量淨額變化與外資選擇權多空未平倉量契約金額淨額變化為五個研究變數，利用ADF單根檢定、向量自我迴歸模型、Granger因果關係檢定、衝擊反應分析與預測誤差變異數分解探討各變數間之關聯性，瞭解外資的交易行為對台股所造成的影響， 以作為投資人交易之參考。 研究結果顯示：(一)大盤報酬率會受到外資期貨多空未平倉量淨額變化與外資選擇權多空未平倉量契約金額淨額變化之正向影響；(二)Granger因果關檢定顯示，外資期貨多空未平倉量淨額變化與外資選擇權多空未平倉量契約金額淨額變化Granger領先大盤報酬率；(三)衝擊反應分析顯示，大盤報酬率期初受自身衝擊影響最大，而期貨多空未平倉量淨額變化衝擊對大盤報酬率會有正向影響且影響時間最長；(四)預測誤差變異數分解顯示，大盤報酬率產生預測誤差時，外 資期貨多空未平倉量淨額變化有較高的解釋能力。 外資每日在台灣期貨交易所之期貨與選擇權的交易部位對台股現貨股價報酬率具有重要的影響，因此投資人可利用台灣期貨交易所於盤後所揭露之外資每日在台灣期貨多空未平倉量淨額、選擇權多空未平倉量契約金額淨額及其每日變 化，作為現貨股票交易之參考。

本研究選取發達成熟市場的美國以及金磚四國其中一份子的俄羅斯及巴西分別檢視股價報酬率與成交量之間的動態價量關係(Dynamic Price-Volume Relationships)，本研究採行Granger (1969)因果關係檢定、近似無關迴歸模型檢定的研究方法，進行兩大部份分析，第一、三國各自進行股價報酬率與成交量之間是否在不同資料型態設計中有相異的價量因果關係。第二、引進以美國次貸風暴發生時間點視為結構變動點，進行次貸風暴發生前後各國股市價量領先落後情形是否發生異動。本研究選以美國、巴西、俄羅斯，各自所代表的股價指數分別是，美國代表指數分別是標準普爾500指數(Standard and Poor’s 500 Index)、那斯達克綜合指數(Nasdaq Composite Index)、道瓊綜合平均指數(Dow Jones Composite Average Index)、巴西為巴西指數(Bovespa Index)、俄羅斯代表為俄羅斯交易系統指數(RTS Index)。 本研究有別於先前文獻具體研究價值之處，本研究發現美國股票市場的價量關係因應著每個不同股價指數的屬性有所呈現出不同的價量關係樣貌，並且透過資料型態設計的不同、結構變動點的納入與以國家為出發的角度，洞察出美國、巴西、俄羅斯的價量關係會根據經濟體成熟度、產業結構、金融市場開放程度等因素，探究出可能出現不同價量關係的狀況。 其實證結果指出，就美國三大指數而言，以採納的所有資料型態綜觀歸納出，美國三大指數具有量先價行的因果關係，且以S&P500、Nasdaq指數以及空頭資料型態的Dow Jones指數呈現出價先量行的關係存在。次貸風暴的發生，美國三大指數具有價先量行的因果關係。 巴西Bovespa指數在每日空頭、每週多頭資料型態具有價先量行的結果，而當次貸發生前後皆不具任何的因果關係。 俄羅斯RTS指數除了在空頭資料型態部分，其餘皆呈現價先量行的結果，而在多頭資料型態部份，呈現量先價行的結果。而當次貸發生後，皆喪失任何因果關係。

