資料探勘在財(cái)務(wù)領(lǐng)域的運(yùn)用課件

資料探勘在財(cái)務(wù)領(lǐng)域的運(yùn)用-以債券型基金之績(jī)效評(píng)估為例

資料探勘在財(cái)務(wù)領(lǐng)域的運(yùn)用-以債券型基金之績(jī)效評(píng)估為例12簡(jiǎn)報(bào)大綱組員簡(jiǎn)介研究目的研究架構(gòu)研究方法與實(shí)證研究-BPN與MARS研究結(jié)論2簡(jiǎn)報(bào)大綱組員簡(jiǎn)介23組員簡(jiǎn)介松山家商夜間部教學(xué)組組長(zhǎng)教務(wù)行政工作游世文(MI0951049)連展科技資訊科技部副理集團(tuán)Softwareteam管理與

專案開(kāi)發(fā)：

含SAP,BW,SEM,BPM(J2EE)陳聖儒(MI0961007)連展科技資訊科技部

電子流程開(kāi)發(fā)課課長(zhǎng)電子流程開(kāi)發(fā)專案管理葉士宗(MI0961004)陽(yáng)明大學(xué)

教務(wù)處專案助理教務(wù)處資訊化業(yè)務(wù)陳思雅(MI0952011)3組員簡(jiǎn)介游世文(MI0951049)陳聖儒(MI096103研究目的研究目的將資料探勘工具運(yùn)用於財(cái)務(wù)領(lǐng)域應(yīng)用資料採(cǎi)勘工具：倒傳遞類神經(jīng)網(wǎng)路(BPN)

多元適應(yīng)性雲(yún)形迴歸(MARS)分析債券型基金經(jīng)理人的擇時(shí)能力探討兩DATAMINING工具在分類問(wèn)題的精確度4研究目的研究目的4研究架構(gòu)研究動(dòng)機(jī)與目的文獻(xiàn)與研究方法介紹基金分群分類結(jié)果比較與分析結(jié)論MARS分類模式BPN分類模式5研究架構(gòu)研文基分結(jié)MARSBPN5資料探勘（DataMining）：從資料庫(kù)或大量資料儲(chǔ)存體中，挖掘有用資訊的過(guò)程。過(guò)程包含以下步驟：資料選取（DataSelection）資料整理（Cleaning）資料擴(kuò)充（Enrichment）資料編碼（Coding）資料探勘（DataMining）探勘報(bào)告（Reporting）研究方法－資料探勘6資料探勘（DataMining）：研究方法－資料探勘6資料探勘應(yīng)用模式分類問(wèn)題（Classification）：依資料特定屬性判別其歸類趨勢(shì)分析（TrendAnalysis）：利用現(xiàn)有數(shù)值預(yù)測(cè)一個(gè)連續(xù)變數(shù)的

未來(lái)值分群模式（Clustering）：依資料特性的相關(guān)性予以分組關(guān)聯(lián)分析（Associations）：找出在群組中同時(shí)出現(xiàn)的事件順序型樣（SequentialAnalysis）：找出事件「先後」發(fā)生的順序

分類問(wèn)題的應(yīng)用工具傳統(tǒng)統(tǒng)計(jì)方法：如羅吉斯迴歸、鑑別分析人工智慧：如類神經(jīng)網(wǎng)路無(wú)母數(shù)統(tǒng)計(jì)：如多元適應(yīng)性雲(yún)形迴歸研究方法－資料探勘7資料探勘研究方法－資料探勘78資料探勘資料探勘與傳統(tǒng)統(tǒng)計(jì)分析之比較資料探勘在分析前不需對(duì)資料提出假設(shè)在探勘過(guò)程中發(fā)掘出資料存在的可能訊息能更真實(shí)地反映出資料的隱藏特性研究方法－資料探勘8資料探勘研究方法－資料探勘89研究方法－基金選股暨擇時(shí)能力選股能力暨擇時(shí)能力理論模型選股能力：經(jīng)理人對(duì)個(gè)別證券價(jià)格的預(yù)測(cè)能力擇時(shí)能力：經(jīng)理人對(duì)整個(gè)市場(chǎng)波動(dòng)的預(yù)測(cè)能力張瑞芬(2002)模型定義：檢測(cè)能力判斷：當(dāng)、兩個(gè)係數(shù)中任一係數(shù)顯

著，即認(rèn)定該基金具有擇時(shí)能力。ititititiitXvXvYea+++=--1,1,,,tiv,1,-tiv9研究方法－基金選股暨擇時(shí)能力選股能力暨擇時(shí)能力理論模型it910實(shí)證研究－樣本資料簡(jiǎn)介研究期間為︰1999年7月至2001年6月變數(shù)︰11個(gè)，包括：

月資料：基金成立長(zhǎng)短

季資料：贖回金額、申購(gòu)金額、申購(gòu)周轉(zhuǎn)率、基金規(guī)模、

贖回周轉(zhuǎn)率、買斷債券比率、基金淨(jìng)值、

債券附買回投資比率、存放金融機(jī)構(gòu)比率、

申購(gòu)金額與贖回金額差值樣本基金數(shù)︰34支基金訓(xùn)練資料：27支基金

測(cè)試資料：7支基金10實(shí)證研究－樣本資料簡(jiǎn)介研究期間為︰1999年7月至2001011實(shí)證研究－擇時(shí)能力分析擇時(shí)能力檢測(cè)模型根據(jù)1999年7月至2001年6月，共24個(gè)月之月資料，檢定vi,t

、vi,t-1是否顯著為正，顯著水準(zhǔn)為0.05。當(dāng)二係數(shù)中任一係數(shù)為正，即判定此基金具有擇時(shí)能力檢測(cè)結(jié)果：15支具備擇時(shí)能力，19支不具備tYtiv,iatiX,ie：第t期之大華債券價(jià)格指數(shù)：第i支基金之價(jià)格指數(shù)：第t期第i支基金之債券買斷比率：第t期第i支基金之衝擊反應(yīng)權(quán)數(shù)：第i支基金之干擾項(xiàng)ititititiitXvXvYea+++=--1,1,,,11實(shí)證研究－擇時(shí)能力分析擇時(shí)能力檢測(cè)模型tYtiv,iat1112簡(jiǎn)報(bào)大綱組員簡(jiǎn)介研究目的研究架構(gòu)研究方法與實(shí)證研究-BPN與MARS研究結(jié)論12簡(jiǎn)報(bào)大綱組員簡(jiǎn)介12類神經(jīng)網(wǎng)路（ArtificialNeuralNetworks

）概念一種包含軟體與硬體的運(yùn)算系統(tǒng)，使用相連的人工神經(jīng)元來(lái)模仿生物神經(jīng)網(wǎng)路的資訊處理能力，架構(gòu)如同大腦神經(jīng)組織神經(jīng)元細(xì)胞由樹狀突(Dendrites)與軸突(Axon)(神經(jīng)突)組成樹突接受其他神經(jīng)元發(fā)出之訊息，將訊息傳入細(xì)胞本體處理後，再經(jīng)由軸突傳達(dá)到另一個(gè)細(xì)胞的樹突優(yōu)點(diǎn)具高速計(jì)算能力、高容量記憶能力、學(xué)習(xí)能力及高容錯(cuò)能力對(duì)於非線性資料型態(tài)的問(wèn)題處理有不錯(cuò)的表現(xiàn)研究方法－類神經(jīng)網(wǎng)路13類神經(jīng)網(wǎng)路（ArtificialNeuralNetwor14接收器輸出器兩神經(jīng)元的聯(lián)結(jié)機(jī)制CPU類神經(jīng)原理－人類神經(jīng)元結(jié)構(gòu)14接收器輸出器兩神經(jīng)元的CPU類神經(jīng)原理－人類神經(jīng)元結(jié)構(gòu)1415類神經(jīng)原理-神經(jīng)元架構(gòu)X1w1

