臺灣博碩士論文加值系統

油價對於經濟發展有著連動關係，原油價格大幅波動對於石油進口國和石油出口國有重大的影響，而從油價歷史來看，油價波動的不確定性通常是因為突發性事件所造成，例如:金價、政治因素、股市、美元匯率、投資因素、OPEC產出、美國制裁好戰國家、氣候因素及石油庫存等因素。這些事件引來了學術界對於油價波動的原因與石油價格波動對總體經濟的影響，以及作為主要石油輸出國組織(OPEC)在國際石油市場上的地位和作用等等這些問題的更多更深入的探討，本研究期望對於從事原油相關產業或相關學術研究者，提供預測油價的相關研究。
本研究以時間序列灰色預測以及比較模型線性迴歸、M5模式樹、隨機森林模型預測西德州及布蘭特原油價格。使用變數為OPEC原油產量、OPEC剩餘原油產能、OECD石油消費量、OECD石油庫存量、美元指數、美國原油淨進口、Kilian經濟指數、原油期貨價格。利用灰色建模誤差、搜尋趨勢及整合策略的篩選策略組合基礎模型。採用MAPE、RMSE、MAE評估標準以及單變量檢定、Duncan事後檢定來評估預測模型的準確度，結果顯示利用搜尋趨勢篩選策略將灰色預測與M5模式樹組合之模型相對於其他模型有較佳的準確度。

There's a close relation between oil price and economic development. When crude oil prices increase or drop dramatically, that will have a great impact on oil-importing and oil-exporting countries. Throughout the history of oil prices, the uncertainty of oil prices changes are due to sudden events such as gold prices, politics, stock markets USD exchange rate, investments, OPEC output, USA fighting against warlike countries, climate, and oil in stock factors. These events cause the academia have further discussion about these factors. First, they need to know why the events lead to oil prices change, which also influence the economy of the world. Besides, they need to discuss that, as a member of OPEC, what important place they occupy and what functions they have. The study expect to offer basic information of oil prices change to those have concern over crude oil-related industries.
The study uses Grey Prediction and Linear Regression, M5 Model Trees, Random Forests for forecasting West Texas oil price and Brent oil price. Crude oil variables includes OPEC oil Production, OPEC Spare Crude Oil Production Capacity, OECD Petroleum Consumption, OECD Petroleum Stocks, USA Dollar Index, USA Net Imports of Crude Oil, Kilian’s Global economic index, Crude oil futures prices. The study also apply Grey Model Residual Error, Google trends and integration Strategy to form combined model. And then it adopts MAPE, RMSE, MAE, analysis of variance and Duncan multiple range test to assess model. It turns out that by using Google Trends strategy, the combination of Grey Prediction and M5 model trees has better accuracy.

目 錄
摘要............................ .............I
ABSTRTACT...................................II
誌 謝.......................................III
目 錄........................................IV
表目錄.......................................VI
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 研究流程與架構..........................4
第二章 相關理論與文獻回顧......................7
第一節 原油相關文獻...........................7
第二節 灰色理論相關文獻.......................10
第三節 線性迴歸相關文獻.......................12
第四節 M5模式樹與隨機森林相關文獻..............13
第三章 研究方法...............................15
第一節 灰色預測..............................15
第二節 線性回歸..............................19
第三節 M5模式樹..............................23
第四節 隨機森林..............................26
第五節 模型篩選策略..........................29
第六節 模型評估檢定指標.......................34
第四章 實證結果與分析..........................36
第一節 資料來源..............................36
第二節 變數說明..............................36
第三節 預測西德州原油之各模型執行結果...........39
第四節 預測布蘭特原油之各模型執行結果...........49
第五節 預測西德州原油及預測布蘭特原油之綜合比較..56
第六節 變異數檢定比較結果分析..................58
第五章　結論與建議.............................65
第一節 結論..................................65
第二節 未來研究方向與建議......................66
參考文獻......................................67
表 目 錄
表4-1　預測西德州原油之基礎模型之比較............42
表4-2　預測西德州原油策略一之組合模型比較.........44
表4-3　預測西德州原油策略二之組合模型比較.........46
表4-4　預測西德州原油策略三之組合模型比較.........47
表4-5　預測西德州原油各篩選策略之組合模型比較......49
表4-6　預測布蘭特原油之基礎模型之比較.............50
表4-7　預測布蘭特原油策略一之組合模型比較..........51
表4-8　預測布蘭特原油策略二之組合模型比較..........53
表4-9　預測布蘭特原油策略三之組合模型比較..........55
表4-10 預測布蘭特原油各篩選策略之組合模型比較......56
表4-11 西德州原油模型敘述統計表...................59
表4-12 西德州原油模型假設檢定.....................60
表4-13 西德州原油模型Duncan檢定表.................61
表4-14 布蘭特原油模型敘述統計表...................62
表4-15 布蘭特原油模型假設檢定.....................63
表4-16 布蘭特原油模型Duncan檢定表.................64
圖 目 錄
圖1-1 原油歷史價格(1965-2009)....................2
圖1-2 原油歷史價格(2010-2015)....................3
圖1-3 研究架構...................................6
圖3-1　模式樹修剪.................................26
圖3-2 建模誤差篩選策略流程圖......................30
圖3-3 Google Trends與國際原油現貨價格線性圖.......32
圖3-4 Google Trends篩選策略流程圖................32
圖3-5 建模誤差&Google Trends篩選策略流程圖........33
圖4-1 西德州原油現貨價格與Google Trends線性圖......45
圖4-2　西德州原油現貨價格與Google Trends線性圖......52

