簡易檢索 / 詳目顯示
| 研究生： |
楊豐松 Yang, Feng-Sueng |
|---|---|
| 論文名稱： |
整合式智慧型系統在資訊篩選上之研究--結合類神經網路與模糊理論以證券市場預測為例 The research on development of an integrated intelligent system for information filtering:using artificial neural network and fuzzy theory on stock market forecasting |
| 指導教授： |
林我聰
Lin, Woo-Tsong |
| 學位類別： |
碩士
Master |
| 系所名稱： |
商學院 - 資訊管理學系 Department of Management Information System |
| 論文出版年： | 1997 |
| 畢業學年度： | 86 |
| 語文別： | 中文 |
| 論文頁數： | 123 |
| 中文關鍵詞： | 資訊篩選 、類神經網路 、模糊理論 、整合式系統 、智慧型系統 |
| 外文關鍵詞： | System Intergration |
| 相關次數： | 點閱：114 下載：0 |
| 分享至: |
| 查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報 |
在資訊爆炸的時代，處於日趨複雜的環境及多重資訊來源管道之下，如何從大量及瑣碎的資訊中找出「重要且有用」的部份，藉以輔助企業或個人制定正確的決策，並降低資訊取得的成本，是資訊人員在設計資訊系統時所必須考量的重要因素之一，因此，資訊篩選(Information filtering)已成為當務之急，更顯示出其重要性。
本研究之主要目的在於整合類神經網路與模糊理論以建立一個通用型資訊篩選之演算法，藉由此演算法可篩選出重要之決策變數，減少資訊的使用量，達到相同或類似的決策結果，進而降低後續資訊蒐集之成本。最後並以四個XOR實驗及國內上市公訂股價預測為例，以測試本研究所開發出來之演算法的正確性及實用性。就XOR實驗結果顯示均能迅速且正確的篩選出重要的輸入資訊；而在股價預測方面，結合基本面分析及技術面分析，根據個別公司的特性及不同的時間點，能夠篩選出其重要的預測變數，可作為股市投資者之重要參考依據。因此，藉由本演算法所開發出來的系統，可以達到資訊篩選的目的。
At the time of information explosion, how to filter the important and useful parts from a large and trivial information pool is one of the most important factors considering in designing information systems which are used to assist users making right decisions by MIS managers. The purpose of this research is to integrate two technologies. Artificial Neural Network and Fuzzy Theory, to develop a generalized algorithm to filter important information. We hope that using this algorithm we can (1)filter the important decision variables, (2)decrease the information usage, and (3)reduce the cost of information collection. Finally, we made four experiments on the XOR system and stock market forecasting to test the accuracy and practicability of the information filter algorithm. The results of experiments showed that the algorithm could filter the important information correctly and quickly.
第一章 緒論
1.1 研究背景與動機-----1
1.2 研究目的-----4
1.3 研究方法與步驟-----5
1.4 研究範圍-----7
1.5 研究假設與限制-----9
1.6 操作性定義-----10
1.7 章節架構-----13
第二章 文獻探討與理論基礎
2.1 資訊篩選方法之相關文獻探討-----15
2.1.1 資料發掘-----15
2.1.2 統計方法於資訊篩選上的應用-----17
2.2 類神經網路-----21
2.2.1 類神經網路的原理與架構-----22
2.2.2 後向傳導式類神經網路-----24
2.2.3 類神經網路在資訊篩選上之應用-----26
2.3 模糊理論-----28
2.3.1 模糊集合-----28
2.3.2 概似推論-----30
2.3.3 模糊控制-----37
2.4 系統整合之相關文獻探討-----39
2.2 股價分析與預測之相關文獻探討-----41
2.5.1 基本分析-----41
2.5.2 技術分析-----42
2.5.3 類神經網路在股市預測之應用-----43
第三章 資訊篩選演算法之建立
3.1 資訊篩選演算法之概念-----45
3.2 定義資訊篩選演算法所使用之符號-----54
3.3 資訊篩選演算法第一階段之建立-----63
3.4 資訊篩選演算法第二階段之建立-----64
3.5 資訊篩選演算法流程圖-----66
第四章 實例驗證
4.1 XOR實例驗證-----70
4.1.1 第一個又XOR實驗-----70
