| dc.contributor.advisor | 楊建民教授 | zh_TW |
| dc.contributor.author (Authors) | 陳威宇 | zh_TW |
| dc.creator (作者) | 陳威宇 | zh_TW |
| dc.date (日期) | 2015 | en_US |
| dc.date.accessioned | 13-Jul-2015 11:07:42 (UTC+8) | - |
| dc.date.available | 13-Jul-2015 11:07:42 (UTC+8) | - |
| dc.date.issued (上傳時間) | 13-Jul-2015 11:07:42 (UTC+8) | - |
| dc.identifier (Other Identifiers) | G0102356028 | en_US |
| dc.identifier.uri (URI) | http://nccur.lib.nccu.edu.tw/handle/140.119/76425 | - |
| 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) | 102356028 | zh_TW |
| dc.description (描述) | 103 | zh_TW |
| dc.description.abstract (摘要) | 台灣地狹人稠，自然資源不足，台灣絕大數的資源必須仰賴國際貿易的補充，來維持經濟的發展，國際貿易可說是台灣經濟的命脈。在國貿中，匯率的變化更是深深影響每筆交易，對於政府與投資者都是不可不重視課題。過去對於匯率影響相關因素之研究許多，但欠缺一個綜合整體因素之研究，本研究就已整合過去文獻為出發點，延伸至對輸入資料進行優化，並利用滾動建模方式建立投資組合，提供投資者適當之進場時間與投資報酬率區間之參考依據本研究建立倒傳遞類神經網路模型，整理學者對於台幣匯率影響之因素如國際收支、外匯存底、主要貿易國匯率等共27項，以自2003年7月到2014年10月資料為模型輸入，預測以美元為標準的月平均台幣匯率漲跌，並比較過濾灰色地帶(Grey Area)之模型與原模型之預測能力差異，再以滾動建模方式觀察不同進場時間之平均獲利與投資報酬上下限值。結果發現，有過濾輸入值與輸出值之灰色地帶模型預測能力優於只過濾輸入值之灰色地帶模型，而預測能力在四者之中最差為未過濾之模型。而在投資報酬率部分，有過濾輸入輸出值之灰色地帶模型進場一到三年之平均報酬率介於5.02%~6.13%，獲利區間為2.8%~10.84%；只過濾輸入值之灰色地帶模型進場一到三年之平均報酬率介於4.39%~5.72%，獲利區間為1.17%~10.84%；未過濾灰色地帶之模型進場一到三年之平均報酬率介於3.86%~5.18%，獲利區間為-0.71%~10.54%，本研究之結果可在政府及投資人投資決策上給予具有參考性的指標。未來研究方向可加入利用文字探勘或情緒探勘來觀察政策對匯市所造成之影響或觀察金融海嘯前資料的變化來預測金融危機之發生。 | zh_TW |
| dc.description.abstract (摘要) | Taiwan is a small island with limited land but huge population, and the nature resources can’t afford to the economic development. Therefore, we have to rely on international trades to supplement our resources. However, exchange rate plays an important role in international trades, because it impacts each trade directly. For government and investors, exchange rate is an important topic they should notice.This study consolidated the scholars’ studies on the factors impacting the exchange rate to build a backward-propagation neural network model. We collected 27 variables (such as BoP, inflation rate, GDP…) as model’s input, and the prediction of exchange rate’s appreciation or depreciation is the output. The study compares four kinds of model’s accuracy, precision, recall and ROI. One is filter grey area data in input and output, and the second is only filter grey area data in input data, and the third is only filter grey area data in output result, and the last is no filter any data. The result shows that the first model is the best. Its average ROI of one year is between 5.02%~6.13%, and the profit range is between 2.8%~10.84%. This study suggests investors to collect past seven years data and filter the grey area data to build up the model to predict the next year’s exchange rate. Beside, when we saw the predict values in grey area, we should not invest. Follow this rule, this model will be helpful for investors when they need references to make exchange rate investment decisions. For future researches, I suggest that one way is to use text mining or motion mining to find out how the policies impact exchange rate market. The other way is to observe the change before economic crisis trying to predict the happening times for helping investors to avoid the economic crisis. | en_US |
