股價之非線性預測－非線性時間序列模型與類神經網路之應用

文化大學機構典藏 CCUR > 社會科學院 > 經濟學系暨經濟學系碩博士班 > 博碩士論文 > Item 987654321/27524

jsp.display-item.identifier=請使用永久網址來引用或連結此文件: https://irlib.pccu.edu.tw/handle/987654321/27524

题名:	股價之非線性預測－非線性時間序列模型與類神經網路之應用
作者:	曾任君
贡献者:	經濟學研究所
关键词:	股價非線性模型類神經網路
日期:	2006
上传时间:	2014-06-20 10:17:34 (UTC+8)
摘要:	股票投資是熱門的投資理財商品，投資者無不希望能從中快速獲取高利。股價預測的相關研究眾多，卻多忽略模型的非線性或結構性變化問題，導致模型設定有誤，甚至誤導序列的單根檢定結果，進而擴大預測結果之偏誤。因此本文研究目的有三，（1）探討股價序列之非線性特性如何影響股價預測能力；（2）以篩選出的最適統計模型之應變數、自變數為倒傳遞神經網路的產出與投入變數，分析統計模型估計結果是否有助於改善倒傳遞神精網路的預測。（3）探討統計模型與類神經網路二者預測股價之能力。研究資料採用2001年1月2日至2004年12月31日台灣金融、紡織與食品三大類股指數之日資料、採用單變數模型，估計變數非線性的GAR模型、參數非線性的LSTAR模型、具結構變化的TAR與M-TAR模型以及類神經網路模型，並以2005年1月3日至2005年9月30日之日資料進行預測。研究結果發現，台灣的金融、紡織與食品類股指數皆為穩定序列但具非線性特性，顯示台灣金融、紡織與食品總體股價指數並不符合效率市場假說；序列的非穩定性可能來自非線性特性誤導的結果，因此檢測單根時應確定模型並無非線性特性；M-TAR模型在模型配適與預測上都相對較佳。此外，依據統計模型篩選出最適模型再進行類神經網路學習與預測，並不會提升網路模型的學習與預測能力，因此在使用類神經網路進行股價預測時，可直接使用股價落遲期進行學習與預測。至於預測股價，類神經網路仍然提供較準確的預測，有助於投資者做出較佳的決策。本文在研究設計上有下列限制：未探討多個結構變化點，也未考慮模型殘差變異數非線性的問題，包括模型殘差變異數有結構變化問題。因此未來的研究可以修正統計模型設計的不周全。
显示于类别:	[經濟學系暨經濟學系碩博士班] 博碩士論文

文件中的档案:

没有与此文件相关的档案.

检视Licence

在CCUR中所有的数据项都受到原著作权保护.

数据加载中.....