近年來人工智慧（Artificial Intelligence）的技術不斷的發展，並且在各個領域中都有其傑出的表現。如類神經網路系統，具有從龐大資料的輸入中萃取出有用資訊的特性；而遺傳演算法，則能夠利用演化的機制，同時從多個方向出發做最優解的搜尋。因此兩者的發展，對於在商業領域的應用上，均有相當大的貢獻。 　而鑒於上述兩種方法各有其傑出的特性，是故本研究嘗試將兩者做應用上的結合，並針對台灣股市大盤指數的趨勢做預測。首先，在繁多的股市指標中取具有其獨特代表性的48個技術指標作為神經網路的候選輸入變數。其次，再經由人工生命的方式建立一個演化族群，其內含的個體由許多不同的神經網路系統所構成，並各以不同的股市指標作為其基因。最後，將模型中的每個個體以本研究所發展的機制，對台灣股市的歷史資料作學習，並依世代的進行展開演化的動作。 　本研究取台灣股市從民國80年1月到民國88年12月間9年的歷史資料進行模型的學習，將整個族群分成6個個體同時進行。每個世代分成學習期與模擬驗證期，學習方式採用倒傳遞類類神經網路分析。在世代的結束時評估每個個體的適應性函數，並據以決定演化機制中複製、交配、與突變的發生。 　在整個模型的設計之下，我們可以得到下列的研究結果︰ 1.演化的結果會逐漸收斂到一種接近最優的基因組合。亦即發現在神經網路的預測模型中可能的關鍵指標因素的所在。 　2.經過演化的個體在模擬操作的績效表現上，確實能夠有優於大盤的表現。 3.經節選後的關鍵指標因素組合，可以建立一個擁有良好預測能力的Agent。 4.本研究提出之模型結合遺傳演算法及類神經網路，主要貢獻在於驗證演化式學習能有效改善類神經網路的輸出入，可作為未來相關研究之參考。

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。

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。

每股盈餘是公司的重要財務資訊之一，它可以反應公司的經營績效，因此一方面可以提供給投資者作為投資決策之參考，另一方面提供給管理者作為管理評量的參考指標之一。過去在每股盈餘等財務預測往往以統計方法進行，因此在自變數選擇上常受到限制，同時有些預測模式其輸出結果往往只能以常長或衰退等二元式的結果表示。而另一方面，以類神經網路預測方式的預測模式可能因變數增加，使得網路變的較複雜。本研究嘗試以人工智慧中的遺傳演算法來作為預測的工具，發展財務預測模型，來預測每股盈餘，解決過去預測方式的限制或缺點。同時也將對過去的遺傳演算法稍做修正，並嘗試以實際值的編碼方式進行編碼，以符合需求。最後進一步比較遺傳演算法和其他預測方式，瞭解以遺傳演算法做於預測每股盈餘工具的特性及優缺點。 / Earnings per share (EPS) is one of the important financial indicators to a corporation. It reflects the operating performance of a corporation. On one hand, EPS provides information available to investors for decision making; on the other hand, it is an indexfor measurement of management. In the past, financial forecasting was often done by using statistical models. However, the input variables were limited by using these statistical models. Besides, some stastical models only provide dichotomy output ,such as either "grwoth" or"decline". The neural network forecasting model will be more of complexity, when the input variable increases. This research attempts to develop a financial forecasting model to forecast the EPS by using the Genetic Algorithms, which is a new topic of artificial intelligence. This model excludes both the limitations and disadvantages of the models mentioned above. Here, the genetic algorithms will be modified and the real number will be used to code as a gene of achromosome to meet the requirements of the finacial model. Finally,we compare the genetic algorithms financial forecasting model with the other ones in order to understand the features, advantages and disadvantages of genetic algorithms as being a financial forecasting tool .