X2w2

YX3w3

輸入值權(quán)重加總轉(zhuǎn)換函數(shù)輸出轉(zhuǎn)換函數(shù)非線性，為兼具正、負(fù)向收斂的S型函數(shù)即輸入值無(wú)限大時(shí)，輸出值為1，反之為011IjOje-=+q??+=ijiijjOwIq15類神經(jīng)原理-神經(jīng)元架構(gòu)X1w111I1516倒傳遞類神經(jīng)網(wǎng)路架構(gòu)與學(xué)習(xí)(1)目標(biāo)：透過(guò)權(quán)數(shù)的修正，以達(dá)到資料變數(shù)的正確分類。步驟：1.由亂數(shù)取得原始權(quán)數(shù) 2.將每個(gè)輸入變數(shù)乘上權(quán)數(shù)後加總

3.透過(guò)轉(zhuǎn)換函數(shù)求得輸出值

4.計(jì)算輸出值與實(shí)際真值誤差error

5.反向計(jì)算隱藏層神經(jīng)元誤差並修正所有權(quán)數(shù)16倒傳遞類神經(jīng)網(wǎng)路架構(gòu)與學(xué)習(xí)(1)目標(biāo)：透過(guò)權(quán)數(shù)的修正，以1617倒傳遞類神經(jīng)網(wǎng)路架構(gòu)與學(xué)習(xí)(2)1.輸出值與實(shí)際結(jié)果的誤差Errj=Oj(1-Oj)(Tj-Oj)2.將誤差以權(quán)值分配給隱藏層Errj=Oj(1-Oj)(ΣkErrkwjk)3.修正權(quán)重Wij=wij+(1)ErrjOI((1)為學(xué)習(xí)率)17倒傳遞類神經(jīng)網(wǎng)路架構(gòu)與學(xué)習(xí)(2)1718倒傳遞類神經(jīng)網(wǎng)路實(shí)例(1)X1 測(cè)試樣本為(1,0,1)W14輸出目標(biāo)值1W15

W24W46X2W25W56W34

X3W35

輸入層隱藏層輸出層1231245618倒傳遞類神經(jīng)網(wǎng)路實(shí)例(1)X1 測(cè)試樣本為(1,1819倒傳遞類神經(jīng)網(wǎng)路實(shí)例(2)輸入值

依亂數(shù)求得各神經(jīng)元權(quán)數(shù)神經(jīng)元常數(shù)x1x2x3w14w15w24w25w34w35w46w56θ4θ5θ61010.2-0.30.40.1-0.50.2-0.3-0.2-0.40.20.1神經(jīng)元總輸入訊號(hào)(Ij)輸出訊號(hào)(Oj)４(1*0.2)+(0*0.4)+(1*-0.5)-0.4=-0.71/(1+e0.7)=0.332５(1*-0.3)+(0*0.1)+(1*0.2)+0.2=0.11/(1+e-0.1)=0.525６(0.332*-0.3)+(0.525*-0.2)+0.1=-0.1051/(1+e0.105)=0.474?+=ijiijjOwIqOj=1/(1+e-Ij)19倒傳遞類神經(jīng)網(wǎng)路實(shí)例(2)輸入值依亂數(shù)求得各神經(jīng)元權(quán)數(shù)1920倒傳遞類神經(jīng)網(wǎng)路實(shí)例(2)Errj=Oj(1-Oj)(Tj-Oj)神經(jīng)元Tj與實(shí)際值Tj比較公式610.474*(1–0.474)(1–0.474)=0.131150.13110.525*(1-0.525)(0.1311)(–0.2)=-0.006540.13110.332*(1–0.332)(0.1311)(-0.3)=-0.0087Errj=Oj(1-Oj)(Errkwjk)k?權(quán)數(shù)常數(shù)初值學(xué)習(xí)率與修正公式修正結(jié)果w46-0.3Learningrate(L)=0.9

wij=wij+(L)ErrjOi

θj=θj+(L)Errj-0.3+(0.9)(0.1311)(0.332)=-0.261w56-0.2-0.2+(0.9)(0.1311)(0.525)=-0.138w140.2

0.2+(0.9)(-0.0087)(1)=0.192w15-0.3-0.3+(0.9)(-0.0065)(1)=-0.306w240.4

0.4+(0.9)(-0.0087)(0)=0.4w250.1

0.1+(0.9)(-0.0065)(0)=0.1w34-0.5-0.5+(0.9)(-0.0087)(1)=-0.508w350.2

0.2+(0.9)(-0.0065)(1)=0.194θ4-0.4

0.1+(0.9)(0.1311)=-0.261θ50.2

0.2+(0.9)(-0.0065)=0.194θ60.1-0.4+(0.9)(-0.0087)=-0.40820倒傳遞類神經(jīng)網(wǎng)路實(shí)例(2)Errj=Oj(1-Oj)20類神經(jīng)網(wǎng)路（續(xù)）運(yùn)算流程收集資料21選擇預(yù)測(cè)變數(shù)決定網(wǎng)路參數(shù)及結(jié)構(gòu)預(yù)測(cè)變輸數(shù)入與網(wǎng)目路標(biāo)

值

計(jì)算並調(diào)整鍵結(jié)權(quán)重計(jì)算誤差值符合終止條件否是預(yù)測(cè)研究方法－類神經(jīng)網(wǎng)路類神經(jīng)網(wǎng)路（續(xù)）收21選決預(yù)計(jì)計(jì)符否是預(yù)研究方法－類2122實(shí)證研究－類神經(jīng)網(wǎng)路資料分析倒傳遞類神經(jīng)網(wǎng)路架構(gòu)隱藏層數(shù)目：?jiǎn)我浑[藏層輸入層神經(jīng)元數(shù)目：n（即預(yù)測(cè)變數(shù)個(gè)數(shù)）隱藏層神經(jīng)元數(shù)目：

