投資人欲預測股票價格的走勢以賺取超額報酬一直是投資人的夢，本研究的主要研究目的就是探討台灣股票市場中的超額報酬是否能用一些總體經濟因素預測其走勢，且類神經網路是近幾年來非常受歡迎的預測工具故我們也要比較類神經網路與迴歸分析對樣本外預測能力何者較佳。 結果發現超額報酬對總體經濟的關係經由無母數失敗檢定法檢定結果，顯示總體經濟對超額報酬具有可預測性。而在預測準確度方面，利用迴歸方式所選取出的獨立變數來當作輸入層的神經網路模型的預測能力是最佳的，迴歸分析次之，而依我們主觀判斷所決定變數的類神經網路其預測能力僅優於隨機漫步。

在此論文中，我們提出一個用來解釋線性規劃問題的類神經網路系統。這 個系統，我們取名為 LP-ANN 系統，它引用了能量函數(Energy Function)的概念及懲罰(Penalty)的方法。從這兩個概念，我們提出了一 個處理非負限制式的新想法。基本上，這個 LP-ANN 系統是以數位電腦來 做模擬，而不以類比式的電子電路來做模擬。這個系統可以判斷所給的線 性規劃問題是否有最佳解。如果有的話，再進一步找出一個符合可接受準 確度範圍內的最佳解。最後，以1200個任意產生的線性規劃問題來測試系 統的模擬結果也在本篇論文中詳述。

本研究以中國大陸上市企業為研究對象，選取2009年至2010年發生財務危機之51家公司其發生危機時點前半年、前一年、前兩年之財務比率季資料，另以產業類別、規模大小一比一選取正常公司進行配對，首先進行敘述統計分析與逐步迴歸分析，接下來以Logistic迴歸分析與倒傳遞類神經網路模型建構財務危機預警模型，最後以測試樣本驗證模型之正確判別率。實證結果顯示，由Logistic迴歸分析建構之財務危機預警模型於財務危機前半年、前一年、前兩年之正確判別率分別為0.9000、0.8333、0.8000；由倒傳遞類神經網路模型建構之財務危機前半年、前一年、前兩年之正確判別率分別為0.9333、0.9000、0.8000，顯示兩模型於短期內均能有效對財務危機達到預警效果，但兩模型之預警能力均隨著危機發生時點越遠而降低。整體來說倒傳遞類神經網路模型有較佳的預警能力。

在台灣證券市場中，有許多的技術分析方法或指標，市場參與者或財 務學者會利用歷史資料來做回溯測試，找出可運用的方法或指標，以此來 推測出台股加權指數未來的趨勢，也有學者利用類神經網路(Artificial Neural Network, ANN)考慮經濟景氣、技術分析指標等作為輸入變數來預測 台股加權指數，而本文則利用 EEMD(Ensemble Empirical Mode Decomposition)拆解出來的結果作為 ANN 的輸入變數，並將 ANN 預測出 的值轉換成 FK (Forward-calculated %K) 值，再搭配不同的交易方式，來 補捉台股加權指數的走勢，並比較各種交易方式的績效，找出一個能夠穩 定獲利的交易模型。

隨著資訊科技的發展，筆記型電腦已經愈來愈普及，且價格不再高不可攀，消費者在選購電腦時，會以筆記型電腦取代桌上型電腦，因此消費者的購買意願增加，如何吸引消費者的購買意願，是目前許多企業所面臨的問題。消費者在購買產品前所考慮因素以品質最為重要。電腦公司若能提供品質保證，勢必能增加消費者購買的意願。 筆記型電腦為高精密與高價值的產品，攜帶方便為此產品的特色。由於攜帶方便的特性，顧客可以攜帶著筆記型電腦工作，因此一時的疏忽常對筆記型電腦造成損害，其中以外力所造成之損害最為嚴重，包括衝擊碰撞與摔落碰撞。 本研究以北縣某筆記型電腦製造公司之客戶維修資料與公司摔落測試之統計，以液晶螢幕燈管和玻璃損壞之成本最高。所以本論文主要目的希望能研究出筆記型電腦摔落之最佳保護設計，減低摔落所造成之損壞。針對研究之筆記型電腦抗摔落問題規劃防摔角墊實驗以收集相關數據，並利用以下六種不同的分析方法，(1)變異數分析結合迴歸分析方法、(2)田口方法、(3)田口損失函數法、(4)倒傳遞類神經網路法、(5)模糊結合TOPSIS法與(6)模糊結合類神經網路法，分別決定最適防摔角墊組合，並比較其最適防摔角墊組合之異同。倘若這六種分析方法結果不盡相同，則再規劃實驗以求得最適角墊硬度與面積，得到最適防摔角墊組合。

