《财务资料探勘在财务领域的运用以债券型基金之绩效评估为例ppt》由会员分享，可在线阅读，更多相关《财务资料探勘在财务领域的运用以债券型基金之绩效评估为例ppt（56页珍藏版）》请在金锄头文库上搜索。
1、财务管理财务管理资料探勘资料探勘在财务领域的运用在财务领域的运用以债券型基金之绩效以债券型基金之绩效评估为例评估为例(ppt)2 2簡報大綱uu組員簡介uu研究目的uu研究架構uu研究方法與實證研究-BPN與MARSuu研究結論3 3組員簡介uu松山家商松山家商夜間部教學組組長夜間部教學組組長uu教務行政工作教務行政工作游世文游世文(MI0951049)(MI0951049)uu連展科技資訊科技部副理連展科技資訊科技部副理uu集團集團SoftwareteamSoftwareteam管理與管理與 專案開發：專案開發： 含含SAP,BW,SEM,BPM(J2EE)SAP,BW,SEM,BPM(J2
2、EE)陳聖儒陳聖儒(MI0961007)(MI0961007)uu連展科技資訊科技部連展科技資訊科技部 電子流程開發課課長電子流程開發課課長 uu電子流程開發專案管理電子流程開發專案管理葉士宗葉士宗(MI0961004)(MI0961004)uu陽明大學陽明大學教務處專案助理教務處專案助理uu教務處資訊化業務教務處資訊化業務陳思雅陳思雅(MI0952011)(MI0952011)研究目的uu研究目的將資料探勘工具運用於財務領域將資料探勘工具運用於財務領域應用資料採勘工具：應用資料採勘工具：uu倒傳遞類神經網路倒傳遞類神經網路(BPN) (BPN) uu多多元適應性雲形迴歸元適應性雲形迴歸(MA
3、RS)(MARS)分析債券型基金經理人的擇時能力分析債券型基金經理人的擇時能力探討兩探討兩DATA MININGDATA MINING工具在分類問題的工具在分類問題的精確度4 4研究架構研究動機與目的文獻與研究方法介紹基金分群分類結果比較與分析結論MARS分類模式BPN分類模式5 5uu資料探勘資料探勘（Data MiningData Mining）：）： 從資料庫或大量資料儲存體中，挖掘有用資訊的過程。從資料庫或大量資料儲存體中，挖掘有用資訊的過程。 過程包含以下步驟：過程包含以下步驟：uu資料選取（資料選取（Data SelectionData Selection）uu資料整理（資料整理（
4、CleaningCleaning）uu資料擴充（資料擴充（EnrichmentEnrichment）uu資料編碼（資料編碼（CodingCoding）uu資料探勘（資料探勘（Data MiningData Mining）uu探勘報告（探勘報告（ReportingReporting）研究方法資料探勘6 6uu資料探勘資料探勘 應用模式應用模式uu分類問題分類問題（ClassificationClassification）：）：依資料特定屬性判別其歸類依資料特定屬性判別其歸類uu趨勢分析（趨勢分析（Trend AnalysisTrend Analysis）：）：利用現有數利用現有數值值預測一個連續
5、變數的預測一個連續變數的 未來未來值值uu分群模式（分群模式（ClusteringClustering）：）：依資料特性的相關性予以分組依資料特性的相關性予以分組uu關聯分析（關聯分析（AssociationsAssociations）：）：找出在群組中同時出現的事件找出在群組中同時出現的事件uu順序型樣（順序型樣（Sequential AnalysisSequential Analysis）：）：找出事件先後發生的順序找出事件先後發生的順序 分類問題的應用工具分類問題的應用工具uu傳統統計方法：如羅吉斯迴歸、鑑別分析傳統統計方法：如羅吉斯迴歸、鑑別分析uu人工智慧：如類神經網路人工智慧：如類
6、神經網路uu無母數統計：如多元適應性雲形迴歸無母數統計：如多元適應性雲形迴歸研究方法資料探勘7 78 8uu資料探勘資料探勘 資料探勘與傳統統計分析之比較資料探勘與傳統統計分析之比較uu資料探勘在分析前不需對資料提出假設資料探勘在分析前不需對資料提出假設uu在探勘過程中發掘出資料存在的可能訊息在探勘過程中發掘出資料存在的可能訊息uu能更真實地反映出資料的隱藏特性能更真實地反映出資料的隱藏特性研究方法資料探勘9 9研究方法基金選股暨擇時能力uu選股能力選股能力暨暨擇時能力理論模型擇時能力理論模型選股能力：經理人對個別證券價格的預測能力選股能力：經理人對個別證券價格的預測能力擇時能力：經理人對整個
7、市場波動的預測能力擇時能力：經理人對整個市場波動的預測能力張瑞芬張瑞芬(2002)(2002)uu模型定義：模型定義：uu檢測能力判斷：當檢測能力判斷：當 、 兩個係數中任一係數顯兩個係數中任一係數顯 著，即認定該基金具有擇時能力。著，即認定該基金具有擇時能力。ititititiitXvXvYea+=-1,1,tiv,1,-tiv1010實證研究樣本資料簡介uu研究期間為研究期間為19991999年年7 7月至月至20012001年年6 6月月uu變數變數1111個，包括：個，包括：月資料：基金成立長短月資料：基金成立長短季資料：贖回金額、申購金額、申購周轉率、基金規模、季資料：贖回金額、申購