一、中文部份
1.王家根(2007)。以灰色理論模式預測我國營造業職災率之研究。未出版碩士論文。中國文化大學勞動學研究所，台北。
2.李暢、楊再斌(2007)。國際石油價格波動特點及影響因素的實證分析。資源科學，29(1)，178-183。
3.宋玉華、林治乾(2007)。國際石油期貨價格與現貨價格動態關係的實證研究。中國石油大學學報，23(5)，1-5。
4.何亞男、汪壽陽(2011)。世界經濟與國際原油價格:基於kilian經濟指數的協整分析。系統工程理論與實踐，31(2)，221-228。
5.曾波，劉思峰，方志耕，谢乃明(2009)。灰色組合預測模型及其應用。中國管理科學，150-155。
6.黃錫鴻(2009)。應用灰色理論預測半導體設備消耗性零件需求量。未出版碩士論文。國立中央大學工業管理研究所，桃園。
7.黃哲賢(2012)。應用線性迴歸模型於射頻IC 特性預測。未出版碩士論文，國立交通大學，新竹。
8.鄧聚龍(1986)。灰色預測與決策。中國湖北:華中理工大學出版社。
9.劉定焜、施能仁(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。
10.劉湘雲、朱春(2008)。美元貶值和石油價格變動相關性的實證分析。國際金融研究，11，150-155。
11.謝坤民(1997)。長期火災保險之研究。未出版碩士論文。逢甲大學保險研究所，台中。
二、英文部分
1.Archer, J. & Kimes, R. (2008). Empirical characterization of random forest variable importance measures, Computational Statistics & Data Analysis,52, 2249 - 2260.
2.Ahmad Kazem, Ebrahim Sharifi, Farookh Khadeer Hussain, Morteza Saberi & Omar Khadeer Hussain, (2012). Support vector regression with chaos-based firefly algorithm for stock market price forecasting,Applied Soft Computing,(24),1-25.
3.Bates, J. M. & Granger C.W.J.(1969).The Combination of Forecasts, Operational Research Quarterly,(4),451-468.
4.Breiman, L., Friedman, J.H., Olshen, R.A., & Stone, C.J. (1984). Classification and Regression Trees, Belmont, CA:Wadsworth International Group.
5.Breiman, L.& Cutler, A. (2001). Random Forests, Machine Learning ,45(1), 5-32.
6.Chang, K. H. & Wu, C. S. (1998). A Gray Time Series Model on Forecasting the Chinese New Year Effect in the Taiwan Stock Market,Journal of Grey System,55-63.
7.Hotelling,H. (1931).The Economics of Exhaustible Resources.The Journal of Political Economy,39(2),137-175.
8.Hamilton, J.(1983). Oil and Macroeconomy since World War Ⅱ, Journal of Monetary Economics, 38, 215-220.
9.Holmes, G., Hall, M., & Frank, E. (1999).Generating Rule Sets from Model Trees,Proceedings of the 12th Australian Joint Conference on Artificial Intelligence,Sydney, Australia, 1747,1-12.
10.Krogh,A.&Vedelsby, J. (1995). Neural Network Ensenbles, Cross Validation and Active Learning, Neural Computing＆Applications,7,231-238.
11.Kilian, L. (2008).Not all oil price shocks are alike：Disentangling demand and supply shocks in the crude oil market, Ann Arbor：University of Michigan.
12.Lewis, E. B. (1982) Control of body segment differentiation in Drosophila by the bithorax gene complex, Embryonic Development, Part A: Genetics Aspects, Edited by Burger, M. M. and R. Weber. Alan R. Liss. New York, 269-288.
13.National Institute of Standards and Technology, (2003) NIST, Engineering statistics handbook.
14.Quinlan, J.R. (1992). Learning with continuous classes, Proceedings of the Australian Joint Conference on Artificial Intelligence, 343-348.
15.Statnikov, A. Wang, L. & Aliferis, C.F. (2008). A comprehensive comparison of randomforests and support vector machines for microarray-based cancer classification ,BMC Bioinformatics
16.Zhang, (2013).The Links between the Price of Oil and the Value of US Dollar, International Journal of Energy Economics and Policy,3(4),341-351.