時間序列分析發展至今,常常發現動態資料的走勢,隨著時間過程而演變.所以傳統的模式配適常無法得到很好的解釋,因此許多學者提出不同的模型建構方法.但是對於初始模式族的選擇,卻充滿相當的主觀與經驗認定成份.本文針對時變型時間序列分析,考慮利用知識庫,由模式庫來判斷初始模式.再藉由遺傳演算法的觀念,建立模式參數的遺傳關係.我們把這種遺傳演算法,稱之為時變遺傳演算法.針對台灣省國中數學教師人數,分別以時變遺傳演算法,狀態空間,與單變量ARIMA來建構模式,並作比較.比較結果發現,時變遺傳演算法較能掌握資料反轉的趨勢,且預測值增加較為平緩.因此時變遺傳演算法在模式建構上將是個不錯的選擇. / In time series analysis, we find often the trend of dynamic data changingwith time. Using the traditional model fitting can't get a good explanationfor dynamic data. Therefore, many savants developed a lot of methods formodel construction. However, these methods are usually influenced by personal viewpoint and experience in model base selection. In this thesis, we discussedtime-variant time series analysis. First, we builded a model base to judge inial models by knowledge base. Then, we set up the genetic relations of themodels' parameter. This method is called Time Variant Genetic Algorithm. We use the data if the number of junior high school mathematic teachers in Taiwan to ccompare the predictive performance of Time Variant Genetic Algorithmwith State Space and ARIMA. The forecasting performance shows the Time VariantGenetic Algorithm takes a better prediction result.

在代理人基計算建模(agent-based computational modeling)被拿來廣泛應用的同時，多數學者發現模擬的結果會高度取決於人工適應性個體的設計方式或者是個體的學習方法上，所以如何挑選合適的演算法就成為我們應用代理人基計算建模時首要面臨的課題。 本文挑選了兩個常出現於文獻當中但是卻甚少一起比較的演算法，分別是遺傳演算法(genetic algorithms)與強化學習(reinforcement learning)。我們透過將演算法與學習理論(learning theory)結合的方式，歸納出這兩個高使用頻率的演算法各自有其適合描述的個體行為以及議題，最後並套用到代理人基彩券市場當中，而模擬的結果也證實符合真實彩券市場上多數人學習特性(個人式學習)的強化學習比起遺傳演算法更能完整地捕捉彩券市場上的特性。

近幾年來，非線性時間數列轉折點的研究愈來愈受到重視，學者們也提出許多關於轉折點的偵測及檢定方法。若考慮實際資料走勢轉變的情形，“轉折區間”的概念更可以解釋結構改變的現象。但文獻中對於如何找尋時間數列結構改變之轉折區間的研究並不多。本文擬以時間數列統計模式及模糊學理論的角度來研究，並結合遺傳演算的規則而提出主導模式的概念，來架構出時間數列遺傳模式，再藉由轉折區間決策法則來找出數列的轉折區間。其中，我們以統計模式為遺傳演化過程中的染色體，而以候選模式之隸屬度函數為衡量染色體適應能力的指標。最後，我們舉出臺灣股價收盤指數之實例，分別以我們所提出的方法及其他方法找出數列的轉折區間及轉折點，並做比較。 / For recent years, the research of change point in nonlinear time series has been considered to be more and more important. Scholars have proposed a lot of detecting and testing methods about change points.If considering the trend of real situation, the concept of change period will show the phenomena of structure change.But there are not many researches about how to find change period in time series.My paper is based on the points of time series models and fuzzy theory.Besides,it combines the rules of genetic algorithm and provides the concepts of leading model to construct time seriep genetic model and to find out change period by decision rule.ln this paper, we use time series statistical models as chromosome in procedure of genetic evolution, and we also use membership function of selected models as pereformance: index of chromosome.Finally, the empirical application about change periods and change points detecting by our method and other's for Taiwan stock closing prices is demonstrated and make a comparision with these results.