8、金額、申購周轉率、基金規模、贖回周轉率、買斷債券比率、基金淨贖回周轉率、買斷債券比率、基金淨值值、債券附買回投資比率、存放金融機構比率、債券附買回投資比率、存放金融機構比率、申購金額與贖回金額差申購金額與贖回金額差值值uu樣本基金數樣本基金數3434支基金支基金uu訓練資料：訓練資料：2727支基金支基金測試資料：測試資料： 7 7支基金支基金1111實證研究擇時能力分析uu擇時能力檢測模型擇時能力檢測模型uu根據根據19991999年年7 7月至月至20012001年年6 6月，共月，共24 24 個月之月資料，檢定個月之月資料，檢定 v vi,ti,t 、 v vi,t-1i,t-1是否顯
9、著為正，顯著水準為是否顯著為正，顯著水準為0.050.05。當二係數中任。當二係數中任一係數為一係數為正，即判定此基金具有擇時能力正，即判定此基金具有擇時能力uu檢測結果：檢測結果： 15 15 支具備擇時能力，支具備擇時能力，19 19 支不具備支不具備tYtiv,iatiX,ie：第t期之大華債券價格指數：第i支基金之價格指數：第t期第i支基金之債券買斷比率：第t期第i支基金之衝擊反應權數：第i支基金之干擾項ititititiitXvXvYea+=-1,1,1212簡報大綱uu組員簡介uu研究目的uu研究架構uu研究方法與實證研究-BPN與MARSuu研究結論uu類神經網路（Artific
10、ial Neural Networks ） 概念概念uu一種包含軟體與硬體的運算系統，使用相連的人工神經元來模一種包含軟體與硬體的運算系統，使用相連的人工神經元來模仿生物神經網路的資訊處理能力，架構如同大腦神經組織仿生物神經網路的資訊處理能力，架構如同大腦神經組織uu神經元細胞由樹狀突神經元細胞由樹狀突(Dendrites)(Dendrites)與軸突與軸突(Axon)(Axon)(神經突神經突) )組成組成uu樹突接受其他神經元發出之訊息，將訊息傳入細胞本體處理後，樹突接受其他神經元發出之訊息，將訊息傳入細胞本體處理後，再經由軸突傳達到另一個細胞的樹突再經由軸突傳達到另一個細胞的樹突 優點優
11、點uu具高速計算能力、高容量記憶能力、學習能力及高容錯能力具高速計算能力、高容量記憶能力、學習能力及高容錯能力uu對於非線性資料型態的問題處理有不錯的表現對於非線性資料型態的問題處理有不錯的表現研究方法類神經網路13131414接收器接收器輸出器輸出器兩神經元兩神經元的的聯結機制聯結機制CPU類神經原理人類神經元結構1515類神經原理-神經元架構X1 w1 X2 w2 YX3 w3 輸入值 權重 加總 轉換函數 輸出 轉換函數非線性，為兼具正、負向收斂的轉換函數非線性，為兼具正、負向收斂的S S型函數型函數即輸入即輸入值值無限大時，輸出無限大時，輸出值值為為1 1，反之為，反之為0 011Ij
12、Oje-=+q+=ijiijjOwIq1616倒傳遞類神經網路架構與學習(1)目標：透過權數的修正，以達到資料變數的正確目標：透過權數的修正，以達到資料變數的正確分類。分類。步驟：步驟：1.1.由亂數取得原始權數由亂數取得原始權數2.2.將每個輸入變數乘上權數後加總將每個輸入變數乘上權數後加總3.3.透過轉換函數求得輸出值透過轉換函數求得輸出值4.4.計算輸出值與實際真值誤差計算輸出值與實際真值誤差errorerror5.5.反向計算隱藏層神經元誤差並修正所有權數反向計算隱藏層神經元誤差並修正所有權數1717倒傳遞類神經網路架構與學習(2)1.1.輸出值與實際結果的誤差輸出值與實際結果的誤差
13、ErrErrj j = O = Oj j(1-O(1-Oj j)(T)(Tj j-O-Oj j) )2.2.將誤差以權值分配給隱藏層將誤差以權值分配給隱藏層 ErrErrj j = O = Oj j(1-O(1-Oj j)( )( k k Err Errk kw wjk jk) )3.3.修正權重修正權重 WWij ij = w = wij ij + (1)Err + (1)Errj jOOI I (1)(1)為學習率為學習率) )1818倒傳遞類神經網路實例(1)X1X1測試樣本為測試樣本為(1,0,1)(1,0,1) W14 W14 輸出目標值輸出目標值1 1 W15 W15 W24 W4
14、6 W24 W46X2X2 W25 W56 W25 W56 W34 W34 X3 W35X3 W35 輸入層 隱藏層 輸出層123124561919倒傳遞類神經網路實例(2)輸入輸入值值 依亂數求得各神經元權數依亂數求得各神經元權數神經元常數神經元常數x1 x1 x2 x2 x3 x3 w14w14 w15w15 w24w24 w25w25 w34w34 w35w35 w46w46 w56w564455661 10 01 10.20.2-0.3-0.30.40.40.10.1-0.5-0.50.20.2-0.3-0.3 -0.2-0.2 -0.4-0.4 0.20.20.10.1神經元神經元總
