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。

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。

觀光產業的發展良窳，對於地方的基礎與公共建設、人文與自然景觀、國家形象等均隱藏著關鍵性的影響。亦因如此，我國於近年來，除積極推動國人觀光政策，例如實施週休二日，同時也積極從事相關觀光產業發展的政策實施，例如部分國家免簽證、開放大陸旅客來臺觀光等，其主要目的在於推廣國家知名度與強化國家建設。 　 然而，在推動觀光產業發展的同時，旅館業隨之所受到影響應是最為明顯之一。然又鑑於，觀光旅館平均房價與住用率的成長與否是反應其經營管理的良窳。因此，本研究擬針對國內觀光旅館的平均房價與住用率的預測，進行探討，藉以瞭解國內觀光旅館平均房價與住用率的自我影響關係及其預測模型的建構。其研究結果顯示，在趨勢分析的部分，臺北地區國際觀光旅館近五年的住用率均超過七成，甚至在近二年的住用率亦高達七成五，而高雄地區國際觀光旅館近五年的住用率也有近七成；在預測模型的建立部分，國際或一般觀光旅館的平均房價會受前一期的影響、國際或一般觀光旅館的住用率會受前一期或前兩期的影響、指數平滑法的預測能力較佳。 【關鍵字】 時間數列分析、指數平滑法、住用率、平均房價

近年來，預測技術的創新與改進愈來愈受到重視。對於預測效率評估的要求也愈來愈高。尤其在經濟建設、人口政策、經營規畫、管理控制等問題上，預測更是決策過程中不可或缺的重要資訊。目前有關模糊時間數列分析與預測效率評估並不多見。主要是模糊殘差值的測量相當困難。有鑑於此，本文提出以模糊距離來進行效率評估。並且從不同的角度來探討預測的準確度。實證研究顯示，藉由中心點與區間長度的整合測度，可以得到一個合理的評估結果。這對於財務金融的模糊數據分析與未來市場的走勢將深具意義。

轉換公司債係指在一定條件下，能將該公司所發行的公司債，轉換為該公 司股票的金融債券，亦即轉換公司債兼具公司債和股票的雙重特性，因此 有必要對此一金融工具的評價方式進行了解。本研究之目的在於探討轉換 公司債之溢價理論，以及影響轉換公司債溢價之因素，並將其應用於臺灣 之轉換公司債，來分析其溢價行為，再建立轉換函數模型來估計與預測溢 價。本研究主要在於探討各個影響溢價因素對於溢價之影響，藉由整理 Brigham，Poensgen，Walter & Que，Weil、Segall & Green，Cretien ， Duvel，Mumey，West & Largay 等學者之溢價理論，再衡量臺灣之轉 換公司債市場，而選取股價變動性變數、轉換權利期間變數、未來所得差 異變數、價格底限變數以及交易成本差異變數五個變數，為迴歸模式中的 自變數，而溢價則為因變數。本研究之資料分析程序為：一、對於所選取 的五個自變數和一個因變數，分別建立單元迴歸，且進行逐步迴歸。二、 對於自變數和因變數建立複迴歸模型，利用刪除變數方法來解決線性重合 。三、將所得到無線性重合的自變數群和因變數，建立複迴歸模型，對其 進行t 檢定、 F檢定、自我相關檢定及殘差常態性檢定，若誤差項存在自 我相關，則建立時間數列方法中之轉換函數模型。四、利用轉換函數模型 將投入變數與產出變數，以一個動態體系相連結，經由轉換函數模型之認 定、估計、診斷性檢查之後，建立出一個最適模型，來對於溢價進行估計 與預測。本研究之研究對象為聲寶一及歌林一兩家轉換公司債，研究期間 為民國八十一年二月二十四日至民國八十三年五月一日，共114 週，而研 究結論為：一、聲寶一轉換公司債在對於溢價之單元迴歸中，轉換期間、 未來所得差異及價格底限三個變數，對溢價有顯著影響。通過線性重合檢 定的複迴歸模型中，只有股價變動性及未來所得差異，對於溢價的係數顯 著，且係數符號為正值。在轉換函數模型方面，投入變數（未來所得差異 變數）是以(1,0,0) 的形式影響溢價，且證明出轉換函數模型的預測力較 單變量模型佳。二、歌林一轉換公司債在對於溢價之單元迴歸中，股價變 動性、轉換期間、未來所得差異、價格底限及交易成本差異，這五個變數 ，對溢價均有顯著影響。通過線性重合檢定的複迴歸模型中，只有價格底 限變數，對於溢價的係數顯著，且係數符號為負值。。在轉換函數模型方 面，投入變數（價格底限變數）是以(0,2,0) 的形式影響溢價，且證明出 轉換函數模型的預測力較單變量模型佳。