依根均方誤差(RMSE)為判斷標(biāo)準(zhǔn)，

採(cǎi)用2n-2、2n-1、2n、2n+1、2n+2

等五種情形進(jìn)行比較分析選擇輸入變數(shù)：各變數(shù)之前8季季資料(結(jié)果)包含81個(gè)輸入變數(shù)，以0.005、0.01、0.03、0.07的學(xué)習(xí)率各變數(shù)之前4季季資料(結(jié)果)包含41個(gè)輸入變數(shù)，以0.001、0.005、0.01、0.02的學(xué)習(xí)率 22實(shí)證研究－類神經(jīng)網(wǎng)路資料分析倒傳遞類神經(jīng)網(wǎng)路架構(gòu)2223實(shí)證研究－類神經(jīng)網(wǎng)路資料分析隱藏層數(shù)目學(xué)習(xí)率訓(xùn)練資料RMSE測(cè)試資料RMSE1600.0050.0575850.6255470.010.0329740.640410.030.0149910.6442440.070.0089260.6505931610.0050.0584850.6218870.010.0329280.6348510.030.015240.6711250.070.6666670.6546541620.0050.0581030.6245460.010.0331940.64450.030.0152240.6317690.070.6666670.6546541630.0050.0577940.6209720.010.0329060.6584230.030.0152090.6675240.070.6666670.6546541640.0050.0576190.6228580.010.0330850.6381950.030.0152380.6800710.070.6666670.654654最終網(wǎng)路模式23實(shí)證研究－類神經(jīng)網(wǎng)路資料分析隱藏層數(shù)目學(xué)習(xí)率訓(xùn)練資料RM2324實(shí)證研究－類神經(jīng)網(wǎng)路資料分析返回判別後群體原始群體具擇時(shí)能力不具擇時(shí)能力具擇時(shí)能力1(33.3%)2(66.67%)不具擇時(shí)能力1(50%)3(50%)整體正確判別率57.14%(4/7)輸入各變數(shù)前8季季資料之BPN判別結(jié)果24實(shí)證研究－類神經(jīng)網(wǎng)路資料分析返回判別後群體原始群體具擇時(shí)2425實(shí)證研究－類神經(jīng)網(wǎng)路資料分析隱藏層數(shù)目學(xué)習(xí)率訓(xùn)練期RMSE測(cè)試期RMSE800.0010.3775800.5961260.0050.2290740.5963030.010.1418970.5224270.020.0587250.516837810.0010.3731190.5945320.0050.2306290.5971570.010.1295650.5098010.020.0579070.506462820.0010.3781610.5874690.0050.2295650.5897200.010.1444140.5362350.020.0555130.509543830.0010.3648130.5821430.0050.2277470.05883590.010.1385010.5247270.020.0593200.509218840.0010.3670640.5923840.0050.2299890.5888290.010.1342660.5229850.020.0541840.505954最終網(wǎng)路模式25實(shí)證研究－類神經(jīng)網(wǎng)路資料分析隱藏層數(shù)目學(xué)習(xí)率訓(xùn)練期RMS2526實(shí)證研究－類神經(jīng)網(wǎng)路資料分析判別後群體原始群體具擇時(shí)能力不具擇時(shí)能力具擇時(shí)能力2(66.67%)1(33.33%)不具擇時(shí)能力1(25%)3(75%)整體正確判別率71.42%(5/7)輸入各變數(shù)前4季季資料之BPN判別結(jié)果26實(shí)證研究－類神經(jīng)網(wǎng)路資料分析判別後群體原始群體具擇時(shí)能力26MARS（Friedman,1991）概念：利用數(shù)段線性方程式間的節(jié)點(diǎn)趨近非線性

模型，一種有彈性的高維度問(wèn)題分析工具應(yīng)用：經(jīng)濟(jì)、化學(xué)、醫(yī)學(xué)、工程計(jì)算等專業(yè)領(lǐng)域優(yōu)點(diǎn)：運(yùn)算時(shí)間短、自動(dòng)篩選變數(shù)，可迅速建立

分類模型通用模型研究方法－多元適應(yīng)性雲(yún)形迴歸??---×+=Mmkkkmmkvkmmmtxsaaxf11),(0)]([)(?+27MARS（Friedman,1991）研究方法－多元適應(yīng)性雲(yún)尋找最佳模型兩階段第一階段：前推式(Forward)演算法

依資料本身參數(shù)的關(guān)係，產(chǎn)生解釋方程式(BasicFunction,BF)的個(gè)數(shù)（新的主要影響因子、折點(diǎn)、或交互作用），讓MARS模型成長(zhǎng)，直到找到一個(gè)非常大的模型為止第二階段：後推式(Backword)演算法：

修剪不適用之BF，利用GCV準(zhǔn)則刪除貢獻(xiàn)度小的BF[]221M)(1)(?1)(ú?ùê?é--=?=NMCxfyNMGCVNiii研究方法－MARS28尋找最佳模型兩階段[]221M)(1)(?1)(ú?ùê?éMARS-非線性模型圖29MARS-非線性模型圖29以單變數(shù)為例，若MARS的預(yù)測(cè)模型為：y=3+0.75．Max(0,x-15)+0.15．Max(0,15-x)研究方法－MARS30以單變數(shù)為例，若MARS的預(yù)測(cè)模型為：研究方法－MARSMARS—ForwardStepwiseMARS運(yùn)算流程31MARS—ForwardStepwiseMARS運(yùn)算流程3MARS—BackwardsStepwise32MARS—BackwardsStepwise3233MARS相關(guān)論文研究國(guó)

外論文研究作者/年代應(yīng)用領(lǐng)域DeVeaux,Gordon,Comiso＆Bacherer(1993)地球科學(xué)FriedmanandRoosen(1995)醫(yī)學(xué)Bose(1996)資料探勘技術(shù)比較Nguyen-Cong,Dang＆Rode(1996)遺傳學(xué)之基因工程Griffin,Fisher,Friedman＆Ryan(1997)礦石區(qū)分DeGooijer,RayandKrager(1998)匯率預(yù)測(cè)研究方法－MARS33MARS相關(guān)論文研究國(guó)

外作者/年代應(yīng)用領(lǐng)域DeVe3334MARS相關(guān)論文研究國(guó)

內(nèi)論文研究作者/年代應(yīng)用領(lǐng)域陳慧瀅(民83)進(jìn)口車、國(guó)產(chǎn)車需求預(yù)測(cè)許峻源(民90)信用卡客戶申請(qǐng)分析傅坤泰(民90)評(píng)估企業(yè)績(jī)效蔡宛純(民90)信用卡客戶申請(qǐng)分析顏毓靜(民91)股票型基金之績(jī)效評(píng)估黃明輝(民91)債券型基金之績(jī)效評(píng)估劉瑞鑫(民91)臺(tái)股指數(shù)報(bào)酬率預(yù)測(cè)唐筱菁(民91)企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)葉素美(民91)匯率預(yù)測(cè)陳怡萍(民91)IC產(chǎn)業(yè)經(jīng)營(yíng)績(jī)效黃正鳳(民91)醫(yī)學(xué)研究方法－MARS34MARS相關(guān)論文研究國(guó)

內(nèi)作者/年代應(yīng)用領(lǐng)域陳慧瀅(民3435MARS相關(guān)論文研究國(guó)

內(nèi)論文研究作者/年代應(yīng)用領(lǐng)域連惟謙(民92)顧客流失與顧客價(jià)值之研究林展平(民92)游泳會(huì)員流失分析陳姍霓(民92)房貸信用評(píng)等模式之建構(gòu)陳怡妃(民92)健康俱樂(lè)部會(huì)員保留分析陳靜怡(民92)失業(yè)率預(yù)測(cè)黃立維(民92)資料探勘技術(shù)比較林正剛(民93)非營(yíng)利組織顧客流失率分析范鴻晸(民94)財(cái)務(wù)危機(jī)之預(yù)警唐培文(民94)臺(tái)股期指與基金價(jià)格預(yù)測(cè)蔡宛純(民94)漸進(jìn)式信用評(píng)分模式謝弘一(民94)乳癌病患存活能力分析研究方法－MARS35MARS相關(guān)論文研究國(guó)

內(nèi)作者/年代應(yīng)用領(lǐng)域連惟謙(民35MARS運(yùn)算流程收集資料36選擇預(yù)測(cè)變數(shù)產(chǎn)生可能的BF建過(guò)構(gòu)度最配大適的模型修剪MARS模型計(jì)算誤差值符合終止條件否是預(yù)測(cè)研究方法－MARSMARS收36選產(chǎn)建過(guò)修計(jì)符否是預(yù)研究方法－MARS3637實(shí)證研究－MARSMARS選擇輸入變數(shù)：各變數(shù)之前8季季資料(結(jié)果)各變數(shù)之前4季季資料(結(jié)果)

