時間數列分析自一九七０年Box-Jenkins 發展出自我迴歸移動平均整合模式（簡稱Ａ ＲＩＭＡ（ｐ，ｄ，ｑ））建立法後，便更普遍地應用於經濟、企管、工程及物理等 相關領域上。但利用Box-Jenkins 的鑑定方法一般只對ＭＡ或ＡＲ模型有效，而對混 合的ＡＲＭＡ模型則不適用。其後陸續有統計學者提出不同的鑑定方法，但都無法有 效地決定Ｐ、ｄ、ｑ階數。 直至一九八四年以後，Tsay和Tiao兩位學者才又提出了一套有效的鑑定法則，利用擴 展的樣本自我相關函數（Extended Sample Autocorrelation Function）或正規分析 （Canonical Analysis）求出的最小正規相關係數（The Smallest Canonical Corr- elation ）做為鑑定ｐ、ｄ、ｑ的準則。這兩種方法的優點皆為可直接處理平穩或非 平穩型時間數列，而不用事先決定差分的階數，而且對混合ＡＲＩＭＡ模型亦有效。 對於有異常點（Outlier ）存在的時間數列，其可能由於某些外在的介入因素所引起 ，而ＡＲＩＭＡ模型對資料的配適是不足夠的。因此該如何發現異常點的存在及加入 合理的介入模式亦構成了模型鑑定的問題。本文除對Tsay和Tiao的方法做一說明外， 亦利用其鑑定方法對存在有異常點的時間數列做一分析，並由實證研究探討其對季節 模型的鑑定效果。

Abstract Undoubtedly, liquidity is one of the most popular topics of research among the academia for decades. However intuitively-clear it is, scholars and experts have always found it not only hard but vague to define and measure. Moreover, researches or methods concerning commonality in liquidity are proposed one after another. Most of these works attempt to document what lies beneath the commonality by offering industry-wide or market-wide explanations. Nevertheless, this paper adopts an exact multivariate model-based structural decomposition methodology developed by Casals, Jerez and Sotoca (2002) to analyze the co-movement in market liquidity measures in a totally different manner. Except for decomposing three well-known market liquidity measures, share volume, dollar volume and turnover rate, of the Taiwan Stock Exchange Capitalization Weighted Stock Index (TAIEX) into trend, cycle, seasonal and irregular components, we conduct advanced bivariate analysis to extract common components, visualize them, and make a comparison among them at last. Evidence suggests that not only do these three liquidity proxies highly co-move with one another, but dollar volume seems to co-move slightly closer with share volume than with turnover rate. In the end, where this phenomenon, co-movement in market liquidity measures, accrues from is another long story and needs some further work not covered in this study.

國小教師供需問題是目前教育界中的一個重要問題，教師需求量的預測精確與否，將影響及教育政策的制定。本研究中，我們使用單變量 ARIMA 及類神經網路，以預測台灣地區 1996 到 1998 年之間的國小教師需求量。 研究結果顯示，在預測國小教師數列上，ARIMA 及類神經望陸均有很好的表現。類神經網路的可用範圍寬廣，適於各種複雜的情境，然而就本研究的主要探討對象--國小教師數列而言，以單變數的神經網路便已足夠。如果能選擇適當、具明顯特徵的資料，則網路將有更佳的預測效果。 由於類神經網路具有自我學習、自我調適、及平行處理等優點，因此在發展教師供需預測系統時，除了 ARIMA 之外，類神經網路為另一可行方法。 / The demand for and supply of teachers in elementary schools is an important problem in education administration. An accurate forecast of the number of teachers needs in elementary schools may heavily affect educational policy. In this thesis, we use the univariate time series analysis and Neural Networks to forecast the number of teacher in elementary schools in Taiwan Area during a period from 1996 to 1998. According to the result, both Box-Jenkins model and Neural Network perform well for prediction. Neural Network can be widely used in different circumstance, especially complicated situation. In this research, however, it is enough to predict number of teacher by the univariate neural network. In other word, if selecting suitable data variables, we could obtain better predictable effect by neural network. With the advantages of self-learning, self adaptation, and parallel processing, the Neural Network approach is a promising alternative approach to time series for developing a teacher demand and supply forecasting system.

