預測技術在決策過程中是不可或缺的重要工具。精確的預測可以提供決策者更多的資訊去做出正確的決策。傳統的點預測方法是目前使用最多的預測方式，其預測模式常需要較嚴格的基本假設，這使得預測模式的建構較為困難。而加權模糊時間數列模式並不需要強烈的基本假設，模式架構較傳統更為簡易，也提供決策者更多的選擇。本研究將傳統的加權模糊時間數列推廣為區間加權模糊時間數列。與常用的幾種區間模糊時間數列做比較，以預測每日台幣對美元的匯率的方式來探討幾種預測方法的效率評估與準確性。 / Forecasting technology has played an important role for the decision makers. Accurate forecasts can provide decision makers more information to make the right decisions. Currently, the most use of forecasts is the traditional point forecasting, whose forecasting model often requires strict assumptions, and this makes it more difficult to construct the forecasting model. Weighted fuzzy time series model does not require so strong assumptions, so the model construction is simpler than traditional ones. It also provides the decision makers more options. In this research, we promote the weighted fuzzy time series model to the interval weighted fuzzy time series model. And we compare it with some commonly used interval fuzzy time series models, to discuss their efficiency evaluations and accuracy by forecasting daily exchange rate for US Dollars to NT Dollars.

No description available.

No description available.

本研究運用多元時間數列分析(VAR)，探討1996年5月1日至1996年12月31日此段期間，我國股市與美國、日本、香港、新加坡股市之間的關係，及我國股市於1996年9月2日被列入摩根史坦利指數，此舉是否會改變我國股市與美國股市之間的關係。 本研究透過建立多元時間數列的模型、因果關係的檢定、衝擊反應分析及預測誤產變異數分解的程序，獲得下列的實證結果： 一、由VAR模式可得知，香港、日本及新加坡的股市均受美國股市前一天股價的影響，但台灣股市則不受影響。此外，除了美國股市會影響它國股市外，其餘股市間則彼此沒有顯著的相關。 二、由衝擊反應分析可得知，美國股市為國際中最具影響力的股市，且各國股市反應新資訊的速度很快，國際股市符合效率市場假說。 三、由預測誤差變異數分解可知，美國股市的變動解釋其他國家預測誤差變異數的比例最強，其中以香港最強，台灣最弱，而其他股市對美國的解釋能力都很弱，可見其他股市（除台灣例外）均強烈的受到美國的影響。 四、我國股市列入摩根史坦利指數會使得我國股市與美國股市間關係更密切，加深我國股市受美國股市影響的程度。 由上述的實證結果可以得知，國際股市之間是存有關聯性的，只是程度上的差別而已，而我國股市被列入摩根史坦利指數，則加深了我國股市受美國股市影響的程度。

股票是許多人採取投資的項目。若能準確預測股價的漲跌，則可以有效地降低投資風險，賺取利潤。然而，有許多因素會影響股票走勢，例如政治因素，匯率變化，天災人禍。因此，股票走勢很難被精確預測。我們嘗試用模糊統計來解決股價預測的問題。本論文藉由模糊相關矩陣來建立多變量模糊時間數列，以便用來預測股票趨勢。實證研究則以台灣加權股價指數為對象，對每日的收盤價進行模糊時間數列分析與預測，還計算誤差與準確率。實證研究顯示，能降低投資者的風險。

在時間數列的分析上，由於一些辨識模型結構的方法，常受制於時間數列本身的非定態及不確定干擾的影響，因此若以單一模式來配適數列往往不能得到滿意的結果。 此外，傳統的統計方法太依賴數字本身，但當一時間數列其資料呈相當的模糊性時，我們往往僅對其走勢感興趣，故若能從圖形識別的觀點，找出與此時間數列具有高度相似性的資料，以作為此時間數列的領先指標或參考指標，應可比傳統單一時間數列模式（無論是線性或非線性）更能解釋資料走勢及解決結構性改變之問題，並能夠即時反應最丟出伏況，增加預測之準確性。 在本文中，我們考慮應用模糊理論建立一時間數列模糊相似性演算法 ，來辨識時間數列之間的相似性。在執行此演算法的過程申，我們依資料的特性如變異數是否改變、是否有離群值或突發值干擾等的不同，提出值域均分法、k-means值域均分法及Rank轉換法等三種方法來建構隸屬度函數 ，以求得對資料更好的解釋及預測結果。模擬的結果顯示 ，值域均分法在時間數列間的模糊相似性辦識表現最好。而在實證分析中，我們以此演算法來辨別GDP與民間消費、GDP與毛投資之間的模糊相似性，其結果相當不錯。 / An important problem in pattern recognition of a time series is similarity recognition. This paper presents the methods of similarity calculation for two time series. The methods considered include equally divided range method, K-rneans method and rank transformed method. The success of our similarity recognition relies a large extent on the fuzzy statistical concept. Simulation results demonstrate that, overall, the equally divided range method performed best in the similarity recognition. While other methods provide superior efficiency in calculating similarity for certain special time series. Finally two empirical examples, similarity calculating about GDP vs. Consumption and GDP vs. Invest, are illustrated.

