由於股票的價格常會受到許多的人為因素、政治因素、經濟因素、突發事件或是其他未知因素的影響，使得預測股價亦相當不易；然而股市也並非是毫無規則可循，縱觀股價的研究分析如基本面分析、技術面分析、政策分析、心理面分析等，無不試圖從股價交易的行為中，探索其變化規則。尤其近年來許多人工智慧已成功地應用在預測股市的行為上，其中遺傳演算法便是一例，它以模擬自然界「適者生存，不適者淘汰」的機制中來具體找出最適解且能隨時間及環境變動等因素來動態調整其交易規則，以獲得較好的成效。因此，本研究結合遺傳演算法及範例學習法，以股市之技術分析指標為線索，透過學習及演化的機制，來實際應用於股票市場，以預測加權股價指數之漲跌情形及搜尋較佳的投資策略。本研究以民國80年至86年的證交所每日加權指數及成交量的資料，進行各Agent的學習與演化。根據研究結果顯示，（1）經由實例的驗證，發現系統預測的平均命中率可達60%以上（實驗五），檢定得以證實此系統已具備預測股價指數漲跌的能力。（2）增加每個Agent的線索數目可以提昇預測之命中率。（3）訓練集涵括一年的資料，即足以學習演化出有效的判斷法則，再增加訓練集的訓練例子數並無法再大幅提高預測命中率。（4）演化到最後，各Agent所具有的線索有愈來愈相近之趨勢。（5）根據研究結果，分類效果較佳的指標計有：股價2日平均、股價3日平均、心理線6日、6日KD及RSI 6日等幾個指標。最後，本研究亦提出一些相關的建議及未來的研究方向。

股票上市公司的經營狀況對公司管理階層、銀行及債權人、以及廣大的股市投資者而言，都是相當重要的資訊，若能對公司的經營狀況加以評量及預估，公司管理階層就能提早發現問題，或可藉以訂定未來發展及投資計畫，使公司營運更上層樓；銀行及債權人可依此決定授信的額度及期限；投資大眾也可藉以謀求更多的報酬。 　　公司經營績效的評量方法有很多種，經文獻探討，本研究決採用範例學習法，透過財務比率，對公司自身前後期每股盈餘相較（成長或衰退）及公司與其他公司每股盈餘相較（領先或落後）之結果，建構盈餘轉機與盈餘排序模式，並以此預測公司的經營績效，再結合二模式之預測結果，形成盈餘轉機排序模式，產生領先且成長及落後且衰退的公司類別。為增加預測結果之可信度，本研究針對每個模式，產生由區別能力較強之決策法則所得之強態組測試結果，由此共可將樣本公司區分為十二類。 　　本研究進一步依各模式之預測結果模擬股市投資，並以所得之累積超常報酬驗證資訊價值。最後再以單因子多變量分析法找出各模式預測結果不同類公司間，具顯著性差異的財務比率，並以此財務比率之均值對各類公司做二具體特徵描述，以尋求改善公司經營績效途徑 　　本研究之實證結果可歸納為以下三點結論： 　　一、盈餘轉機模式預測結果 　　盈餘轉機模式的區別能力與預測能力均相當穩定，無論是整體組或是強態組的區別率均達八成，預測率達六成，且強態高於整體，但民國七十八年測試組受到結構性變化的影響而產生較不穩定的狀況。賣出強態盈餘衰退公司的股票且持續二個月，可得最高累積超常報酬26.36%。而因無法由買入策略得到正累積超常報酬，故不建議買入預測為次期盈餘成長的公司。 　　盈餘成長公司與盈餘衰退公司之間有十四個財務比率具顯著性差異，此十四個比率大多為獲利性指標，但盈餘成長公司之財務比率均值皆低於盈餘衰退公司，可能是因績效表現差之公司較有盈餘成長空間，較易獲得轉機。 　　二、盈餘排序模式預測結果 　　盈餘排序模式在區別預測能力上的表現盈餘轉機模式類似，但較未受到資料結構性變化的影響。盈餘排序模式的最佳投資決策為同時買入強態盈餘領先賣出強態盈餘落後二類公司的股票，且持續二個月，可獲得累積超常報酬42.30%。若欲從事低風險之長期投資，則可買入盈餘領先公司的股票，所獲之累積超常報酬雖較少，但可延續超過十一個月。 　　盈餘領先與盈餘落後二類公司之間可由七個財務比率觀察差異，且此七個比率多為衡量公司獲利能力之用，此外，因盈餘領先公司之比率均值皆較高，故可知盈餘領先公司在獲利能力方面優於盈餘落後公司。 　　三、盈餘轉機排序模式預測結果 　　由盈餘轉機排序模式－強態組可得的累積超常報酬為六組之中最多者，若採取避險策略，同時買入盈餘領先成長及賣出盈餘落後衰退公司類的股票，並持續五個月，可得最高累積超常報酬57.19%。而由此結果也可知，僅以單一構面預測公司的經營績效確有不足之處，結合多個構面的預測結果，可增加產出之資訊價值。 　　盈餘領先成長公司和盈餘落後公司之間可由五個獲利性指標觀察特徵差異，且盈餘領先成長公司之比率均值較高，此結果與盈餘排序模式類似。 　　綜合上述結論可知，企業之經營績效是可以範例學習法用財務比率資料來預測的，且採用強態法則之預測結果確能增強模式的區別預測能力及增加預測結果之資訊價值。而由範例學習法所區別出之「好」、「壞」二群體在獲利性財務比率上確有差異存在，故管理者若欲公司之經營績效成長且取得領先之地位，則首要需改善公司的獲利能力。同時也可推知，獲利性指標較具預測盈餘未來變動狀況之能力。

