| dc.contributor.advisor | 楊建民 | zh_TW |
| dc.contributor.advisor | Yang, Jiann-Min | en_US |
| dc.contributor.author (作者) | 陳如玲 | zh_TW |
| dc.contributor.author (作者) | CHEN, JU-Ling | en_US |
| dc.creator (作者) | 陳如玲 | zh_TW |
| dc.creator (作者) | CHEN, JU-Ling | en_US |
| dc.date (日期) | 2002 | en_US |
| dc.date.accessioned | 14-九月-2009 09:09:40 (UTC+8) | - |
| dc.date.available | 14-九月-2009 09:09:40 (UTC+8) | - |
| dc.date.issued (上傳時間) | 14-九月-2009 09:09:40 (UTC+8) | - |
| dc.identifier (其他 識別碼) | G0090356004 | en_US |
| dc.identifier.uri (URI) | https://nccur.lib.nccu.edu.tw/handle/140.119/31051 | - |
| dc.description (描述) | 碩士 | zh_TW |
| dc.description (描述) | 國立政治大學 | zh_TW |
| dc.description (描述) | 資訊管理研究所 | zh_TW |
| dc.description (描述) | 90356004 | zh_TW |
| dc.description (描述) | 91 | zh_TW |
| dc.description.abstract (摘要) | 面對市場未來趨勢的不確定性，投資者可以運用「投資組合保險」的概念，既能保障原本所投資的資產價值，又可以參與市場上漲時的獲利。本研究以類神經網路來研究證券市場的現象，一方面是已經有許多類神經網路在財務分析上的研究成果，另一方面是其具有學習以及預測的能力。 本研究首先探討投資組合保險策略，接著再比較投資組合保險策略在不同市況下的績效表現，隨後提出兩個階段的研究架構，經過設計與建置，以類神經網路模型進行對大盤未來漲跌型態的模擬預測，並利用預測的結果，輔助投資組合保險策略的決策，最後並將研究結果與大盤績效做綜合分析比較。 本研究的資料採取自台灣證券集中交易市場，期間為1991年1月3日至2002年12月31日，共3306個交易日，取大盤每日交易之歷史資料，經過處理後建立資料庫。類神經網路模型具有預測未來大盤漲跌區間的能力，在本研究所提出的漲跌區間劃分方式上，其預測正確率達到55%，預測的結果與實際漲跌完全相反的比例僅10%，其餘的35%為相鄰區間的預測誤差，其預測能力有助於投資組合保險策略的進行。 經過類神經網路模型輔助而進行的停損策略（SL），其年報酬率以及Sharpe Ratio，在大盤下跌的期間，兩個績效指標衡量結果皆為正值（21.125%＞0以及980.493＞0），充分發揮保險功能；而在大盤上漲的期間，兩個績效指標衡量結果皆優於大盤（46.544%＞17.137%以及393.808＞110.069）。 在年報酬率與Sharpe Ratio之間，本研究主張在探討投資組合保險時應著重風險的衡量，因此經過類神經網路模型輔助而進行的固定比例投資組合策略（CPPI），搭配槓桿乘數M值的調整，在大盤下跌的期間，其Sharpe Ratio依然可以維持正值，達到保險的效果，保護投資人的資產免於損失；而在大盤上漲的期間，其Sharpe Ratio更是高於大盤，可以享受資產價值提昇的獲利。 | zh_TW |
| dc.description.abstract (摘要) | Facing the uncertainty of the market trend, an investor can use the concept of “ Portfolio Insurance ” to protect the value of his portfolio in bear market and earn the benefit from bull market. There have been many researches about applying Neural Network in the financial analysis and Neural Network has the abilities to learn and forecast. This research evaluates the performances of the portfolio insurance strategies in different market trends. Then two-stage research structure has been designed and built. The first stage is forecasting the up-and-down trends of the equity market index by Neural network model. The second stage is using the forecasted results assisting the portfolio insurance decisions. Finally, the results of this research have been analyzed and compared with the benchmark. The Neural Network is able to forecast the future up-and-down trends. The accurate rate is 55%. During the bear market（2002）, the annual rate of return and Sharpe Ratio of the stop loss（SL） strategy which is assisted by NN are