臺灣博碩士論文加值系統

本研究根據臺灣期交所的外資、自營商與投信三大法人交易資訊之日資料，研究法人交易資訊對現貨與期貨的預測能力與機構投資人間的交易關係，資料期間為2010年7月30日至2013年7月29日，研究採用Johansen共整合、向量誤差修正模型、因果檢定和變異數分解探討法人交易資訊與期現貨指數間的關聯性和機構投資人間的互動關係。接著使用複迴歸模型、ARIMA模型與倒傳遞類神經網路方法並結合逐步迴歸方法共建構十八組預測模式，且分別預測期現貨指數。最後預測績效評估以均方差、平均誤差百分比值、誤差均方根與預測方向準確率等四種指標比較模型的預測能力。
　　實證結果顯示，在非恆定計量方法中觀察變數之間的關聯性上也發現，三大法人之交易資訊與期現貨指數間的確實有關聯性而機構投資人間的也有一定的互動關係，其中又得知外資之資訊應在預測表現上優於投信。
故在十八組預測模型的預測績效評估比較下，以MSE、RMSE預測誤差指標衡量，不論是預測臺灣加權指數或指數期貨漲跌，皆可發現非線性類神經網路方法應用法人之資料可發現外資資訊績效表現可優於投信之資訊，但MAPE指標上ARIMA模型皆比倒傳遞類神經網路方法或複迴歸模型表現較好，而外資之資訊在預測方向準確率CSR指標確實優於自營商和投信之交易資訊；另也從十八組預測模型發現，沒有固定的預測模型適用於一定用來預測臺灣加權指數或指數期貨。

This research used the daily trading information of foreign investors, domestic institution, and dealers on business days from Taiwan Futures Exchange (Taifex) to study the ability to predict actuals and futures markets and the trading relationships between it and institutional investors. The information was collected from July 30th, 2010 to July 29th, 2013. The interaction relationships and correlations between trading information of corporate investors and spot-futures index were conducted by Johansen’s Cointegration Test, Vector Error Correction System, and Analysis of Variance. Then eighteen prediction models were made using Multiple Regression Analysis (MRA), Autoregressive Integrated Moving Average (ARIMA), Back-propagation Model of Neural Network (BPNN), and Stepwise Regression Procedure to respectively predict the spot-futures index. Last, four indicators, Mean-square Error, Mean Absolute Percentage Error (MAPE), Root Mean Square Error (RMSE), and Correct Sign Ratio (CSR), were used to compare the predictive abilities of the models.
The results and the observations from correlations among variables using non-stationary process both showed that correlations exist between trading information of the three corporate investors and spot-futures index; interactions between institutional investors and the information were found as well. Moreover, information of foreign investors predict better than that of domestic investors.
Therefore, from comparisons among the eighteen predictive models, measured by MSE and RMSE, and application of trading information from corporate investors using non-linear neural network, information of foreign investors perform better than that of domestic investors in predicting the increase and decrease of TAIEX or TAIEX Futures. However, by using MAPE indicator, ARIMA performs better than both BPNN and MRA and the prediction accuracy of foreign investors is better than dealers and domestic investors. From the eighteen predictive models, no certain predictive model is found more appropriate to predict TAIEX or TAIEX Futures.

