| dc.contributor.advisor | 陳樹衡 | zh_TW |
| dc.contributor.advisor | Chen, Shu Heng | en_US |
| dc.contributor.author (Authors) | 葉佳炫 | zh_TW |
| dc.contributor.author (Authors) | Yeh, Chia Hsuan | en_US |
| dc.creator (作者) | 葉佳炫 | zh_TW |
| dc.creator (作者) | Yeh, Chia Hsuan | en_US |
| dc.date (日期) | 1994 | en_US |
| dc.date.accessioned | 29-Apr-2016 16:30:03 (UTC+8) | - |
| dc.date.available | 29-Apr-2016 16:30:03 (UTC+8) | - |
| dc.date.issued (上傳時間) | 29-Apr-2016 16:30:03 (UTC+8) | - |
| dc.identifier (Other Identifiers) | B2002003869 | en_US |
| dc.identifier.uri (URI) | http://nccur.lib.nccu.edu.tw/handle/140.119/88679 | - |
| dc.description (描述) | 碩士 | zh_TW |
| dc.description (描述) | 國立政治大學 | zh_TW |
| dc.description (描述) | 經濟學系 | zh_TW |
| dc.description (描述) | G81258003 | zh_TW |
| dc.description.abstract (摘要) | 本論文是承續近來〝有限理性總體經濟學〞發展下之一支研究。有關有限理性的定義，在本研究中乃是以Sargent(1993)及Leijonhufvud(1993)為根據。Sargent(1993)認為：經濟學家在建立模型時，要怎麼樣去塑造其模型中的決策者的預期及學習呢？為了在精神上求一致起見，不應將模型中的決策者想成比經濟學家本人更聰明或更無知。有關這兩個角色應一致的要求，似乎便成了有限理性總體經濟學中相當關鍵的磐石。有關預期與學習形成的部份在計量經濟學上，又可大致分為兩個階段。在第一階段中，是以統計決策理論為主所建構的預期與學習過程，這類型的預期是奠基於以機率模型為主的學習過程。此類學習過程可以說是1980年代以來，理性預期學習過程的主要架構。使用這種學習模型需對決策者在所擁有的資訊上，做較強的限制。而第二階段的學習模式是要減輕模型中對決策人在資訊上的負荷，即將第一階段機率模型的學習擴充至非機率模型的學習。而幾乎所有學習上的問題，都可以視為一個尋找的問題，模型選擇是尋找模型，參數估計是尋找參數。在模型的設定上，以往我們處理的程序是：假設模型為....，則我們可以....。對於模型的選定並沒有嚴格的判定標準可供依循。然而遺傳規畫不但對模型的設立，提供了一個良好的典範，而且對如何尋找模型，提供了一個一般性的尋找模式。模型的選取，應是先經由尋找的過程而得到的，而非憑空自上帝的手中取得。因此，就如何建立起尋找的方式，其較模型的選擇更為基本且更為重要。遺傳規畫運作之初，並沒有包含先驗的知識，初始的模型是經由隨機創造而得。在演化的過程中，模型逐漸地有了系統（型態）的出現。這種尋找的過程，既不偏向隨機也不偏向系統，在隨機與系統中，取得了一個完美的平衡點。在遺傳規畫運作下，要選擇何種模型，將視實驗者的時間成本而定。換句話說，即遺傳規畫提供了實驗者到目前為止最好的模型，是否該花更多時間以取得〝較精確〞的模型，將由實驗者自行決定。在此情況下，我們在模型的選擇上，有了一個較為適當的判定基準：模型的大體輪廓將是藉由進化的方式取得，不是經由天外神來之筆而誕生。在模型精確度的選擇上，將由個人的時間成本來定奪。就在這層意義上來說，此種選擇的模式比較符合〝人性〞，亦與經濟學的精神相符合。本論文的目的便是要了解遺傳規畫在實際運作上的一些特性，以及該如何正確地使用它才能得到最大的功效，以期望它能成為我們在處理有限理性總體經濟學上的一個重要工具。 | zh_TW |
| dc.description.tableofcontents | 謝辭目錄-----I第一章 緒論-----1第二章 後理性預期時代總體經濟學的新發展：遺傳程式-----7 2.1 遺傳程式基本概論-----7 2.1.1 前言-----7 2.1.2 檔案系統的介紹-----8 2.1.3 何謂遺傳程式-----10 2.2 檔案系統與交易媒介的形成-----15 2.2.1 Kiyotaki-Wright找尋模型-----15 2.2.2 Kiyotaki-Wright環境-----19 2.2.3 Kiyotaki-Wright環境的檔案系統-----20 2.2.4 不完全列舉的檔案與遺傳程式-----24 2.2.5 完全列舉檔案的A1.1經濟模型與模擬結果-----26 2.2.6 不完全列舉檔案的A1.2經濟模型-----26 2.2.6.1 模擬結果及分析-----28 2.2.7 A2經濟模型-----29 2.2.8 接續的工作-----30 2.3 遺傳程式的學習和蛛網模型-----32 2.3.1 簡介-----32 2.3.2 蛛網模型的描述-----33 2.3.3 單一族羣的遺傳程式-----34 2.3.3.1 模擬的結果-----36 2.3.4 多重族羣的遺傳程式-----37 2.3.4.1 模擬的結果-----38 2.3.5 實驗結果的比較-----39 2.3.6 評論-----39 2.4 在世代交替的經濟體系中之遺傳程式-----40 2.4.1 簡介-----40 2.4.2 世代交替的經濟模型-----41 2.4.2.1 固定數量的貨幣供給-----42 