| dc.description.tableofcontents | 致謝 I中文摘要 IIAbstract III目 次 IV圖目錄 VII表目錄 IX第一章 緒論 1第一節 研究背景與動機 1第二節 研究目的 3第三節 研究對象及範圍 41.3.1研究對象 41.3.2 研究範圍 4第二章 文獻探討 5第一節 匯率市場與相關影響因素 52.1.1 匯率與匯率市場的演進 52.1.2 我國匯率政策演進 82.1.3 影響匯率變動之因素 10第二節 類神經網路 142.2.1 類神經網路發展 142.2.2 類神經網路概述 142.2.3 類神經網路之相關應用文獻 16第三節、 文獻小結 17第三章 研究方法 18第一節 資料說明 183.1.1 變數的說明與來源： 193.1.2 變數數值分布圖： 213.1.3 資料正規化 25第二節 倒傳遞類神經網路之模式建立 263.2.1 倒傳遞類神經網路模型變數之訂定 263.2.2 倒傳遞類神經網路模型建立步驟 273.2.3 倒傳遞類神經網路模型終止(穩定)條件 303.2.4 測試模型結果是否為區域最佳解(Local Optimize) 303.2.5 檢驗模型是否為區域最佳解方法 31第三節 過濾灰色地帶(Grey Area)資料 37第四節 滾動建模比較最佳進場時間與獲利 38第五節 評估方法 383.5.1 倒傳遞類神經網路模型正確性評估 383.5.2 過濾灰色地帶資料與無過濾模型之比較 383.5.3 進場時間與獲利之評估 38第四章 實證與分析 39第一節 倒傳遞類神經網路分析結果 394.1.1 訓練範圍2003年至2011年 394.1.2訓練範圍2003年至2012年 414.1.3訓練範圍2003年至2013年 424.1.4 輸出值過濾灰色地帶資料 444.1.5 小結 45第二節 過濾灰色地帶(Grey Area)之模型預測結果分析 464.2.1 訓練範圍2003年至2011年 464.2.2訓練範圍2003年至2012年 484.2.3訓練範圍2003年至2013年 494.2.4 小結 51第三節 投資模型分析 534.3.2 平均投資報酬率之計算方式 54第五章 結論建議與未來研究方向 64第一節 結論與建議 64第二節 未來研究方向 65參考文獻 67 | zh_TW |
| dc.format.extent | 3703635 bytes | - |
| dc.format.mimetype | application/pdf | - |
| dc.source.uri (資料來源) | http://thesis.lib.nccu.edu.tw/record/#G0102356028 | en_US |
| dc.subject (關鍵詞) | 資料探勘 | zh_TW |
| dc.subject (關鍵詞) | 倒傳遞類神經網路 | zh_TW |
| dc.subject (關鍵詞) | 匯率預測 | zh_TW |
| dc.subject (關鍵詞) | 灰色地帶 | zh_TW |
| dc.subject (關鍵詞) | Data Mining | en_US |
| dc.subject (關鍵詞) | BP Neural Network | en_US |
| dc.subject (關鍵詞) | Exchange Rate | en_US |
| dc.subject (關鍵詞) | Grey Area | en_US |
| dc.title (題名) | 運用資料探勘技術於台幣匯率趨勢預測之研究 | zh_TW |
| dc.title (題名) | A Study of Applying Data Mining to Predict the Trend of TWD Exchange Rate | en_US |
| dc.type (資料類型) | thesis | en |
| dc.relation.reference (參考文獻) | 王允俊，匯率、金價與油價關係之研究，國立高雄應用科技大學金融資訊研究所碩士論文，2008邱世鈞，情緒指標對台股指數期貨報酬率之影響，中興大學財務金融學系所碩士論文，2009林柏君、吳中書，通膨與通縮之匯率轉嫁，台灣經濟預測與政策43:2，51-81，2013周香源，台灣、新加坡、南韓匯率影響因素的研究--Branson資產組合平衡模型應用，佛光大學經濟學系碩士論文，2005施向陽，匯率變動預測模型之研究，大葉大學事業經營研究所碩士論文，2001孫珮君，情緒指標對黃金期貨價格的影響，中央大學財務金融學系在職專班論文，2014陸寒寅，再議金本位制和30年代大危機：起因、擴散和復甦，世界經濟專刊2008年05期，2008陳裕菘、謝邦昌、李勝輝、陳郁婷，運用文字探勘與資料採礦技術建立匯率預測模型-以人民幣兌新台幣為例，「數據分析」2014年2月，9卷1期，頁133-146，2014陳益明，新台幣匯率與台灣貿易收支:時間數列迴歸模型的分析，國立空中大學商學系期刊論文，2001黃朝熙(2008)，價格僵固能否解釋購買力平價之謎？跨國的實證研究，國科會計畫-ECON Projects 編號NSC94-2410-H007-006，2008黃欣華，影響台灣匯率因素之實證研究，台灣大學經濟學研究所碩士論文，2008黃惠琪，台美匯率之迴歸分析，國立中央大學統計學系碩士論文，2002張瓊文、張瑞芳，應用基因演算法與倒傳遞類神經網路於匯率預測模型之開發，嘉南學報，36，270-279，2010張伯群，中央銀行的匯率政策：金融風暴前後的跨國比較，中國文化大學經濟學系碩士論文，2012葉柏村，運用類神經網路預測匯率─以歐元為例，中原大學企業管理研究所碩士論文，2002葉怡成，應用類神經網路。台北市：儒林圖書，2004傅澤偉、丁裕家，匯率與總體經濟變數之連動性探討-台灣、美國、日本及韓國實證研究，第七屆兩岸產業發展與經營管理學術研討會，2008鄭漴瑋，應用灰關聯分析與類神經網路於預測人民幣匯率之研究，義守大學財務金融學系碩士論文，2014賴松鐘，外匯匯率與黃金價格長期互動關係之研究，政大金融學系財政研究所碩士論文，1994羅華強，類神經網路，新北市：高立圖書，2011施柏屹，倒傳遞類神經網路學習收斂之初步探討，中央大學機械工程研究所碩士論文，2000蘇木春、張孝德，機械學習類神經網路、模糊系統以及基因演算法則，台北市：全華圖書，1997Beal R. and Jackson T.，Neural Computing: An Introduction，Adam Hilger., 1990Freisleben B.，“Stock Market Prediction with Back Propagation Neural Networks”，Industrial and Engineering Application of Artificial Intelligence and Expert System. 5th International Conference, Paderborn,Germany June P.451-460., 1992Mirmirani, S. and Li, H. C., Glod Price, Neural Network and Genetic Algorithm, Computational Economics, 23(2), pp.193-200, 2004Refenes A. N., Zapranis A. and Francis G.，“Stock performance modeling using neural networks: a comparative study with regression models”， Neural Network Vol. 5, p.961-970., 1994Yoon, Y., and Swales, G., Predicting stock price performance : A neural network approach, The Mit Press, vol. 25,no. 11,pp. 39-44,1991 | zh_TW |