both positive（21.125%＞0 and 980.493＞0）. During the bull market（2001）, they both outperform the benchmark（46.544%＞17.137% and 393.808＞110.069）. The annual rate of return is more important than Sharpe Ratio because the risk measurement is an important factor in portfolio insurance strategy. Sharpe Ratios of the CPPI strategy which is assisted by NN outperform the benchmark in both above mentioned bear and bull market. In short, the SL and CPPI strategy assisted by NN not only protect the value of the portfolio from losing in bear market but also gain profit in bull market, so they are the ideal portfolio insurance strategies. | en_US |
| dc.description.tableofcontents | 目錄 第一章、緒論…………………………………………………………………………1 第一節、研究動機………………………………………………………………1 第二節、研究目的………………………………………………………………3 第三節、論文章節………………………………………………………………4 第二章、文獻探討……………………………………………………………………5 第一節、投資組合保險…………………………………………………………5 一、靜態投資組合保險……………………………………………………5 二、動態投資組合保險……………………………………………………7 （一）複製性賣權投資組合保險策略………………………………8 （二）固定比例投資組合保險策略…………………………………9 （三）時間不變性投資組合保險策略………………..……………10 三、影響投資組合保險績效的因素…………………………………..…12 四、投資組合保險策略在股市之實證………………………………..…13 第二節、類神經網路…………………………………………………………..15 一、類神經網路理論及架構……………………………………………..15 二、類神經網路種類……………………………………………………..17 三、倒傳遞類神經網路…………………………………………………..19 第三章、研究設計…………………………………………………………………..21 第一節、研究架構……………………………………………………………..21 一、類神經網路模型…………………………………………………..…22 （一）輸入變數的選擇及定義……………………………………….22 （二）輸出變數的選擇及定義……………………………………….25 （三）類神經網路模型參數的選擇及調整………………………….27 （四）類神經網路模型架構………………………………………….27 二、投資組合保險策略模型……………………………………….……..28 （一）停損策略…………………………………………………….…28 （二）修正之停損策略…………………………….…………………30 （三）固定比例投資組合策略….…..………….….…………………33 第二節、研究流程….…………………………..……………………………..38 一、建置類神經網路模型………………………………………………..38 二、建置投資組合保險策略模型………………………………………..40 第四章、研究結果與分析……………….………………………………………….42 第一節、類神經網路模型之預測結果………….…………………………….42 第二節、操作投資組合保險策略模型之結果……………………….……….45 一、大盤績效表現………………………………………………………..46 二、停損策略績效表現…………………………………………………...48 三、固定比例投資組合策略績效表現…………………………………..51 四、以類神經網路模擬結果來輔助投資組合保險策略的績效表現…..59 （一）SL策略－以NN輔助來進行調整…………………………….61 （二）CPPI策略－以NN輔助來進行調整…………………………63 第三節、研究結果綜合分析…………………………………………………..72 一、停損策略績效與大盤績效比較……………………………………..72 二、固定比例投資組合策略績效與大盤績效比較……………………..76 第五章、結論與建議………………………………………………………………..79 第一節、結論…………………………………………………………………..79 一、在類神經網路模型方面………………………………….………….79 二、在投資組合保險策略模型方面………………….………………….80 第二節、後續研究建議……………………………….……………………….82 附錄一、建置類神經網路模型……………………………………………………..83 參考文獻…….………………………..…………………….……………………….95 圖目錄 圖2.1.1 保護性賣權的期末損益………………………………..…………………5 圖2.2.2 類神經網路單元模型……………………………………………………16 圖2.2.3 類神經網路架構…………………………………………………………18 圖3.1.1 研究架構…………………………………………………………………21 圖3.1.2 1991年至2002年間大盤月資料漲跌幅累積次數分布…………….…26 圖3.1.3 1991年至2002年間大盤月資料漲跌幅區間圖…………………….