15、輸入訊號總輸入訊號( ( Ij Ij) )輸出訊號輸出訊號( Oj)( Oj)( (1* 0.21* 0.2) + () + (0*0.40*0.4) + () + (1* -0.51* -0.5) ) - 0.4- 0.4 = -0.7 = -0.71/(1+ e1/(1+ e0.70.7) = 0.332) = 0.332(1* -0.3) + (0*0.1) + (1* 0.2) + 0.2 = 0.1(1* -0.3) + (0*0.1) + (1* 0.2) + 0.2 = 0.11/(1+ e1/(1+ e-0.1-0.1) = 0.525) = 0.525(0.332 * -0.
16、3)+ (0.525 * -0.2)+ 0.1 =-0.105(0.332 * -0.3)+ (0.525 * -0.2)+ 0.1 =-0.1051/(1+ e1/(1+ e0.1050.105) = 0.474) = 0.474+=ijiijjOwIqOj=1/(1+e-Ij)2020倒傳遞類神經網路實例(2)Errj=Oj(1-Oj)(Tj-Oj)Errj=Oj(1-Oj)(Tj-Oj)神經元神經元TjTj與實際與實際值值Tj Tj 比較比較公式公式6 61 10.474 * (1 0.474)(1 0.474) = 0.13110.474 * (1 0.474)(1 0.474) =
17、0.13115 50.13110.13110.525 * (1- 0.525)(0.1311)( 0.2) = - 0.00650.525 * (1- 0.525)(0.1311)( 0.2) = - 0.00654 40.13110.13110.332 * (1 0.332)(0.1311)(-0.3) = -0.0087 0.332 * (1 0.332)(0.1311)(-0.3) = -0.0087 ErrErrj j=O=Oj j(1-Oj)(Err(1-Oj)(Errk kwwjkjk) )k權數常數權數常數初初值值學習率與修正公式學習率與修正公式修正結果修正結果w46w46-0.
18、3-0.3Learning rate(L) =0.9Learning rate(L) =0.9w wij ij = w = wij ij + (L)Err+ (L)Errj jOOi i j j = = j j + (L)Err + (L)Errj j-0.3+(0.9)(0.1311)(0.332) = -0.261-0.3+(0.9)(0.1311)(0.332) = -0.261w56w56-0.2-0.2-0.2+(0.9)(0.1311)(0.525) = -0.138-0.2+(0.9)(0.1311)(0.525) = -0.138w14w140.20.2 0.2+(0.9)(-
19、0.0087)(1) = 0.2+(0.9)(-0.0087)(1) = 0.1920.192w15w15-0.3-0.3-0.3+(0.9)(-0.0065)(1) = -0.306-0.3+(0.9)(-0.0065)(1) = -0.306w24w240.40.4 0.4+(0.9)(-0.0087)(0) = 0.4+(0.9)(-0.0087)(0) = 0.40.4w25w250.10.1 0.1+(0.9)(-0.0065)(0) = 0.10.1+(0.9)(-0.0065)(0) = 0.1w34w34-0.5-0.5-0.5+(0.9)(-0.0087)(1) = -0.5
20、+(0.9)(-0.0087)(1) = -0.508-0.508w35w350.20.2 0.2+(0.9)(-0.0065)(1) = 0.1940.2+(0.9)(-0.0065)(1) = 0.19444-0.4-0.4 0.1+(0.9)( 0.1311)= 0.1+(0.9)( 0.1311)= -0.261-0.261550.20.2 0.2+(0.9)(-0.0065)= 0.1940.2+(0.9)(-0.0065)= 0.194660.10.1-0.4+(0.9)(-0.0087)= -0.408-0.4+(0.9)(-0.0087)= -0.408uu類神經網路（續）運算
21、流程運算流程收集資料2121選擇預測變數決定網路參數及結構預測變輸數入與網目路標值計算並調整鍵結權重計算誤差值符合終止條件否是預測研究方法類神經網路2222實證研究類神經網路資料分析uu倒傳遞類神經網路架構倒傳遞類神經網路架構 隱藏層數目：單一隱藏層隱藏層數目：單一隱藏層 輸入層神經元數目：輸入層神經元數目：n n（即預測變數個數）（即預測變數個數） 隱藏層神經元數目：隱藏層神經元數目： 依根均方誤差依根均方誤差(RMSE)(RMSE)為判斷標準，為判斷標準， 採用採用2n-22n-2、2n-12n-1、2n2n、2n+12n+1、2n+22n+2 等五種情形進行比較分析等五種情形進行比較分析