依時間順序出現之一連串觀測值，通常會呈現某一型態，而根據所產生的 型態可以作為判斷事件發生的基礎。例如，震波形成原因的判斷﹔追查環 境污染源﹔以及在醫學方面，辨識一個正常人心電圖的型態與患有心臟病 的病人其心電圖的型態…等。對於這些問題，傳統之辨識方法常因前提假 設的限制而失去其準確性。在本文中，我們應用神經網路中的逆向傳播演 算法則來訓練網路，並利用此受過訓練的網路來辨別線性時間數列ARIMA 及非線性時間數列 BL(1,0,1,1)。結果發現，網路對於模擬資料中雙線性 係數介於0.2至$0.8$之間的資料有高達$80\%$以上的辨識能力。而在實例 研究中，我們訓練網路來判斷震波形成的原因，其正確率亦高達80\%以上 。同時，我們也將神經網路應用在環境保護方面，訓練網路來判斷二地區 空氣品質的型態。 / A series of observations indexed in time often produces a pattern that may form a basis for discriminatingetween different classes of events. For instance, in theeology, what are the causes of seismic waves? a earthquakesr the nuclear explosions ?in the eathenics, we can use theethod to inquire the source which pollutes the air in somelace, and in the medicine, to distinguish the difference oflectrocardiograms between a health person and an a patient..ect. In this paper, we utilize the back-propagation to trainnetwork and use of the trained networks to judge the linearRIMA(1,0,0) model between the nonlinear BIL(1,0,1,1) model,e can find that the trained network has a good recognitionhose accurate rate is above 80\% for the coefficient of the bilinear model being equal to 0.5 or 0.8. In a living example, we have trained a network to decidehich is the cause of seismic wave, and the trained networkhose accurate rate is larger than 80\%. At the same time, e also applied neural network in environmental protection.

