本論文是承續近來〝有限理性總體經濟學〞發展下之一支研究。有關有限理性的定義，在本研究中乃是以Sargent(1993)及Leijonhufvud(1993)為根據。Sargent(1993)認為：經濟學家在建立模型時，要怎麼樣去塑造其模型中的決策者的預期及學習呢？為了在精神上求一致起見，不應將模型中的決策者想成比經濟學家本人更聰明或更無知。有關這兩個角色應一致的要求，似乎便成了有限理性總體經濟學中相當關鍵的磐石。有關預期與學習形成的部份在計量經濟學上，又可大致分為兩個階段。在第一階段中，是以統計決策理論為主所建構的預期與學習過程，這類型的預期是奠基於以機率模型為主的學習過程。此類學習過程可以說是1980年代以來，理性預期學習過程的主要架構。使用這種學習模型需對決策者在所擁有的資訊上，做較強的限制。而第二階段的學習模式是要減輕模型中對決策人在資訊上的負荷，即將第一階段機率模型的學習擴充至非機率模型的學習。而幾乎所有學習上的問題，都可以視為一個尋找的問題，模型選擇是尋找模型，參數估計是尋找參數。在模型的設定上，以往我們處理的程序是：假設模型為....，則我們可以....。對於模型的選定並沒有嚴格的判定標準可供依循。然而遺傳規畫不但對模型的設立，提供了一個良好的典範，而且對如何尋找模型，提供了一個一般性的尋找模式。模型的選取，應是先經由尋找的過程而得到的，而非憑空自上帝的手中取得。因此，就如何建立起尋找的方式，其較模型的選擇更為基本且更為重要。遺傳規畫運作之初，並沒有包含先驗的知識，初始的模型是經由隨機創造而得。在演化的過程中，模型逐漸地有了系統（型態）的出現。這種尋找的過程，既不偏向隨機也不偏向系統，在隨機與系統中，取得了一個完美的平衡點。在遺傳規畫運作下，要選擇何種模型，將視實驗者的時間成本而定。換句話說，即遺傳規畫提供了實驗者到目前為止最好的模型，是否該花更多時間以取得〝較精確〞的模型，將由實驗者自行決定。在此情況下，我們在模型的選擇上，有了一個較為適當的判定基準：模型的大體輪廓將是藉由進化的方式取得，不是經由天外神來之筆而誕生。在模型精確度的選擇上，將由個人的時間成本來定奪。就在這層意義上來說，此種選擇的模式比較符合〝人性〞，亦與經濟學的精神相符合。本論文的目的便是要了解遺傳規畫在實際運作上的一些特性，以及該如何正確地使用它才能得到最大的功效，以期望它能成為我們在處理有限理性總體經濟學上的一個重要工具。

知訊者與非知訊者資訊不對稱之議題在學術殿堂一直廣為學者所研究討論，且各國證管機關為了維持證券市場公平性、保護非知訊者權益並且維持股票市場的穩定運作，適度的資訊揭露以維持證券市場的公平性一直都是各國證券交易所重視的政策目標。 是故，本研究利用代理人基人工股票市場來探討資訊揭露對於金融市場之影響。在此架構下之交易者皆已有限理性方式來呈現。他們是以遺傳規劃(genetic programming)之方式來學習並修正他們對於未來之金融市場之預期。在透過即時的模擬價格之資訊揭露，我們嘗試探討此資訊揭露之金融政策措施對於市場之波動性、市場之流動性之影響。 / The topic of asymmetric information between the informed traders and uninformed traders has been widely discussed by researchers in academics. To maintain the fairness of securities market, an appropriate information disclosure is quite important for authorities of securities regulation to protect the rights and interests of uninformed traders, and to maintain the operations of securities market stable. Based on these reasons, we construct an agent-based artificial stock market to investigate how information disclosure affects a financial market. In this framework of artificial stock market, all traders are characterized by bounded rationality. The traders are able to learn and adjust their predictions of financial market by means of a genetic programming algorithm. We try to understand how market transparency affects the volatility and the liquidity of a securities market.