近幾年來，非線性時間數列分析有快速的發展。其中的門檻自迴歸模式(SETAR)，以具有許多線性ARIMA模式所不能配適的特性而受到重視。但是，自1978年Tong建立SETAR模式以來，門檻參數估計的問題一直是SETAR模式在發展應用上的一個瓶頸。本文將探討以實數編碼遺傳演算法，結合統計學上的模式選取準則，建構SETAR模式門檻與延遲參數估計程序的可行性。並從這個基礎上，進一步地研究較精確的門檻參數估計法。 / Non-linear time series analysis has rapidly developed in recent years. Self-exciting threshold autoregression(SETAR) model of non-linear time series models is attentive, because it has some characters which linear ARIMA model fail to fit. But, It has not yet been applied widely because the question of estimation of threshold parameter limits its development and application since Tong proposed SETAR model in 1978. In this paper, we will study the feasibility which constructs a procedure of estimation of SETAR's threshod and delay parameters with real-coded genetic algorithm and statistical criterion of model selection, and develop a more precise estimation of threshold parameter in the basis.

近幾年來，非線性時間數列分析一直是時間數列及計量經濟學者所熱衷的研究主題之一，而非線性時間數列結構改變的研究也越來越受到重視。其中的門檻自迴歸模式，雖具有線性模式所不能配適的特性，但模式建構的問題，一直是其在發展應用上的瓶頸。本研究擬以門檻自迴歸模式建構的流程並結合遺傳演算法的最佳化搜尋技術，架構出時間數列遺傳演算法，藉此演算法則及程序，全域性地搜尋最佳的門檻自迴歸模式。 / Non-linear time series analysis is a research topic which the schalors of time series and econometrics are intent on, and the research of structure change of non-linear time series is attentive. Threshold autoregressive model (TAR model) of non-linear time series has some characters which linear model fail to fit while the problem of how to find an appropriate threshold value is still attracted many researchers attention. In this paper, we present about searching the parameters for a TAR model by genetic algorithms.

為了瞭解影響演化性神經網路（ENT）預測表現的四項重要的機制：輸入資料性質、訓練樣本大小、網路搜尋密度以及控制模型複雜度，進而找出能使ENT充分發揮效果的組合。在本論文中首先設計ENT在模擬資料上的實驗，探討上述四項機制個別對預測表現的影響，再依照實驗結果的建議，設計能讓ENT發揮功效的組合，並以實際金融高頻率資料：香港恆生指數在一九九八年十二月報酬率為標的，探討模擬資料的結果在實際金融資料需要調整的部份。實驗結果顯示，當輸入資料經過線性過濾後，搭配大樣本訓練、高搜尋強度與適當地模型複雜度控制，會是能讓神經網路提高預測能力的組合。在實際金融資料的實驗當中同時發現，資料中偶而出現特別高或特別低的變化，會對ENT的預測表現有相當程度的影響。 / In this thesis, Evolutionary Neural Trees (ENTs) are applied to forecast the artificial data generated by financial and chaos models — iid random, linear process (Auto Regressive-Moving Average；ARMA), nonlinear processes (AutoRegressive Conditional Heteroskedasticity；ARCH, General AutoRegressive Conditional Heteroskedasticity；GARCH, Bilinear), mixed linear and nonlinear process (AR and GARCH). Experiments of the artificial data were conducted to understand the characteristics of ENTs mechanism. – data pre-processing procedures, search intensity, sample size and complexity regularization. From the experiment results of artificial data, the combination of pure linear or nonlinear time series, large sample size, intensive search and simple neural trees are suggested for the parameters setting of ENTs. And for the sake of computational burden, we have a trade-off between search intensity and sample size. Ten experiments are designed for ENTs modeling on the high-frequency stock returns of Heng Sheng stock index on December, 1998, in order to have an efficient combination of the factors of ENTs. The results show that ENTs would perform more efficiently if data are pre-processed by a linear filter, for ENTs will concentrate on searching in the space of nonlinear signals. Also, as is well demonstrated in this study, the infrequent bursts (outliers) appearing in the data set can be very disturbing for the ENTs modeling.