37實(shí)證研究－MARSMARS3738實(shí)證研究－MARS輸入各變數(shù)前8季季資料之MARS變數(shù)篩選結(jié)果較具貢獻(xiàn)性的輸入變數(shù)：由11個(gè)篩選為4個(gè)Func.Std.Dev.-GCVNo.ofBFVariable10.4690.6322贖回金額20.3220.3792附買回投資比率30.1910.1991買斷債券比率40.2330.2312贖回金額50.2500.2491申購(gòu)金額38實(shí)證研究－MARS輸入各變數(shù)前8季季資料之MARS變數(shù)篩3839實(shí)證研究－MARS返回判別後群體原始群體具擇時(shí)能力不具擇時(shí)能力具擇時(shí)能力2(66.7%)1(33.3%)不具擇時(shí)能力1(25%)3(75%)整體正確判別率71.42%(5/7)輸入各變數(shù)前8季季資料之MARS判別結(jié)果39實(shí)證研究－MARS返回判別後群體原始群體具擇時(shí)能力不具3940實(shí)證研究－MARS輸入各變數(shù)前4季季資料之MARS變數(shù)篩選結(jié)果較具貢獻(xiàn)性的輸入變數(shù)：由11個(gè)篩選為4個(gè)Func.Std.Dev.-GCVNo.ofBFVariable10.7140.4361買斷債券比率20.4300.4172附買回投資比率30.1620.2281申購(gòu)與贖回金額差值40.1770.2511成立時(shí)間長(zhǎng)短50.4250.2781買斷債券比率40實(shí)證研究－MARS輸入各變數(shù)前4季季資料之MARS變數(shù)篩4041實(shí)證研究－MARS判別後群體原始群體具擇時(shí)能力不具擇時(shí)能力具擇時(shí)能力3(100%)0(0%)不具擇時(shí)能力0(0%)4(100%)整體正確判別率100%(7/7)輸入各變數(shù)前4季季資料之MARS判別結(jié)果41實(shí)證研究－MARS判別後群體原始群體具擇時(shí)能力不具擇時(shí)4142實(shí)證研究－綜合比較各判別模式鑑別結(jié)果綜合比較表判別模式BPNMARS8季變數(shù)資料4季變數(shù)資料8季變數(shù)資料4季變數(shù)資料鑑別結(jié)果57.14%(4/7)71.42%(5/7)71.42%(5/7)100%(7/7)運(yùn)算時(shí)間1分52秒27秒5秒4秒42實(shí)證研究－綜合比較各判別模式鑑別結(jié)果綜合比較表判別模式4243研究結(jié)論研究結(jié)論在債券基金擇時(shí)能力的判別上，MARS具有較佳的判別能力，且所需的運(yùn)算時(shí)間較短。透過(guò)MARS的變數(shù)篩選功能，瞭解到影響債券型基金擇時(shí)能力的重要因素有：買斷債券比率附買回債券投資比率申購(gòu)與回金額差值基金成立時(shí)間長(zhǎng)短43研究結(jié)論研究結(jié)論4344MARS實(shí)證研究-房貸信用評(píng)等陳姍霓(民92)房貸信用評(píng)等模式之建構(gòu)研究結(jié)論影響房貸用評(píng)等變數(shù)有18個(gè)1.性別2.年齡3.婚姻4.教育程度5.職業(yè)6.服務(wù)年資7.月收入8.月付金額佔(zhàn)總收入比例9.貸款成數(shù)10.保證人人數(shù)11.借保人關(guān)係12.有無(wú)優(yōu)惠貸款13.是否自住14.貸款型態(tài)15.總貸款金額16.貸款房屋屋齡17.借保人信用狀況18.房屋型態(tài)44MARS實(shí)證研究-房貸信用評(píng)等陳姍霓(民92)1.性別4445MARS實(shí)證研究-房貸信用評(píng)等MARS模式之顯著變數(shù)及基本方程式變數(shù)名稱重要程度基本方程式月付金額佔(zhàn)總收入比例100.00%BF1=max(0,月付金額佔(zhàn)總收入之比例-5.000)保證人人數(shù)96.35%BF3=max(0,1.000–保證人人數(shù))BF6=max(0,保證人人數(shù)-2.000)貸款成數(shù)71.51%BF12=max(0,貸款成數(shù)-72.000)借保人之信用狀況68.09%BF8=(借保人之信用狀況=0)貸款形態(tài)54.57%BF10=(貸款形態(tài)=0OR貸款形態(tài)=3)MARS鑑別方程式：Y=0.015+0.004*BF1+0.259*BF3+0.790*BF6-0.187*BF8+0.094*BF10+0.011*BF1245MARS實(shí)證研究-房貸信用評(píng)等MARS模式之顯著變數(shù)及基4546MARS實(shí)證研究-房貸信用評(píng)等月付金額佔(zhàn)總收入比例：

BF1=max(0,月付金額佔(zhàn)總收入之比例–5%)當(dāng)月付金額佔(zhàn)總收入比例達(dá)5％以上時(shí)，顯示該借款申請(qǐng)者之信用狀況較差。保證人人數(shù)：

BF3=max(0,1–保證人人數(shù))BF6=max(0,保證人人數(shù)-2)保證人之人數(shù)為一人或兩人時(shí)，其違約風(fēng)險(xiǎn)較低，若無(wú)保證人或保證人達(dá)三人以上時(shí)，則有較高的違約風(fēng)險(xiǎn)。46MARS實(shí)證研究-房貸信用評(píng)等月付金額佔(zhàn)總收入比例：4647MARS實(shí)證研究-房貸信用評(píng)等貸款成數(shù)：BF12=max(0,貸款成數(shù)-72)貸款成數(shù)低於72%時(shí)，顯示借款申請(qǐng)者的信用狀況較好，若貸款成數(shù)高於72%，則貸款成數(shù)越高越可能發(fā)生違約狀況借保人之信用狀況：BF8=(借保人之信用狀況=0)若借保人的信用狀況良好，將對(duì)借款人的信用評(píng)等有正向幫助。貸款形態(tài)：BF10=(貸款形態(tài)=0OR貸款形態(tài)=3)新購(gòu)屋及他行增貸的貸款戶較容易被區(qū)隔至違約的類別中47MARS實(shí)證研究-房貸信用評(píng)等貸款成數(shù)：BF12=m4748BPN&MARS在其他論文之成效比較(1)判別模式BPNMARS8季變數(shù)資料4季變數(shù)資料8季變數(shù)資料4季變數(shù)資料鑑別結(jié)果57.14%(4/7)71.42%(5/7)71.42%(5/7)100%(7/7)運(yùn)算時(shí)間1分52秒27秒5秒4秒黃明輝(民90)

資料探勘在財(cái)務(wù)領(lǐng)域的運(yùn)用-以債券型基金之績(jī)效評(píng)估為例48BPN&MARS在其他論文之成效比較(1)判別模式B4849陳麒文(民91)

健康休閒俱樂(lè)部顧客流失分析模式之研究模

式整體正確判別率鑑別分析73.04%羅吉斯迴歸68.70%人工類神經(jīng)網(wǎng)路84.78%多元適應(yīng)性雲(yún)形迴歸86.52%BPN&MARS在其他論文之成效比較(2)49陳麒文(民91)