在資訊科技爆炸的時代，所有的資料都要求能數位化，以便利用資訊科技對數位資料進行分析、整理與應用。對於都市規劃而言，建立數位城市模型即成為目前的重要課題之一。 建立數位城市模型中間最困難的步驟之一，在於處理並數位化古老的紙本地籍資料與建築物平面圖或手繪建築物之地圖，然後進行資訊整合，以建立基本的城市三度空間模型，進而利用更精準的測量技術，來建立精確的數位城市模型。然而要以人工處理並將上述資料數位化來製作基本的三度空間模型，秏時費工且成本太高。有鑑於此，本篇論文提出一套自動化的處理方法，針對附有樓層高度的紙本建築地圖或手繪地圖進行自動化處理，從而建立基本的三度空間模型，作為建立數位城市模型的初步處理。 我們先利用文字辨識的技術對建築物進行分析、擷取並判斷地圖中屬於建築物高度的文字資料。其次利用不同的演算法，對地圖進行細化及骨架粹取，並找出地圖上組成建築物的關鍵節點，然後對節點分群，以區分並判斷不同的建築物，進而建立地圖上各個建築物的平面模型圖。最後將每棟建築物的高度資料及其相對應的平面模型圖加以整合，自動產生該地圖的三度空間模型。 我們隨機選取一張台北地區之建築平面圖以及學校平面圖來檢驗我們提出的方法，測試的結果顯示，我們的方法都能成功的將這些平面圖，自動建立出原圖基本的三度空間模型，可以作為未來建立城市數位模型之參考。 / In the era of information explosion, digital archiving every piece of information becomes a must in order to organize, process, and analyze this information and make further use of the information. Hence, constructing a cyber city model is one of the major issues in urban planning. One of the most difficult steps in constructing a cyber city model is to process and digitize the ancient cadastral information as well as the architecture sketches or the hand drawing maps. By combining this information, we could construct an early stage three dimensional model for the city that would help us in constructing the final model for the cyber city. However, manually processing this information is not cost effectively and automatic processing them might reduce the construction cost dramatically. In this paper, we propose an automatic processing mechanism that could digitize the architecture sketches or the hand drawing maps automatically. Our mechanism will produce an early stage three dimensional model for the specified area that will eventually lead to the construction of a more accurate three dimensional model for the entire city. After the sketches or the maps were scanned, as bitmap images, into the computer, we start with analyzing the architecture sketches and extract the elevation information using traditional methods of character recognition. Then, we use various algorithms to thinning and to extract the skeleton of the image. The critical nodes of each building in the images were identified, isolated, and used to construct the base of each building in a planar diagram. Finally, the elevation information is used along with the planar diagram just constructed to generate an early stage three dimension model for the specified area. We randomly choose an architecture sketch of Taipei City and our campus map to verify our mechanism. The results show that our method could produce the corresponding three dimensional models successfully. These models could be used and help us to construct a more accurate three dimensional model for the entire city.

