近年來，房地產之投資及買賣廣為盛行，而房地產依舊為人們投資的方向之一。屬於人工智慧範疇之類神經網路，其具有學習能力，可以進一步的歸納推演所要預估的結果，也適合應用於非線性的問題中，但以往類神經網路的機器學習模型，皆採用中央處理器(CPU)進行運算，在計算量龐大時往往耗費大量時間於訓練上。而圖形處理器(GPU)之崛起，將增進機器學習的速率。 本研究利用穩健學習程序搭配信封模組的概念，建立一類神經網路系統，利用GPU設備及機器學習工具–Tensorflow實作，針對民國一零四年之台北市不動產交易之住宅資料，並使用1276筆資料，隨機選取60%資料作為訓練範例並分別進行以假設有5%為可能離群值及沒有之情況做學習，並選取影響房地產價格之11個變數做為輸入變數，對網路進行訓練，實證結果發現類神經網路的速度有顯著的提升；且在假定有5%離群值之狀況下學習有較好的預測水準；另外在對資料依價格進行分組後，顯示此網路在對中價位以上的資料有較好的預測能力。就實務應用方面，藉由類神經網路適合應用於非線性問題的特性，對未來房地產之估價系統輔助做為參考。 / Real estate investment and transcation prevails in recent year. And it is still one of the choices for people to invest. The Neural Network which belongs to the category of Arificial Intelligence has the ability to learn and it can deduce to reach the goal. In addi-tion, it is also suitable for the application of non-linear problems. However, the machine learning model of the Neural Network use CPU to operate before and it will always spend a lot of time on training when the calculation is large.However, the rise of GPU speeds up the machine learing system. This study will implement resistant learning procedure with the concept of Enve-lope Bulk focus to built a Neural Network system. Using TensorFlow and graphics pro-cessing unit (GPU) to speed up the original Arificial Intelligence system. According to the real estate transaction data of Taipei City in 2015, 1276 data will be used. We will pick 60% of the data in a random way as training data of our two experiment , one of it will assume that there are 5% of outlier and another won’t. Then select 11 variables which may impact the value of real estate as input. As the experiment result, it makes the operation more efficient and faster , training of the Neural Network really speed up a lot. The experiment which has assume that there are 5% of outlier shows the better effect of predicting than the another. And we got a better prediction on the part of the higher price after we divided the data into six groups by their price.In the other hand, Neural Network is good at solving the problem of non-linear. It can be a reference of the sup-port system of real estate appraisal in the future.

本研究在考慮交易成本的情況下，利用羅吉斯模型、類神經模型以及其兩者的混合模型建立一分類器，用以識別台灣選擇權與期貨市場中違反買權賣權平價等式的套利訊號。由逐筆成交資料的實證結果顯示，無論在金融海嘯（2007）、景氣復甦（2008）或是平穩時期（2012~2014）時，就識別率來說三種模型相差不大，但就獲利性而言混合模型有略優於其他兩者的表現。 / Considering the transaction cost, we establish a binary classifier system by logistic regression, artificial neural networks and hybird model with aboves. The system is used for distinguishing valid arbitrage opportunities which violated put call parity in Taiwan option and future market. By tickdata, we find that, although three models has same accuracy on classification almostly, hybird model is grater then the others in profitability no matter in depression(2007), boom(2008) or business steady state(2012~2014).

