論文提要內容： 圖論上，定義兩點相似（similar ）：若a ，b 是圖G 上的兩點，且存在一個定義於 V （G ）的某排列φ，滿足：（１）φAut（G）及（２）φ（a）＝b，則稱G 之a，b 兩點相似。由定義吾人固然知必有一φ Aut（G），滿足φ（a）＝b，如果G 之a，b 兩點相似的話。然而，有人不禁會問：若G 上任二點a，b相似 ，則是否存在一φ Aut（G），同時滿足φ（a）＝b且φ（b）＝a呢?（ 本文稱G 為 對稱相似（symmet-rically similar），若答案為真時。） 作者在研究GRAPH RECONSTRUCTION CONJECTURE 時，亦產生相同的疑問。本文乃作者 試就此一問題，將樹形圖（Tree）加以研究，發現：凡是具有有限點的樹形圖（fin- ite tree）皆具備此特性。 本文共分二章四節。首先，吾人知：任意樹形圖乃一不具環路的聯結圖（acyclic c- onnected graph），且任二不同點a ，b 僅可決定出唯一的（a－b）路徑（ path ） 。 本文先針對此路徑觀察出二項特性：（１）當（a－b）為偶路徑，m 為其中點，且φ （a）＝b，φ Aut（G）時，φ作用在m，n之後對調（即φ（m）＝n且φ（n ）＝ m 。其證明包含在定理２．１．７及定理２．１．９之中。 其次，以定理２．１．７及定理２．１．９為基礎，本文將證明出：確實存在－φ Aut（G），同時滿足φ（a）＝b且φ（b）＝a，此處G 為一樹形圖。 由於找不到反例，本文將給一個Conjecture作為總結，即：任一有限simple圖皆具對 稱相似性。

隨著電腦以及網際網路的普及，越來越多各領域的資料被數位化，利用電腦幫助儲存及管理資料。有許多資料在數位化的過程中，採用tree的資料結構來表達以及儲存。也因此，如何查詢這些龐大的資料，就成為重要的課題。在本論文中，我們針對具有rooted、labeled以及ordered或unordered等特性的tree結構資料的索引問題，提出稱之為PCS-trie之全新的主記憶體資料庫(Main Memory Database)索引結構，並提出相關的增刪資料及搜尋演算法，以達成加速處理sub-tree query之目標。此索引方法的基礎，在於將tree database中的tree編碼為可完整代表其結構的PREOD code字串，之後再以我們所提出的PCS-trie加以索引。PCS-trie索引結構支援資料庫的動態增刪，且我們也提供了有效率的新增及刪除資料的演算法。本論文中也提出了多種搜尋演算法，使能夠在PCS-trie中進行exact matching、處理query tree含有don’t care部分之查詢、以及fault tolerant等不同類型的查詢。最後，我們以實驗的方法，配合人工產生的實驗資料，來對PCS-trie索引方法的時間及空間等各方面的效率加以檢驗。 / With the popularization of computer and the Internet, more and more data in various domains are digitized in order to take advantage of the power of computing and storing, and use the Internet to spread these informationz. Many data use tree structure to store them in the process of digitization. For this reason, it is a challenge to deal with these enormous data. In this paper, we present an approach to the search problem for these rooted labeled trees. We show a novel index structure, PREOD code Search trie (PCS-trie), and related algorithms for construction and search of PCS-trie, to speed up the sub-tree query to a tree database. The fundamental of this reaseach is to encode trees in tree database by PREOD code, in which the structure information of a tree can be reserved completely. Then we index these PREOD codes by PCS-trie. PCS-trie supports dynamic insertion and deleteion of PREOD codes. PCS-trie can handle three different types of query requirements: exact sub-tree query, query with don’t cares, and fault-tolerant query. Finally, we have conducted a series of experiments to evaluate the performance of PCS-trie and related algorithms. Experimental results obtained by running our techniques on synthetic data demonstrate the good performance of the proposed approach.

在我國正式加入WTO後，汽車產業面臨嚴重競爭，且相較於其他國家，台灣的汽車市場趨近於飽和現象，在供過於求情況下，製造與裝配過程附加價值低，附加價值存在於隨品牌所提供的產品服務。藉由商業智慧系統之建立，透過資料採礦、預測的功能，將不同消費習慣的客戶進行分類，達到準確的目標行銷。 　　本研究採用「決策樹C5.0」、「CART迴歸樹」與「羅吉斯迴歸」等方法建立模型於新車滿意度資料庫、車主購買滿意度資料庫及車主維修滿意度資料庫之資料。從三大資料庫中找出既有顧客群裡，較有可能會再次購買同品牌汽車的顧客特性，進一步整合行銷策略，提升顧客再次購買的機會。根據不同資料庫，本研究目的如下： 一、 分析於新車滿意度資料庫之資料，此資料包含2005年購買新車之車主資料，主要是建立客戶類型區隔模型及再購模型。 二、 分析於車主購買滿意度資料庫之資料，分別建立顧客是否會再次購買以及是否會向親朋好友推薦該品牌之模型。 三、 分析於車主維修滿意度資料庫之資料，分別建立顧客是否會再次購買、是否會推薦親朋好友以及是否會再次回廠維修之模型。