健康休閒俱樂(lè)部顧客流失分析模式之研究模4950判別種類{0–0}{1–1}整體正確率財(cái)務(wù)指標(biāo)+MARS66.67%75.00%72.22%財(cái)務(wù)指標(biāo)+智慧資本+MARS66.67%79.17%75.00%財(cái)務(wù)指標(biāo)+MARS+BPN75.00%79.17%77.78%財(cái)務(wù)指標(biāo)+智慧資本+MARS+BPN75.00%87.50%83.33%唐筱菁(民91)

整合財(cái)務(wù)比率與智慧資本指標(biāo)建構(gòu)企業(yè)危機(jī)預(yù)警系統(tǒng)-MARS與類神經(jīng)網(wǎng)路之應(yīng)用BPN&MARS在其他論文之成效比較(3)50判別種類{0–0}{1–1}整體財(cái)務(wù)指標(biāo)+MAR5051分析模式整體正確判別率鑑別分析80.67%類神經(jīng)網(wǎng)路82.35%多元適應(yīng)性雲(yún)形迴歸83.61%整合MARS與BPN分析84.03%林展平(民92)

資料探勘分類技術(shù)於游泳會(huì)員流失區(qū)別模型之研究BPN&MARS在其他論文之成效比較(4)51分析模式整體正確判別率鑑別分析80.67%類神經(jīng)網(wǎng)路5152分析模式整體正確判別率LDA75.69%ANNs83.92%MARS80.78%CART67.84%整合模式86.67%陳姍霓(民93)

整合類神經(jīng)網(wǎng)路、多元適應(yīng)性雲(yún)形迴歸與分類迴歸樹於信用評(píng)等模式之建構(gòu)-以房屋貸款為例BPN&MARS在其他論文之成效比較(5)52分析模式整體正確判別率LDA75.69%ANNs83.5253分析模式整體正確判別率鑑別分析56.81%羅吉斯迴歸60.51%人工類神經(jīng)網(wǎng)路81.63%多元適應(yīng)性雲(yún)形迴歸88.49%BPN&MARS在其他論文之成效比較(6)林正剛(民93)

非營(yíng)利組織顧客流失率分析模式之研究－以YMCA臺(tái)北萬(wàn)華會(huì)所為例53分析模式整體正確判別率鑑別分析56.81%羅吉斯迴歸5354報(bào)告心得DATAMINING在分類上的工具M(jìn)ARS的整體績(jī)效是比BPN好若能以MARS求得變數(shù)當(dāng)作BPN的輸入值，則績(jī)效更好54報(bào)告心得DATAMINING在分類上的工具54BPN&MARS優(yōu)缺點(diǎn)人工類神經(jīng)網(wǎng)路多元適應(yīng)性雲(yún)形迴歸優(yōu)點(diǎn)◎擁有巨大的平行處理、快速修補(bǔ)資訊、依經(jīng)驗(yàn)辨認(rèn)結(jié)構(gòu)與處理能力?！驔](méi)有假設(shè)限制，具備建構(gòu)非線性模式優(yōu)越性?！驔](méi)有假設(shè)限制，具備建構(gòu)非線性模式優(yōu)越性?！蚰芎Y選重要影響變數(shù)。缺點(diǎn)◎參數(shù)設(shè)定沒(méi)有一致理論可供運(yùn)用?！蚰Ｊ接?xùn)練過(guò)程缺乏效率且費(fèi)時(shí)?！驘o(wú)法篩選重要影響變數(shù)?！蚪忉尫匠淌降臄?shù)量沒(méi)有一定的準(zhǔn)則。55BPN&MARS優(yōu)缺點(diǎn)人工類神經(jīng)網(wǎng)路多元適應(yīng)性雲(yún)形迴歸55資料探勘在財(cái)務(wù)領(lǐng)域的運(yùn)用-以債券型基金之績(jī)效評(píng)估為例

資料探勘在財(cái)務(wù)領(lǐng)域的運(yùn)用-以債券型基金之績(jī)效評(píng)估為例5657簡(jiǎn)報(bào)大綱組員簡(jiǎn)介研究目的研究架構(gòu)研究方法與實(shí)證研究-BPN與MARS研究結(jié)論2簡(jiǎn)報(bào)大綱組員簡(jiǎn)介5758組員簡(jiǎn)介松山家商夜間部教學(xué)組組長(zhǎng)教務(wù)行政工作游世文(MI0951049)連展科技資訊科技部副理集團(tuán)Softwareteam管理與

專案開(kāi)發(fā)：

含SAP,BW,SEM,BPM(J2EE)陳聖儒(MI0961007)連展科技資訊科技部

電子流程開(kāi)發(fā)課課長(zhǎng)電子流程開(kāi)發(fā)專案管理葉士宗(MI0961004)陽(yáng)明大學(xué)

教務(wù)處專案助理教務(wù)處資訊化業(yè)務(wù)陳思雅(MI0952011)3組員簡(jiǎn)介游世文(MI0951049)陳聖儒(MI0961058研究目的研究目的將資料探勘工具運(yùn)用於財(cái)務(wù)領(lǐng)域應(yīng)用資料採(cǎi)勘工具：倒傳遞類神經(jīng)網(wǎng)路(BPN)

多元適應(yīng)性雲(yún)形迴歸(MARS)分析債券型基金經(jīng)理人的擇時(shí)能力探討兩DATAMINING工具在分類問(wèn)題的精確度59研究目的研究目的4研究架構(gòu)研究動(dòng)機(jī)與目的文獻(xiàn)與研究方法介紹基金分群分類結(jié)果比較與分析結(jié)論MARS分類模式BPN分類模式60研究架構(gòu)研文基分結(jié)MARSBPN5資料探勘（DataMining）：從資料庫(kù)或大量資料儲(chǔ)存體中，挖掘有用資訊的過(guò)程。過(guò)程包含以下步驟：資料選?。―ataSelection）資料整理（Cleaning）資料擴(kuò)充（Enrichment）資料編碼（Coding）資料探勘（DataMining）探勘報(bào)告（Reporting）研究方法－資料探勘61資料探勘（DataMining）：研究方法－資料探勘6資料探勘應(yīng)用模式分類問(wèn)題（Classification）：依資料特定屬性判別其歸類趨勢(shì)分析（TrendAnalysis）：利用現(xiàn)有數(shù)值預(yù)測(cè)一個(gè)連續(xù)變數(shù)的

未來(lái)值分群模式（Clustering）：依資料特性的相關(guān)性予以分組關(guān)聯(lián)分析（Associations）：找出在群組中同時(shí)出現(xiàn)的事件順序型樣（SequentialAnalysis）：找出事件「先後」發(fā)生的順序

分類問(wèn)題的應(yīng)用工具傳統(tǒng)統(tǒng)計(jì)方法：如羅吉斯迴歸、鑑別分析人工智慧：如類神經(jīng)網(wǎng)路無(wú)母數(shù)統(tǒng)計(jì)：如多元適應(yīng)性雲(yún)形迴歸研究方法－資料探勘62資料探勘研究方法－資料探勘763資料探勘資料探勘與傳統(tǒng)統(tǒng)計(jì)分析之比較資料探勘在分析前不需對(duì)資料提出假設(shè)在探勘過(guò)程中發(fā)掘出資料存在的可能訊息能更真實(shí)地反映出資料的隱藏特性研究方法－資料探勘8資料探勘研究方法－資料探勘6364研究方法－基金選股暨擇時(shí)能力選股能力暨擇時(shí)能力理論模型選股能力：經(jīng)理人對(duì)個(gè)別證券價(jià)格的預(yù)測(cè)能力擇時(shí)能力：經(jīng)理人對(duì)整個(gè)市場(chǎng)波動(dòng)的預(yù)測(cè)能力張瑞芬(2002)模型定義：檢測(cè)能力判斷：當(dāng)、兩個(gè)係數(shù)中任一係數(shù)顯

