運用漸進模糊類神經網路於預測每股盈餘
成長率之研究

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：29

、訪客IP：3.145.23.123

姓名

吳佩穎(Pei-Yin Wu) 查詢紙本館藏

畢業系所

資訊管理學系

論文名稱

運用漸進模糊類神經網路於預測每股盈餘成長率之研究

相關論文

★ 以關係基因演算法為基礎之一般性架構解決包含限制處理之集合切割問題	★ 類神經網路於股價波段預測及選股之應用
★ 彩色影像視覺密碼之製作	★ 以類神經網路提高股票單日交易策略之獲利
★ 智慧型多準則決策支援研究：以交談式遺傳演算法為基礎的模型	★ 應用遺傳演算法於財務指標選股策略之探討
★ 遺傳演算法於股市資金分配策略應用上之研究	★ 組合編碼遺傳演算法於投資組合及資金分配之應用
★ 遺傳程式規劃於股市擇時交易策略之應用	★ 應用遺傳演算法於向量量化之新編碼簿設計法
★ 遺傳演算法於股市選股與擇時策略之研究	★ 多目標遺傳演算法於基本面選股策略之應用
★ 偵測灰階影像中的人造物體	★ 基於非擴展式視覺密碼之浮水印技術
★ 無須訓練的向量量化編碼簿設計法	★ 證券交易策略發掘

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

投資人的投資目的是為了獲取合理的報酬，因此若能透過基本分析預測公司未來獲利狀況，得知該公司未來是否為營運獲利良好之公司，將可藉此增加投資報酬並減少投資的風險。從過去許多文獻以及投資應用中得知每股盈餘為投資者相當有用之參考資訊，但也發現過去相關研究通常在只運用公司面資訊進行每股盈餘之預測，且對於資訊時間發佈不一致之現象並無相關處理。故本研究將總經
面、產業面與公司面因素同時納入，對每股盈餘進行預測，且嘗試提出漸進修正模型法對資訊時間發佈之不一致此一現象進行處理。本研究以電子類股以及金融類股為標的進行驗證，經由驗證結果顯示考慮較多層面因素確可勝過單獨考慮公司面因素，且其效果也勝於線性迴歸。在投資報酬率部分發現，若可完全預測正確，在電子業方面其理想報酬率遠勝於大盤，在金融業方面雖無如此明顯之效果，但亦略勝於大盤。本研究雖無法完全正確預測，但其效果尚可令人接受。在漸進模型修正法之實驗結果顯示，若可靈活運用最新資訊，則多數情形下可有效提高預測之正確性。

關鍵字(中)

★ 漸進模糊類神經網路
★ 每股盈餘
★ 基本分析

關鍵字(英)

論文目次

第1章緒論…………………………………………………………………………1
1.1 研究背景與動機……………………………………………………………1
1.2 研究目的…………………………………………………………………….2
1.3 研究步驟…………………………………………………………………….2
1.4 論文架構…………………………………………………………………….3
第2章文獻探討…………………………………………………………………….4
2.1 盈餘相關研究……………………………………………………………….5
2.2 類神經網路………………………………………………………………….8
2.3 模糊理論…………………………………………………………………….12
2.4 模糊類神經網路…………………………………………………………….16
第3章研究架構……………………………………………………………………21
3.1 研究流程……. ……………………………………………………………..21
3.2 輸入變數…………………………………………………………………….22
3.3 輸出變數…………………………………………………………………….24
3.4 規則庫……………………………………………………………………….25
3.5 時間移動視窗……………………………………………………………..25
3.6 交易策略和報酬率評估…………………………………………………….26
3.7 漸進模型修正法…………………………………………………………….26
3.8 實驗設計….…………………………………………………………………27
第4章實驗結果………………………………………………………………….29
4.1 實驗一：變數效果……………………………………………………….29
4.2 實驗二：漸進模型修正法……………………………………………….34
第5章結論與建議……………………………………………………………….41
5.1 研究結果………………………………………………………………….41
5.2 研究貢獻………………………………………………………………….41
5.3 未來研究方向…………………………………………………………….42
參考文獻……………………………………………………………………..…….43
附錄…………………………………………………………………………..…….46