2.4.2.2 固定實質赤字融通-----43 2.4.2.3 過去價格樣本平均的預期-----44 2.4.2.4 最小平方學習程序-----44 2.4.3 遺傳程式的應用-----46 2.4.4 模擬結果-----47 2.4.4.1 固定數量的貨幣供給-----47 2.4.4.2 固定實質赤字融通-----48 2.4.5 遺傳程式和實驗結果-----49 2.5 在經濟體系中的學習和適應-----49 2.5.1 摘要-----49 2.5.2 演繹的隱喻-----50 2.5.3 我們如何知道-----50 2.5.4 假說與反駁-----51 2.5.5 共同預期的假定-----52 2.5.6 金融市場-----52 2.5.6.1 遺傳程式與Arthur型股票市場-----53第三章 遺傳規畫的數學模型及程式內容-----61 3.1 遺傳規畫的數學模型-----61 3.1.1 前言-----61 3.1.2 可開發利得(Exploitable Bias)-----62 3.1.2.1 可重覆性(Repeatability)-----63 3.1.2.2 可發現性(Discoverability)-----63 3.1.2.3 期望報酬(Expected Payoff)-----64 3.1.3 關於T-可開發利得的定理-----66 3.1.4 數學模型-----66 3.2 遺傳規畫的原始程式-----67 3.2.1 程式的內容-----69 3.2.1.1 步驟一-----69 3.2.1.2 步驟二-----70 3.3 演化逼近與計量模型-----72 3.3.1 前言-----72 3.3.2 資料來源-----72 3.3.3 遺傳規畫的設計-----73 3.3.4 模擬結果-----73第四章 遺傳規畫的實際運作-----75 4.1 多項式函數的學習-----75 4.1.1 X4＋X3＋X2＋X的學習-----75 4.1.2 X2＋X＋1的學習-----76 4.1.3 X5＋X4＋X3＋X2＋X的學習-----77 4.1.4 X3＋X2＋X的學習-----78 4.1.5 X6＋X5＋X4＋X3＋X2＋X的學習-----79 4.2 PY=MV的學習-----80 4.2.1 美國資料（一）-----80 4.2.2 美國資料（二）-----82 4.2.2.1 全部樣本-----82 4.2.2.2 後樣本預測（一）-----90 4.2.2.3 後樣本預測（二）-----97 4.2.3 臺灣資料-----104 4.2.3.1 全部樣本-----104 4.2.3.2 後樣本預測（一）-----111 4.2.3.3 後樣本預測（二）-----118 4.3 臺灣股市資料的學習-----125 4.3.1 落差一期-----126 4.3.2 落差二期-----128 4.3.3 落差三期-----130 4.3.4 落差四期-----131 4.3.5 結論-----133第五章 結論與未來研究方向-----137附錄A 遺傳規畫實際運作的細節-----141 A.1 多項式函數的學習-----141 A.1.1 X4＋X3＋X2＋X的學習-----141 A.1.2 X2＋X＋1的學習-----144 A.1.3 X5＋X4＋X3＋X2＋X的學習-----149 A.1.4 X3＋X2＋X的學習-----158 A.1.5 X6＋X5＋X4＋X3＋X2＋X的學習-----163 A.2 PY=MV的學習-----169 A.2.1 美國資料（一）-----169 A.2.2 美國資料（二）-----177 A.2.2.1 全部樣本-----181 A.2.2.2 後樣本預測（一）-----195 A.2.2.3 後樣本預測（二）-----208 A.2.3 臺灣資料-----228 A.2.3.1 全部樣本-----228 A.2.3.2 後樣本預測（一）-----243 A.2.3.3 後樣本預測（二）-----258 A.3 臺灣股市資料的學習-----273 A.3.1 落差一期-----273 A.3.2 落差二期-----277 A.3.3 落差三期-----281 A.3.4 落差四期-----284 | zh_TW |
| dc.source.uri (資料來源) | http://thesis.lib.nccu.edu.tw/record/#B2002003869 | en_US |
| dc.subject (關鍵詞) | 遺傳程式 | zh_TW |
| dc.subject (關鍵詞) | 遺傳規畫 | zh_TW |
| dc.subject (關鍵詞) | 有限理性 | zh_TW |
| dc.subject (關鍵詞) | 演化 | zh_TW |
| dc.subject (關鍵詞) | 檔案系統 | zh_TW |
| dc.subject (關鍵詞) | 歸納性學習 | zh_TW |
| dc.subject (關鍵詞) | Genetic Algorithm | en_US |
| dc.subject (關鍵詞) | Genetic Programming | en_US |
| dc.subject (關鍵詞) | Bounded Rationality | en_US |
| dc.subject (關鍵詞) | Evolution | en_US |
| dc.subject (關鍵詞) | Classifier System | en_US |
| dc.title (題名) | 遺傳規畫在人工智慧經濟學中的發展與評估 | zh_TW |
| dc.title (題名) | The development and evaluation of genetic programming on artificial intelligence economics | en_US |
| dc.type (資料類型) | thesis | en_US |
