近年來輻狀基底函數類神經網路 (Radial Basis Function Networks , RBFN) 應用在時間序列相關問題上已有相當的成果。在這篇論文裡，我們嘗試建構一個電腦軟體工具，可以很容易造出 RBFN，應用在時間序列預測相關問題上。更進一步的說，我們的電腦工具可以輕易做出即時修正，完全符合使用者的需求。我們一開始先複習 RBFN 的基本架構， 並說明如何應用到時間序列的問題上。接著我們研究近年來相當受到重視的 T-RBF (Temporal RBF) 架構。最後，我們解釋如何使用 Adobe Flex 去建構我們所需要的電腦軟體工具。這個工具是跨平台的程式，並且不論是雲端計算或是單機應用皆很合適。 / During recent years, applying Radial Basis Function Networks (RBFN) to time series problems yields many important results. In this thesis, we try to implement a cross-platform computer tool that can easily construct a RBFN applied to time series forecasting problems. Moreover, the RBFN created by this computer tool can do real-time modification to fit specific needs. We first review the basic structures of RBFN and explain how it can be applied to time series problems. Then, we survey on so called temporal radial basis function (T-RBF) model, which draws much attention these years. Finally, we explain how we use Adobe Flex to create a computer tool as we mentioned in the beginning. The computer application is cross-platform and is suitable for both cloud computing and desktop applications.

在面對市場強力競爭之下，許多企業為了達到永續經營的目的，往往藉由改善產品品質、降低生產成本以及加強產品的彈性與效能，以便創造出符合顧客需求的優良產品，進而提升市場競爭力。 本研究主要的對象為電源轉換器(Switch Power Supply)。該電源轉換器在運轉的過程中時常會有溫度過高的情況發生，進而影響顧客對於產品的滿意程度，因此希望藉由降低電源轉換器的溫升以及溫升變異，來提升產品的品質以增加顧客的滿意度。在本研究中利用田口方法以及實驗設計去規劃出適當的實驗流程與實驗方法，並且經由實驗來收集實驗數據，分別採用灰關聯分析、主成分灰關聯分析、模糊評估分析和倒傳遞類神經網路等四種方法進行實驗分析，以決定出最適因子水準組合。 根據工程經驗與實驗結果得知，電源轉換器內主要發熱零件為IC、T1、LF1和D7。最適組合之確認實驗與現況比較發現，雖然LF1的平均溫升約比現況高2℃左右，但是IC、T1和D7的平均溫升卻可以降低2∼4℃，而且這四個主要發熱零件的溫升標準差也都有大幅降低的現象，由於降低產品變異也會提昇產品品質，一旦產品品質提升了便能夠增加市場競爭力，並且增加顧客的購買意願，因此本研究所找出的最適外殼鑽孔形狀與矽膠片厚度組合的改善效果良好。

長久以來，信用風險一直是各銀行經營風險中最主要的來源，而就信用風險的衡量部份，巴塞爾委員會希望國際性銀行最低限度必須採用中等複雜程度的風險計算方法。也就是希望銀行能以新巴塞爾協定中信用風險的內部評等法為基本精神建置一套內部自有的信用風險模型來評估交易對手的信用風險。 同時，由於目前國內對於自有信用風險模型的建置和效力驗證的相關研究付之闕如，故本研究以新巴塞爾協定中信用風險的內部評等基礎法為基本精神，並且應用倒傳遞類神經網路方法，建構一套有效的信用風險模型並加以驗證以期能應用於銀行授信決策系統之中，也擬扮演一拋磚引玉的角色，以期未來有更多資源投入相關研究。 首先，本研究藉由文獻探討的方式，決定模型的輸入變數，接著利用ROE來做為評斷企業總體財務表現的指標，同時使用來對上市/櫃公司進行評分，根據評分的結果，再使用K-Means方法來針對所有ROE值為正的上市/櫃公司進行評等等級的切割，以計算所有上市/櫃公司各年度的評等。 研究結果發現： (1) 利用建模資料帶入模型，分別計算每一筆資料的違約機率，也就是該公司當年度的違約機率，再將每一個等級的所有資料的PD值求平均數，即可得到代表該等級的違約機率，而此估計出的違約機率也的確能隨著評等等級的遞增而增加。 因此，當我們要判斷一間公司的違約等級時，可利用本研究所建構出的信用評等模型，估計出該公司違約機率，以判斷該公司的違約等級，以為決策者提供重要的參考依據。 (2) 信用風險預警模型在預測公司下一年度違約與否的能力上，也有不錯的預測準確率；同時，本研究利用預測結果的型I誤差、型II誤差、模型區別率和模型預測率分析來分析預警模型的效度，經實證結果得知，預警模型在效度驗證方面也能有效滿足要求。 由以上的結果得知，本研究所自行發展的信用風險評等模型與信用預警模型相關建構流程、架構與方法論，可有效應用於銀行授信決策系統之中。

