臺灣博碩士論文加值系統

目前股票分析之實證研究，多以技術面或基本面等資訊，對動態的股票市場做預測與研究，但因大部分皆屬落後之資訊，不但常會出現對於市場趨勢的過度反應或反應不足，導致預測準確率降低及無謂的投資損失，且近年來政府大力提倡自由化與國際化，更使機構投資人於台股占有舉足輕重之地位。故本文以倒傳遞類神經網路來探討機構投資人交易行為對台灣股市的影響能力，並與灰預測之股價預測能力作一比較，試圖找出較佳投資準則，以作為投資人之參考依據。
在類神經網路架構下，針對三種技術指標KD、MACD、MA做為輸入變數，並配合「量先價而行」之理論，以三大法人持股週轉率為輸入變數，測試對股價預測能力是否有所提升；在灰預測部分，則採用傳統的GM(1,1)模型，並且利用滾動建模的方式來預測收盤價。
　　實證結果發現，在預測隔天收盤價的表現，灰預測優於傳統倒傳遞類神經網路，法人持股比率的高低對於倒傳遞類神經網路之預測能力有明顯差異。如再結合灰預測對於股價趨勢之優良預測能力於倒傳遞類神經網路後，改良式類神經網路預測能力有顯著的提升。

Nowadays, the empirical studies are generally using technical or fundamental information to produce a prediction and to analyze the dynamic market. However, the majority of information is not updated efficiently and it often has an over-reaction or under-reaction to the market trend. It is also resulted in lower prediction accuracy and unnecessary investment losses. Moreover, the government sector is strongly advocated economic liberalization and internationalization which makes institutional investors play a decisive role in the Taiwan stock market. Consequently, this thesis uses the Neural Network to analyze the forecasting power of institutional indicators in the stock price tendency. After that, the forecasting power complied with the result of Grey Prediction will be compared and an enhanced investment principle will be recommended in this study.
In this study, three kinds of technical indicators will be used, KD, MACD, and MA, as input variables in Neutral Network model. In addition, based on the theory of “volume is the lead indicator of stock price”, the stock turnover of institution’s holding is also used as another input variable to the model. The closed price will be forecasted by using traditional GM (1, 1) model for Grey Prediction section.
As the result from the empirical studies, Grey Prediction is better than traditional back-propagation neural network in the next day’s closed price forecasting. That is, the ownership ratio of institutional investors has significant differences on the forecasting power from the traditional back-propagation neural network prediction. Furthermore, the forecasting power could be more effective if the advantages of Grey Prediction and revised neural network model are combined with each other.

摘要 I
ABSTRACT II
致謝 IV
目錄 V
表 次 VI
圖 次 VII
第一章 緒論 1
第一節 研究動機 1
第二節 研究目的 5
第三節 研究架構 6
第二章 文獻回顧 8
第一節 機構投資人介紹 8
第二節 機構投資人與股價間相關理論及文獻 10
第三節 效率市場假說相關文獻 13
第四節 類神經網路相關文獻 16
第五節 灰色系統理論相關文獻 18
第三章 研究方法 20
第一節 類神經網路介紹 20
第二節 灰色系統理論介紹 27
第四章、實證結果與分析 33
第一節　資料來源 33
第二節　變數說明與參數設定 34
第三節　實證結果分析 38
第五章　結論與建議 63
第一節　結論 63
第二節　建議 65
參考文獻 66
一、中文文獻 66
二、英文文獻 69
表4-1、倒傳遞類神經網路輸入及輸出變數 ................................................. 34
表4-2、倒傳遞類神經網路參數設定 ............................................................ 37
表4-3、全樣本公司準確率比較 .................................................................... 41
表4-4、類神經網路樣本比較 一天 .............................................................. 43
表4-5、類神經網路樣本比較 三天 .............................................................. 45
表4-6、類神經網路樣本比較 五天 .............................................................. 47
表4-7、滾動灰預測建模方式準確率比較 .................................................... 50
表4-8、改良式T+1 期比較 ........................................................................... 56
表4-9、改良式模型1 比較 ............................................................................ 57
表4-10、改良式模型2 比較 .......................................................................... 58
表4-11、改良式模型3 比較 .......................................................................... 59
表4-12、改良式模型4 比較 .......................................................................... 60
表4-13、改良式模型5 比較 .......................................................................... 61
圖1-1、研究流程圖 ......................................................................................... 7
圖2-1、效率市場假說 .................................................................................... 15
圖3-1、生物神經元架構 ................................................................................ 21
圖3-2、倒傳遞類神經網路架構 .................................................................... 25
圖3-3、灰預測系統流程圖 ............................................................................ 30
圖4-1、訓練期間樣本比較 ............................................................................ 34
圖4-2、實證研究架構圖 ................................................................................ 39
圖4-3、不同建模筆數準確率比較 ................................................................ 51
圖4-4、改良式類神經網路T+1 期比較 ........................................................ 52
圖4-5、改良後模型1 比較 ............................................................................ 53
圖4-6、改良後模型2 比較 ............................................................................ 54
圖4-7、改良後模型3 比較 ............................................................................ 54
圖4-8、改良後模型4 比較 ............................................................................ 55
圖4-9、改良後模型5 比較 ............................................................................ 55

