Full metadata record
DC FieldValueLanguage
dc.contributor.author林聖智en_US
dc.contributor.authorSheng-Chih Linen_US
dc.contributor.author陳安斌en_US
dc.contributor.authorAn-Pin Chenen_US
dc.date.accessioned2014-12-12T01:18:01Z-
dc.date.available2014-12-12T01:18:01Z-
dc.date.issued2007en_US
dc.identifier.urihttp://140.113.39.130/cdrfb3/record/nctu/#GT009534515en_US
dc.identifier.urihttp://hdl.handle.net/11536/39199-
dc.description.abstract由選擇權所推導出之波動率指數,具有描述投資人對未來市場波動預期的特徵,也同時呈現出投資人在市場下跌時的恐慌程度,因此本研究希望透過傳統數學、統計之外的研究方式,嘗試以人工智慧的方法學針對有投資人恐懼指標的選擇權波動率指數進行研究,希望從市場參與者對台指選擇權的投資行為當中,萃取出行為模式以提供投資決策的輔助依據。 本研究所提出的人工智慧方法結合了自組織映射圖神經網路與倒傳遞類神經網路(SOM-BPNN)模型,實驗流程中先藉由自組織映射圖神經網路的分群能力,對進行投資決策時的金融投資環境進行分群,再透過倒傳遞類神經網路的學習能力,針對選擇權波動率指數及其技術指標進行訓練,最後利用群體決策的方式決定出最終的多空交易策略,並伴以隨機交易模型、倒傳遞類神經網路模型做為對照組,比較不同模型間的投資績效。 從實驗結果得知,SOM-BPNN模型與兩個對照組:隨機交易模型及倒傳遞類神經網路模型相比,在預測準確度及獲利能力上,皆有較佳的表現,可知先經由自組織映射圖神經網路對於不同投資背景分群的SOM-BPNN模型,能將外在的金融環境因素單純化,讓投資的準確率提高,同時整體的獲利績效也獲得提升並更加地穩定,故能提供一般投資大眾及專業投資人員,擁有穩健獲利表現的交易決策輔助模型。zh_TW
dc.language.isozh_TWen_US
dc.subject自組織映射圖神經網路zh_TW
dc.subject倒傳遞類神經網路zh_TW
dc.subject波動率指數zh_TW
dc.subject群體決策zh_TW
dc.subjectSelf-Organizing Mapen_US
dc.subjectBack-Propagation Neural Networken_US
dc.subjectVIXen_US
dc.subjectGroup Decision Makingen_US
dc.title應用自組織映射圖神經網路與倒傳遞類神經網路於台指選擇權波動率指數之研究zh_TW
dc.titleIntegrating Self-Organizing Map and Back-Propagation Neural Network on the Volatility Forecasting of the Taiwan's Option Marketen_US
dc.typeThesisen_US
dc.contributor.department資訊管理研究所zh_TW
Appears in Collections:Thesis