22、 選擇輸入變數：選擇輸入變數：uu各變數之前各變數之前8 8季季資料季季資料( (結果結果) ) 包含包含8181個輸入變數，以個輸入變數，以0.0050.005、0.010.01、0.030.03、0.070.07的學習率的學習率uu各變數之前各變數之前4 4季季資料季季資料( (結果結果) ) 包含包含4141個輸入變數，以個輸入變數，以0.0010.001、0.0050.005、0.010.01、0.020.02的學習率的學習率2323實證研究類神經網路資料分析隱藏層數目隱藏層數目學習率學習率訓練資料訓練資料RMSERMSE測試資料測試資料RMSERMSE1601600.0050.005
23、0.0575850.0575850.6255470.6255470.010.010.0329740.0329740.640410.640410.030.030.0149910.0149910.6442440.6442440.070.070.0089260.0089260.6505930.6505931611610.0050.0050.0584850.0584850.6218870.6218870.010.010.0329280.0329280.6348510.6348510.030.030.015240.015240.6711250.6711250.070.070.6666670.666667
24、0.6546540.6546541621620.0050.0050.0581030.0581030.6245460.6245460.010.010.0331940.0331940.64450.64450.030.030.0152240.0152240.6317690.6317690.070.070.6666670.6666670.6546540.6546541631630.0050.0050.0577940.0577940.6209720.6209720.010.010.0329060.0329060.6584230.6584230.030.030.0152090.0152090.667524
25、0.6675240.070.070.6666670.6666670.6546540.6546541641640.0050.0050.0576190.0576190.6228580.6228580.010.010.0330850.0330850.6381950.6381950.030.030.0152380.0152380.6800710.6800710.070.070.6666670.6666670.6546540.654654最終網最終網路模式路模式2424實證研究類神經網路資料分析返回判別後群體判別後群體原始群體原始群體具擇時能力具擇時能力不具擇時能力不具擇時能力具擇時能力具擇時能力1(3
26、3.3%)1(33.3%)2(66.67%)2(66.67%)不具擇時能力不具擇時能力1(50%) 1(50%) 3(50%)3(50%)整體正確判別率整體正確判別率 57.14%(4/7)57.14%(4/7) 輸入各變數前輸入各變數前8 8季季資料之季季資料之BPNBPN判別結果判別結果2525實證研究類神經網路資料分析隱藏層數目隱藏層數目學習率學習率訓練期訓練期RMSERMSE測試期測試期RMSERMSE80800.0010.0010.3775800.3775800.5961260.5961260.0050.0050.2290740.2290740.5963030.5963030.010
27、.010.1418970.1418970.5224270.5224270.020.020.0587250.0587250.5168370.51683781810.0010.0010.3731190.3731190.5945320.5945320.0050.0050.2306290.2306290.5971570.5971570.010.010.1295650.1295650.5098010.5098010.020.020.0579070.0579070.5064620.50646282820.0010.0010.3781610.3781610.5874690.5874690.0050.0050