網際網路時代資訊接收的便利性，使得大眾容易接收到媒體所發布的媒體資訊，而這些資料具含的意見詞彙間接反應出群眾對特定主題的情緒傾向。在針對房地產的媒體當中，當特定區域的房地產市場具有良好的發展空間而成為交易熱區時，這些針對特定區域且帶含情緒的房市篇章報導或其他影響房市之相關新聞以及廣告往往會影響我們的購屋決策。 本研究將以桃園市及台中市-兩個近五年來台灣房市較為熱門的區域作為研究區域進行分析及研究，期望找出在短期時間新聞輿情及廣告和房市交易價量的相關性以及會影響該房地產市場之因素。首先蒐集桃園市及台中市的實價登錄的房地產交易資料以及廣告後，運用文字探勘分析房市整體輿情與兩都市房地產價量之關聯性，再將新聞分群後找出特徵詞，個別建立時間序列來了解各種情緒及房地產價量的共同移動性，並結合廣告投入量找出房地產市場價量以及影響因素的領先關係。並透過自建的類神經網路模型建立針對桃園市和台中市的交易量預測模型以及針對特定房市熱門區域-青埔和七期的交易量預測模型，並透過計算輸入變數的權重總和來判別新聞情緒對於房地產成交價量的影響程度。 研究首先提供了對於新聞情緒的分類包含區域經濟情緒、區域社會情緒、區域環境情緒、區域政治情緒、稅制情緒、選舉情緒。接著進行時間序列分析指出總情緒序列與成交量的時間序列相關係數都有高於70%以上，桃園市成交量與桃園市情緒的相關係數為0.73，台中市成交量與台中市情緒的相關係數為0.81，皆呈現高度正相關，顯示桃園及台中的房市交易量與情緒現存在高度相關性。在特定新聞類別當中，透過兩個城市的相關係數比對顯示稅制新聞情緒，區域環境相關情緒，區域社會相關情緒，以上三個情緒跟房市的交易量共同移動較為明顯，相關係數皆在0.5左右甚至以上，可見這些類別的新聞能夠適時反映大眾對於特定區域的房地產的看好及看壞。在此階段也透過領先指標驗證了情緒以及廣告是會領先房市交易量，桃園以及台中兩個區域都有情緒領先交易量一個月的現象。針對特定區域的交易量研究包含青埔特區及七期重劃區，也發現到兩地的交易量高峰前一至兩個月都有一波廣告的高峰。 而在類神經網路模型方面的研究結果能夠良好地預測漲跌趨勢，利用桃園資料進行訓練並以台中資料做為測試的模型在19次的漲跌中預測出17次，而將百分之七十的桃園及台中混合資料進行訓練並其餘百分之三十做為測試的模型結果也成功在14次漲跌中預測出10次，顯示模型效果預測能力良好，並透過將輸入權重加總的方式來衡量各輸入變數的影響程度，研究結果指出總情緒，稅制情緒量，區域環境情緒量與兩地房地產市場交易量最有關聯且影響最重。最後利用時間序列得知廣告高峰會領先總交易高峰一至兩個月的特性，利用從2012年10月至2016年2月的青埔特區資料及2012年10月至2013年12月的七期重劃區資料混合進行訓練並以2014年1月至2016年2月七期重劃區資料做為測試資料的模型能夠有效在兩年內預測中三次交易高峰，顯示該模型能透過預測出下一期的廣告投入量做為中介變數進而推估出交易量高峰的時間透過此模型可在未來應用於相關政策投入市場後對市場交易量的影響，也能夠快速有效的得到預測結果，而在針對特定市場我們也可以透過預測廣告以及運用廣告為交易量的領先特性來了解在近期何時會有交易量高峰，如能配合了解市場輿情脈絡，可為房屋仲介以及建商在更精確的時間點投放廣告時機點達到廣告的最大效益。

自1999年以來，台灣汽車車體損失險的投保率下降且損失率逐年上升，與強制第三責任險損失率逐年下降形成強烈對比，理論上若按個人風險程度計收保費，吸引價格認同的被保險人加入並對高風險者加費，則可提高投保率並且確保損失維持在合理範圍內。基於上述背景，本文採用國內某產險公司1999至2002年汽車車體損失保險資料為依據，探討過去保費收入與未來賠款支出的關係，在滿足不偏性的要求下，尋求降低預測誤差變異數的方法。 研究結果顯示：車體損失險存在保險補貼。以最小誤差估計法計算的新費率，可以改善收支不平衡的現象，但對於應該減費的低風險保戶，以及應該加費的高高風險保戶，以類神經網路推計的加減費系統具有較大加減幅度，因此更能有效的區分高低風險群組，降低不同危險群組間的補貼現象，並在跨年度的資料中具有較小的誤差變異。 / In the past five years, the insured rate of Automobile Material Damage Insurance (AMDI) has been declined but the loss ratio is climbing, in contrast to the decreasing trend in the loss ratio of the compulsory automobile liability insurance. By charging corresponding premium based on individual risks, we could attract low risk entrant and reflect the highly risk costs. The loss ratio can thus be modified to a reasonable level. To further illustrate the concept, we aim to take the AMDI to study the most efficient estimator of the future claim. Because the relationship of loss experience (input) and future claim estimation (output) is similar to the human brain performs. We can analyze the relation by minimum bias procedure and artificial neural network, reducing error with overall rate level could go through with minimum error of classes or individual, demonstrated