參考文獻

1. M. Bagoni, M. D. Beneish, and S. G. Watts (1999), “Whisper Forecasts of
Quarterly Earnings per Share,” Journal of Accounting and Economics, Vol. 28,
pp. 27–50.
2. S. P. Bandyopadhyay, L. D. Brown, and G. D. Richardson (1995), “Analysts’ Use
of Earnings Forecasts in Predicting Stock Returns: Forecasts Horizon Effects,”
International Journal of Forecasting, Vol. 11, pp. 429-445.
3. M. J. A. Berry and G. Linoff (1997), Data Mining Techniques For Marketing,
Sales, and Customer Support, John Wiley & Sons.
4. J. L. Callen (1996), “Neural Network Forecasting of Quarterly Accounting
Earnings,” International Journal of Forecasting, Vol. 12, No. 4, pp. 475-482.
5. D. M. Cutler, J. M. Poterba, and L. H. Summers (1989), “What Moves Stock
Prices?” The Journal of Portfolio Management, Vol. 15, pp. 4-12.
6. P. D. Easton (1986), “Accounting Earnings and Security Valuation: Empirical
Evidence of the Fundamental Links,” Journal of Accounting Research, Vol. 23,
pp. 54-77.
7. W. A. Farag and V. H. Quintana, and G. Lambert-Torres (1998), “A
Genetic-Based Neuro-Fuzzy Approach for Modeling and Control of Dynamical
System,” IEEE Trans. Neural Networks, Vol. 9, pp. 756-767.
8. J. S. R. Jang, C. T. Sun, and E. Mizutani (1997), Neuro-Fuzzy and Soft
Computing, Prentice Hall.
9. T. Kimoto, K. Asakawa, M. Yoda, and M. Takeoka (1990), “Stock Market
Prediction System with Modular Neural Networks,” in Proceedings of the 1990
International Joint Conference on Neural Networks, Vol. 1, pp. 11-16.
10. J. A. Ou and S. H. Penman (1989), “Financial Statement Analysis and the
Prediction of Stock Returns,” Journal of Accounting and Economics, Vol. 12, No.
4, pp. 296-329.
11. J. A. Ou (1990), “The Information Content of Non-earnings Accounting
Numbers as Earnings Predictors,” Journal of Accounting Research, Vol. 28, No.
1, pp. 44-163.
12. K. Schipper (1991), “Commentary on Analysts’ Forecasts,” Accounting Horizons,Vol. 5, pp. 105–121.
13. T. A. Shimerda (1978), Financial Ratios as Predictors of Profitability,
Microfilms, no. 7910516, Ph. D. Dissertation, University of Nebraska.
14. 杜金龍(2001)，「價值分析在台灣股市個股應用之訣竅」，財訊出版社。
15. 杜金龍(2002)，「基本分析在台灣股市應用的訣竅」，財訊出版社。
16. 周秀嫚(2004)，「運用財務比率預測航運業每股盈餘之研究」，國立海洋大
學航運管理學系碩士在職專班。
17. 胡國瑜(1996)，「類神經網路產業盈餘預測及其投資策略之研究-以電子電機
及紡織業為例」，國立政治大學資訊管理系碩士論文。
18. 馬德信(2003)，「應用模糊類神經技術對台股之模擬投資實證研究」，朝陽
科技大學財務金融系碩士論文。
19. 許欣欣(1995)，「現金流量與相關會計變數對於股價報酬關連性之研究」，
國立政治大學會計研究所碩士論文。
20. 陳文勇(1999)，「台灣電子產業股價與經營績效-獲利能力之關聯研究」，大
葉大學事業經營研究所碩士論文。
21. 陳怡雅(2001)，「利用類神經模糊理論建構價指標交易系統之績效研究」，
靜宜大學資訊管理學系碩士論文。
22. 陳建欣(2002)，「價量技術指標交易系統之績效研究－類神經模糊之應
用」，靜宜大學企業管理學系碩士論文。
23. 黃柏農(1998)，「臺灣的股價與總體變數之間的關係」，證券巿場發展季刊，
第十卷第四期，pp. 89-109。
24. 葉怡成(1995)，「應用類神經網路」，儒林圖書。
25. 鄭淳方(2001)，「季盈餘宣告對股價影響之實證研究—月營收資訊盈餘預測
模型之利用」，國立台灣大學會計研究所碩士論文。

指導教授

侯永昌、陳稼興
(Young-Chang Hou、Jiah-Shing Chen)

審核日期

2004-6-21

推文