股票市場對投資者而言是以極大化自有資產為目的，因此如何辨別不同景氣區間對股市的影響為投資者感興趣的議題。傳統上，使用統計資料來幫助我們比較不同景氣區間之差異，然而股票市場之複雜、非線性及不可預測性也經常成為各統計資料失準的關鍵，因此，本篇論文以複雜網路作為分析股票市場之模型，並將各個股票表示成節點、股價變化之關聯性作為連結下，建立出複雜網路，藉此探討股市中的景氣差異。 　　在本研究中，先利用國發會制定的景氣對策信號，來幫助我們選取四段景氣區間，接著將台積電作為網路核心建構個股的相關網路。並以最小生成樹(Minimum Spanning Tree) 將複雜的股票網路簡單化。同時我們計算出各股相關網路之全域網路參數(Global Network Parameters)及區域網路參數(Regional Network Parameters)，以利我們討論兩段景氣好區間與兩段景氣差區間之差異。最後，我們將股市相關網路以分層樹(Hierarchical Tree)來表示，以了解網路分群的結果。 　　結果顯示，我們建構的個股相關網路符合小世界網路特性，在全域網路參數中，景氣好相關網路之常規化平均特徵路徑(Normalization Average Characteristic Path Length)及景氣差相關網路中之平均群聚係數(Average Clustering Coefficient)、平均特徵路徑(Average Characteristic Path Length)、常規化平均特徵路徑(Normalization Average Characteristic Path Length)有顯著差異。 在區域網路參數中，在景氣好相關網路中，被選為網路樞紐並有顯著差異之個股有台達化、宜進與華通，景氣差相關網路則有瑞利、日月光、矽品及萬企。在景氣好相關網路比較時，台積電的連結度與點效率皆具有顯著差異。

本研究觀察了1992年1月20日至2003年2月28日美元兌台幣的匯率資料，分成樣本內、樣本外兩部分進行預測，此外也收集了相同時間的日圓、英鎊、港幣兌台幣的資料做比較，用Takagi-Sugeno Fuzzy﹝朱修明，2001﹞模型和Cubist決策樹模型來預測匯率。 用Takagi-Sugeno Fuzzy模型預測匯率，具有非線性模型的準確性，也兼顧了線性模型之結果簡潔易懂的特質。在變數個數少的時候，就可以達到所要求的預測準確度，此時產生的預測規則容易瞭解，歸屬度函數也易於辨別，檢定過後可知和隨機漫步模型沒有差別。 使用Cubist決策樹模型時，若產生的規則等同於隨機漫步模型，則預測準確度和隨機漫步沒有差別。但若產生出來的規則不同於隨機漫步模型時，則匯率預測準確度明顯低於隨機漫步模型。

摘 要 本研究主是利用資料採礦技術，應用於人身保險公司，試圖尋找出購買附加保單的保戶之模式，以提高保戶購買附加保單之比例。資料來源為我國某人身保險業所提供之客戶資料，原始資料共計1,500,943筆，經過資料清理後分析資料為92,581筆，隨後進行基本敘述統計分析，與決策樹、類神經網路、關聯規則等資料採礦技術，其分析結果如下： 一、主保單的險種類型分為三種：死亡險、生死合險、健康險；不同的保單類型的保戶，有著不同的附加保單購買習慣。主保單為死亡險的保戶，主要因為保險需求而購買該主保單；保單為生死合險的保戶，主要因為儲蓄需求而購買保單；保單為健康險的保戶，是比較特別的族群，因為以往健康險是以附加保單形式出售，但保險公司因應潮流將健康險調整成也可以主保單形式出售，使得健康險中不會購買附加保單。 二、新保戶購買主保單為死亡險的客戶時，依照分類迴歸樹模型，預測此客戶是否有意願購買附加保單。新保戶購買主保單為生死合險的客戶時，依照分類迴歸樹模型，預測此客戶是否有意願購買附加保單。 三、保險公司可依照關聯規則結果產生出的8條關聯規則，針對舊有客戶進行保險商品再推銷策略。 / Abstract The main purpose of this research is to apply data mining techniques, namely decision tree, neural network, and association on insurance company’s database in modeling the behaviors of customers who bought the policies. Data source is provided by the insurance company in Taiwan. 1、There are 3 type of main insurance policies：death insurance、endowment insurance、health insurance. Insurance buyers behave differently based upon the type of insurance they have. Death insurance buyers are in for the sole purpose of being insured. Endowment insurance buyers are in for the purpose of savings. Health insurance buyers usually buy the policies as the add-on products, However as consumers in a recent trend have become more health conscious, the health insurance that used to be as consumers in a recent trend have become more health conscious, the health insurance that used to be bought as the add-on products have become the main drive and being sold as main policy for the insurance company. 2、With the above information at hand, we use CART model to predict whether the death and endowment insurance buyers will have any potential in getting the add-on policies thereby opening the window of opportunities for the insurance issuers to come up and be able to promote the new line of products to their existing customers based on the research findings. 3、The insurance company can re-promote their insurance merchandises to old customers according to the 8 rules constructed by the association rules.

