現在位置首頁 > 博碩士論文 > 詳目
論文中文名稱:以希爾伯特-黃轉換及類神經網路模式為基礎的財務時間序列預測模型 [以論文名稱查詢館藏系統]
論文英文名稱:Financial Time Series Prediction Model Based on Hilbert-Huang Transform and Artificial Neural Network [以論文名稱查詢館藏系統]
院校名稱:臺北科技大學
學院名稱:管理學院
系所名稱:商業自動化與管理研究所
畢業學年度:98
出版年度:99
中文姓名:洪健儀
英文姓名:Jian-Yi Hong
研究生學號:97488047
學位類別:碩士
語文別:中文
口試日期:2010-06-25
論文頁數:43
指導教授中文名:邱志洲
指導教授英文名:Chih-Chou Chiu
口試委員中文名:蔡榮發;駱至中
口試委員英文名:Jung-Fa Tsai;Zhi-Zhong Luo
中文關鍵詞:財務時間序列預測希爾伯特-黃轉換經驗模態分解測試接受法倒傳遞類神經網路
英文關鍵詞:Financial time series predictionHilbert-Huang TransformEmpirical Mode DecompositionTesting-and-AcceptanceBack-propagation Neural Network Method
論文中文摘要:由於傳統的時間數列預測方法會因財務時間序列資料的非線性及非穩態的特性而有所限制,因此本研究採用黃鍔等學者在1998年所提出的希爾伯特-黃轉換,透過經驗模態分解將資料分解為一組頻率由高至低的本質模態函數,以呈現時間序列中不同頻率空間中的資訊。本研究再以測試接受法將本質模態函數進行重要程度的排序,藉此篩選出雜訊。最後,以排除雜訊後的本質模態函數組合做為輸入變數,利用倒傳遞類神經模式建置預測模型。為了驗證本研究所提方法的可行性,本研究以台灣加權指數、台灣摩根指數以及台灣電子指數的收盤價格歷史資料作為實證資料。實證結果顯示,經由經驗模態分解後的本質模態函數可呈現財務時間序列資料在不同頻率空間上的重要特徵,而測試接受法也可有效排序重要程度去除雜訊,進而提升預測模型的正確率。因此本研究結果可以有效提供投資者判斷未來趨勢方向時的重要參考資訊。
論文英文摘要:The time series prediction method was usually limited by the non-linearity and non-stationary of the financial time series data. As a result, Hilbert-Huang transform (HHT) was adapted in this paper. Through the processes of the empirical mode decomposition (EMD), the time series data could be decomposed into intrinsic mode function (IMF) components. Therefore, important patterns in different frequency spaces could be shown. Further, Testing-and-Acceptance method was used to sort the IMF components according to their importance to filter out the noise. Finally, the IMF components which are not noises were used to be the input variables of the back-propagation neural network method. The empirical results show that Hilbert spectrum analysis could be effectively used to explain the important characteristic of the financial time series. Further, the empirical results also demostrate that the back-propagation neural network forecasting model can accurately predict with Hilbert-Huang transform.
論文目次:摘 要 i
誌 謝 iv
目 錄 v
表目錄 vi
圖目錄 vii
第一章 緒論 1
1.1 研究背景及動機 1
1.2 研究目的 2
1.3 研究架構 3
第二章 文獻探討 4
2.1 市場效率假說 4
2.2 希爾伯特-黃轉換 5
2.3 類神經網路 7
第三章 研究方法 12
3.1 資料前處理 13
3.2 希爾伯特-黃轉換 13
3.3 測試接受法 17
3.4 倒傳遞類神經網路 18
第四章 研究結果 20
4.1資料前處理 20
4.2 經驗模態分解(EMD) 22
4.3 希爾伯特頻譜分析 27
4.4 測試接受法 31
4.5 倒傳遞類神經網路預測模式 33
第五章 結論與建議 40
參考文獻 41
論文參考文獻:[1] 王升錦,鯉魚潭水庫大壩受震反應分析,碩士論文,國立中央大學土木工程學系,桃園,2003。
[2] 伍次寅、王淑音、王傳禎、蘇致遠,生物訊號之瞬時頻率頻譜分析,行政院國家科學委員會專題研究計畫,國立臺灣大學機械工程學系暨研究所,台北,2003。
[3] 吳明桂,「金融時間序列的相位統計分析」,物理雙月刊,第三卷,第三期,2008,第257-264頁。
[4] 吳哲榮,結合灰色理論與經驗模態分解法於固定路線車輛旅行時間之預測,碩士論文,國立中央大學土木工程學系,桃園,2009。
[5] 呂奇傑、李天行、劉柏君,應用小波轉換與倒傳遞類神經網路於股價指數之預測,2005資訊與管理應用研討會,元培技術學院,新竹,2005。
[6] 杜金龍,基本分析在台灣股市應用的訣竅,台北:財訊出版社,2002。
[7] 林金賢、李淑惠,「技術指標與股價漲跌幅非線性關係之獲利能力之探討」,台灣管理學刊,第六卷,第一期,2006,第129-156頁。