在現代廣泛變動的經濟社會裡，任何一個經濟體系都需對未來的活動作一有系統有組織的規劃，包括國家政府的經濟政策，各種產業與個別廠商的經營決策，都需對未來的活動作一正確而完善的計畫。這種對未來的展望與規劃都基於過去的活動，事實，及經驗，利用過去所發生的現象來預定未來可能發生的情況。對過去所發生事實的瞭解，以致於對未來的預定，最簡單的方法，就是時間數列分析(Time Series Analysis)。傳統之時間數列分析建立在數列資料是由長期趨勢、季節變動、循環與偶發移動，四成分所組成的，企業經理人員與經濟學者應用時間數列分析的方法，瞭解過去之企業活動與經濟現象，以便對未來的活動作一適當的預測與控制。 本篇依據傳統之時間數列分析方法，從事有關經濟與企業活動的長期趨勢。季節變動、循環波動與偶發移動之測定與分析。為求使本篇臻於完善起見，首先於第二章就傳統時間數列之成分與特質加以闡述，並就時間數列本身作一隨機獨立之檢定與資料之數序相關(Serival Correlation)檢定。由於時間數列資料室隨著時間變數作一有順序之排列，不同於自母體隨意抽取之樣本，因而在尚未從事長期趨勢測定之前，受先需對原數列資料作一簡單之隨機獨立檢定與數序相關檢定。 長期趨勢成分在時間數列分析裡是最為重要的，不僅有助於一般經濟與企業活動的計畫，同時可幫助研究其他影響數列資料之變動。測定長期趨勢通常以趨勢方程式表示在適當選定趨勢模型時，為了配合數列之長期趨勢對於趨勢測定期與配合長期趨勢之趨勢模型選擇以及求算方法將於第三章作一詳盡的解說，並加以比較。 季節變動通常在月別、季別、週別或日別數列裡出現，主要由於季節變動是在一年內有規則之節奏移動，季節變動一般以指數形成表示。因此於第四章將對測定時間數列之季節指數方法與優劣加以分析？以求得合理而正確之季節變動效果。 循環波動與偶發移動成分在時間數列中是以殘值的方式來決定的，因此循環與偶發移動之測定值為估計值。循環波動估計乃在於瞭解經濟或企業活動之一般狀況，因此循環波動估計對企業管理相當重要。第五章就循環波動與偶發移動估計之方法加以比較，並對循環一偶發移動估計加以評論。 長期趨勢分析之直接實用價值在於長期預測，同時季節變動分析實用於短期預測，循環波動與偶發移動估計的分析，對於企業經理人員之預測價值雖然不確實，但是可瞭解經濟與企業活動之狀況。因此時間數列分析可應用於企業一般活動預測應用傳統之時間數列分析方法從事預測工作時，對於未來活動之預測是大約的估計，為求此估計值之偏估為極小企業經理人員或研究者，必須對長期趨勢測定，季節變動測定與循環一偶發移動估計作一合理而正確的分析，同時應充分瞭解時間數列分析的特質與方法，只能做為企業決策之參考，因此仍須不斷的分析一般企業環境因素，以便適應動態之經濟活動，亦即本篇主旨。

時間數列的模式識別在近年來逐漸受到注意。因為根據時間數列所產生的走勢型態可以作為判斷事件發生與預測未來的基礎。雙線性模式是由ARMA模式所延伸，所以不易與ARMA做一區別。本文就針對這類的問題，提出解決的方法。 在本文中，我們應用統計檢定結合模糊理論，建構一個整合式的識別過程。由特徵擷取，找出各種模式之間的差異，再藉由其中的異同建立模糊規則庫。接下來計算出時間數列相對應的特徵屬性，最後由模糊規則庫做出判斷。我們以台積電與聯電的每日收盤價格與成交張數為例，識別的結果與一般的認知相同。 / Identification of time series model gets more and more attention, because we can analyze the events happened and forecast what will occur in the future based on the accurate model. Bilinear time is extended by ARMA model, so it is hard to distinguish bilinear model and ARMA model. This paper focuses on this type of subject and proposes some possible way to solve. In this paper, we combine statistical tests and fuzzy methods to build a "composite" identification process. First, we try to find out differences between each model by featuring and building the fuzzy rule bases by the differences. Then, we calculate the membership of feature according the time series data. Finally, we make our decision according to the fuzzy rule bases.

一、研究目的：對於商業性個人健康保險之特性做一廣泛性整理，再藉由 健康保險保單販賣數年後之實際數據，試著去推估純保費與理賠金額達到 收支平衡之年度，並針對各種有關的考慮因素加以分析探討，期能探窺公 司經營之真正盈虧，使保戶的保費負擔合理，也使得公司的經營穩健安全 ，並能獲得合理的利潤，另外也提出有關精算方面應詳加思考的事項，以 供相關者參考。二、研究方法：本研究乃針對商業保險公司販賣個人健康 保險商品之原始資料，運用電腦計算出歷年度之總保費收入、賠款金額、 賠款次數、責任準備金提存之數據，再用時間數列中十種不同的方法，加 以推測出其目前、未來盈虧之軌跡，且依據繳費年度之不同，可探究其各 險種不同之特性。三、研究結果：１、商業性健康保險其續保年度的增加 並未導致道德危險的發生，而理賠件數率的增加逐年增加，使罹病率有逐 年增加的趨勢。２、實支實付型保單會隨著投保年度的增加而提高每件平 均賠款金額，定額給付型保單之理賠呈現穩定狀況。因此，在醫療服務的 消費量中，每件平均賠款金額的增加，大部份乃導因於價格的通貨膨脹。 ３、一年期健康保險保單因續保的執行，在罹病率增加及價格 通貨膨 脹下，終將從盈餘轉為虧損，所以，無可避免，均 須調高保費。 Health Insurence