28、.2295650.2295650.5897200.5897200.010.010.1444140.1444140.5362350.5362350.020.020.0555130.0555130.5095430.50954383830.0010.0010.3648130.3648130.5821430.5821430.0050.0050.2277470.2277470.05883590.05883590.010.010.1385010.1385010.5247270.5247270.020.020.0593200.0593200.5092180.50921884840.0010.0010.367
29、0640.3670640.5923840.5923840.0050.0050.2299890.2299890.5888290.5888290.010.010.1342660.1342660.5229850.5229850.020.020.0541840.0541840.5059540.505954最終網最終網路模式路模式2626實證研究類神經網路資料分析判別後群體判別後群體原始群體原始群體具擇時能力具擇時能力不具擇時能力不具擇時能力具擇時能力具擇時能力2(66.67%)2(66.67%)1(33.33%)1(33.33%)不具擇時能力不具擇時能力1(25%) 1(25%) 3(75%)3(75
30、%)整體正確判別率整體正確判別率 71.42%(5/7)71.42%(5/7) 輸入各變數前輸入各變數前4 4季季資料之季季資料之BPNBPN判別結果判別結果uuMARS（Friedman,1991）概念：利用數段線性方程式間的節點趨近非線性概念：利用數段線性方程式間的節點趨近非線性模型，一種有彈性的高維度問題分析工具模型，一種有彈性的高維度問題分析工具應用：經濟、化學、醫學、工程計算等專業領域應用：經濟、化學、醫學、工程計算等專業領域優點：運算時間短、自動篩選變數，可迅速建立優點：運算時間短、自動篩選變數，可迅速建立分類模型分類模型通用模型通用模型研究方法多元適應性雲形迴歸 -+=Mmkkk
31、mmkvkmmmtxsaaxf11),(0)()(+2727尋找最佳模型兩階段尋找最佳模型兩階段uu第一階段：前推式第一階段：前推式(Forward)(Forward)演算法演算法依資料本身參數的關係，依資料本身參數的關係，產產生解釋方程式生解釋方程式(Basic (Basic Function, BF)Function, BF)的個數（新的主要影響因子、折點、的個數（新的主要影響因子、折點、或交互作用），讓或交互作用），讓MARS MARS 模型成長，直到找到一個模型成長，直到找到一個非常大的模型為止非常大的模型為止uu第二階段：後推式第二階段：後推式(Backword)(Backword)
32、演算法：演算法：修剪不適用之修剪不適用之BFBF，利用，利用GCVGCV準則刪除貢獻度小的準則刪除貢獻度小的BFBF221M)(1)(1)(-=NMCxfyNMGCVNiii研究方法MARS2828MARS-非線性模型圖2929uu以單變數為例， 若MARS 的預測模型為：uuy = 3 + 0.75y = 3 + 0.75Max(0,x-15) + 0.15Max(0,x-15) + 0.15Max(0,15-x)Max(0,15-x)研究方法MARS3030MARSForward StepwiseMARS運算流程3131MARSBackwards Stepwise32323333uuMAR
33、S相關論文研究國國外外論論文文研研究究作者作者作者作者/ /年代年代年代年代 應用領域應用領域應用領域應用領域DeVeaux,Gordon,ComisoDeVeaux,Gordon,Comiso Bacherer(1993)Bacherer(1993) 地球科學地球科學FriedmanandRoosen(1995)FriedmanandRoosen(1995)醫學醫學Bose(1996)Bose(1996)資料探勘技術比較資料探勘技術比較Nguyen-Cong,DangNguyen-Cong,Dang Rode(1996)Rode(1996)遺傳學之基因工程遺傳學之基因工程Griffin,Fi
34、sher,FriedmanGriffin,Fisher,Friedman Ryan(1997)Ryan(1997)礦石區分礦石區分DeGooijer,RayandKrager(1998)DeGooijer,RayandKrager(1998)匯率預測匯率預測研究方法MARS3434uuMARS相關論文研究國國內內論論文文研研究究作者作者/ /年代年代 應用領域應用領域陳慧陳慧瀅瀅( (民民83)83)進口車、國進口車、國產產車需求預測車需求預測許峻源許峻源( (民民90)90)信用卡客信用卡客戶戶申請分析申請分析傅坤泰傅坤泰( (民民90)90)評估企業績效評估企業績效蔡宛純蔡宛純( (民民9
