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。

盈餘預測不僅是公司本身管理決策的重要依據，更是廣大投資人做投資決策時仰賴甚深之基本面分析工具。過去的研究試圖以各種時間序列之計量方法找出較準確的盈餘預測，而本研究引進一個新的預測工具--類神經網路系統，希望比較傳統的預測盈餘計量模式--帶趨勢隨機漫步，以及類神經網路系統--BP、RNBP 對盈餘預測之能力何者較優。 本研究希望探討下列幾個問題： 一、類神經網路系統與計量模型對盈餘的預測準確度何者較高？ 二、就類神經網路系統而言： (一)不同的類神經網路系統：BP、RNBP 對盈餘預測的能力是否有所差異？ (二)不同之輸入變數個數是否對類神經網路系統的預測能力有所影響？ (三)用單一公司做訓練範例與用類似之公司做訓練範例何者類神經網路可以學得較好？ 三、就產業之控制而言：對不同的產業做預測，其準確度是否不同？ 四、就橫斷面影響因素而言：增加了前一期之橫斷面資料--財務比率做類神經網路之輸入變數，預測之準確度是否會較原有的類神經網路、隨機漫步模式預測結果有顯著的提昇？ 本研究以國內上市公司中的年度盈餘為研究對象，將過去的資料給定類神經網路分析學習後預測盈餘，並與時間序列模式--帶趨勢隨機漫步之預測結果相比較。本研究選取水泥、電子二個產業作研究，年盈餘則採用每股盈餘與稅前盈餘兩種定義。類神經網路學習之資料包括前數期之盈餘以及前一期財務比率資料。研究期間自民國七十年至民國八十五年。 經由實證結果，本研究獲致如下之結論： 一、在類神經網路與時間序列計量模式之預測準確度比較方面，帶趨勢隨機漫步模式在預測水泥業的每股盈餘、稅前盈餘，以及電子業的每股盈餘時，預測均相當準確，類神經網路最多與之預測能力相當。但是預測電子業的稅前盈餘時，預測能力最佳之類神經網路會顯著優於帶趨勢隨機漫步，而預測能力最差之類神經網路則與帶趨勢隨機漫步無顯著差異。 二、在 BP 與 RNBP 類神經網路系統預測準確度比較方面，預測水泥業時，RNBP 之預測能力較佳，但預測電子業時，BP 之預測能力較佳。 三、預測電子業時，用前三年之盈餘作為輸入變數，可以得出較準確之預測值。預測水泥業時，則視採用之類神經網路系統決定應輸入之個數；如果採用 BP，則用前五年之盈餘作為輸入變數，可以得出較準確之預測值，如果採用 RNBP，則用前三年之盈餘作為輸入變數，可以得出較準確之預測值。 四、在訓練樣本是否應該用分類混合公司的探討方面，預測水泥業時，訓練樣本是否分類無顯著差異。預測電子業時，如果使用 BP，用分類混合樣本作訓練範例的預測效果顯著較好；如果使用 RNBP，使用單一公司作訓練範例時準確度較高。 五、在探討輸入變數增加橫斷面之影響方面，當類神經網路的輸入變數除了前三期盈餘，還增加了 12 項財務比率時，預測準確度並未增加，甚至有一組預測反而顯著較差。因此，預測盈餘時，只用前期盈餘作輸入變數即能得到良好之預測值，不必增加財務比率作為輸入變數。 / Earning forecasting is an important information used by corporation management and investors. Researches in the past tempt to forecast earnings more accurately with time series models. My research introduces a new tool--Artificial Neural Networks--to predict earnings, and will be compared with the traditional time series model--random walk. Through the empirical results, my research conclude that: ◆In forecasting the EPS and earnings before taxes of concrete industry and EPS of electric industry, random walk is better than artificial neural network. But in forecasting the earnings before taxes of electric industry, artificial neural network is better than random walk. ◆When forecasting earnings of concrete industry, RNBP is better than BP; while forecasting earnings of electric industry, BP is better than RNBP. ◆Using 3 inputs to forecast earnings of electric industry can have accurate result. When forecasting earnings of concrete industry, BP will perform better with 5 inputs and RNBP will perform better with 3 inputs. ◆When forecasting earnings of concrete industry, it makes no difference use pooling samples or not. When forecasting earnings of electric industry, BP will perform better with pooling samples and RNBP will perform better with single company sample. ◆It seems that using financial ratios as input will not contribute to earning forecasting.