using policy year 1999 to 2002 data. According to the thesis, cross subsidization exists in Automobile Material Damage Insurance. The new rate produced by minimum bias estimate can alleviate the unbalance between the premium and loss. However the neural network classification rating can allocate those premiums more fairly, where ‘fairly’ means that higher premiums are paid by those insured with greater risk of loss and vice-versa. Also, it is the more efficient than the minimum bias estimator in the panel data.

為了提升競爭優勢與生產能力，並進而達到永續經營的目的，突破現況、持續改善產品品質、降低產品成本與服務成本則成為提昇競爭力的重要因素之一，因此產品在設計開發階段就必需要考量品質與成本的問題。 本研究以電源轉換器為對象。該電源轉換器目前已設計完成且已通過美國UL安規認證，並已在國內量產銷售，但因為該電源轉換器的溫升及其變異很大，仍然會導致該產品的壽命過短，因此降低電源轉換器的溫升及其變異是一急需解決的問題。 透過了田口與實驗設計的方法規劃及進行實驗並收集數據。並利用十二種分析方法(包括：田口方法、主成份分析、主成份＋倒傳遞類神經網路＋基因演算法、主成份灰關聯＋倒傳遞類神經網路＋基因演算法、指數型理想函數＋倒傳遞類神經網路＋基因演算法、MSE方法、MSE方法＋倒傳遞類神經網路＋基因演算法、SUM方法、SUM方法＋倒傳遞類神經網路＋基因演算法、重要零件加總法、重要零件加總法＋倒傳遞類神經網路＋基因演算法)對實驗數據進行分析，以決定最適因子水準組合。 由改善後的確認實驗得到：雖然平均溫升下降的程度不大，然而大部份量測點的溫升標準差都顯著變小了。因此本研究在降低該電源轉換器溫升變異的效果十分顯著。對於電源轉換器的生產者而言，品質提升就是提升銷售量的保證，因此本研究所得到的最適因子水準組合，雖然產品在成本上有些微的增加，但品質改善後之產品將可為生產者帶來更多有形與無形之利益。

對投資者而言，投資股市的目的就是賺錢，但影響股價因素眾多，我們要如何判斷明天是漲是跌？因此如何建立一個準確的預測模型，一直是財務市場研究的課題之一，然而財務市場一直被認為是一個複雜.充滿不確定性及非線性的動態系統，這也是在建構模型上一個很大的阻礙，本篇研究中使用的EEMD方法則適合解決如金融市場或氣候等此類的非線性問題及有趨勢性的資料上。 在本研究中，我們將EEMD結合ANN建構出兩種不同形式的模型去進行台股個股的預測，也試圖改善ARMA模型使其預測效果較好；此外為了能夠達到分散風險的效果，採用了投資組合的方式，在權重的決定上，我們結合動態與靜態的方式來計算權重；至於在交易策略上，本研究也加入了移動平均線，希望能找到最適合的預測模型，本研究所使用的標的物為曾在該期間被列為注意股票的10檔股票。 另外，我們也分析了影響台股個股價格波動的因素，透過EEMD拆解，我們能夠從中得到具有不同意義的本徵模態函數(IMF)，藉由統計值分析重要的IMF其所代表的意義。例如：影響高頻波動的重要因素為新聞媒體或突發事件，影響中頻的重要因素為法人買賣及季報，而影響低頻的重要因素則為季節循環。 結果顯示，EEMD-ANN Model 1是一個穩健的模型，能夠創造出將近20%的年報酬率，其次為EEMD-ANN Model 2，在搭配移動平均線的策略後，表現與Model 1差不多，但在沒有配合移動平均線策略時，雖報酬率仍為正，但較不穩定，因此從研究結果也可以看到，EEMD-ANN的模型皆表現比ARMA的預測模型好。 / The main purpose of investing is to earn profits for an investor, but there are many factors that can influence stock price. Investments want to know the price will rise or fall tomorrow. Therefore, how to establish an accurate forecasting model is one of the important issue that researched by researchers of financial market. However, the financial market is considered of a complex, uncertainty, and non-linear dynamic systems. These characteristics are obstacles on constructing model. The measure, EEMD, used in this study is suitable to solve questions that are non-linear but have trends such as financial market, climate and so on. In this thesis, we used three models including ARMA model and two types of EEMD-ANN composite models to forecast the stock price. In addition, we tried to improve ARMA model, so a new model was proposed. Through