著，即認(rèn)定該基金具有擇時(shí)能力。ititititiitXvXvYea+++=--1,1,,,tiv,1,-tiv9研究方法－基金選股暨擇時(shí)能力選股能力暨擇時(shí)能力理論模型it6465實(shí)證研究－樣本資料簡(jiǎn)介研究期間為︰1999年7月至2001年6月變數(shù)︰11個(gè)，包括：

月資料：基金成立長(zhǎng)短

季資料：贖回金額、申購(gòu)金額、申購(gòu)周轉(zhuǎn)率、基金規(guī)模、

贖回周轉(zhuǎn)率、買斷債券比率、基金淨(jìng)值、

債券附買回投資比率、存放金融機(jī)構(gòu)比率、

申購(gòu)金額與贖回金額差值樣本基金數(shù)︰34支基金訓(xùn)練資料：27支基金

測(cè)試資料：7支基金10實(shí)證研究－樣本資料簡(jiǎn)介研究期間為︰1999年7月至2006566實(shí)證研究－擇時(shí)能力分析擇時(shí)能力檢測(cè)模型根據(jù)1999年7月至2001年6月，共24個(gè)月之月資料，檢定vi,t

、vi,t-1是否顯著為正，顯著水準(zhǔn)為0.05。當(dāng)二係數(shù)中任一係數(shù)為正，即判定此基金具有擇時(shí)能力檢測(cè)結(jié)果：15支具備擇時(shí)能力，19支不具備tYtiv,iatiX,ie：第t期之大華債券價(jià)格指數(shù)：第i支基金之價(jià)格指數(shù)：第t期第i支基金之債券買斷比率：第t期第i支基金之衝擊反應(yīng)權(quán)數(shù)：第i支基金之干擾項(xiàng)ititititiitXvXvYea+++=--1,1,,,11實(shí)證研究－擇時(shí)能力分析擇時(shí)能力檢測(cè)模型tYtiv,iat6667簡(jiǎn)報(bào)大綱組員簡(jiǎn)介研究目的研究架構(gòu)研究方法與實(shí)證研究-BPN與MARS研究結(jié)論12簡(jiǎn)報(bào)大綱組員簡(jiǎn)介67類神經(jīng)網(wǎng)路（ArtificialNeuralNetworks

）概念一種包含軟體與硬體的運(yùn)算系統(tǒng)，使用相連的人工神經(jīng)元來(lái)模仿生物神經(jīng)網(wǎng)路的資訊處理能力，架構(gòu)如同大腦神經(jīng)組織神經(jīng)元細(xì)胞由樹狀突(Dendrites)與軸突(Axon)(神經(jīng)突)組成樹突接受其他神經(jīng)元發(fā)出之訊息，將訊息傳入細(xì)胞本體處理後，再經(jīng)由軸突傳達(dá)到另一個(gè)細(xì)胞的樹突優(yōu)點(diǎn)具高速計(jì)算能力、高容量記憶能力、學(xué)習(xí)能力及高容錯(cuò)能力對(duì)於非線性資料型態(tài)的問(wèn)題處理有不錯(cuò)的表現(xiàn)研究方法－類神經(jīng)網(wǎng)路68類神經(jīng)網(wǎng)路（ArtificialNeuralNetwor69接收器輸出器兩神經(jīng)元的聯(lián)結(jié)機(jī)制CPU類神經(jīng)原理－人類神經(jīng)元結(jié)構(gòu)14接收器輸出器兩神經(jīng)元的CPU類神經(jīng)原理－人類神經(jīng)元結(jié)構(gòu)6970類神經(jīng)原理-神經(jīng)元架構(gòu)X1w1

X2w2

YX3w3

輸入值權(quán)重加總轉(zhuǎn)換函數(shù)輸出轉(zhuǎn)換函數(shù)非線性，為兼具正、負(fù)向收斂的S型函數(shù)即輸入值無(wú)限大時(shí)，輸出值為1，反之為011IjOje-=+q??+=ijiijjOwIq15類神經(jīng)原理-神經(jīng)元架構(gòu)X1w111I7071倒傳遞類神經(jīng)網(wǎng)路架構(gòu)與學(xué)習(xí)(1)目標(biāo)：透過(guò)權(quán)數(shù)的修正，以達(dá)到資料變數(shù)的正確分類。步驟：1.由亂數(shù)取得原始權(quán)數(shù) 2.將每個(gè)輸入變數(shù)乘上權(quán)數(shù)後加總

3.透過(guò)轉(zhuǎn)換函數(shù)求得輸出值

4.計(jì)算輸出值與實(shí)際真值誤差error

5.反向計(jì)算隱藏層神經(jīng)元誤差並修正所有權(quán)數(shù)16倒傳遞類神經(jīng)網(wǎng)路架構(gòu)與學(xué)習(xí)(1)目標(biāo)：透過(guò)權(quán)數(shù)的修正，以7172倒傳遞類神經(jīng)網(wǎng)路架構(gòu)與學(xué)習(xí)(2)1.輸出值與實(shí)際結(jié)果的誤差Errj=Oj(1-Oj)(Tj-Oj)2.將誤差以權(quán)值分配給隱藏層Errj=Oj(1-Oj)(ΣkErrkwjk)3.修正權(quán)重Wij=wij+(1)ErrjOI((1)為學(xué)習(xí)率)17倒傳遞類神經(jīng)網(wǎng)路架構(gòu)與學(xué)習(xí)(2)7273倒傳遞類神經(jīng)網(wǎng)路實(shí)例(1)X1 測(cè)試樣本為(1,0,1)W14輸出目標(biāo)值1W15

W24W46X2W25W56W34

X3W35

輸入層隱藏層輸出層1231245618倒傳遞類神經(jīng)網(wǎng)路實(shí)例(1)X1 測(cè)試樣本為(1,7374倒傳遞類神經(jīng)網(wǎng)路實(shí)例(2)輸入值

依亂數(shù)求得各神經(jīng)元權(quán)數(shù)神經(jīng)元常數(shù)x1x2x3w14w15w24w25w34w35w46w56θ4θ5θ61010.2-0.30.40.1-0.50.2-0.3-0.2-0.40.20.1神經(jīng)元總輸入訊號(hào)(Ij)輸出訊號(hào)(Oj)４(1*0.2)+(0*0.4)+(1*-0.5)-0.4=-0.71/(1+e0.7)=0.332５(1*-0.3)+(0*0.1)+(1*0.2)+0.2=0.11/(1+e-0.1)=0.525６(0.332*-0.3)+(0.525*-0.2)+0.1=-0.1051/(1+e0.105)=0.474?+=ijiijjOwIqOj=1/(1+e-Ij)19倒傳遞類神經(jīng)網(wǎng)路實(shí)例(2)輸入值依亂數(shù)求得各神經(jīng)元權(quán)數(shù)7475倒傳遞類神經(jīng)網(wǎng)路實(shí)例(2)Errj=Oj(1-Oj)(Tj-Oj)神經(jīng)元Tj與實(shí)際值Tj比較公式610.474*(1–0.474)(1–0.474)=0.131150.13110.525*(1-0.525)(0.1311)(–0.2)=-0.006540.13110.332*(1–0.332)(0.1311)(-0.3)=-0.0087Errj=Oj(1-Oj)(Errkwjk)k?權(quán)數(shù)常數(shù)初值學(xué)習(xí)率與修正公式修正結(jié)果w46-0.3Learningrate(L)=0.9

wij=wij+(L)ErrjOi

θj=θj+(L)Errj-0.3+(0.9)(0.1311)(0.332)=-0.261w56-0.2-0.2+(0.9)(0.1311)(0.525)=-0.138w140.2