本論文內容主要為評價及分析兩個匯豐銀行(HSBC)所發行的結構型債券，一為以和記黃埔公司為信用連結標的的信用連動債券，一為配息會因前期配息而累計的雪球型結構債券。在配息日時，兩者的發行者皆具有贖回權利，且兩者的配息都是逆浮動的結構，即利率走低利息越多。由於這兩個商品其新穎的設計為目前台灣市場上所少見，故以此為案例進行評價及分析。 本論文採用Hull & White利率三元樹、David Li建構信用曲線的方法，及Hull & White路徑相依選擇權的評價法，並利用Matlab軟體撰寫評價的程式，進行模擬及相關的敏感性分析。在利用市場校準的參數，並考量到評價的準確性及效率性下，信用連動債券的價值為95.2123，雪球型債券的價值為96.8830。並拆解商品的配息結構，為發行者試想可能的避險策略。敏感性分析分別針對利率回復速度、利率波動度、殖利率平移幅度三個變數進行分析，研究參數的變動對債券價值的影響，並分析風險的來源。

21世紀公認影響人類生活的兩大科技，就是「資訊科技」與「生物科技」。能為生物科技分析出最佳競爭優勢、尋求利基的產業，便是商業智慧（business intelligence, BI）。 雖然生技業具有極高的附加價值，但也必須投入極高的研發成本。為了讓生技產品能獲取利潤，我們必須要在適當的時機推出適合消費者的產品；藉由資料採礦技術萃取大量的資訊、可以事先洞察預測消費者的潛在需求，並且幫忙分析生技產業可應用推廣的領域、採取的行銷方式以及道德倫理問題…等，這些都須仰賴商業智慧的力量；唯有以商業智慧為整合平台來發展生物科技，才能確保生技產業向未來前進的步伐走得穩當。 除了想了解生物科技目前的前景之外，也加上商業智慧（business intelligence, BI）的應用，希望藉由本研究可以在未來對於欲加入生物科技產業之公司尋找一些經營依歸，以期台灣能在邁入高科技產業時將順利無阻礙。 首先，先以三種資料採礦的分類法(決策樹、類神經及羅吉斯迴歸)來做比較，並決定最後使用那種分析方法。比較過後，決定運用決策樹方法建立出一般民眾的基本特性（性別、血型、年齡等）對於生物科技產業（基因改造食品、生物醫療科技、生技美容保養）的使用意願程度之決策樹模型。 最後，對三種生物科技產業各別做出宣傳策略。並對後續研究者提出一些建議。

2003年7月，證期會核准14家國內券商可發行新台幣結構性債券（Structure Notes），預估每年千億元以上的投資額，使得結構性債券成為各券商紛紛搶攻的商機；結構性債券利用財務工程及金融創新，將保本和高獲利相結合，依景氣及投資人的需要設計，不但可擴大券商的業務範圍及增添獲利空間，又可使投資人或企業得到多樣化的投資及避險管道；在聯結標的方面，利率連結的結構性債券將成為主流；逆浮動利率債券所付的債息，顧名思義，當市場利率愈低，逆浮動利率債券的息票利率會愈高，其付息方式是發行者支付固定利率與貨幣市場指標利率的差額，譬如每年投資人可收到以8%的「固定利率扣掉指標利率」的利息，指標利率常見的有一年期的定存利率、LIBOR、或是商業本票利率等等。由於指標利率會受經濟環境因素而變動，當指標利率愈低時，投資者所能獲得的利息也就愈高，反之則愈低，因此單就其付息條件來說，不難看出為何在低利率的大環境下，逆浮動利率債券會如此受到投資者的青睞。 本文運用了以Libor利率修正後的Hull & White利率模型，評價逆浮動的結構性債券，對其封閉解及解析解評價出合理價格；並以兩個市場上已發行的兩個實例做應用，針對各條款計算出價格，最後提出避險工具及探討，以理論及實務的角色建議主管機關未來開放的方向。

本研究採用統計分析與資料採礦的方法搭配企業生命週期理論與企業財務資訊做為股票投資決策的準則。其步驟順序為先將公司分群，並且按照生命週期理論命名各群為成長、成熟、老年期；再對各群分別使用決策樹與區別分析找出優秀股票的特徵；最後，按照特徵挑選出未來的報酬率有機會表現優秀的股票。期望在此方法下取得比台灣加權指數更高的報酬率。 / This paper adopted multivariate analysis and data mining to choose stock as a member of portfolio with financial indicators. The first, the public companies are divided into three periods according to life cycle by clustering; then, the rules are founded by decision tree and discriminant analysis; and the stocks are chosen as a member of portfolio. The result is that we can get higher return than TSEC weighted non-financial index.