35、0)90)信用卡客信用卡客戶戶申請分析申請分析顏毓靜顏毓靜( (民民91)91)股票型基金之績效評估股票型基金之績效評估黃明輝黃明輝( (民民91)91)債券型基金之績效評估債券型基金之績效評估劉瑞劉瑞鑫鑫( (民民91)91)台股指數報酬率預測台股指數報酬率預測唐唐筱筱菁菁( (民民91)91)企業財務危機預測企業財務危機預測葉素美葉素美( (民民91)91)匯率預測匯率預測陳怡萍陳怡萍( (民民91)91)ICIC產產業經營績效業經營績效黃正鳳黃正鳳( (民民91)91)醫學醫學研究方法MARS3535uuMARS相關論文研究國國內內論論文文研研究究作者作者/ /年代年代 應用領域應用領域
36、連惟謙連惟謙( (民民92)92)顧客流失與顧客價顧客流失與顧客價值值之研究之研究林展平林展平( (民民92)92)游泳會員流失分析游泳會員流失分析陳姍霓陳姍霓( (民民92)92)房貸信用評等模式之建構房貸信用評等模式之建構陳怡妃陳怡妃( (民民92)92)健康俱樂部會員保留分析健康俱樂部會員保留分析陳靜怡陳靜怡( (民民92)92)失業率預測失業率預測黃立維黃立維( (民民92)92)資料探勘技術比較資料探勘技術比較林正剛林正剛( (民民93)93)非營利組織顧客流失率分析非營利組織顧客流失率分析范鴻范鴻晸晸( (民民94)94)財務危機之預警財務危機之預警唐培文唐培文( (民民94)94
37、)台股期指與基金價格預測台股期指與基金價格預測蔡宛純蔡宛純( (民民94)94)漸進式信用評分模式漸進式信用評分模式謝弘一謝弘一( (民民94)94)乳癌病患存活能力分析乳癌病患存活能力分析研究方法MARSuuMARS運算流程運算流程收集資料3636選擇預測變數產生可能的BF建過構度最配大適的模型修剪MARS模型計算誤差值符合終止條件否是預測研究方法MARS3737實證研究MARSuuMARS選擇輸入變數：選擇輸入變數：uu各變數之前各變數之前8 8季季資料季季資料( (結果結果) )uu各變數之前各變數之前4 4季季資料季季資料( (結果結果) )3838實證研究MARS 輸入各變數前輸入各
38、變數前8 8季季資料之季季資料之MARSMARS變數篩選結果變數篩選結果 較具貢獻性的輸入變數：由較具貢獻性的輸入變數：由1111個篩選為個篩選為4 4個個Func.Func.Std. Dev.Std. Dev.-GCV-GCVNo. of BFNo. of BFVariableVariable1 10.4690.4690.6320.6322 2贖回金額贖回金額2 20.3220.3220.3790.3792 2附買回投資比率附買回投資比率3 30.1910.1910.1990.1991 1買斷債券比率買斷債券比率4 40.2330.2330.2310.2312 2贖回金額贖回金額5 50.2
39、500.2500.2490.2491 1申購金額申購金額3939實證研究 MARS返回判別後群體判別後群體原始群體原始群體具擇時能力具擇時能力不具擇時能力不具擇時能力具擇時能力具擇時能力2(66.7%)2(66.7%)1(33.3%)1(33.3%)不具擇時能力不具擇時能力1(25%) 1(25%) 3(75%)3(75%)整體正確判別率整體正確判別率 71.42%(5/7)71.42%(5/7) 輸入各變數前輸入各變數前8 8季季資料之季季資料之MARSMARS判別結果判別結果4040實證研究MARS 輸入各變數前輸入各變數前4 4季季資料之季季資料之MARSMARS變數篩選結果變數篩選結果
40、 較具貢獻性的輸入變數：由較具貢獻性的輸入變數：由1111個篩選為個篩選為4 4個個Func.Func.Std. Dev.Std. Dev.-GCV-GCVNo. of BFNo. of BFVariableVariable1 10.7140.7140.4360.4361 1買斷債券比率買斷債券比率2 20.4300.4300.4170.4172 2附買回投資比率附買回投資比率3 30.1620.1620.2280.2281 1申購與贖回金額差申購與贖回金額差值值4 40.1770.1770.2510.2511 1成立時間長短成立時間長短5 50.4250.4250.2780.2781 1買斷
41、債券比率買斷債券比率4141實證研究 MARS判別後群體判別後群體原始群體原始群體具擇時能力具擇時能力不具擇時能力不具擇時能力具擇時能力具擇時能力3(100%)3(100%)0(0%)0(0%)不具擇時能力不具擇時能力0(0%) 0(0%) 4(100%)4(100%)整體正確判別率整體正確判別率 100%(7/7)100%(7/7) 輸入各變數前輸入各變數前4 4季季資料之季季資料之MARSMARS判別結果判別結果4242實證研究 綜合比較 各判別模式鑑別結果綜合比較表各判別模式鑑別結果綜合比較表判別模式判別模式BPNBPNMARSMARS8 8季變數資料季變數資料4 4季變數資料季變數資料