國立政治大學研究所八十七學年度第二學期碩士論文提要 研究所別:資訊管理學系碩士班 研究生:陳柏明 指導教授:楊建民博士 論文名稱:運用演化範例學習法進行台灣股票上市公司經營績效判斷之研究 論文提要內容 股票上市公司的經營績效，對於廣大的投資人、以及銀行及債權人，甚至是公司內的管理人員來說，都是相當重要的資訊。投資大眾可以做為投資計畫的參考，銀行及債權人能對授信及放款制訂適當的準則與採取必要的措施。而公司內部管理階層若能及早發現問題，更可針對問題訂定未來的營運計畫，確保公司的穩定。公司經營績效的評量方法有很多，通常採用財務報表分析來瞭解公司的財務狀況與經營成果。本研究則提出一個演化範例學習法的架構，用來分析財務報表所能提供的資訊，進而判斷公司經營績效。 範例學習法透過線索的選定並對例子集加以分類，進而得到法則。線索的選取將會對決策樹的建立有極大的影響，因此如何得到優良且適當的線索，是在建立決策樹時的重要工作。而遺傳演算法提供了一種演化的方式，透過其演化的機制，一步步的尋找較佳的近似解，因此可以用來進行範例學習法的建樹過程的演化，並改良線索的選用，此架構稱為演化範例學習法。因此本研究希望透過演化式的範例學習法來分析財務報表申所報導的各項財務資料所能提供之資訊。並選取台灣地區股票上市公司之財務報表進行分析，研究所得的結論在於判斷未來這些公司經營績效之變化，讓投資者、債權人與公司管理人員能夠及早因應並採取有效的措施。 本研究以民國七十六年至民國入十七年的股票上市公司財務比率資料進行演化實驗。測試結果顯示 (1)採用本演算法分析績效的命申率可達六成以上，最"高可達到約七成，且在一定的世代內，命申率將隨著逐步提升，(2)初始線索的選取不影響演化後期的命申率，(3)淘汰率高低將造成演化過程命申率的波動程度，(4)由新線索的加入，發現每股淨值、淨值報酬率等以往較不常使用的線索具有一定的分析能力。最後並將針對本研究提出相關建議與未來值得研究的課題。

範例學習(Learning-from-Example, LFE)技術的發展，在人工智慧發展領域中，已成功地突破關於知識萃取的瓶頸，並廣泛地應用到諸多評估或預測模式以及專家系統的建立。在本研究中，以台灣上市公司歷年來的財務報表資訊，進行企業盈虧的預測，並探討判斷個案申出現資訊遺漏與雜訊時，對範例學習系統在企業盈虧預測所產生之影響。主要的影響分別為預測績效的衰減(attenuating)與干擾(disturbing)兩類。本研究並藉由「資料預先處理轉換」及「修正系統演算法」兩方面著手，來避兔或減少上述現象發生時，對範例學習系統在企業盈虧預測績效所造成之影響。 因此本研究主要以民國七十五年到八十四年期間，共十五項大小產業之股票上市公司財務報表及股價報酬等資料作為研究樣本，整體市場共計有3199筆樣本資料。而研究的進行可分為實驗設計階段以及實証資料測試階段。 實驗設計階段中，將探討當建樹或預測之資料含有資訊遺漏與雜訊時，對企業盈虧預測範例學習系統所造成之衰減與干擾效果。在資訊遺漏之探討下，分就「資料預先處理轉換」及「修正系統演算法」兩方面，評比了「線性內插法」、「迴歸預測法」、「獨立分群法」及「多重線索分割法」等四種之遺漏值解決方案，在區別能力及預測績效上之差異性；在雜訊之探討，則了解到雜訊對範例學習系統究竟會造成多大之干擾效果，並進一步測試雜訊過濾器是否能降低部份之干擾效果。 而接下來的實証資料測試階段，則以實証資料測試上述各種模式及方法，而獲得之結果將和實驗設計階段之結果作一比較對照，以符合實務應用之狀況。而根據研究結果顯示，主要可獲得下列結論： 一、分就：1. 建樹資料含遺漏或雜訊，2. 預測資料含遺漏或雜訊，3. 建樹及預測資料同時含遺漏或雜訊，三種情況考量。則第2種情況下對範例學習系統所造成之衰減或干擾效果相對較大，第3種情況次之，第1種情況較無影響。 二、在資訊遺漏之探討下： （一）、「迴歸預測法」及「多重線索分割法」最能避免衰減效果之發生，但前提是必需存在高度相關之替代線索。 （二）、最為簡便也最常被使用之「線性內插法」，並無法有效排除遺漏值所造成之衰減效果，而這和財務比率線索不具備單調性(Monotonicity)之原因有關。 （三）、對於遺漏值之處理若是採取整筆刪除之作法，則對系統之預測績效而言（命中率）可能造成較大之衰減效果，因為其可能破壞學習樣本資料之代表性。 （四）、在無高度相關替代線索，或者是系統之例子資料庫含有計質性(Qualitative)線索時，可以「獨立分群法」來降低遺漏值之衰減效果。 三、在雜訊之探討下： （一）、雜訊對範例學習系統之干擾效果是存在的，因此在蒐集處理樣本資料之過程中，即應小心避免雜訊混入其中。 （二）、雜訊過濾器能否排除影響樣本代表性之極端值，就結果看來並不能獲得一致之結論；或者是對極端值取捨之界限定義應為何？則有待更進一步之研究。

