長久以來,人類在萬物中獨具的高智慧特質吸引了無數的哲學家和科學家 投入對其研究,除了醫學的原因之外,由於人腦所具有卓越的辨識系統及學 習能力,為數不少的科學家們相信人腦存在許多最適化系統與設計,因此如 何模仿人類腦神經的組織與運作,一直是很多人努力及夢寐以求的.因此類 神經網路就是依據這些理念而在各研究領域上廣為發展與應用,其中本文 所探討的倒傳遞神經網路模型更是目前類神經網路模型中最具代表性,應 用最廣的模型.而結構性時間數列模型則是將可被觀察的變數分解成趨勢, 季節性,不規則性等不可被觀察項,故其對經濟意義的解釋是相當明當明顯 的,藉由狀態空間模式的轉換,我們將很容易地利用卡門濾器來作估計與預 測.而本文所欲探的重點在於比較有學習機能的倒傳遞神經網及可利用最 新的資訊更新之結構性時間數列何者之預測能利較佳,藉此瞭解二者之一 些特性.

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.