時間序列分析發展至今,常常發現動態資料的走勢,隨著時間過程而演變.所以傳統的模式配適常無法得到很好的解釋,因此許多學者提出不同的模型建構方法.但是對於初始模式族的選擇,卻充滿相當的主觀與經驗認定成份.本文針對時變型時間序列分析,考慮利用知識庫,由模式庫來判斷初始模式.再藉由遺傳演算法的觀念,建立模式參數的遺傳關係.我們把這種遺傳演算法,稱之為時變遺傳演算法.針對台灣省國中數學教師人數,分別以時變遺傳演算法,狀態空間,與單變量ARIMA來建構模式,並作比較.比較結果發現,時變遺傳演算法較能掌握資料反轉的趨勢,且預測值增加較為平緩.因此時變遺傳演算法在模式建構上將是個不錯的選擇. / In time series analysis, we find often the trend of dynamic data changingwith time. Using the traditional model fitting can't get a good explanationfor dynamic data. Therefore, many savants developed a lot of methods formodel construction. However, these methods are usually influenced by personal viewpoint and experience in model base selection. In this thesis, we discussedtime-variant time series analysis. First, we builded a model base to judge inial models by knowledge base. Then, we set up the genetic relations of themodels' parameter. This method is called Time Variant Genetic Algorithm. We use the data if the number of junior high school mathematic teachers in Taiwan to ccompare the predictive performance of Time Variant Genetic Algorithmwith State Space and ARIMA. The forecasting performance shows the Time VariantGenetic Algorithm takes a better prediction result.

由於近年來汽機車的成長率大增，□=>許多重大營建工程陸續開工，導致 空氣污染日益嚴重，所以研究板橋地區一氧化氮濃度的預測模式。在本篇 論文中，我們首先應用集群分析將一氧化氮依濃度區分成數個集群，而後 運用區別分析診斷集群分析的結果是否合宜，最後找出集群內觀察值數目 最多的那個集群，然後將多變量時間序列中經過差分一次後的自我相關模 式應用在上面。目的是要尋求更精確的污染濃度預測值，以提供環保單位 一些訊息以作參考。

為因應預測目的不同，有時需要各種預測水平{\rm (forecast horizon)} ，例如，月預測可供進料、生產、補貨及倉儲之參考，年預測則可作為產 能規畫、產品線規畫、投資決策等之準則。然而，預測結構卻會因水平的 不同而彼此相異，以致產生諸多預測值的矛盾。有鑑於此，本研究主要以 一簡單且具理論基礎的整合{\rm intergration)} 過程，解決預測值互相 矛盾的問題。由於年資料通常屬於連續性模式，月資料則多為季節性模式 ，兩者透過的轉移函數形態截然不同，而且在解釋變數的選取上更是迥異 ，因此，需要經由加權平均的整合，才能使月預測值的加總等於年預測值 。至於權數的決定則以離散程度為準則，由於年資料為月資料的加總，兩 者均值相差甚多，故以變異係數為測量離散情形的標準。本研究主要乃遵 循{\rm Box-Jenkins} 的模式建立法則，構建連續性轉移函數模式及季節 性、轉移函數模式，並加以整合調整。在實證分析中以台灣啤酒銷售量為 例說明預測流程，年銷量預測方面以國民所得為解釋變數; 月銷量預測方 面則以氣溫為解釋變數，最後以加權平均將兩者整合調整。

時間序列中對於模式階數的選取，一直是重要的課題。從過去文獻研究得 知，大多數的討論都局限於平穩的模式。然而近年來，非平穩型序列逐漸 成為各學者研究的方向。因此，一個能協助研究者適當處理資料的方法， 如採取適當的單位根檢定，是進行實證分析時所必需採行的程序。在本篇 文章中我們是採用單位根檢定來決定差分階數，然後再結合 Pukkila et al.(1990)所提出的選模方法決定p、q的階數(簡稱PKK選模法)經由本文模 擬結果所得之結論為當序列為平穩型時，直接用PKK選模法來進行階數的 選取，能得到較強的選模能力 。但當序列為非平穩型時，則建議先以單 位根檢定來決定差分階數，再佐以PKK選模法決定p、q階數。