一、中文文獻
江耕南(2004)。進階EXCEL投資理財寶典，財務資訊系統第三版。台北：知城數位科技股份有限公司。
杜金龍(1998)。技術指標在台灣股市應用的訣竅。台北：金錢文化。
何怡慧(1999)。上市公司財務績效指標灰色預測模式之研究，長榮管理學院經營管理研究所碩士論文，台南。
吳漢雄、鄧聚龍、溫坤禮(1996)。灰色分析入門。台北：高立出版社。
吳宗正、溫敏杰、侯惠月(2001)。類神經網路及統計方法在台股指數期貨預測研究之比較。成功大學學報，36，91-109，台南。
吳聖修(2003)。應用股票趨勢技術分析於動態投資組合保險中之操作策略。國立交通大學資訊管理研究所碩士論文，新竹。
李惠妍、吳宗正、溫敏杰(2006)。迴歸模式與類神經網路在臺股指數期貨預測之研究。經營管理論叢，2(1)，83-99。
林水順、莊英慎、楊川明(2005)。以灰預測模式為基的產險業產值預測分析。計量管理期刊，2(2)，219-236。
施能仁、劉定焜(1998)。臺灣股價指數之避險操作-灰色滾動模式預測。灰色系統學刊。1(2)，101-121。
姜淑美、鄭婉秀、邱建良(2003)。外資交易行為、股市及匯市動態關係之研究，風險管理學報，5(1)，45-64。
姚蕙芸、梁志民(2004)。空頭走勢期間台股股價指數及相關因素之因果關係研究。商管科技季刊，5(2)，109-127。
張百棧、王彥文、楊雯寧(2004)。混合式預測模式之發展─預測台灣股價指數之波動。工業工程學刊，21(4)，358-368。
許鈺珮、廖彥豪(2005)。三大機構投資人買賣超與台灣加權股價指數互動關係之研究。證券櫃檯月刊，114，523-543。
黃光宇、簡春娟、鄭圩珊(2006)。動態灰粗集合預測模型應用於我國外匯市場匯率之變化。第十一屆灰色系統理論與應用研討會。
溫坤禮、張簡世琨、葉鎮愷、王建文、林慧珊(2006)。 MATLAB在灰色系統理論的應用。台北：全華科技圖書股份有限公司。
葉怡成(2004)。應用類神經網路(第三版)。台北：儒林出版社。
葉銀華(1991)。台灣股票市場成交量與股價關係之實證研究－轉換函數模式。台北銀行月刊，22(11)，57-70。
劉定焜、施能仁(1998)。灰色動態模式下台灣股價指數期貨之避險策略評估研究。台灣經濟，246，32-64。
郭素菱(2002)。機構投資人與財務報表攸關性之研究。成功大學會計研究所博士論文，台南。
陳東明(1991)。台灣股票市場價量關係之實證研究。台灣大學商學研究所碩士論文，台北。
陳榮方、楊敏里(1997)。灰色理論與迴歸預測應用於短期財務預測之探討。高雄科學技術學院學報，27，217-228。
陳彥豪(2002)。外資與投信法人持股比率變化對股價報酬率影響之研究-以上市電子股為例。國立中山大學財務管理研究所碩士論文，高雄。
陳學毅(2004)。匯率預測模型績效之研究--時間序列及灰色預測模型之應用。東海大學國際貿易學系碩士論文，台中。
盧陽正、翁振益、方豪(2008)。臺灣股市三大法人持股調整、群聚效應、回饋交易、串流行為與群聚之動量持續性。管理與系統期刊，15(4)。
謝坤民(1997)。人壽保險服務品質管理之探討。壽險季刊，106，47-52。
羅傑瀛、林彥宏、王正賢(2002)。應用灰色理論於時間序列轉折點之分析與預測。大葉大學季刊，11(2)，115-127。
蕭朝興、黃聖棠、黃聖志(2008)。臺灣股市外資之投資行為。商管科技季刊，9(4)，547-573。
鄧聚龍(2000)。灰色系統理論與應用。台北：高立出版社。