在全球經貿體系自由化下，國際資金流通快速，匯率變動也非常頻繁，廠商的產銷決策與營運，面對匯率風險更加難以掌控。如何掌握匯率的變動，並採取有效的避險措施，是廠商從事貿易必須面臨之重要課題。本研究採用自我迴歸整合移動平均模式、倒傳遞類神經網路及混合式自我迴歸整合移動平均模式及倒傳遞類神經網路模型進行未來即期匯率報酬率之預測。試圖找出合適的新台幣兌美元即期匯率之預測模型，並將其應用於外匯避險操作。 研究結果顯示，關於預測誤差的績效表現，整體來說，以自我迴歸整合移動平均及倒傳遞類神經網路混合式模型表現最佳，顯示傳統時間序列模型捕捉匯率報酬率走勢之能力，藉由倒傳遞類神經網路捕捉其線性預測誤差中非線性的部分，可更符合資料的特性，加強匯率報酬率預測的準確性。考慮預測方向的正確性，在兩個不同的準則下(SR、PT)，皆以自我迴歸整合移動平均模型表現最差，代表其在進行匯率報酬率之預測時正確率較為不足。而在PT檢定當中，倒傳遞類神經網路模型及混合式模型皆達到顯著。因此利用人工智慧模型對報酬率之方向進行預測是有效的，又以自我迴歸整合移動平均及倒傳遞類神經網路混合式模型表現最好。總結來說，利用倒傳遞類神經網路模型針對自我迴歸整合移動平均模型做非線性的調整，同時涵蓋未來匯率報酬率線性與非線性的部分，使得自我迴歸整合移動平均模型之預測誤差、方向準確性皆得到改善，藉由倒傳遞類神經網路捕捉其線性預測誤差中非線性的部分，可更符合資料的特性，加強匯率報酬率預測的準確性。

