原料探勘在财务领域的运用-以债券型基金之绩效评估为例.pptVIP

* 分析模式 整體正確判別率 LDA 75.69% ANNs 83.92% MARS 80.78% CART 67.84% 整合模式 86.67% 陳姍霓(民93)整合類神經網路、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-以房屋貸款為例 BPN MARS在其他論文之成效比較(5) * 分析模式 整體正確判別率 鑑別分析 56.81% 羅吉斯迴歸 60.51% 人工類神經網路 81.63% 多元適應性雲形迴歸 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 * 報告心得 DATA MINING在分類上的工具 MARS的整體績效是比BPN好 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、快速修補資訊、依經驗辨認結構與處理能力。 ◎沒有假設限制，具備建構非線性模式優越性。 ◎沒有假設限制，具備建構非線性模式優越性。 ◎能篩選重要影響變數。 缺 點 ◎參數設定沒有一致理論可供運用。 ◎模式訓練過程缺乏效率且費時。 ◎無法篩選重要影響變數。 ◎解釋方程式的數量沒有一定的準則。 * 謝謝！歡迎指教！ * * * * * * * * * 倒傳遞類神經網路實例(2) Errj = Oj(1-Oj)(Tj-Oj) 神經元 Tj 與實際值Tj 比較 公式 6 1 0.474 * (1 – 0.474)(1 – 0.474) = 0.1311 5 0.1311 0.525 * (1- 0.525)(0.1311)(– 0.2) = - 0.0065 4 0.1311 0.332 * (1 – 0.332)(0.1311)(-0.3) = -0.0087 Errj = Oj(1-Oj)( Errkwjk) k ? 權數常數 初值 學習率與修正公式 修正結果 w46 -0.3 Learning rate(L) =0.9wij = wij + (L)ErrjOiθj = θj + (L)Errj -0.3+(0.9)(0.1311)(0.332) = -0.261 w56 -0.2 -0.2+(0.9)(0.1311)(0.525) = -0.138 w14 0.2 0.2+(0.9)(-0.0087)(1) = 0.192 w15 -0.3 -0.3+(0.9)(-0.0065)(1) = -0.306 w24 0.4 0.4+(0.9)(-0.0087)(0) = 0.4 w25 0.1 0.1+(0.9)(-0.0065)(0) = 0.1 w34 -0.5 -0.5+(0.9)(-0.0087)(1) = -0.508 w35 0.2 0.2+(0.9)(-0.0065)(1) = 0.194 θ4 -0.4 0.1+(0.9)( 0.1311)= -0.261 θ5 0.2 0.2+(0.9)(-0.0065)= 0.194 θ6 0.1 -0.4+(0.9)(-0.0087)= -0.408 類神經網路（續） 運算流程 收 集 資 料 * 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 * 實證研究－類神經網路資料分析 倒傳遞類神經網路架構 隱藏層數目：單一隱藏層 輸入層神經元數目：n（即預測變數個數） 隱藏層神經元數目： 依根均方誤差(RMSE)為判斷標準， 採用2n-2、2n-1、2n、2n+1、2n+2 　　 等五種情形進行比較分析 選擇輸入變數： 各變數之前8季季資料(結果) 包含81個輸入變數，以0.005、0.01、0.03、0.07的學習率 各變數之前4季季資料(結果) 包含41個輸入變數，以0.001、0.005、0.01、0.02的學習率 * 實證研究－類神經網路資料分析 隱藏層數目 學習率 訓練資料RMSE 測試資料RMSE 160 0.005 0.057585 0.625547 0.01 0.032974 0.64041 0.03 0.014991 0.644244 0.07 0.008926 0.650593 161 0.005 0.058485 0.621887 0.01 0.032928 0.634851 0.03 0.01524 0.671125 0.07 0.66666