目錄
摘 要 I
ABSTRACT II
致謝 IV
目錄 V
圖目錄 VII
第一章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 4
第三節 本文架構 4
第二章 文獻回顧 5
第一節 未平倉量價格發現之效用 5
第二節 預測模型文獻回顧 7
第三節 文獻回顧總結 10
第三章 研究方法 11
第一節 資料說明與研究架構 11
第一節 非恆定數列計量方法 13
第三節 計量方法預測模型 21
第四節 類神經網路方法 26
第四章 實證分析 30
第一節 非恆定數列計量方法 30
第二節 ARIMA預測模型 51
第三節 倒傳遞類神經網路預測模型 54
第四節 複迴歸預測模型 56
第五節 綜合預測模型比較 59
第五章 結論與建議 67
第一節 研究結論 67
第二節 研究建議 69
參考文獻 70
中文文獻 70
英文文獻 72
附錄 75

參考文獻
中文文獻
1.王春笙，1996，以技術指標預測台灣股市股價漲跌之實證研究-以類神經網路與複迴歸模式建構，國立台灣大學資訊管理研究所碩士論文。
2.申志偉，2007，匯率報酬之非線性調整與經濟價值可預測性，中原大學國際貿易學系碩士學位論文。
3.李惠妍，2003，類神經網路與迴歸模式在台股指數期貨預測之研究，國立成功大學高階管理碩士在職專班碩士論文。
4.李其權，2009，三大法人期貨未平倉行為之訊息探討，國立中正大學國際經濟學系研究所碩士論文。
5.林佳蓉，2003，成交量與未平倉量對期貨價格波動性之關聯性─臺灣期貨市場之實證，國立成功大學企業管理學系碩博士班碩士論文。
6.林志娟、林志鴻、張慶暉，2009，迴歸入門分析:SAS程式報表精析解讀與個案建模範例，初版，東華書局，台北。
7.林貞汝，2009，應用基因演算法及自組織映射圖神經網路對外資在台股指數期貨持有成本之分析與大盤走勢行為知識發現，國立交通大學資訊管理研究所碩士論文。
8.林群堯，2010，股價報酬指數、波動性指數及選擇權未平倉量的動態關係：以台灣指數型選擇權為例，國立成功大學財務金融研究所碩士論文。
9.林鈺綾，2010，三大法人選擇權與期貨未平倉量之研究，國立交通大學資訊管理研究所碩士論文。
10.林佳甫，2012，三大法人於臺指期市場買賣行為是否具參考價值，國立東華大學經濟學系碩士論文。
11.侯惠月，2000，統計方法與類神經網路在台股指數期貨之研究，國立成功大學統計學研究所碩士論文。
12.查欣瑜，2011，法人籌碼對台股未來走勢影響之研究，國立交通大學財務金融研究所碩士論文。
13.陳旭昇，2009，時間序列分析，修訂初版，東華書局，台北。
14.陳執中，2006，台股加權指數隔月收盤價預測之研究，國立成功大學統計學系碩博士班碩士論文。
15.陳志鴻，2013，演化式類神經網路與計量方式預測台灣大盤指數，國立高雄應用科技大學金融資訊研究所碩士論文。
16.郭裕凉，2013，三大法人籌碼面預測臺灣加權股價指數之研究，國立高雄應用科技大學金融資訊研究所碩士論文。
17.張春芬，2010，三大法人期貨與選擇權未平倉部位分析，國立政治大學經營管理碩士學程碩士論文。
18.曾冠儒，2008，三大法人於台灣期貨市場未平倉部位之研究，國立中正大學財務金融研究所碩士論文。
19.童振源、葉家興，2013，未來事件交易簿：集體智慧的新平台與新典範，初版，遠流出版社，台北。
20.葉怡成，2003，類神經網路模式應用與實作，儒林書局。
21.劉宜峰，1996，以類神經網路與ARIMA 模式預測臺灣股市行為之適用性比較，東吳大學會計學研究所碩士論文。
22.劉瑞鑫，2003，時間序列與人工智慧方法在台股指數報酬率預測之績效比較，朝陽科技大學財務金融系碩士班碩士論文。
23.駱國華，2009，應用類神經網路試探未平倉量於台指期貨之多空行為分析，國立交通大學管理學院碩士在職專班資訊管理組碩士論文。
英文文獻
1.Akaike, H., 1974, “A New Look at the Statistical Model Identification,” IEEE Transcations on Automatic Control, 19, 716-723.
2.Box, G. E. P. and Jenkins, G. M., 1976, “Time Series Analysis Forecasting and Control,” 2nd Ed. Holden-Day, San Francisco.