銅價在近年來不斷的創下歷史新高，由於台灣蓬勃的電子、半導體、工具機產業皆需要銅，因此銅進口量位居全球第五(ICSG,2009)，使得台灣企業的生產成本受國際銅價的波動影響甚鉅，全球有70%的銅價是按照英國倫敦金屬交易所(London Metal Exchange, LME)的牌價進行貿易，因此本研究欲建置預測模式以預測銅價未來趨勢。 　　本研究之資料來源為2003年1月2日至2011年7月14日的LME三月期銅價，並依文獻探討選取LME的銅庫存、三月期鋁價、三月期鉛價、三月期鎳價、三月期鋅價、三月期錫價，以及金價、銀價、石油價格、美國生產者物價指數、美國消費者物價指數、聯邦資金利率作為影響因素的分析資料。時間序列分析、類神經網路已被廣泛的用於預測股市及期貨，本研究先藉由向量自我迴歸模型篩選出有影響力的變數，同時建置GARCH時間序列預測模型與具有遞迴的Elman類神經網路預測模型，再整合兩者建置GARCH-Elman類神經網路預測模型。 本研究之向量自我迴歸模型顯示銅價與金、鋁、銅庫存前第1期；自身前第2期；鎳、錫前第3期；鋅前第4期的變動有負向的影響；受到石油前第2期的變動有正向的影響，這其中以銅的自我解釋變異最高，銅庫存最低，推測其影響已有效率地反映到銅價上。也驗證預測模型必須考量總體經濟變數，且變數先經向量自我迴歸模型的篩選能因減少雜訊而提升類神經網路的預測能力。依此建置的GARCH模型有33.81%的累積報酬率、Elman類神經網路38.11%、整合兩者的GARCH-Elman類神經網路56.46%，皆優於實際銅價指數的累積報酬率。對銅有需求的企業者，能更為準確的預測漲跌趨勢，依此判斷如何跟原物料供應商簽訂合約的價格與期間，使其免於價格趨勢的誤判而提高生產成本，並提出五點建議供未來研究者參考。 / The recent copper price in London Metal Exchange (LME) has breaking the historical high. Taiwan’s booming electronics, semiconductor and machine tool industry causing copper import volume ranked fifth in the world (ICSG, 2009). Because of 70% of copper worldwide trade in accordance with the price of the London Metal Exchange, this study using time series and neural networks to build the LME copper price forecast model. 　　This study considering copper, copper stocks, aluminum, lead, nickel, zinc, tin, gold, silver, oil ,federal funds rate, CPI and PPI during the period of 2003/1/2 to 2011/7/14. Time series model and neural networks have been widely used for forecasting the stock market and futures. In this study, using Vector Autoregressive (VAR) model screened influential variables, building GARCH model and Elman neural network to forecast the LME copper price; and further, integrating this two models to build GARCH-Elman neural network prediction model. 　　This study’s VAR models show that the copper has negative effect with gold, aluminum, copper stocks, nickel, tin, zinc and itself. And has positive impact with oil prices. The highest of explained variance is copper. Copper stocks are lowest, speculating that its impact has been efficiently reflecting on the price of copper. Verifying the prediction model must consider the macroeconomics variables. Using VAR model screened influential variables can reduce noise to enhance the predictive ability of the neural network. This study’s GARCH model has 33.81% of the cumulative rate of return, Elman neural network has 38.11% and the GARCH-Elman neural network has 56.46%. All of them are better than the actual price of copper.

分類是研究的第一步，服務業的管理必須基於有意義的分類，才可能提出規範性的結論。此外，服務業的無形產出，必須透過細緻的服務傳送系統設計來傳遞給顧客。因此服務業的研究首要工作，在從抽象的層次中提出對服務業無形特性的有效分類。經由文獻檢討及實務觀察，本文提出三項服務業的產出分類構面：經濟性、社會性及心理性利益，稱之為服務核心。以此三構面將台北市的服飾零售業分為四種類型：經濟心理性、心理性、混雜性及經濟性零售店。各類型零售店中較績優者，相互之間服務傳送系統的差異非常明顯，顯示績效的殊途同歸性是明顯的。同一類型零售店組內的比較分析中，以類神經網路求得影響績效最重要的服務傳送系統項目；經濟心理性最重要的活動與商品無直接的關連；心理性零售店最重要的是人員專業性與商品風格與品味；經濟性零售店的服務傳送系統則是愈簡單愈好。文末並提出相關的討論及建議。

金融科技因為能大幅降低金融活動中的交易成本與門檻，同時打破傳統金融交易資訊不及時的情況，因此能創造以往未有的商業價值。其中P2P Lending即透過電子化技術創造交易平台媒合資金提供者與需求者的微型授信服務，因為省去傳統金融機構中介的成本，故能提升供需雙方效益。然而特殊的營運方式使資金提供者須承擔更高風險，實際上P2P Lending亦曾發生重大詐騙與倒帳事件，因此使英美中政府加強監管，相較之下，我國仍維持不納入金融監管原則，因此本研究試圖以Lending Club具有代表性的案例，提供投資者選擇投資標的的建議。 本研究搜集Lending Club自2007年至2011年42538筆已發行之借貸，在111個變數中使用 Pearson Correlation以及Information gain，並輔以文獻回顧進行變數選擇挑選22個變數。在搭配Dropout技術與透過網格搜索分析最佳化演算法、批次訓練樣本數、訓練次數等參數配置後，本研究訓練得到在測試集準確度達76%的類神經網路模型。經模擬後發現，類神經網路ROI的平均值為9.40，高於對照組7.02，經檢定驗證此差異結果可以採信，因此類神經網路能有效的給予投資人有效的投資建議。

