| dc.contributor.advisor | 吳安妮<br>蔡瑞煌 | zh_TW |
| dc.contributor.author (Authors) | 劉元君 | zh_TW |
| dc.creator (作者) | 劉元君 | zh_TW |
| dc.date (日期) | 1997 | en_US |
| dc.date.accessioned | 27-Apr-2016 14:06:03 (UTC+8) | - |
| dc.date.available | 27-Apr-2016 14:06:03 (UTC+8) | - |
| dc.date.issued (上傳時間) | 27-Apr-2016 14:06:03 (UTC+8) | - |
| dc.identifier (Other Identifiers) | B2002002131 | en_US |
| dc.identifier.uri (URI) | http://nccur.lib.nccu.edu.tw/handle/140.119/86575 | - |
| dc.description (描述) | 碩士 | zh_TW |
| dc.description (描述) | 國立政治大學 | zh_TW |
| dc.description (描述) | 會計學系 | zh_TW |
| dc.description (描述) | 85353001 | zh_TW |
| dc.description.abstract (摘要) | 盈餘預測不僅是公司本身管理決策的重要依據，更是廣大投資人做投資決策時仰賴甚深之基本面分析工具。過去的研究試圖以各種時間序列之計量方法找出較準確的盈餘預測，而本研究引進一個新的預測工具--類神經網路系統，希望比較傳統的預測盈餘計量模式--帶趨勢隨機漫步，以及類神經網路系統--BP、RNBP 對盈餘預測之能力何者較優。 | zh_TW |
| dc.description.abstract (摘要) | Earning forecasting is an important information used by corporation management and investors. Researches in the past tempt to forecast earnings more accurately with time series models. My research introduces a new tool--Artificial Neural Networks--to predict earnings, and will be compared with the traditional time series model--random walk. | en_US |
| dc.description.tableofcontents | 目錄第一章 緒論 1第一節 研究動機 1第二節 研究問題 3第三節 研究方法 5第四節 研究貢獻 6第五節 研究架構 6第二章 文獻探討 9第一節 國外文獻 9第二節 國內文獻 16第三節 研究延伸 32第三章 類神經網路簡介 37第一節 何謂類神經網路 37第二節 類神經網路架構 39第三節 類神經網路處理資訊以及學習之方式 42第四節 倒傳遞類神經網路 46第五節 理解類神經網路 49第四章 研究方法 56第一節 觀念性架構 56第二節 研究設計 62第三節 研究假說 64第四節 變數衡量 66第五節 計量模型分析 70第六節 類神經網路模型分析 70第七節 資料蒐集 71第八節 資料分析方法 74第五章 實證研究結果 76第一節 類神經網路系統之比較 78第二節 類神經網路輸入變數個數之比較 80第三節 訓練樣本不分類與訓練樣本分類混合之比較 83第四節 類神經網路系統與隨機漫步模式預測準確度之比較 92第五節 產業別預測準確度之比較 98第六節 加入橫斷面輸入變數之比較 102第六章 結論與建議 106第一節 結論 106第二節 研究限制 110第三節 建議及未來研究方向 111參考文獻 113附錄一 類神經網路系統預測結果 116附錄二 帶趨勢隨機漫步模式預測結果 127圖次圖1-1 本研究之研究架構 8圖3-1 典型腦神經細胞結構（生物神經元）之圖解 41圖3-2 神經網路系統之基本元素（人造神經元） 42圖3-3 收斂速度慢一步距小 45圖3-4 收斂速度快一步距大 45圖3-5 層狀前饋網路架構 47圖3-6 雙彎曲函數 48圖3-7 雙曲正切函數 48圖3-8 前饋階段 49圖3-9 後向傳遞階段 49圖3-10 軟性學習程序之流程 52圖3-11 RNBP 學習程序 55圖4-1 本研究觀念性架構 59圖4-2 線性與非線性預測工具之比較 60圖4-3 不同類神經網路系統之比較 60圖4-4 不同之輸入變數個數之比較 60圖4-5 訓練範例是否再分類混合之比較 61圖4-6 縱斷面與橫斷面輸入變數之比較 61圖4-7 產業別之比較 61圖4-8 移動樣本期間之例示 63表次表2-1 國外文獻研究結果彙總表 15表2-2 國內文獻研究結果彙總表 24表2-3 國外文獻彙總表 25表2-4 國內文獻彙總表 28表2-5 本研究與洪振富研究之差異分析表 34表2-6 研究延伸彙總表 36表3-1 類神經網路與專家系統的比較 39表3-2 學習法則之比較 44表3-3 倒傳遞類神經網路與理解類神經網路之比較 54表4-1 輸出入變數彙總表 69表4-2 年盈餘之樣本以及其研究期間 73表4-3 樣本公司與分類狀況 74表5-1 類神經網路預測之 MAPE 結果（以盈餘為輸入變數） 76表5-2 類神經網路預測之 MAPE 結果（以盈餘為財務比率為輸入變數） 77表5-3 帶趨勢漫步模式預測之 MAPE 結果 77表5-4 BP 與 RNBP 類神經網路預測準確度差異之統計表 79表5-5 5 個輸入變數與 3 個輸入變數預測準確度差異之統計表 81表5-6 樣本不分類與樣本分類預測準確度差異之統計表 84表5-7 分類效果比較表（水泥業） 89表5-8 分類效果比較表（電子業） 89 表5-9 隨機漫步模式敘述統計表 95表5-10 類神經網路與隨機漫步模式預測準確度差異之統計表 96表5-11 類神經網路與隨機漫步模式預測準確度差異之統計表 97表5-12 水泥業與電子業預測準確度差異之統計表--類神經網路 99表5-13 水泥業與電子業預測準確度差異之統計表--隨機漫步 101表5-14 加入財務比率預測準確度差異之統計表 105表5-15 樣本分類預測準確度差異之統計表 105表6-1 本研究實證彙總表 108 | zh_TW |
| dc.source.uri (資料來源) | http://thesis.lib.nccu.edu.tw/record/#B2002002131 | en_US |
| dc.subject (關鍵詞) | 盈餘預測 | zh_TW |
| dc.subject (關鍵詞) | 類神經網路 | zh_TW |
| dc.title (題名) | 盈餘預測準確度之實證研究：類神經網路與時間序列之比較 | zh_TW |
| dc.type (資料類型) | thesis | en_US |