近年來網際網路的蓬勃發展，網際網路上的資訊愈益發達與豐富，如何將這些日益增多的資料，即時轉換為對投資者做決策時有用的資訊，相信是一個非常值得探討的問題。同時，由於類神經網路系統具有能從龐大的資料中，萃取出有用資訊的特性，故能在商業領域的應用上有突破性的發展，特別是在資訊分類與預測方面。 有鑑於上述網際網路即時資料傳輸與類神經網路良好分類的特性，本研究透過網際網路擷取證券市場每小時成交價量資料；經由本地端的電腦將該字串資料加以做剖析處理，還原成原來的資料呈現格式，並將其新增至資料庫中；最後再透過資料查詢語言，將資料庫內容轉換成類神經網路運算時所能接受的資料格式，以利類神經網路的運算輸出。 本研究亦嘗試以1996/11/25~1997/4/24與1997/1/7~1997/6/3非週末交易日之每小時證券交易價量資料，共計19檔大型績優股股票作為研究對象；其中係以證管會所核可發行認購權證的股票為主。經由使用類神經網路倒傳遞模式來分析該個股的日內價量關係，以進一步預測該個股11點鐘至12點鐘的價格變化幅度。經整理19檔股票與大盤加權指數計16,340筆資料中，在與實際變化幅度之差距不超過1%的情形下，可發現其預測準確率平均達694%；如不計大盤的表現，則19檔股票整體預測準確率可達68.4%。 而在考量每天經由類神經網路輸出來做投資決策輔助支援方面，則以每天11點鐘的類神經網路輸出值作為決策的依據，而以12點鐘的收盤價格作為驗證的參考的情形下，不論是採買入策略、賣出策略或買賣策略皆較大盤為佳。因此，本研究的系統輸出值，除可作為投資人在依既定的決策模式，決定投資標的的同時，不僅能夠考量長期的變動趨勢，亦能兼具短期的最佳切入點，以獲致最大的報酬。

近年來，在財務領域中，有越來越多的人想藉助人工智慧系統來幫助我們做預測與處理最佳化的問題，而類神經網路與基因演算法為兩種最常見的處理系統，可幫助我們監控與做出適當的決策。而本文特別針對以上兩種系統，分別在不同的領域中，做出適當的應用。 在類神經網路方面，本文試圖結合配對交易來建構出一套能獲利的交易模式。由於在配對交易的部分，進出場時機的門檻值是影響獲利的一大重要關鍵，因此若能利用類神經網路輔佐我們的交易並預測適當的進出場時機，或許可提高我們的交易績效與報酬。 而在基因演算法的部分，由於此演算法的最主要功能是處理最佳化問題，因此本文試圖用基因演算法建構最佳化的投資組合，結果指出，利用此方法所得之投資組合在單位風險值的衡量之下，有較好的報酬表現。

