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.

學界間廣泛地認為一般金融資產報酬具有的特性是:線型不可預測性,條件 異質變異數,非條件尖峰態 ... 等特性o 固然金融資產報酬具有線型不可 預測之特性,可是並不能否決其間可能有非線型依存關係的存在o目前大部 份經濟計量分析方法中的模式建構問題均是在假設模式的結構訊息已知的 條件下求解,然若真實體系的結構訊息未知或不明朗時,貿然地假設為某種 特定的模式結構,則可能又難於避免模式設定錯誤的困擾,因而對於真實體 系行為的描述亦將可能是誤導且不合理的,這意味著:除非該特定的模式結 構正是真實體系的表徵, 否則無論該特定模式的結構特性多完美,均難以 建構一令人信服的數理化模式來表徵真實體系之行為o 不幸地,此一問題 在高度非線型的動態隨機體系中尤其嚴重, 甚至是否存在一 ``真實'' 模式來據以表徵體系之行為,亦是相當值得懷疑, 故考慮一種無需特定結 構訊息假設的無母數方法或函數逼近法實屬必要o 類神經網路中的倒傳遞 網路模式即是符合此種特性的方法之一o然而學界間仍無法確定的是金融 資產報酬序列資料所產生的 ARCH 效果本身是否為真實序列資料產生機制 特性之顯現, 還是應歸咎於被忽略掉條件均數方面之非線性所衍生模式設 定錯誤情況下的代用模式, 並不得而知;另一方面, ARCH 模式的顯著成就 及其價值亦不能予以輕易地漠視, 因此, 試圖將 ARCH 模式所能提供的攸 關訊息納入倒傳遞網路模式的考量之中而形成倒傳遞網路-自迴歸條件異 質變異數 (BPN-ARCH) 模式以增進樣本外預測能力的精度便是本論文最 主要的嘗試重點與目的o