二、英文文獻
Badrinath, S. G., Kale, J. R. & Noe, T. H. (1995). Of sheep and the cross-autocorrelation in equity returns. Review of Financial Studies, 8(2), 401-430.
Chan, L. K. C. & Lakonishok, J. (1995) The behavior of stock price around institutional trades. Journal of Finance, 50(4), 1147-1174.
Chiang, W.C., Urban, T. L. & Baldridge, G. W. (1996). A Neural Network Approach to Mutual Fund Net Asset Value Forecasting. The International Journal of Management Science , 24(2), 205-215.
Chiao, C. & Lin, K. I. (2004). The informative content of the net buy information of institutional investors: Evidence from the Taiwan stock market. Review of Pacific Basin Financial Markets and Policies, 7(2), 259-288.
Close, N. (1975). Price Reaction to Large Transaction in the Canadian Equity Markets. Financial Analysts Journal, 31(6), 50-57.
Davies, P. C. (1994). Design issues in neural network development. NEUROVEST Journal, 5, 21-25.
Dennis, P. J. & Strickland, D. (2002). Who blinks in volatile markets, individuals or institutions?. Journal of finance, 57(5), 1923-1949.
Daniel, K., Hirshleifer, D. & Subrahmanyam, A. (1998). Investor psychology and security market under- and over-reactions. Journal of Finance, 53(6), 1839-1886.
Fama, E. F. (1970) Efficient capital markets: a review of theory and empirical work, Journal of Finance, 25, 383-417.
Gompers, P. A. & Metrick, A. (2001). Institutional Investors and Equity Prices. The Quarter Journal of Economics, 116(1), 229-259.
Grinblatt, M., Titman, S. & Wermers, R. (1995). Momentum investment strategies, portfolio performance, and herding: A study of mutual fund behavior. American Economic Review, 85(5), 1088-1105.
Hopfield, J. J. (1982). Neural networks and physical systems with emergent computational abilities. Proc. Natl. Acad. Sci. U.S.A., 79, 2554-2558.
Hirshleifer, D., Subrahmanyam, A. & Titman, S. (1994). Security Analysis and Trading Patterns when Some Investors Receive Information before Others. Journal of Finance, 49, 1665-1698.
Jain, P. C & Joh, G. H. (1988). The dependence between hourly prices and trading volume. Journal of Financial and Quantitative Analysis, 23(3), 269-284.
Jegadeesh, N. & Titman, S. (1993). Returns to buying winners and selling losers: Implications for stock market efficient. Journal of Finance, 48(1), 65-91.
Kimoto, T., Asakawa, K., Yoda, M. & Takeoka , M. (1990). Stock Market Prediction System with Modular Neural Networks. IJCNN-90, 1, 11-16.
Kraus, A. & Stoll, H. R. (1972). Price Impacts of Block Trading on the New York Stock Exchange, Journal of Finance, 27(3), 569-588.
Lin, Man. (1989). An Application of the GM(1,1) Model : The Prediction　of Flight Safety. Journal of Grey System, 1(1), 99-102.
Lapedes, A. & Farber, R. (1987). Nonlinear Signal Processing using Neural Networks: Prediction and System Modeling. Los Alamos National Laboratory Report, 87-2662.
Lakonishok, J., Shleifer, A. & Vishny, R. W. (1992). The impact of institutional trading on stock prices. Journal of Financial Economics, 32(1), 23-43.
Nofsinger, J. R. & Sias, R. W. (1999). Herding and Feedback Trading by Institutional and Individual Investors. Journal of Finance, 54(6), 2263-2295.
Parker, G. A. (1985). Models of parent–offspring conflict. V. Effects of the behaviour of the two parents. Anim. Behav, 33, 519–533.
Rosenblatt, F. (1958), The perceptron: a probabilistic model for information storage and organization in the brain. Psych. Rev, 65, 386–407.
Refenes, A. N. & Zaidi, A. (1993). Managing Exchange Rate Prediction Strategies with Neural Networks. Techniques and Application of Neural Networks, 106-16.
Scholes, M. S. (1972). The Market for Securities: Substitution Versus Price-Pressure and the Effects of Information on Share Prices. The Journal of Business, 45(2), 179-211.
Shleifer, A. (1986). Do Demand Curves for Stocks Slope Down?. Journal of Finance, 41(3), 579-590.
Surkan, A. J. & Singleton, J. C. (1989). Neural Networks for Bond Rating Improved by Multiple Hidden. IJCNN-89, 157-162.
Yoon, Y., Swales, G. JR., & Margavio, T. M. (1993). A Comparison of Discriminant Analysis Versus Artifical Neural Networks. Journal of Operational Research Society, 44(1), 51-60.