近年來ETF規模快速成長，亞洲區域經濟成長與穩步發展更是帶動國際ETF市場動力來源，而元大台灣50指數型證券投資信託基金因規模大，受到投資人的青睞。根據過去的研究指出，網路上的文本訊息會對群眾情緒造成影響，進而影響股價波動，對投資者而言，若能從大量網路財金快速分析投資者大眾情緒進而預測股價波動走勢，勢必可提高報酬率。然而，每日有上百篇的財金文本產生，人工分析耗時耗力，本研究採用文字探勘技術，提出一套情感分析的價格預測模型。 過去文本情感分析的研究中已證實監督式學習方法可以透過簡單量化的方式達到良好的分類效果，然而，為解決監督式學習無法預期未知的限制，本研究透過非監督式學習將2016整年度的財金文本進行文章主題判別，計算情緒指數並標記文本情緒傾向，再來使用監督式學習結合台股資訊指標、國際指標、總體經濟指標、技術指標等，建立分類模型以預測元大台灣50ETF的價格趨勢。 實驗結果中，主題標注方面，本研究發現因文本數量遠大於議題詞數量造成TF-IDF矩陣過於稀疏，使得TF-IDF結合K-means主題模型分類效果不佳。LDA主題模型基於所有主題被所有文章共享的特性，使得在字詞分群優於TF-IDF結合K-means。情緒傾向標注方面，證實本研究擴充後的情感詞集比起NTUSD有更好的字詞極性判斷效果。 本研究透過比較情緒指數結合技術指標之分類模型與單純技術指標分類模型的準確率發現，前者較後者高出7%的準確率。進一步結合間接情緒指標的分類模型更有71%準確率，故證實財金文本的情感分析確實能有效提升元大台灣50的價格趨勢預測。 / Rapid and stable economic growth in Asia motivated the asset scale of ETF in the globe growing rapidly in the recent years. Yuanta Taiwan Top 50 ETF gains the investors’ favor because of the advantages of large market scale. Past research have shown that the text documents on the internet, e.g. news and tweets, would make great effect on public emotion, and the public emotion could even affect the stock price. For investors, it is important to know how to analyze the potential emotion in text documents to predict the stock trend. However, the traditional way to analyze text documents by human cannot afford the large volume of financial text documents on the internet. In past sentimental analysis research, supervised method is proven as a method with high accuracy, but there are limits about predicting unknown future trend. This research combined supervised and unsupervised methods to deal with these large financial text documents. By using unsupervised method to find out the topic of documents, and then calculate the sentimental index of each documents to differentiate the sentiment polarity. Afterwards, using supervised method to build a prediction model with the sentimental index. According to the result, we found that the performance of LDA model is better than the TF-IDF with K-means model. Moreover, the prediction model which include the sentiment index has higher accuracy than the one include the technical indicators only.

一般說來，我們所遇到的線性模式都是 Y＝Xβ＋ι Y 是一N ×１的向量，其元素為應變數的觀測值 X 是一N ×P 的矩陣，其中的元素為已知數 β是一P ×１的向量，其中的元素為母體的參數（parameters） ι是一N ×１的向量，其中的元素為隨機誤差（random errors） 我們可以用幾何求得參數的估計式 β＝（X′X）－X′Y 同理，我們可求得有關β的標準差，建立βi ′s 的信賴區間，及作各種有關的假設 檢定。一旦我們將模式改成 Ｙ＝Ｘα＋ＺU （ii） Y 是一N ×１的向量，其元素為應變數的觀測值 X 是一N ×P 的已知常數矩陣 Z 是N × 的已知常數矩陣 α是P ×１未知的參數向量（固定效應） Ｕ是γ×１的向量，其中包括隨機效應和隨機誤差兩項 因為（ii）式中的隨機向量Ｕ包括隨機效應和隨機誤差兩項，倘若我們把（ii）式中 兩部分予以分解，則（ii）式可以改寫如下： （圖表省略） 本文所討論的是運用已知的原理去估計β和Ｕ，其中將討論如何運用極限的原理去估 計β和Ｕ的向量

本文應用譜相方法探討混合（ｐ，ｑ）階自身迴歸移動平均模式，即ＡＲＭＡ（ｐ， ｑ）模式，參數的漸近有效推定。進而考慮附加外生變數後的擴大模式，其分別在純 量型和向量型下的推定。第一章，緒論。第二章，純量型ＡＲＭＡ（ｐ，ｑ）模式之 參數推定，說明在漸近有效的意味下，如何經由傳立葉轉換過的觀測資料來推定移動 平均ＭＡ（Ｐ）模式，並據以推定純量型ＡＲＭＡ（ｐ，ｑ）模式。第三章，純量型 ＡＲＭＡ（ｐ，ｑ）附加外生變數模式之參數推定。討論在第二章純量型模式中，頍 外加進一組外生變數後，模式的漸近有效推定。第四章，向量型ＡＲＭＡ（ｐ，ｑ） 附加外生變數模式之參數推定。乃應用張量符號，將前一章之模式推定推廣到向量型 。第五章，模式參數之Newton-Raphson等價推定。說明以Newton-Raphson計算法，如 何獲致與前幾章相同的漸近有效推定量。第六章，應用與結論。