[8] 林漢洲,財務時間序列預測混合模型之研究,碩士論文,國立宜蘭大學經營管理研究所,宜蘭,2009。
[9] 洪暉程,總體經驗模態分解法(EEMD)結合自回歸(AR)模型在旋轉機械之元件鬆脫故障診斷之應用,碩士論文,國立中央大學光機電工程研究所,桃園,2009。
[10] 高梓森,台灣股市技術分析之實證研究,碩士論文,國立臺灣大學財務金融研究所,台北,1993。
[11] 張振魁,以類神經網路提高股票單日交易策略之獲利,碩士論文,國立中央大學資滿訊管理學系碩士班,桃園,2000。
[12] 張毓堯,聖嬰現象對臺灣沿海水位波動的影響,碩士論文,國立臺灣大學海洋研究所,台北,2009。
[13] 郭英哲,應用倒傳遞類神經網路技術於臺灣指數期貨預測之研究,碩士論文,南台科技大學資訊管理研究所,台南,1994。
[14] 陳宏南,希爾伯特頻譜於橋梁非破壞檢測之應用,碩士論文,國立中央大學士木工程學研究所,桃園,2001。
[15] 陳學群,應用獨立成份分析、支援向量迴歸及類神經網路於財務時間序列模式之建構,碩士論文,輔仁大學應用統計研究所,台北,2006。
[16] 傅承德,金融市場結構轉換次數的偵測,碩士論文,國立中央大學統計研究所,桃園,2008。
[17] 楊文熙,股票變化之穩健預測,碩士論文,國立中央大學統計研究所,桃園,2003。
[18] 楊榮力,以非線性獨立成份分析、支援向量迴歸及類神經網路建構財務時間序列預測模型,碩士論文,國立台北科技大學商業自動化與管理研究所,台北,2009。
[19] 葉怡成,類神經網路模式應用與實作,台北:儒林圖書有限公司,2003。
[20] 鄒杰夫,台灣上市類股股價預測模測模型究-倒傳遞類神經網路模型之應用,碩士論文,玄奘大學財務金融學系,新竹,2008。
[21] 廖清達,綜合性技術指標的有效性驗證-兼論台灣股市的弱勢效率性假說,碩士論文,國立東華大學國際經濟研究所,花蓮,1997。
[22] 鄭佩欣,以K線型態辨識為基礎的投資決策模式,碩士論文,國立台北科技大學商業自動化與管理研究所,台北,2009。
[23] 羅順年,運用類神經網路研究股市量能對台灣證交所指數期貨的波動影響及預測,碩士論文,育達商業技術學院資訊管理研究所,苗栗,2004。
[24] C. S. Eun, and S. Shim, "International transmission of stock market movements," Journal of Financial and Quantitative Analysis, vol. 24, no. 2, 1989, pp. 241-256.
[25] E. F. Fama, "Efficient capital markets: a review of theory and empirical work," The Journal of Finance, vol. 25, no. 2, 1970, pp. 383-417.
[26] F. Rosenblatt, "The perceptron: A probabilistic model for information storage and organization in the brain," Psychological Review, vol. 65, no. 6, 1958, pp. 386-408.
[27] H. Li, L. Yang, and D. Huang, "The study of the intermittency test filtering character of hilbert-huang transform," Mathematics and Computers in Simulation, vol. 70, no. 1, 2005, pp. 22-32.
[28] N. E. Huang, M. L. Wu, W. Qu, S. R. Long, S. S. P. Shen, and J. E. Zhang, "Applications of hilbert-huang transform to non-stationary financial time series analysis," Applied Stochastic Models in Business and Industry, vol. 19, no. 3, 2003, pp. 245-268.
[29] N. E. Huang, Z. Shen, S. R. Long, M. C. Wu, H. H. Shih, Q. Zheng, N. C. Yen, C. C. Tung, and H. H. Liu, "The empirical mode decomposition and the hilbert spectrum for nonlinear and non-stationary time series analysis," Proceeding of Royal Society, Series A, no. 454, 1998, pp. 903-995.
[30] D. E. Rumelhart, G. E. Hinton, and R. J. Williams, "Learning internal representation by error propagation," Parallel Distributed Processing, vol. 1, 1986, pp. 318-362.
[31] Z. Wu, and N. E. Huang, "Ensemble empirical mode decomposition: a noise-assisted data analysis method," Advances in Adaptive Data Analysis, vol. 1, no. 1, 2004, pp. 1-41.
[32] Y. Yoon, G. Swales Jr., and T. M. Margavio, "A comparison of discriminant analysis versus artificial neural networks," The Journal of the Operational Research Society, vol. 44, no. 1, 1993, pp. 51–60.
論文全文使用權限:同意授權