…26 圖3.1.4 類神經網路模型架構……………………………………………………27 圖3.1.5 停損策略…………………………………………………………………28 圖3.1.6 固定比例投資組合策略…………………………………………………34 圖4.1.1 1992年至2000年大盤指數與NN模擬結果…………………………42 圖4.1.2 2001年至2002年大盤指數與NN模擬結果…………………………43 圖4.1.3 大盤實際統計結果以及類神經網路預測的結果比較…………………45 圖4.2.1 2001年至2002年間大盤指數走勢…………………………………….46 圖4.2.2 2001年至2002年大盤指數與停損線…………………………………48 圖4.2.3 2001年至2002年大盤指數與每期的最低要保額度…………………52 圖4.3.1 停損策略績效與大盤績效比較，HPR（單月）………………………73 圖4.3.2 停損策略績效與大盤績效比較，HPR（累積）………………………..74 附錄一 圖1 步驟1的操作畫面……………………………………………………………83 圖2 輸入矩陣p……………………………………………………………………84 圖3 目標矩陣t…………………………………………………………………….84 圖4 開啟nntool主畫面…………………………………………………………..84 圖5 nntool主畫面………………………………………………………………...85 圖6 工作空間的矩陣p是網路的Inputs…………………………………………85 圖7 工作空間的矩陣t是網路的Targets………………………………………..86 圖8 建置網路的各項設定（Hidden Layer 1）…………….…………………….87 圖9 建置網路的各項設定（Hidden Layer 2）………….……………………….87 圖10 建置網路的各項設定（Output Layer）………….……………………….88 圖11 建置完成後選擇瀏覽網路架構….….....…………………………………..88 圖12 網路「network_92_00」之架構………………………………………….89 圖13 網路初始化的畫面………………….…………………………...…………89 圖14 網路初始權重值……………………………………………………………90 圖15 訓練網路時參數的設定……………………………………………………91 圖16 訓練網路時數據的設定……………………………………………………91 圖17 網路訓練的過程……………………………………………………………92 圖18 網路模擬的畫面……………………………………………………………92 圖19 網路模擬的結果……………………………………………………………93 圖20 從nntool將模擬結果輸出至工作空間……………………………………93 圖21 模擬結果的輸出矩陣………………………………………………………94 表目錄 表3.1.1 停損策略與修正之停損策略比較………………………………………32 表3.1.2 固定比例投資組合策略…………………………………………………36 表4.1.1 預測未來漲跌區間……………………………………………………….44 表4.2.1 大盤績效表現……………………………………………………………47 表4.2.2 SL策略績效表現（以月為調整單位）………………………………..49 表4.2.3 SL策略績效表現（以季為調整單位）…………………………………50 表4.2.4 CPPI策略（以季為調整週期，M＝0.1）…………………………….53 表4.2.5 CPPI策略（以季為調整週期，M＝0.5）………………………………54 表4.2.6 CPPI策略（以季為調整週期，M＝0.8）…………………………….55 表4.2.7 CPPI策略（以季為調整週期，M＝1）……………………………….56 表4.2.8 CPPI策略（以季為調整週期，M＝2）……………………………….57 表4.2.9 CPPI策略（以季為調整週期，M＝3）………………………………58 表4.2.10 各期預測值及對應之Pattern與操作策略……………………………60 表4.2.11 SL策略（以NN輔助來進行調整）…………………………………..62 表4.2.12 CPPI策略（以NN輔助來進行調整） －「M＝1，調小成0.5，調大成2」……………………………………………64 表4.2.13 CPPI策略（以NN輔助來進行調整） －「M＝1，調小成0.5，調大成3」…………………………………………….66 表4.2.14 CPPI策略（以NN輔助來進行調整） －「M＝1，調小成0.5，調大成4」…………………………………………68 表4.2.15 CPPI策略（以NN輔助來進行調整） －「M＝2，調小成1，調大成3」…………………………………………..70 表4.3.1 SL策略績效與大盤績效比較，年報酬率與Sharpe Ratio…………..75 表4.3.2 CPPI績效與大盤績效比較，未經過NN模擬輔助…………………..76 表4.3.3 CPPI績效與大盤績效比較，經過NN模擬輔助………………………77 | zh_TW |
| dc.language.iso | en_US | - |
| dc.source.uri (資料來源) | http://thesis.lib.nccu.edu.tw/record/#G0090356004 | en_US |
| dc.subject (關鍵詞) | 類神經網路 | zh_TW |
| dc.subject (關鍵詞) | 投資組合保險 | zh_TW |
| dc.subject (關鍵詞) | 股價預測 | zh_TW |
| dc.subject (關鍵詞) | 績效衡量 | zh_TW |
| dc.subject (關鍵詞) | Neural Network | en_US |
| dc.subject (關鍵詞) | Portfolio Insurance | en_US |
| dc.subject (關鍵詞) | Stock Price Prediction | en_US |
| dc.subject (關鍵詞) | Performance measurement | en_US |
| dc.title (題名) | 以類神經網路輔助投資組合保險策略之研究 | zh_TW |