EEMD, the fluctuation of stock price can be decomposed into several IMFs with different economical meanings. Moreover, we adopted portfolio approach to spread risks. We integrate the static weight and the dynamic weight to decide the optimal weights. Also, we added the moving average indicator to our trading strategy. The subject matters in this study are 10 attention stocks. Our results showed that EEMD-ANN Model 1 is a robust model. It is not only the best model but also can produce near 20% of 1-year return ratio. We also find that our EEMD-ANN model have better outcome than those of the traditional ARMA model. Owing to that, the increases of trading performance would be expected via the selected EEMD-ANN model.

本研究設計了一些實驗來檢測學習完混沌資料的神經網路系統是否為混沌系統，驗證的方法是檢驗是否具有混沌資料的四個特性，這四個特性包括：有限性、非週期性、確定性、及對初始條件的敏感依賴。同時，更進一步地利用上述學習完的網路系統來預測所學習的混沌模型，這麼做的目的是想要了解：學習後的網路系統是一個混沌系統時，與學習後網路系統不是一個混沌系統時，其預測能力的比較。 此外，我們亦從理論上證明：學習完混沌資料後的神經網路系統無法重建其所學習的混沌模型。然而，有時網路系統卻能夠模擬成一個混沌系統；如果使用模擬成混沌系統的神經網路來預測具有混沌現象的資料，換句話說，也就可能是使用一個混沌系統去預測另一個混沌系統，根據混沌的特性 -- 對初始條件的敏感依賴，這樣的預測應該會造成相當大的誤差；不過，從本研究的實驗中發現，無論學習後的神經網路系統是否為一個混沌系統，對其預測能力並無顯著的影響。 本論文希望能給「用神經網路系統來預測具有混沌現象的金融市場或其他領域」一些貢獻與幫助。 / This paper uses some experimental designs to detect if the Neural Networks system after learning the chaotic data is a chaotic system. That is verified via testing four characteristics in chaotic data, inclusive of boundedness, determinism, aperiodicity and sensitive dependence on initial conditions. Further, this paper uses the result above to predict the learned chaotic model. The purpose is to probe into if the Neural Networks system after learning the chaotic data is a chaotic system and is used to predict, how good the short-term and the long-term predictions will be? And, compare with if the Neural Networks system after learning the chaotic data is not a chaotic system and is used to predict, how large the error will be? We present the Neural Network systems after learning the chaotic data never can rebuild the learned chaotic model. But, sometimes the Neural Network system would mimic as a chaotic system. So, if we take Neural Network system to predict something with chaotic phenomena, it is possible to use one chaotic system to predict another chaotic system. According to the property of sensitive dependence on initial conditions, it should make large errors. However, from the experiments we design, we find whether the Neural Network system after learning is a chaotic system or not, it has no influence on its predicting effect. This hint is applied to use ANN to predict in financial markets or other areas with chaotic phenomenon.