在充滿不確定性之交易市場中，每位交易者會盡量利用所擁有之資訊，在 市場有干擾（如，風險性資產供給之不確定性、個人偏好不同、個人面對 之稅負環境不同等）之情形下，市場會顯露出部份私人訊息，故交易者亦 會經由對價格和交易量之觀察習得訊息；擁有私人訊息之交易者稱為消息 靈通者(Informed)，未擁有私人訊息而只能經由觀察價格而習(learn )得 訊息之交易者稱為消息不靈通者(Uninformed)，他們二者之差異在於他們 是否願花成本或資源以購買訊息。本文係在干擾理性預期模型下，利用所 設定之特殊效用函數--絕對風險規避效用函數及假設隨機變數為多元常態 分配，探討市場有干擾情形下，在第一期有私人訊息而在第二期有公開訊 息揭露之不對稱訊息模型中價格之資訊性，分別分析了公告訊息和私人訊 息之干擾程度、風險性資產供給之不確定及購買訊息人數對二期價格資訊 性之影響。在所設定的模型有解下，本文利用這些影響因素對公告訊息和 私人訊息在總合需求計劃部位 (Position)的彈性說明二期價格資訊性。 同時文中亦探討購買訊息人數之內生決定，顯示了公告訊息之揭露會修正 交易者之看法而減少私人蒐集訊息之誘因。

本文從貝氏統計理論以及時間數列分析法探討動態線性理性預期模型。並用之以國內 的消費、所得以及其他經濟變動數的理性預期因素。 第一章：緒言：研究動機、研究目的、研究方法及資料來源。 第二章：理性預期之假設的含意及其應用。 第三章：數種理性預期模型之建立。 第四章：理性預期模型的統計特性：認定、估定及假設檢定。 第五章：理性預期與移動平均的預測比較。 第六章：理性預期之實證研究─台灣之經濟模型。 第七章：結論與建議。

近幾年來，非線性時間數列分析有快速的發展。其中的門檻自迴歸模式(SETAR)，以具有許多線性ARIMA模式所不能配適的特性而受到重視。但是，自1978年Tong建立SETAR模式以來，門檻參數估計的問題一直是SETAR模式在發展應用上的一個瓶頸。本文將探討以實數編碼遺傳演算法，結合統計學上的模式選取準則，建構SETAR模式門檻與延遲參數估計程序的可行性。並從這個基礎上，進一步地研究較精確的門檻參數估計法。 / Non-linear time series analysis has rapidly developed in recent years. Self-exciting threshold autoregression(SETAR) model of non-linear time series models is attentive, because it has some characters which linear ARIMA model fail to fit. But, It has not yet been applied widely because the question of estimation of threshold parameter limits its development and application since Tong proposed SETAR model in 1978. In this paper, we will study the feasibility which constructs a procedure of estimation of SETAR's threshod and delay parameters with real-coded genetic algorithm and statistical criterion of model selection, and develop a more precise estimation of threshold parameter in the basis.

近幾年來，非線性時間數列分析一直是時間數列及計量經濟學者所熱衷的研究主題之一，而非線性時間數列結構改變的研究也越來越受到重視。其中的門檻自迴歸模式，雖具有線性模式所不能配適的特性，但模式建構的問題，一直是其在發展應用上的瓶頸。本研究擬以門檻自迴歸模式建構的流程並結合遺傳演算法的最佳化搜尋技術，架構出時間數列遺傳演算法，藉此演算法則及程序，全域性地搜尋最佳的門檻自迴歸模式。 / Non-linear time series analysis is a research topic which the schalors of time series and econometrics are intent on, and the research of structure change of non-linear time series is attentive. Threshold autoregressive model (TAR model) of non-linear time series has some characters which linear model fail to fit while the problem of how to find an appropriate threshold value is still attracted many researchers attention. In this paper, we present about searching the parameters for a TAR model by genetic algorithms.

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.