3.Brad M. Barber, et al., 2009, “Just How Much Do Individual Investors Lose by Trading? ,” The Review of Financial Studies, Vol. 22, No. 2.
4.Dickey, D. A. and W. A. Fuller, 1979, “Distribution of the Estimators for Autoregression Time Series with a Unit Root,” Journal of America Statistical Association, 74, 427-432.
5.D. Wood and B. Dasgupta , 1996, “Classifying trend movements in the msci u.s.a.capital market index|a comparison of regression, arima and neural network methods. ” Computers and Operations Research.
6.Engle, R. F., Granger, C. W. J., 1987, “Cointegration and Error Correction: Representation, Estimation and Testing,” Econometrica, 55, pp.251-276.
7.Granger, C. W. J., 1969, “Investigating Causal Relations by Econometric Models and Cross-Spectral Methods,” Econometrica, 37, pp.424-438.
8.Granger, C. W. J. and P. Newbold ,1974, “Spurious Regressions in Econometrics,” Journal of Econometrics, 4, 111-120.
9.Grudnistski, G. and Osburn, L, 1993,“Forecasting S&P and Gold Future Prices: An Application of Neural Networks”, Journal of Futures Markets, Vol. 13, 631-643.
10.Johansen, S.,1988, “Statistical Analysis of Cointegration Vectors,” , Journal of Economics and Control, 12, pp.231-254.
11.Johansen, S., Juselius, K., 1990, “Maximum Likelihood Estimation and Inference on Cointegration with Applications to the Demand for Money,”, Oxford Bulltin of Economics and Statistics,” 52, pp.169-210.
12.James A. Freeman,David M. Skapura,1992,“Neural networks:algorithms, applications, and programming techniques,”, New York: Addison-Wesley Publishing Company.
13.K. Chakraborty, K. Mehrotra, and C. K. Mohan,1992, “Forecasting the behavior of multivariate time series using neural networks. ” , Internatinal Journal of Management Science.
14.Ljung, G. M. and G. E. P. Box ,1978,“On a measure of lack of fit in time series models”,Biometrika, 65, 297-303.
15.Liew, K. Y. and R. D. Brooks.,1998 ,“In The Kuala Lumpur Crude Palm Oil Futures Market.” The Journal of Futures Markets, p.985-999.
16.McCulloch, W. S., & Pitts, W. ,1943, “A logical calculus of the ideas immanent in nervous activity,＂Bulletin of Mathematical Biophysics,Vol. 5, Iss. 1, 115-133
17.Newey, W. and K.West ,1987, “A simple positive semi-definite, heteroscedasticity and autocorrelation consistent covariance matrix,” Econometrica, 55, 703-708..
18.Rumelhart, D. E., McClelland, J. L., & the PDP Research Group,1986,”Parallel Distributed Processing,” Cambridge：MIT Press.
19.Rafiqul Bhuyan, Mo Chaudhury,2005 ,“Trading on the Information Content of Open Interest: Evidence from the US Equity Options Market”, Derivatives, Vol. 11, No. 1, pp. 16-36.
20.Schwartz, G.,1978,“Estimating the Dimension of a Model,”, Annals of Statistics, 6, 461-464.
21.Sims, C. ,1980, “Macroeconomics and Reality,” Econometrica, 48, pp.1-48.
22.Sandeep Srivastava,2003, “Informational Content of Trading Volume and Open Interest – an Empirical Study of Stock Option Market in India”, NSE Research Initiative Working Paper, No. 29.
23.Phillip, P. C. B. and P. Perron,1988, “Testing for a Unit Root in Time Series Regression,” Biometrika, 75, 355-346.
24.Pesaran, M.H., Timmermann, A., 1992 ,“ A simple non-parametric test of predictive performance”,Journal of Business and Economic Statistics 10, 467-465.
25.Zhang, G., Patuwo, B. E., & Hu, M. Y.,1998,“Forecasting with Artificial Neural Networks :The State of the Art”, International Journal of Forecasting, Vo.14, pp.35-62.