在資訊爆炸的時代，處於日趨複雜的環境及多重資訊來源管道之下，如何從大量及瑣碎的資訊中找出「重要且有用」的部份，藉以輔助企業或個人制定正確的決策，並降低資訊取得的成本，是資訊人員在設計資訊系統時所必須考量的重要因素之一，因此，資訊篩選(Information filtering)已成為當務之急，更顯示出其重要性。 本研究之主要目的在於整合類神經網路與模糊理論以建立一個通用型資訊篩選之演算法，藉由此演算法可篩選出重要之決策變數，減少資訊的使用量，達到相同或類似的決策結果，進而降低後續資訊蒐集之成本。最後並以四個XOR實驗及國內上市公訂股價預測為例，以測試本研究所開發出來之演算法的正確性及實用性。就XOR實驗結果顯示均能迅速且正確的篩選出重要的輸入資訊；而在股價預測方面，結合基本面分析及技術面分析，根據個別公司的特性及不同的時間點，能夠篩選出其重要的預測變數，可作為股市投資者之重要參考依據。因此，藉由本演算法所開發出來的系統，可以達到資訊篩選的目的。 / At the time of information explosion, how to filter the important and useful parts from a large and trivial information pool is one of the most important factors considering in designing information systems which are used to assist users making right decisions by MIS managers. The purpose of this research is to integrate two technologies. Artificial Neural Network and Fuzzy Theory, to develop a generalized algorithm to filter important information. We hope that using this algorithm we can (1)filter the important decision variables, (2)decrease the information usage, and (3)reduce the cost of information collection. Finally, we made four experiments on the XOR system and stock market forecasting to test the accuracy and practicability of the information filter algorithm. The results of experiments showed that the algorithm could filter the important information correctly and quickly.

盈餘是公司過去經營績效良窳之最終表現，而盈餘數值高低與公司股價報酬有密不可分的關係。然則，盈餘是企業營運的一連串會計處理結果，不同的會計原則及假設會影響會計處理的結果，使得當期及未來盈餘數值均會受到影響，因此在評估或預測企業的盈餘時，應對盈餘本身之品質加以探討，亦即，如何確認財務報表中那些是攸關盈餘品質優劣的資訊，透視盈餘本身的真正內涵以輔助投資人形成最佳投資策略，十分值得我們進一步研究。 近年來由於人工智慧之類神經網路快速地發展，加上類神經網路具備了平行分散式處理、關聯式記憶、自範例中學習等類似人類非線性思考的能力，在財務系統的應用上，學者所建構的類神經網路都比統計方法獲得了更好的結果。 有鑑於此，本研究即依據上述概念，以民國七十九年至八十四年共計五個年度財務報表資訊，以第一、二類上市公司一共十三個產業為研究樣本，建構了盈餘品質類神經網路預測模式，找出盈餘品質資訊內涵與盈餘成長率之關聯性。並以模式預測結果形成投資組合並據以作為投資策略操作。 在網路模式建構階段，本研究採取了過去學者所採用的盈餘品質指標作為網路之輸入結點；以每股盈餘成長率作為網路之輸出結點；以整體市場為學習範例，進行隱藏層結點個數之操弄，以找出學習效果較佳之網路模式，並以此網路模式作為後續研究採用之依據。以整體市場為樣本所進行的網路測試過程中，本研究所找出之較佳網路模式為：9-9-1。 本研究根據前述方法所進行的研究中，獲得了以下結論： 一、以整體市場為樣本所進行的測試中發現，模式之區別能力大致介於六成至七成之間。而預測能力大約是在五成至六成之間。 二、在整體市場、紡織類股以及電子類股之測試結果方面，以電子業之模式區別能力及預測能力最好，其次為紡織業。顯示以單一產業為樣本之模式學習效果優於整體市場。 三、在網路穩定性方面，則以紡織業組之穩定性較高，但與其它兩組之差異性並不明顯。 其次本研究以事件研究法進行投資策略分析，以模式之預測結果，輔以益本比評價法形成投資組合並進行投資決策，獲得了以下結論： 一、以整體市場、紡織類、電子類為投資對象均獲了超額報酬，在觀察期間內分別獲得了38.51%、34.62%以及56.89%的超額報酬率。其中以電子類股之表現最為突出。顯示本研究對於如電子業較重視研究發、資本密集之產業盈餘品質萃取能力較佳。 二、在觀察期間內，投資組合與類股報酬率表現均呈現正向相關，在類股指數上漲月份中，投資組合之超額報酬率較小，然而在類股指數下跌月份投資組合會出現較大幅的超額報酬。推論其原因在於本研究是以盈餘品質為基礎，而此類盈餘品具成長性且一致性、穩定性較高之公司較具抗跌性及長期持有之價值。 三、本研究驗證了盈餘品質網路模式能有效擷取財務報表盈餘資訊內涵，以之形成投資策略能獲取超額報酬。 關鍵字：盈餘品質、類神經網路、盈餘品質預測模式、投資組合、投資策略、累計超額報酬