摘要 本研究是利用某保險公司在大台北地區的壽險保單資料，進行知識發現過程。常見的資料採礦技術為類神經網路模型、CART及C4.5，利用這三種模型，來探討保單貸款行為模式。在抽樣過程中，藉由改變抽樣方法、樣本數大小及樣本中有貸款保單的比例，來選擇樣本的結構，並討論不同的樣本結構對模型的影響。研究過程中，也討論了連續變數轉換與否對各個模型的影響。 結果發現樣本中有貸款保單的比例對於模型的影響較大，而樣本數及抽樣方法對模型的影響都會隨著有貸款保單的比例不同而不同，每種模型適用的樣本結構並不一致。 連續變數的影響中，類神經網路受到連續變數轉換的影響較大，研究結果發現轉換連續變數可以使得類神經網路模型結果較好；對於CART或C4.5模型，受到連續變數轉換的影響小，CART模型連續變數轉換前後結果不變，而C4.5受連續變數影響在不同樣本結構並不一致，但改變量都很小。 從模型結果來看影響保單是否有貸款的變數，在類神經網路模型的靈敏度分析結果中，對模型影響較大的變數為體位別、被保人職業別級數、保險型態及地區；在CART模型結果中，影響較大的變數為繳別、保單年度、保單價值金、繳費方式及投保面額；在C4.5模型結果中，影響較大的變數為主約保單預定利率、年繳化保費、保單年度及繳別。對於CART、C4.5模型，選擇有較高正確率的規則，以提供保險公司決策方針。 / In this study, data mining is being applied on data taken from one of the life insurance company in Taipei. The techniques used are neural network, CART and C4.5 which are widely used models in data mining. In the process of acquiring samples, we comprised groups of samples by using different kind of sampling methods, different sample sizes, different ratios of loaned to un-loaned policies. In addition another groups of samples are created based on whether the continuous variables have been transformed. We then applied the three models into each of our various samples combinations to see which samples combination best described consumer behaviors with respect to their borrowing attitudes against their policies and its effects on different data mining models. The results we found based on our study are summarized as following: 1. The assigned ratios have great influences on the model. However the magnitude of influences of sampling method and sample size on the model depends largely on the sample combination. 2. The sample combinations having transformed continuous variables affect and improve the results of neural network model significantly. However for CART model, the affects are insignificant whether the continuous variables having been transformed or not. The effect of transformed continuous variables on C4.5 is of limited. 3. The variables used to describe the behavior of the consumers as to taking the loan against the insurance policy vary for the three models.

摘 要 過去對於保險資料的研究多採用傳統統計方法，然而保險公司龐大資料庫中蘊含的寶貴資訊可能因此被遺漏。 本研究目的是將資料採礦的技術應用到保險公司資料庫中的高雄縣市保戶保單貸款資料上，研究保戶利用保單貸款的行為，做為保險公司日後推行保單貸款的參考。 從整理過後的資料中，用不同抽樣方法抽出不同樣本大小以及不同是否貸款比例的樣本，將連續變數做轉換後，建立決策樹和類神經模型，透過統計上的變異數分析，討論四個因子對預測結果好壞的影響。選出最好組合的樣本大小、是否貸款比例（已貸款：尚未貸款）、抽樣方法、以及建立的模型。 最後將此最佳組合建立的C4.5決策樹轉換成規則，並探討其中正確率較高的幾項，作為給保險公司的參考。 / Abstract In the past, the analysis of insurance data is usually conducted with traditional statistical methods, however a large amount of valuable information hidden might be left undiscovered. The purpose of this research is to apply data mining techniques to customer policy data taken from one of insurance company’s database in Kaoshuing city and county to study the behavior of customers taking loans against their policies as a reference for insurance company in promoting policy in the future. From the cleansed data, we sample policies of different sizes and percentage of policies with loans by different sampling methods, decision trees and neural network models, then through the significant interactions of ANOVA, discuss how the results being influenced by the four factors. We then choose the best model that manifests factors affecting customer’s behavior in taking out the loan thus providing insurance company a vital information in targeting its customers group.