摘 要 本研究主是利用資料採礦技術，應用於人身保險公司，試圖尋找出購買附加保單的保戶之模式，以提高保戶購買附加保單之比例。資料來源為我國某人身保險業所提供之客戶資料，原始資料共計1,500,943筆，經過資料清理後分析資料為92,581筆，隨後進行基本敘述統計分析，與決策樹、類神經網路、關聯規則等資料採礦技術，其分析結果如下： 一、主保單的險種類型分為三種：死亡險、生死合險、健康險；不同的保單類型的保戶，有著不同的附加保單購買習慣。主保單為死亡險的保戶，主要因為保險需求而購買該主保單；保單為生死合險的保戶，主要因為儲蓄需求而購買保單；保單為健康險的保戶，是比較特別的族群，因為以往健康險是以附加保單形式出售，但保險公司因應潮流將健康險調整成也可以主保單形式出售，使得健康險中不會購買附加保單。 二、新保戶購買主保單為死亡險的客戶時，依照分類迴歸樹模型，預測此客戶是否有意願購買附加保單。新保戶購買主保單為生死合險的客戶時，依照分類迴歸樹模型，預測此客戶是否有意願購買附加保單。 三、保險公司可依照關聯規則結果產生出的8條關聯規則，針對舊有客戶進行保險商品再推銷策略。 / Abstract The main purpose of this research is to apply data mining techniques, namely decision tree, neural network, and association on insurance company’s database in modeling the behaviors of customers who bought the policies. Data source is provided by the insurance company in Taiwan. 1、There are 3 type of main insurance policies：death insurance、endowment insurance、health insurance. Insurance buyers behave differently based upon the type of insurance they have. Death insurance buyers are in for the sole purpose of being insured. Endowment insurance buyers are in for the purpose of savings. Health insurance buyers usually buy the policies as the add-on products, However as consumers in a recent trend have become more health conscious, the health insurance that used to be as consumers in a recent trend have become more health conscious, the health insurance that used to be bought as the add-on products have become the main drive and being sold as main policy for the insurance company. 2、With the above information at hand, we use CART model to predict whether the death and endowment insurance buyers will have any potential in getting the add-on policies thereby opening the window of opportunities for the insurance issuers to come up and be able to promote the new line of products to their existing customers based on the research findings. 3、The insurance company can re-promote their insurance merchandises to old customers according to the 8 rules constructed by the association rules.

類神經網路(Neural Network)是人工智慧(Artificial Intelligence)的一種，利用模仿腦神經處理資訊的原理，以數學模型，經由電腦軟硬體等方式，對於不動產進行鑑價，可說是電腦估價的範疇之一。為解決以市場比較法進行估價作業時，估價人員往往因為自己的主觀認知有所不同，而產生估價結果有相當的差距，造成不能建立估價人員的專業公信力，產生人人均可以從事估價之錯覺。是以，為解決估價上過於主觀之問題，透過類神經網路之功能，能分析交易價格與影響價格主要因素之關係，利用大量已成交的資料，學習這些關係之結構變化，進而推估較具客觀性的價格，提供估價人員的諮詢與參考，恰有助於整個估價流程的合理性與可接受性。 對於文山區與大安區中古屋交易資料，以多層感知機 (Multilayer Perceptrons，MLP) 類神經網路模式之分析結果，可發現在年訓練資料的測試結果中，不動產交易價格波動變化穩定之狀況下的預估效果較佳，然而在不動產價格變動率較大之狀況下，其預估效果明顯降低；進一步比較的一年期訓練資料、半年期訓練資料、季訓練資料之預估結果後發現，以一年期訓練資料之預估效果較佳；經由輸入變數篩選後再預估，其整體預估效果均有改善；最後以訓練資料期間為選取導向與訓練資料量多寡為選取導向之測試結果作比較，可發現訓練資料期間為選取導向的預估結果較佳，說明訓練資料的選擇必須考量其時效的重要性。 關鍵字：類神經網路(Neural Network)、訓練資料選取、變數篩選分析