42、8 8季變數資料季變數資料4 4季變數資料季變數資料鑑別結果鑑別結果57.14%(4/7)57.14%(4/7)71.42%(5/7)71.42%(5/7)71.42%(5/7)71.42%(5/7)100%(7/7)100%(7/7)運算時間運算時間1 1分分分分5252秒秒秒秒2727秒秒秒秒5 5秒秒秒秒4 4秒秒秒秒4343研究結論uu研究結論研究結論 在債券基金擇時能力的判別上，在債券基金擇時能力的判別上，MARSMARS具有較佳的判別具有較佳的判別能力，且所需的運算時間較短。能力，且所需的運算時間較短。 透過透過MARSMARS的變數篩選功能，瞭解到影響債券型基金擇的變數篩選功能，
43、瞭解到影響債券型基金擇時能力的重要因素有：時能力的重要因素有：uu買斷債券比率買斷債券比率uu附買回債券投資比率附買回債券投資比率uu申購與回金額差申購與回金額差值值uu基金成立時間長短基金成立時間長短4444MARS實證研究-房貸信用評等uu陳姍霓陳姍霓( (民民92) 92) uu房貸信用評等模式之建構研究結論房貸信用評等模式之建構研究結論uu影響房貸用評等變數有影響房貸用評等變數有1818個個 1.1.性別性別 2.2.年齡年齡 3.3.婚姻婚姻 4.4.教育程度教育程度 5.5.職業職業 6.6.服務年資服務年資 7.7.月收入月收入 8.8.月付金額佔總收入比例月付金額佔總收入比例
44、9.9.貸款成數貸款成數10.10.保證人人數保證人人數 11.11.借保人關係借保人關係 12.12.有無優惠貸款有無優惠貸款 13.13.是否自住是否自住 14.14.貸款型態貸款型態 15.15.總貸款金額總貸款金額 16.16.貸款房屋屋齡貸款房屋屋齡17.17.借保人信用狀況借保人信用狀況 18.18.房屋型態房屋型態 4545MARS實證研究-房貸信用評等MARSMARS模式之顯著變數及基本方程式模式之顯著變數及基本方程式變數名稱變數名稱重要程度重要程度基本方程式基本方程式月月 付付 金金 額額 佔佔總收入比例總收入比例100.00% 100.00% BF1= max(0, BF1
45、= max(0, 月付金額佔總收入之比例月付金額佔總收入之比例-5.000)-5.000)保證人人數保證人人數96.35%96.35%BF3= max(0, 1.000 BF3= max(0, 1.000 保證人人數保證人人數 ) )BF6= max(0, BF6= max(0, 保證人人數保證人人數- 2.000)- 2.000)貸款成數貸款成數 71.51%71.51%BF12= max(0, BF12= max(0, 貸款成數貸款成數 - 72.000)- 72.000)借保人之借保人之信用狀況信用狀況68.09%68.09%BF8=(BF8=(借保人之信用狀況借保人之信用狀況 = 0)
46、= 0)貸款形態貸款形態 54.57%54.57%BF10= (BF10= (貸款形態貸款形態 = 0 OR = 0 OR 貸款形態貸款形態= 3)= 3)MARS MARS 鑑別方程式：鑑別方程式：鑑別方程式：鑑別方程式：Y = 0.015 + 0.004 * BF1 + 0.259 * BF3 + 0.790 * BF6 - 0.187 * BF8Y = 0.015 + 0.004 * BF1 + 0.259 * BF3 + 0.790 * BF6 - 0.187 * BF8+ 0.094 * BF10 + 0.011 * BF12+ 0.094 * BF10 + 0.011 * BF12
47、4646MARS實證研究-房貸信用評等uu月付金額佔總收入比例：月付金額佔總收入比例： BF1= max(0, BF1= max(0, 月付金額佔總收入之比例月付金額佔總收入之比例 5%) 5%) 當月付金額佔總收入比例達當月付金額佔總收入比例達5 5以上時，顯示該借款申請以上時，顯示該借款申請者之信用狀況較差。者之信用狀況較差。uu保證人人數：保證人人數： BF3= max(0, 1 BF3= max(0, 1 保證人人數保證人人數 ) ) BF6= max(0, BF6= max(0, 保證人人數保證人人數- 2)- 2) 保證人之人數為一人或兩人時，其違約風險較低，若無保保證人之人數為一
48、人或兩人時，其違約風險較低，若無保證人或保證人達三人以上時，則有較高的違約風險。證人或保證人達三人以上時，則有較高的違約風險。4747MARS實證研究-房貸信用評等uu貸款成數：貸款成數： BF12= max(0, BF12= max(0, 貸款成數貸款成數 - 72)- 72) 貸款成數低於貸款成數低於72%72%時，顯示借款申請者的信用狀況較好，時，顯示借款申請者的信用狀況較好，若貸款成數高於若貸款成數高於72%72%，則貸款成數越高越可能發生違約，則貸款成數越高越可能發生違約狀況狀況uu借保人之信用狀況：借保人之信用狀況： BF8=(BF8=(借保人之信用狀況借保人之信用狀況 = 0)=