參考Fang 2003年研究方法架構，我們檢驗了結合策略(結合技術分析法則和時間序列模型)應用在六個亞洲股票市場。由於技術分析法則和時間序列模型皆可利用過去歷史資訊來預測報酬，所以結合策略的實證結果優於技術分析法則和時間序列模型。此篇中超額報酬的計算是與買進持有相比較下未考慮交易成本的超額報酬。實證結果顯示，結合策略在完整樣本中可以成功的預測資產報酬，在六個國家的平均上，結合策略的超額報酬為0.19%優於技術交易法則下的0.13%和時間序列模型下的0.17%。並且，發現在新興國家如台灣、泰國、馬來西亞和南韓的預測能力比在已開發國家市場如香港和日本還要來的好。預測能力可被低階的自我相關係數解釋。除此之外，發現我們的預測能力受到非同步交易的影響。非同步交易所造成的衡量誤差使得超額報酬下降，但是我們的預測能力還是存在的。 / Following Fang and Xu (2003), we examine trading strategies combining technical trading rules and times series forecasts on six Asian stock markets. Since both technical trading rules and time series models can exploit predictable components as function of past prices or returns, the combined strategies outperform both technical trading rules and time series forecasts. The excess returns before transaction costs for each rule and country are compared to a passive buy-and-hold strategy. The combined strategies are quite successful in predicting asset returns in full samples. On average the buy-sell returns for combined strategies are 0.19% much higher than 0.13% for technical trading rules and 0.17% for time series models. Besides, we also find that all three rules have more explanatory power in emerging markets such as Taiwan, Thailand, Malaysia and Korea than more developed markets such as Japan and Hong Kong. The predictability can be explained by significant low-order autocorrelations in returns. Moreover, excess returns (pre-trading costs) for both time series models and combined strategies can be partially attributed to the measurement errors arising from non-synchronous trading. The non-synchronous trading bias reduces but does not eliminate the predictive power of combined strategies.

本論文主要在探討以移動平均法則為基礎的簡單技術分析指標，以及時間序列模型在台灣股票市場是否具有獲利能力，研究期間為1987/01/01-2006/12/31共20年的樣本期間。我們發現只有使用(1,50,0)和(1,50,0.01) 這兩個移動平均交易法則時才有顯著的報酬；並以AR(1)-GARCH(1,1)-M作為時間序列的預測模型。研究發現在股價上漲的時候，技術分析指標的確有較好的預測能力；而在股價下跌時，利用時間序列模型有較佳的獲利能力。因為技術分析指標與時間序列模型分別捕捉到不同的資訊，將兩預測工具結合在一起應該可以得到一個更好的組合預測指標。本文的實證研究發現此一組合預測指標，不管是在多頭或空頭期間時，都可以比使用單一分析工具獲得更高報酬。

昔天津的經濟發展都落後於在中國內地的其他一些城市，提到天津，人們往往聯想到，她只是北京光環下的一個毗鄰城市。為了在經濟成長中保持天津經濟的穩定增長，天津採取了吸引大規模工業建設項目的發展策略，再加上近年濱海新區的蓬勃發展，不僅讓該區的經濟表現成績亮眼，也進而讓天津此一城市向國際化大都市腳步邁進。 再者，地處環渤海經濟圈沿海區位之天津濱海新區對其經濟發展推動也著實重要，主因係大陸將開發天津濱海新區納入國家十一五規劃和國家發展戰略，並批准濱海新區成為國家綜合配套改革試驗區，相關重大工業項目都相繼落戶於濱海新區，進而促使天津濱海新區成爲國家級新區中發展最爲迅速的新區，所以本研究係從文獻探討回顧探討影響天津經濟發展的決定因素，並利用樣本資料與實證模型來推估假設變數與天津經濟成長率之間的關係與影響程度，俾利提供學術上與實務上濱海新區在天津經濟發展中所扮演角色之參考。