| dc.type (資料類型) | thesis | en |
| dc.relation.reference (參考文獻) | 參考文獻 | zh_TW |
| dc.relation.reference (參考文獻) | 【中文部分】 | zh_TW |
| dc.relation.reference (參考文獻) | 【1】吳乙鴻，"應用類神經遺傳演算法建立電腦輔助設計模式之研究"，國立成功大學，工業設計研究所碩士論文，民國八十九年七月。林丙輝，”投資組合保險”，華泰書局，民國84年7月。 | zh_TW |
| dc.relation.reference (參考文獻) | 【2】李進生等，”投資分析＋Matlab應用”，銘傳大學財務金融研究中心編著，全華科技圖書公司，民國89年11月。 | zh_TW |
| dc.relation.reference (參考文獻) | 【3】邵光耀，"投資組合保險策略之績效－台灣股市之實證研究"，國立台灣大學商學研究所碩士論文，民國80年6月。 | zh_TW |
| dc.relation.reference (參考文獻) | 【4】林筠，"投資組合保險與調整法則"，台大管理論叢，民國81年5月。 | zh_TW |
| dc.relation.reference (參考文獻) | 【5】邱瑜明，"投資組合保險策略—在台灣股市之相關研究"，國立政治大學金融學系碩士論文，89年6月。 | zh_TW |
| dc.relation.reference (參考文獻) | 【6】金國隆，"投資組合保險績效之研究"，國立台灣大學商學研究所碩士論文，民國89年6月。 | zh_TW |
| dc.relation.reference (參考文獻) | 【7】周鵬程，”類神經網路入門－活用MATLAB”，全華科技圖書公司，民國91年9月。 | zh_TW |
| dc.relation.reference (參考文獻) | 【8】陳玫纓，"台灣退休基金資產配置與投資組合保險策略之研究"，國立台灣大學財務金融研究所碩士論文，民國86年6月。 | zh_TW |
| dc.relation.reference (參考文獻) | 【9】張智星，”MATLAB程式設計與應用”，清蔚科技出版，民國91年11月。 | zh_TW |
| dc.relation.reference (參考文獻) | 【10】楊昌博，"投資組合保險策略在台灣股市之實證研究－七種保險策略之績效比較"，國立成功大學企業管理研究所碩士論文，民國84年6月。 | zh_TW |
| dc.relation.reference (參考文獻) | 【11】楊朝成，"投資組合管理"，國立台灣大學經濟研究所課程講義，民國91年2月。 | zh_TW |
| dc.relation.reference (參考文獻) | 【12】葉德霖，"投資組合保險策略與績效研究－以簡單排列原則（SRD）形成投資組合為例"，輔仁大學金融研究所碩士論文，民國85年6月。 | zh_TW |
| dc.relation.reference (參考文獻) | 【13】劉懋楠，"投資組合保險策略之整合－台灣股票市場之實證研究"，國立台灣大學商學研究所碩士論文，民國82年6月。 | zh_TW |
| dc.relation.reference (參考文獻) | 【14】蘇木春、張孝德，"機器學習類神經網路、模糊系統以及基因演算法則"，全華科技出版，民國86年。 | zh_TW |
| dc.relation.reference (參考文獻) | 【15】蘿華強，”類神經網路－MATLAB的應用”，清蔚科技出版，民國90年9月。 | zh_TW |
| dc.relation.reference (參考文獻) | 【英文部分】 | zh_TW |
| dc.relation.reference (參考文獻) | 【16】Adeli, Hojjat & Hung, Shih–Lin,”Machine learning：Neural networks, Genetic algorithm , and Fuzzy system”, Wiley, 1995. | zh_TW |
| dc.relation.reference (參考文獻) | 【17】Beighley, S., ”Return Patterns for Equity Indexes Hedged with Options”, Journal of Portfolio Management, Winter, pp.68-73. | zh_TW |
| dc.relation.reference (參考文獻) | 【18】Bernstein, Peter L., “The Hidden Risks in Insuring Risks”, Journal of Portfolio Management, Summer 1994, pp.1. | zh_TW |
| dc.relation.reference (參考文獻) | 【19】Bird, R., D., Dennis, and M. Tippett, ”A Stop Loss Approach to Portfolio Insurance”, Journal of Portfolio Management, Fall 1988, pp.35-40. | zh_TW |
| dc.relation.reference (參考文獻) | 【20】Black, F and R. Jones, “Simplifying Portfolio Insurance”, Journal of Portfolio Management, Fall 1987, pp.48-51. | zh_TW |
| dc.relation.reference (參考文獻) | 【21】Black, F and R. Jones, “Simplifying Portfolio Insurance for Corporate Pension Plans”, Journal of Portfolio Management, Summer 1988, pp.33-37. | zh_TW |