近年來，信用卡市場快速地成長，發卡銀行亦大量地發卡，然而目前國內 發卡銀行在整個信用卡信用風險管理上，大都採行人類專家經驗判斷的方 式進行。發卡銀行隨著持卡人數快速地增加，其信用資料亦呈等比例急速 上升，若仍採用人工處理方式，除了會大幅增加工作負荷外，其授信品質 也不易控制。因此，本研究擬引進資訊技術來解決大量信用卡信用資料之 信用管理問題。 首先，我們探討信用卡信用管理業務，並根據其作業 流程來建構一信用卡信用管理自動化的架構，此架構包括徵信驗證系統、 審核系統、預警系統、高風險客戶管理系統、及催收系統等五個系統，其 目的在於輔助授信管理之業務、減少授管人員的工作負荷、以有效控制授 信品質、及降低授信的風險。 其次，本研究針對上述信用卡信用管理 自動化中的預警系統，利用範例學習法來建立信用卡信用風險預警範例學 習系統，且實際以一家發卡銀行的信用資料來建立並驗證四個預警模式， 期能事先讓系統自動查核信用不良之客戶。此四類預警模式為: (一)提前 預警模式(二)群體決策預警模式(三)追蹤管理預警模式(四)例外管理預警 模式 最後，我們亦提出一些未來研究之課題，期能進一步發展本研究 之信用卡信用管理自動化系統及預警模式，以推廣應用至各發卡機構。

隨著國人持信用卡消費購物方式的蔚為風氣，致使發卡機構每日所需處理 的申請案件激增；同時，由於信用卡業務的日趨多元化，更增添了審核的 複雜度。傳統以人為判斷為主的審核方法，在有限的人力之下，勢將難以 因應如此龐大的審核需求，而在時間緊迫、經驗累積不足的情形下，難免 會危及授信品質，而增加了此項授信業務的風險。有鑑於此，本研究希望 能藉由範例學習法建立一信用卡信用風險審核模式，期能有效輔助信用卡 發卡審核作業，以降低授信風險，並提昇發卡機構的經營績效。本研究以 某發卡機構為研究對象。抽取個案機構81全年度，審核通過的資料作為研 究樣本。其中以截至82年度3月止，被強制停卡者之不良卡戶，計2,788筆 ；而仍繼續流通的正常卡戶，計有97,001筆，總計99,789筆，作為系統學 習及測試所需之資料。本研究首先針對信用卡審核問題的特性，探討範例 學習法的處理策略，我們將計質線索以相對風險的觀念轉換為順序尺度， 並使所建構的二元樹之葉節點（判斷法則）精簡了二分之一左右，和原分 類樹預測能力並無顯著差異。其次，我們進一步運用修剪策略，可將原判 斷法則數由230條減至26條，大幅的提升了執行效率；修剪策略的運用， 雖然降低了區別率，但卻將預測能力（命中率）由67.1%提升至72.58%。 亦即研究結果顯示，避免分類過細，有助於系統預測能力的提升。本研究 範例學習審核模式之預測能力達72.58%，較 Logistic Re- gression 審 核模式高出約6.49%。在重要性線索的選取上，二者具有相當的一致性； 研究結果顯示，原持有一般卡張數、金卡張數、教育程度、公司等級、職 級等為區別力較佳的信用要素。其中區別能力最強的因素為原一般卡持有 張數，張數愈多，信用風險愈高，而此因素為原審核模式所疏漏者，值得 授信人員警惕。此外，我們再將成本效益因素加入分類樹判斷法則，透過 此方式可調整授信的門檻，以增加發卡機構所能獲取的利潤。進一步考量 申請者的信用風險與所得，建立一信用額度核定的方式。研究結果顯示， 以此一模式授與信用額度較原機構之授與方式,高出約一仟二佰萬元淨收 益。此乃由於本模式能有效辨識出不良客戶（命中率為 80.58%），因而 大幅地降低了呆帳的損失。最後，我們綜合本研究的心得，提出一些未來 研究課題，期能使最適分類樹的產生更具效率，並且擴大研究的範圍，希 望能將信用卡範例學習系統推展至各發卡機構，並應用於信用管理的各層 面，以有效提昇信用卡經營效益。