0.2+(0.9)(-0.0087)(1)=0.192w15-0.3-0.3+(0.9)(-0.0065)(1)=-0.306w240.4

0.4+(0.9)(-0.0087)(0)=0.4w250.1

0.1+(0.9)(-0.0065)(0)=0.1w34-0.5-0.5+(0.9)(-0.0087)(1)=-0.508w350.2

0.2+(0.9)(-0.0065)(1)=0.194θ4-0.4

0.1+(0.9)(0.1311)=-0.261θ50.2

0.2+(0.9)(-0.0065)=0.194θ60.1-0.4+(0.9)(-0.0087)=-0.40820倒傳遞類神經(jīng)網(wǎng)路實(shí)例(2)Errj=Oj(1-Oj)75類神經(jīng)網(wǎng)路（續(xù)）運(yùn)算流程收集資料76選擇預(yù)測(cè)變數(shù)決定網(wǎng)路參數(shù)及結(jié)構(gòu)預(yù)測(cè)變輸數(shù)入與網(wǎng)目路標(biāo)

值

計(jì)算並調(diào)整鍵結(jié)權(quán)重計(jì)算誤差值符合終止條件否是預(yù)測(cè)研究方法－類神經(jīng)網(wǎng)路類神經(jīng)網(wǎng)路（續(xù)）收21選決預(yù)計(jì)計(jì)符否是預(yù)研究方法－類7677實(shí)證研究－類神經(jīng)網(wǎng)路資料分析倒傳遞類神經(jīng)網(wǎng)路架構(gòu)隱藏層數(shù)目：?jiǎn)我浑[藏層輸入層神經(jīng)元數(shù)目：n（即預(yù)測(cè)變數(shù)個(gè)數(shù)）隱藏層神經(jīng)元數(shù)目：

依根均方誤差(RMSE)為判斷標(biāo)準(zhǔn)，

採(cǎi)用2n-2、2n-1、2n、2n+1、2n+2

等五種情形進(jìn)行比較分析選擇輸入變數(shù)：各變數(shù)之前8季季資料(結(jié)果)包含81個(gè)輸入變數(shù)，以0.005、0.01、0.03、0.07的學(xué)習(xí)率各變數(shù)之前4季季資料(結(jié)果)包含41個(gè)輸入變數(shù)，以0.001、0.005、0.01、0.02的學(xué)習(xí)率 22實(shí)證研究－類神經(jīng)網(wǎng)路資料分析倒傳遞類神經(jīng)網(wǎng)路架構(gòu)7778實(shí)證研究－類神經(jīng)網(wǎng)路資料分析隱藏層數(shù)目學(xué)習(xí)率訓(xùn)練資料RMSE測(cè)試資料RMSE1600.0050.0575850.6255470.010.0329740.640410.030.0149910.6442440.070.0089260.6505931610.0050.0584850.6218870.010.0329280.6348510.030.015240.6711250.070.6666670.6546541620.0050.0581030.6245460.010.0331940.64450.030.0152240.6317690.070.6666670.6546541630.0050.0577940.6209720.010.0329060.6584230.030.0152090.6675240.070.6666670.6546541640.0050.0576190.6228580.010.0330850.6381950.030.0152380.6800710.070.6666670.654654最終網(wǎng)路模式23實(shí)證研究－類神經(jīng)網(wǎng)路資料分析隱藏層數(shù)目學(xué)習(xí)率訓(xùn)練資料RM7879實(shí)證研究－類神經(jīng)網(wǎng)路資料分析返回判別後群體原始群體具擇時(shí)能力不具擇時(shí)能力具擇時(shí)能力1(33.3%)2(66.67%)不具擇時(shí)能力1(50%)3(50%)整體正確判別率57.14%(4/7)輸入各變數(shù)前8季季資料之BPN判別結(jié)果24實(shí)證研究－類神經(jīng)網(wǎng)路資料分析返回判別後群體原始群體具擇時(shí)7980實(shí)證研究－類神經(jīng)網(wǎng)路資料分析隱藏層數(shù)目學(xué)習(xí)率訓(xùn)練期RMSE測(cè)試期RMSE800.0010.3775800.5961260.0050.2290740.5963030.010.1418970.5224270.020.0587250.516837810.0010.3731190.5945320.0050.2306290.5971570.010.1295650.5098010.020.0579070.506462820.0010.3781610.5874690.0050.2295650.5897200.010.1444140.5362350.020.0555130.509543830.0010.3648130.5821430.0050.2277470.05883590.010.1385010.5247270.020.0593200.509218840.0010.3670640.5923840.0050.2299890.5888290.010.1342660.5229850.020.0541840.505954最終網(wǎng)路模式25實(shí)證研究－類神經(jīng)網(wǎng)路資料分析隱藏層數(shù)目學(xué)習(xí)率訓(xùn)練期RMS8081實(shí)證研究－類神經(jīng)網(wǎng)路資料分析判別後群體原始群體具擇時(shí)能力不具擇時(shí)能力具擇時(shí)能力2(66.67%)1(33.33%)不具擇時(shí)能力1(25%)3(75%)整體正確判別率71.42%(5/7)輸入各變數(shù)前4季季資料之BPN判別結(jié)果26實(shí)證研究－類神經(jīng)網(wǎng)路資料分析判別後群體原始群體具擇時(shí)能力81MARS（Friedman,1991）概念：利用數(shù)段線性方程式間的節(jié)點(diǎn)趨近非線性

模型，一種有彈性的高維度問(wèn)題分析工具應(yīng)用：經(jīng)濟(jì)、化學(xué)、醫(yī)學(xué)、工程計(jì)算等專業(yè)領(lǐng)域優(yōu)點(diǎn)：運(yùn)算時(shí)間短、自動(dòng)篩選變數(shù)，可迅速建立

分類模型通用模型研究方法－多元適應(yīng)性雲(yún)形迴歸??---×+=Mmkkkmmkvkmmmtxsaaxf11),(0)]([)(?+82MARS（Friedman,1991）研究方法－多元適應(yīng)性雲(yún)尋找最佳模型兩階段第一階段：前推式(Forward)演算法

依資料本身參數(shù)的關(guān)係，產(chǎn)生解釋方程式(BasicFunction,BF)的個(gè)數(shù)（新的主要影響因子、折點(diǎn)、或交互作用），讓MARS模型成長(zhǎng)，直到找到一個(gè)非常大的模型為止第二階段：後推式(Backword)演算法：

修剪不適用之BF，利用GCV準(zhǔn)則刪除貢獻(xiàn)度小的BF[]221M)(1)(?1)(ú?ùê?é--=?=NMCxfyNMGCVNiii研究方法－MARS83尋找最佳模型兩階段[]221M)(1)(?1)(ú?ùê?éMARS-非線性模型圖84MARS-非線性模型圖29以單變數(shù)為例，若MARS的預(yù)測(cè)模型為：y=3+0.75．Max(0,x-15)+0.15．Max(0,15-x)研究方法－MARS85以單變數(shù)為例，若MARS的預(yù)測(cè)模型為：研究方法－MARSMARS—ForwardStepwiseMARS運(yùn)算流程86MARS—ForwardStepwiseMARS運(yùn)算流程3MARS—BackwardsStepwise87MARS—BackwardsStepwise3288MARS相關(guān)論文研究國(guó)