| dc.relation.reference (參考文獻) | 【22】Black, F. and M. Scholes, “The Pricing of Options and Corporate Liabilities”, Journal of Political Economy,1973, Vol.81, pp.637-654. | zh_TW |
| dc.relation.reference (參考文獻) | 【23】Brennan, M.J. and E.S. Schwartz, ”Portfolio Insurance and Financial Market Equilibrium”, Journal of Business, Vol.62, No.4, pp.455-472. | zh_TW |
| dc.relation.reference (參考文獻) | 【24】Clarke, Roger G. and Robert D. Arnott, ”The Cost of Portfolio Insurance: Tradeoffs and Choices”, Financial Analysts Journal, 1987, pp.35-47. | zh_TW |
| dc.relation.reference (參考文獻) | 【25】Donald, L. Luskin, “Portfolio Insurance－A Guide to Dynamic Hedging”, John Wiley & Sons, Inc. | zh_TW |
| dc.relation.reference (參考文獻) | 【26】Estep, Tony and Mark Kritzman, “TIPP：Insurance without Complexity,” Journal of Portfolio Management 14, summer 1988,pp.38-42 | zh_TW |
| dc.relation.reference (參考文獻) | 【27】Etzioni, S. Ethan,” Rebalance Disciplines for Portfolio Insurance”, Journal of Portfolio Management, 1986, pp.59-62. | zh_TW |
| dc.relation.reference (參考文獻) | 【28】Garcia, C. B. and F. J. Gould, “A Note on the Measurement of Risk in a Portfolio”, Financial Analysts Journal, 1987,pp.61-69. | zh_TW |
| dc.relation.reference (參考文獻) | 【29】Goldberg, D.E.,”Genetic and evolutionary algorithm come of age”, Communications of the ACM, 1994, Vol.37, No.3, pp.113 ~ 119. | zh_TW |
| dc.relation.reference (參考文獻) | 【30】Holland, J.H.,”Adaptation in Natural and Artificial System: an introductory analysis with applications to biology, control, and artificial intelligence”, MIT press, 1992. | zh_TW |
| dc.relation.reference (參考文獻) | 【31】Kuan, C. M. White, H. “Artificial neural networks: An econometric perspective”, Econometric Reviews, 13, 1994, pp1-91. | zh_TW |
| dc.relation.reference (參考文獻) | 【32】Mitchell, Melanie,”An Introduction to Genetic Algorithm”, MIT Press, 1996. | zh_TW |
| dc.relation.reference (參考文獻) | 【33】Perold, Andre F., “Constant Proportion Insurance,” Harvard Business School Working Paper, August 1986. | zh_TW |
| dc.relation.reference (參考文獻) | 【34】Perold, A.F. and W.F. Sharpe, “Dynamic Strategies for Asset Allocation’, Financial Analysis Journal, January-February 1988, pp.16-27. | zh_TW |
| dc.relation.reference (參考文獻) | 【35】Rubinstein, Mark, “Alternative Paths to Portfolio Insurance”, Financial Analysis Journal, July-August 1985, pp.42-52. | zh_TW |
| dc.relation.reference (參考文獻) | 【36】Rubinstein, Mark and Hayne E. Leland, “Replicating Options withPositions in Stock and Cash”, Financial Analysts Journal, 1981, pp.63-71. | zh_TW |
| dc.relation.reference (參考文獻) | 【37】Tang, Man,K.F.,K.S., & Kwong, S.,”Genetic Algorithms：concepts and applications”, IEEE Transactions On Industrial Electronics, Vol.43, No.5, pp.519 ~533, 1996.1997. | zh_TW |