增強式學習（Reinforcement Learning）透過與環境不斷的互動來學習，以達到極大化每一期報酬的總和的目標，廣泛被運用於多期的決策過程。基於這些特性，增強式學習可以應用於建立需不斷動態調整投資組合配置比例的動態資產配置策略。 本研究應用Deep Q-Learning演算法建立動態資產配置策略，研究如何在每期不同的環境狀態之下，找出最佳的配置權重。採用2007年7月2日至2017年6月30日的美國中大型股的股票ETF及投資等級的債券ETF建立投資組合，以其日報酬率資料進行訓練，並與買進持有策略及固定比例投資策略比較績效，檢視深度增強式學習在動態資產配置適用性。 / Reinforcement learning learns by interacting with the environment continuously, in order to achieve the target of maximizing the sum of each return. It has been used to solve multi-period decision making problem broadly. Because of these characteristics, reinforcement learning can be applied to build the strategies of dynamic asset allocation which keep reallocating the mix of portfolio consistently. In this study, we apply deep Q-Learning algorithm to build the strategies of dynamic asset allocation. Studying how to find the optimal weights in the different environment. We use Large-Cap, Mid-Cap ETFs and investment-grade bond ETFs in the U.S. to build up the portfolio. We train the model with the data of daily return, and then we measure its performance by comparing with buy-and-hold and constant-mix strategy to check the fitness of deep Q-Learning.

本研究提出了一個類神經網路機制，可以及時有效的預測利差交易(carry trade)的收益。為了實現及時性，我們將通過Tensorflow和圖形處理單元(GPU)來實作這個機制。此外，類神經網路機制需要處理具有概念飄移和異常值的時間序列數據。而我們將透過設計的實驗來驗證這個機制的及時性與有效性。 在實驗過程中，我們發現在演算法設置不同的參數將影響類神經網路的性能。本研究將討論不同參數下所產生的不同結果。實驗結果表明，我們所提出的類神經網路機制可以預測出利差交易的收益的動向。希望這個研究將對機器學習和金融領域皆有所貢獻。 / This research derives an artificial neural networks (ANN) mechanism for timely and effectively predicting the return of carry trade. To achieve the timeliness, the ANN mechanism is implemented via the infrastructure of TensorFlow and graphic processing unit (GPU). Furthermore, the ANN mechanism needs to cope with the time series data that may have concept-drifting phenomenon and outliers. An experiment is also designed to verify the timeliness and effectiveness of the proposed mechanism. During the experiment, we find that different parameters we set in the algorithm will affect the performance of the neural network. And this research will discuss the different results in different parameters. Our experiment result represents that the proposed ANN mechanism can predict movement of the returns of carry trade well. Hope this research would contribute for both machine learning and finance field.

本研究要探討的是在新聞、論壇和社群媒體討論的相關訊息是否真的會影響匯率的運動的假設。對於這樣的研究目標，我們建立了一個實驗，首先以文字探勘技術應用在新聞、論壇與社群媒體來產生與匯率相關的數值表示。接著，機器學習技術應用於學習得到的數值表示和匯率波動之間的關係。最後，我們證明透過檢驗所獲得的關係的有效性的假設。在此研究中，我們提出一種兩階段的神經網路來學習與預測每日美金兌台幣匯率的走勢。不同於其他專注於新聞或者社群媒體的研究，我們將他們進行整合，並將論壇的討論納為輸入資料。不同的資料組合產生出多種觀點，而三個資料來源的不同組合可能會以不同的方式影響預測準確率。透過該方法，初步實驗的結果顯示此方法優於隨機漫步模型。 / This study wants to explore the hypothesis that the relevant information in the news, the posts in forums and discussions on the social media can really affect the daily movement of exchange rates. For such study objective, we set up an experiment, where the text mining technique is first applied to the news, the forum and the social media to generate numerical representations regarding the textual information relevant with the exchange rate. Then the machine learning technique is applied to learn the relationship between the derived numerical representations and the movement of exchange rates. At the end, we justify the hypothesis through examining the effectiveness of the obtained relationship. In this paper, we propose a hybrid neural networks to learn and forecast the daily movements of USD/TWD exchange rates. Different from other studies, which focus on news or social media, we integrate them and add the discussion of forum as input data. Different data combinations yield many views while different combination of three data sources might affect the forecasting accuracy rate in different ways. As a result of this method, the experiment result was better than random walk model.