本研究計畫探討以RN神經網路模型預測國內債券價格的效度。目前一般用於財務預測的神經網路論著主要為BPN模型，惟BPN模型有其限制，所以本研究計畫將（1）分析比較統計計量模型，BPN神經網路，RN神經網路系統對國內公債價格之預測績效。（2）分析不同時期的預測能力，找出景氣和預測變數的關係，同時將比較各個時期統計計量模型和神經網路模型是否同時有效， 抑或有些有效， 有些無效，以探討各工具是否具有互補性或替代性。並探討預測績效是否受到背後經濟環境的影響。 我們研究對象為國內公債，其每日交易資料取樣時間自民國八十一年開始。影響債券價格的因素可拆解成實質利率，預期通貨膨脹率和風險貼水三層面，本研究總體變數之選取，亦循此三項範疇以求周延。 本研究之研究成果對理論及實務應用將有下列三項預期貢獻：（1）比較不同其常的債券在不同景氣狀況下，各不同預測模型的預測效度差異，探討各時期各工具之預測能力，可提供投資實務界對預測工具之選擇，應用與搭配。（2）對債券報酬率預測研究，分析總體變數，利率風險等變數對債券報酬率的影響，可進一步暸解影響債券價格的相關因素及程度。（3）以往神經網路應用在財務預測領域上， 皆以BPN 神經網路為主，此處引進RN神經網路，比較兩者的表現，可提供學術理論界之驗證。 / This research project empirically investigates the accuracy of Reasoning Neural Networks (RN) in forecasting Taiwan's bond prices. We explore (1) the relative predictive abilities of Vector Error Correction Model (VECM), which serve as a representative econometric model, Back Propagation Neural Networks (BPN), which is adopted by most current studies in the application of neural networks in finance, and RN, and (2) th3 potential variations in the three models' predictive power in different phases of economic cycle. Specifically, we aim to study if the three models substitute or complementone another. In addition, we explore the extent to which the relativepredictive abilities of the three models varies with underlying macroecomonic factors. The explanatory variables adopted in this study include all potential drives to (real) risk-free rate, expected inflation rate, and riskspremiums. In this study, we examine the government bond terms to maturity,coupon rate, and prices of government bonds during 1992-1995. This project would contribute to both academic and application researchin the following three aspects : (1) Few, if any , prior study explores whether and how various neuralnetworks and/or eco- nomic models perform under different macro-economicvariables. Our empirical results may indicate an appropriate model ( ormodels ) to improve forecasting of bond prices. (2) This study shows how RN, BPN, and VECM models perform in forecastinggovernment bonds yields to maturity. (3) The BPN model prevails in financial forecasting. Nevertheless, BPNis subject to a few short comings and may thus be a sub-optimal model. This study analyzes if RN is more cost-effective in forecasting bond prices than BPN.