49、 0) 若借保人的信用狀況良好，將對借款人的信用評等有正若借保人的信用狀況良好，將對借款人的信用評等有正向幫助。向幫助。uu貸款形態：貸款形態：BF10= (BF10= (貸款形態貸款形態 = 0 OR = 0 OR 貸款形態貸款形態= 3)= 3) 新購屋及他行增貸的貸款新購屋及他行增貸的貸款戶戶較容易被區隔至違約的類別較容易被區隔至違約的類別中中4848BPN & MARS在其他論文之成效比較(1)判別模式判別模式BPNBPNMARSMARS8 8季變數資料季變數資料4 4季變數資料季變數資料8 8季變數資料季變數資料4 4季變數資料季變數資料鑑別結果鑑別結果57.14%(4/7)57.1
50、4%(4/7)71.42%(5/7)71.42%(5/7)71.42%(5/7)71.42%(5/7)100%(7/7)100%(7/7)運算時間運算時間1 1分分分分5252秒秒秒秒2727秒秒秒秒5 5秒秒秒秒4 4秒秒秒秒uu黃明輝黃明輝( (民民90)90)資料探勘在財務領域的運用資料探勘在財務領域的運用- -以債券型基金之績效以債券型基金之績效評估為例評估為例4949uu陳麒文陳麒文( (民民91)91)健康休閒俱樂部顧客流失分析模式之研究健康休閒俱樂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%人工類神經網路 84.78%多元適應性雲形
51、迴歸 86.52%BPN & MARS在其他論文之成效比較(2)5050判別種類判別種類0 00 011 11 整體整體整體整體正確率正確率正確率正確率財務指標財務指標 + MARS+ MARS66.67 %66.67 % 75.00 %75.00 % 72.22 %72.22 %財務指標財務指標 + + 智慧資本智慧資本+ MARS+ MARS66.67 %66.67 % 79.17 %79.17 % 75.00 %75.00 %財務指標財務指標 + MARS + BPN+ MARS + BPN75.00 %75.00 % 79.17 %79.17 % 77.78 %77.78 %財務指標財
52、務指標 + +智慧資本智慧資本+ MARS + BPN+ MARS + BPN75.00 %75.00 % 87.50 %87.50 % 83.33 %83.33 %uu唐唐筱筱菁菁( (民民91)91)整合財務比率與智慧資本指標建構企業危機預警整合財務比率與智慧資本指標建構企業危機預警系統系統-MARS-MARS與類神經網路之應用與類神經網路之應用BPN & MARS在其他論文之成效比較(3)5151分析模式分析模式整體正確判別率整體正確判別率鑑別分析鑑別分析 80.67%80.67%類神經網路類神經網路 82.35%82.35%多元適應性雲形迴歸多元適應性雲形迴歸 83.61%83.61%
53、整合整合MARS MARS 與與BPN BPN 分析分析 84.03%84.03%uu林展平林展平( (民民92)92)資料探勘分類技術於游泳會員流失區別模型之研資料探勘分類技術於游泳會員流失區別模型之研究究BPN & MARS在其他論文之成效比較(4)5252分析模式分析模式整體正確判別率整體正確判別率LDA LDA 75.69%75.69%ANNsANNs83.92% 83.92% MARSMARS80.78%80.78%CARTCART67.84%67.84%整合模式整合模式86.67%86.67%uu陳姍霓陳姍霓( (民民93)93)整合類神經網路、多元適應性雲形迴歸與分類迴整合類神經
54、網路、多元適應性雲形迴歸與分類迴歸樹於信用評等模式之建構歸樹於信用評等模式之建構- -以房屋貸款為例以房屋貸款為例BPN & MARS在其他論文之成效比較(5)5353分析模式分析模式整體正確判別率整體正確判別率鑑別分析鑑別分析 56.81%56.81%羅吉斯迴歸羅吉斯迴歸 60.51%60.51%人工類神經網路人工類神經網路 81.63%81.63%多元適應性雲形迴歸多元適應性雲形迴歸 88.49%88.49%BPN & MARS在其他論文之成效比較(6)uu林正剛林正剛( (民民93)93)非營利組織顧客流失率分析模式之研究以YMCA台北萬華會所為例5454報告心得uuDATA MININ
55、G在分類上的工具uuMARS的整體績效是比BPN好uu若能以MARS求得變數當作BPN的輸入值，則績效更好BPN & MARS 優缺點人工類神經網路多元適應性雲形迴歸優點擁有巨大的平行處理、快擁有巨大的平行處理、快速修補資訊、依經驗辨認速修補資訊、依經驗辨認結構與處理能力。結構與處理能力。沒有假設限制，具備建構沒有假設限制，具備建構非線性模式優越性。非線性模式優越性。沒有假設限制，具備建構非沒有假設限制，具備建構非線性模式優越性。線性模式優越性。能篩選重要影響變數。能篩選重要影響變數。缺點參數設定沒有一致理論可參數設定沒有一致理論可供運用。供運用。模式訓練過程缺乏效率且模式訓練過程缺乏效率且費時。費時。無法篩選重要影響變數。無法篩選重要影響變數。解釋方程式的數量沒有一定解釋方程式的數量沒有一定的準則。的準則。5555謝謝！歡迎指教！