4.1.2 第二個又XOR實驗-----74
4.1.3 第三個又XOR實驗-----76
4.1.4 第四個又XOR實驗-----80
4.1.5 XOR實驗之結論-----83
4.2 國內上市公司各股股價預測實例驗證-----85
4.2.1 樣本收集-----85
4.2.2 資料處理-----85
4.2.3 實驗步驟-----89
4.2.4 實驗結果-----90
4.2.5 股價預測實驗之結論-----113
第五章 結論
5.1 總結-----115
5.2 未來研究方向及建議-----117
參考文獻-----11
表2-1 常用之邏輯運算子-----32
表2-2 模糊關連的方法-----33
表2-3 五種解模糊的方法-----35
表4-1 XOR的輸出輸入值對應關係-----70
表4-2 第一個XOR實驗之訓練範例-----71
表4-3 第一個XOR實驗之參數設定-----72
表4-4 第一個XOR實驗之連結強度初始值-----72
表4-5 第一個XOR實驗之本演算法訓練後的連結強度初始值-----72
表4-6 第一個XOR實驗之傳統BP演算法訓練後的連結強度初始值-----73
表4-7 第一個又XOR實驗之重複實驗30次結果-----73
表4-8 第二個又XOR實驗之訓練範例-----74
表4-9 第二個又XOR實驗之參數設定-----75
表4-10 第二個XOR實驗之連結強度初始值-----75
表4-11 第二個XOR實驗之本演算法訓練後的連結強度初始值-----76
表4-12 第二個XOR實驗之傳統BP演算法訓練後的連結強度初始值-----76
表4-13 第二個XOR實驗之重複實驗30次結果-----77
表4-14 第三個XOR實驗之訓練範例-----78
表4-15 第三個XOR實驗之參數設定-----78
表4-16 第三個XOR實驗之連結強度初始值-----79
表4-17 第三個XOR實驗之本演算法訓練後的連結強度初始值-----79
表4-18 第三個XOR實驗之傳統BP演算法訓練後的連結強度初始值-----79
表4-19 第三個XOR實驗之重複實驗30次結果-----80
表4-20 第四個XOR實驗之參數設定-----81
表4-21 第四個XOR實驗之訓練範例-----82
表4-22 第四個XOR實驗之連結強度初始值-----82
表4-23 第四個XOR實驗之本演算法訓練後的連結強度初始值-----82
表4-24 第四個XOR實驗之傳統BP演算法訓練後的連結強度初始值-----83
表4-25 第四個XOR實驗之重複實驗30次結果-----84
表4-26 四個財務比率之定義-----86
表4-27 內插法之變數說明-----86
表4-28 六個技術指標之定義-----87
表4-29 一階變動量與二階變動量之計算方法-----88
表4-30 台塑訓練範例的原始資料-----92
表4-31 台塑訓練範例的一階與二階的變動量-----94
表4-32 正規化後台塑訓練範例的一階與二階的變動量-----95
表4-33 台塑之網路相關參數設定-----97
表4-34 台塑之網路連結強度初始值-----97
表4-35 台塑之訓練後網路連結強度值-----98
表4-36 台塑之訓練範例的網路輸出-----99
表4-37 台塑測試範例的原始資料-----99
表4-38 台塑測試範例的一階與二階的變動量-----99
表4-39 正規化後台塑測試範例的一階與二階的變動量-----100
表4-40 台塑之測試範例的網路輸出-----100
表4-41 台塑之訓練範例的刪除輸入結點前後之網路輸出-----101
表4-42 台塑之測試範例的刪除輸入結點前後之網路輸出-----102
表4-43 台泥訓練範例的原始資料-----103
表4-44 台泥訓練範例的一階與二階的變動量-----104
表4-45 正規化後台泥訓練範例的一階與二階的變動量-----106
表4-46 台泥之網路相關參數設定-----107
表4-47 台泥之網路連結強度初始值-----108
表4-48 台泥之訓練後網路連結強度值-----108
表4-49 台泥之訓練範例的網路輸出-----109
表4-50 台泥測試範例的原始資料-----109
表4-51 台泥測試範例的一階與二階的變動量-----110
表4-52 正規化後台泥測試範例的一階與二階的變動量-----111
表4-53 台泥之測試範例的網路輸出-----111
表4-54 台泥之訓練範例的刪除輸入結點前後之網路輸出-----112
表4-55 台泥之測試範例的刪除輸入結點前後之網路輸出-----112
圖1-1 決策模式的一般架構-----3
圖1-2 通用型資訊篩選演算法-----6
圖2-1 選取預測變數的方法-----17
圖2-2 簡單處理運算元(node)-----22
圖2-3 常用之三種激發函數-----23
圖2-4 多層前饋式網路架構-----23
圖2-5 身高為“高”的隸屬函數-----30
圖2-6 模糊推論系統方塊-----31
圖2-7 模糊推論系統-----34
圖2-8 兩種模糊關連的方法-----34
圖2-9 概似推論-----36
圖2-10 模糊控制-----38
圖2-11 四種類神經網路與模糊理論整合的方式-----40
圖3-1 資訊篩選演算法之運作方式-----46
圖3-2 模糊控制輸入變數之隸屬函數-----49
圖3-3 模糊控制輸出變數之隸屬函數-----49
圖3-4 模糊控制規則表-----49
圖3-5 模糊控制中的推論過程-----50
圖3-6 判斷輸入結點為“重要”與“不重要”之隸屬函數-----52
圖3-7 45度線之隸屬函數-----52
圖3-8 概似推論輸出變數之隸屬函數-----52
圖3-9 概似推論之推論過程-----53
圖3-10 演算法第一階段之流程圖-----66
圖3-11 演算法第二階段之流程圖-----67
圖3-12 調整連結強度值adj_w()函數之流程圖-----68
圖4-1 股價預測之實驗設計-----91
(限達賢圖書館四樓資訊教室A單機使用)