就目前所知，這是第一篇應用人工類神經網路在股票風格投資方面的研究。類神經網路在樣本內與樣本外的分類正確率皆優於區別分析，而且類神經網路在樣本內的訓練範例中達成了百分之百的分類正確率。此外，我們也解決了傳統方法無法展示股票風格動態的問題。 檢視各種風格投資策略在台灣股票市場的績效表現之後，我們以神經網路為基礎，提出一個簡單而容易實行的投資策略。由這個策略的表現可以說明，即使在考慮了風險因素之後，積極的風格投資策略的確可以增加投資組合的績效表現。 / This is the first study of applying artificial neural networks (ANN) to classify and identify the equity styles. Regarding the accuracy, ANN outperforms discriminant analysis (DA) in all pure samples from 1987 to 1997. The ANN also commits the 100% classification accuracy for the in-sample training samples. In addition, the problem that traditional approach couldn't show equity style dynamics was solved with ANN and DA. The performances of style investing strategies were examined in Taiwan stock market. The proposed strategy is easily implemented by constructing portfolios based on the return, which neural networks forecasted. There is good evidence to show this simple strategy could enhance profit on the return and risk adjusted basis. This gives one evidence to illustrate that active style investing would add value.

共同基金在台灣是一個新興的投資理財管道，根據財政部證管會的統計資料得知，臺灣的共同基金數目已由民國八十年的27個增加到八十六年的129個，其總淨值亦由77l億台幣攀升到4691.61億台幣，顯示投資的人口正以大幅度之姿向上竄升，其投資群也由早期的機構投資者、股票族逐漸漫延到社會大眾，而投資人的動機亦曲純粹增加個人的財富，進一步擴展到籌措子女的教育準備金或個人退休養老金的規劃目標。 傳統的基金績效評估方法，大部分的研究重點均著眼於以資本資產定價模型（Caftal Asset Pricing Model ，簡稱CAPM）為理論來建立績效評估指標；或者以基金經理人的選股能力(Stock Selection)與擇時能力(Market Timing)做為評估標準；近年來亦有以投資組合為基礎的持股比率分析法。以上種種的研究，大部分都是以基金淨資產價值（Net Asset Value，簡稱NAV）與市場報酬率的變化來作為整體績效的評估基準。因此，在這樣的一個基礎上，基金淨資產價值的預測對於投資人而言就變得非常重要。如果，投資人可事先預測到各個基金的淨資產價值的未來走向，再運用上述的績效評估方法來衡量其績效，那麼投資人即可更早一步得到投資的訊息，並選取在未來績效良好的基金作為投資的重點。 因此，本研究的目的乃是企圖運用類神經網路的預測能力來建構國內共同基金淨資產價值的預測模型，並和傳統統計方法做一比較。而本研究的結果證實了倒傳遞類神經網路模式，確實在臺灣共同基金之年終淨資產值的預測上，優於傳統統計方法中的線性及非線性之迴歸分析模式。

保險業的清償能力一直是保險監理機關關心的重點，保險公司一旦失卻清償能力，所影響的將不只是該公司，還有龐大的保戶及社會大眾。自西元1988年開始，即有許多學者提出早期預警模型，針對保險公司的清償能力作預測，希望可以及早發覺問題保險公司，直到西元1994年，開始有學者以類神經網路作為預測工具，結果發現，其預測準確度較過去多篇文獻所認為的邏輯斯迴歸來的精確。 　　本論文的目的在利用新的類神經網路建構保險公司失卻清償能力的早期預警系統，並將其結果與邏輯斯迴歸之結果作比較，樣本為美國產險公司，實證結果顯示，若以類神經網路作為預測的工具，在預測破產公司方面，其結果較邏輯斯迴歸好；但若是在預測健全公司方面，則為邏輯斯迴歸較好。另外，就整體的預測準確度而言，則以類神經網路的預測結果較好。 / The solvency of insurance industry plays an important role in society and has been the focus of insurance regulation. The insurer insolvency will affect not only company itself, but also the policyholders and society. The better method up to 1994 to identify insurer insolvencies in most prior researches is logistic regression. Some scholars use neural networks to predict insurer insolvencies. The result showed that neural network performed better than logistic regression model. 　　The purpose of this paper aims to construct an early warning system for property and casualty insurer insolvencies prediction and to compare the predictive ability of neural network and logistic regression model. The results show that neural network performs better than logistic regression model in classifying insolvent insurers. On contrast, logistic regression model performs better in classifying solvent insurers. Overall, the neural network performs better than its counterpart based on all sample firms.