台灣在世界上已是資訊電子工業產品的主要生產國家，且民國89年資訊電子工業產值占我國全體製造業產值的百分之三十四，資訊電子工業的榮枯對台灣經濟的影響相當大，故對資訊電子產品市場需求狀況的掌握，對任一相關機構均是非常重要的。本研究之目的在運用時間序列分析中的單變量時間序列模式及轉移函數模式、類神經網路中的倒傳遞類神經網路，及整合預測模式建立台灣地區主要資訊電子產品銷售量之預測模式，並加以分析比較，決定最適之模式，並據以預測未來需求；提供未來政府相關單位之參考。 由於倒傳遞類神經網路有應用最普遍、成功案例最多、學習速度快、回想速度快、理論較簡單與適合解決預測問題等優點，所以本研究採用類神經網路中的倒傳遞類神經網路模式。實證結果顯示，時間序列分析法與倒傳遞類神經網路，兩者的預測能力不相上下，對於擁有非常短的生命週期以及快速變動之資訊電子產品皆有不錯的預測能力。此外將各模式進行整合的整合預測模式，其預測能力是所有方法中表現最平穩的，因整合預測模式除具有整合資訊的能力。

本研究首次提出以未來臨界報酬率為輸出變數，利用兩種類神經網路(Artificial Neural Network)估算國內電子股代表樣本報酬率的風險值(Value at Risk , VaR)。在研究設計上考慮到使用不同期長來計算自變項所帶來的影響而產生兩種預測方法。本研究並以回顧檢定(Backtesting )檢討藉由臨界值報酬率作為類神經估計法與一般以變異數/共變數法或蒙地卡羅模擬法所估算出VaR的差異。 綜合本研究，在學術及實務上的貢獻有下列四點： 1. 設計臨界報酬率作為估算VaR的方式，可以避免以往計算VaR時，報酬率分配主觀給定的問題。 2. 相關研究過去並未同時涉及類神經網路與VaR，而本研究首次應用類神經網路估算VaR。 3. 本文亦提出以多種不同的基本變數衡量期長來估算VaR，或可幫助界定差異的研究設計。 4. 本研究使用類神經網路可能的一項限制是報酬率臨界值 的設計方式；而類神經網路可能勝出其它預測工具的理由可能是 (1)學習到隱性因子的特性 (2)預測方式為非線性 (3)毋須依賴常態或特定分配之假設。以往類神經網路研究在賽馬決定各工具優劣時，較少探究類神經勝出或落敗的理由，而這卻是本研究設計的焦點。

本研究為利用人工類神經網路探討台灣認購權証之評價模式，利用人工類神經網路學習台灣認購權証之市場價格與Black-Scholes Model 的理論價格間的差異(錯價)，而類神經網路在樣本內與外的表現均優於一般傳統的評價方式。此外，亦以敏感度分析來分析認購權証之市場價格與Black-Scholes Model 的理論價格間的差異可能的影響變數。 本研究的樣本期間為包括民國八十六年九月至民國八十八年二月，樣本資料包含每日權証價格及交易量，每日權証標的股價格及每日大盤指數。檢視目前的權証之價錯，經實証後確實發現以類神經網路可以建立一個較為有效評價模式。

估價於房地產市場實扮演著一不可或缺的角色，精確的估價不僅可提供消費者正確極充分的購屋資訊，亦為政府擬定政策方針之基礎。由於台灣房地產市場為一不完全市場，消費者在購屋的同時更常因資訊的不健全而遭受不必要之損失，因此精確及流通之估價資訊實為健全台灣房地產市場之首務。 鑑於過去估價技術仍未成熟，所佔之房價常無法令人信服。本研究欲以類神經網路之功能，將其原理應用於房地產估價上，試圖解決過去估價方法本身之缺失，並作為估價人員輔助之工具。本研究主要以倒傳遞及理解倒傳遞類神經網路與特徵價格法進行公證比較分析，並以特徵價理論為基礎，利用類神經網路得出影率房地產價格更具代表性之因素，以做為未來建立房地產估價輔助系統之參考。 為了解不同的資料型態是否會使類神經網路有不同的學習效果，本研究將資料分為四組實驗設計，分別對不同的資料型態進行測試，研究結果顯示類神經網路對於資料型態較為敏感，其中又以理解倒傳遞類神經網路為最，使得其在預測能力上易受異常點或極端值的影響，而有好壞差異較大的情況。即類神經網路之學習效果端視資料是否具代表性而定。