外論文研究作者/年代應(yīng)用領(lǐng)域DeVeaux,Gordon,Comiso＆Bacherer(1993)地球科學(xué)FriedmanandRoosen(1995)醫(yī)學(xué)Bose(1996)資料探勘技術(shù)比較Nguyen-Cong,Dang＆Rode(1996)遺傳學(xué)之基因工程Griffin,Fisher,Friedman＆Ryan(1997)礦石區(qū)分DeGooijer,RayandKrager(1998)匯率預(yù)測(cè)研究方法－MARS33MARS相關(guān)論文研究國(guó)

外作者/年代應(yīng)用領(lǐng)域DeVe8889MARS相關(guān)論文研究國(guó)

內(nèi)論文研究作者/年代應(yīng)用領(lǐng)域陳慧瀅(民83)進(jìn)口車、國(guó)產(chǎn)車需求預(yù)測(cè)許峻源(民90)信用卡客戶申請(qǐng)分析傅坤泰(民90)評(píng)估企業(yè)績(jī)效蔡宛純(民90)信用卡客戶申請(qǐng)分析顏毓靜(民91)股票型基金之績(jī)效評(píng)估黃明輝(民91)債券型基金之績(jī)效評(píng)估劉瑞鑫(民91)臺(tái)股指數(shù)報(bào)酬率預(yù)測(cè)唐筱菁(民91)企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)葉素美(民91)匯率預(yù)測(cè)陳怡萍(民91)IC產(chǎn)業(yè)經(jīng)營(yíng)績(jī)效黃正鳳(民91)醫(yī)學(xué)研究方法－MARS34MARS相關(guān)論文研究國(guó)

內(nèi)作者/年代應(yīng)用領(lǐng)域陳慧瀅(民8990MARS相關(guān)論文研究國(guó)

內(nèi)論文研究作者/年代應(yīng)用領(lǐng)域連惟謙(民92)顧客流失與顧客價(jià)值之研究林展平(民92)游泳會(huì)員流失分析陳姍霓(民92)房貸信用評(píng)等模式之建構(gòu)陳怡妃(民92)健康俱樂(lè)部會(huì)員保留分析陳靜怡(民92)失業(yè)率預(yù)測(cè)黃立維(民92)資料探勘技術(shù)比較林正剛(民93)非營(yíng)利組織顧客流失率分析范鴻晸(民94)財(cái)務(wù)危機(jī)之預(yù)警唐培文(民94)臺(tái)股期指與基金價(jià)格預(yù)測(cè)蔡宛純(民94)漸進(jìn)式信用評(píng)分模式謝弘一(民94)乳癌病患存活能力分析研究方法－MARS35MARS相關(guān)論文研究國(guó)

內(nèi)作者/年代應(yīng)用領(lǐng)域連惟謙(民90MARS運(yùn)算流程收集資料91選擇預(yù)測(cè)變數(shù)產(chǎn)生可能的BF建過(guò)構(gòu)度最配大適的模型修剪MARS模型計(jì)算誤差值符合終止條件否是預(yù)測(cè)研究方法－MARSMARS收36選產(chǎn)建過(guò)修計(jì)符否是預(yù)研究方法－MARS9192實(shí)證研究－MARSMARS選擇輸入變數(shù)：各變數(shù)之前8季季資料(結(jié)果)各變數(shù)之前4季季資料(結(jié)果)

37實(shí)證研究－MARSMARS9293實(shí)證研究－MARS輸入各變數(shù)前8季季資料之MARS變數(shù)篩選結(jié)果較具貢獻(xiàn)性的輸入變數(shù)：由11個(gè)篩選為4個(gè)Func.Std.Dev.-GCVNo.ofBFVariable10.4690.6322贖回金額20.3220.3792附買回投資比率30.1910.1991買斷債券比率40.2330.2312贖回金額50.2500.2491申購(gòu)金額38實(shí)證研究－MARS輸入各變數(shù)前8季季資料之MARS變數(shù)篩9394實(shí)證研究－MARS返回判別後群體原始群體具擇時(shí)能力不具擇時(shí)能力具擇時(shí)能力2(66.7%)1(33.3%)不具擇時(shí)能力1(25%)3(75%)整體正確判別率71.42%(5/7)輸入各變數(shù)前8季季資料之MARS判別結(jié)果39實(shí)證研究－MARS返回判別後群體原始群體具擇時(shí)能力不具9495實(shí)證研究－MARS輸入各變數(shù)前4季季資料之MARS變數(shù)篩選結(jié)果較具貢獻(xiàn)性的輸入變數(shù)：由11個(gè)篩選為4個(gè)Func.Std.Dev.-GCVNo.ofBFVariable10.7140.4361買斷債券比率20.4300.4172附買回投資比率30.1620.2281申購(gòu)與贖回金額差值40.1770.2511成立時(shí)間長(zhǎng)短50.4250.2781買斷債券比率40實(shí)證研究－MARS輸入各變數(shù)前4季季資料之MARS變數(shù)篩9596實(shí)證研究－MARS判別後群體原始群體具擇時(shí)能力不具擇時(shí)能力具擇時(shí)能力3(100%)0(0%)不具擇時(shí)能力0(0%)4(100%)整體正確判別率100%(7/7)輸入各變數(shù)前4季季資料之MARS判別結(jié)果41實(shí)證研究－MARS判別後群體原始群體具擇時(shí)能力不具擇時(shí)9697實(shí)證研究－綜合比較各判別模式鑑別結(jié)果綜合比較表判別模式BPNMARS8季變數(shù)資料4季變數(shù)資料8季變數(shù)資料4季變數(shù)資料鑑別結(jié)果57.14%(4/7)71.42%(5/7)71.42%(5/7)100%(7/7)運(yùn)算時(shí)間1分52秒27秒5秒4秒42實(shí)證研究－綜合比較各判別模式鑑別結(jié)果綜合比較表判別模式9798研究結(jié)論研究結(jié)論在債券基金擇時(shí)能力的判別上，MARS具有較佳的判別能力，且所需的運(yùn)算時(shí)間較短。透過(guò)MARS的變數(shù)篩選功能，瞭解到影響債券型基金擇時(shí)能力的重要因素有：買斷債券比率附買回債券投資比率申購(gòu)與回金額差值基金成立時(shí)間長(zhǎng)短43研究結(jié)論研究結(jié)論9899MARS實(shí)證研究-房貸信用評(píng)等陳姍霓(民92)房貸信用評(píng)等模式之建構(gòu)研究結(jié)論影響房貸用評(píng)等變數(shù)有18個(gè)1.性別2.年齡3.婚姻4.教育程度5.職業(yè)6.服務(wù)年資7.月收入8.月付金額佔(zhàn)總收入比例9.貸款成數(shù)10.保證人人數(shù)11.借保人關(guān)係12.有無(wú)優(yōu)惠貸款13.是否自住14.貸款型態(tài)15.總貸款金額16.貸款房屋屋齡17.借保人信用狀況18.房屋型態(tài)44MARS實(shí)證研究-房貸信用評(píng)等陳姍霓(民92)1.性別99100MARS實(shí)證研究-