查詢結果分析
來源資料
相關文獻
- 類神經網路在競標理論之應用--以美國政府政府公債市場為例
- Neural Network Procedures for Taguchi's Dynamic Problems
- A Fast and Efficient Competitive Learning Design Algorithm Based on Weight Vector Training in Transform Domain
- 專家系統振動訊號圖型判別之研究
- 反傳遞模糊類神經網路於流量推估之應用
- 類神經網路(Neural Networks)的種類及其在影像處理上的應用
- C++Fuzzy類神經網路物件導向發展系統之建立
- 臺灣汽保費率之估計--對數線性費率模式與類神經網路之比較
- 運用類神經網路於股價指數之套利--以日經225指數為例
- 使用類神經網路預估碳化鎢材料放電加工性能
頁籤選單縮合
題 名 | 類神經網路在競標理論之應用--以美國政府政府公債市場為例=Apply Artificial Neural Network on Auction Theory for American Bonds Market |
---|---|
作 者 | 陳世民; | 書刊名 | 明志學報 |
卷 期 | 36:2 2005.01[民94.01] |
頁 次 | 頁9-22 |
分類號 | 564.5 |
關鍵詞 | 競標理論; 類神經網路; 共同價值模型; 美國公債標售市場; Auction theory; Artificial neural network; Common value model; American bond bidding market; |
語 文 | 中文(Chinese) |
中文摘要 | 本研究利用類神經網路以美國公債標售市場來進行實證之研究,並與迴歸模型作一比較,以了解類神經網路在競標理論之共同價值模型的適用性。在建立類神經網路及迴歸之預測模型的過程,由平均得標殖利率切入,獲得下列數點結論:1.經實證結果發現,類神經網路模型在實證結果及測試能力上之表現均較迴歸模型來的好,但由於類神經網路模型對相關變數並無解釋能力,若牽涉到需理論之推導及解釋時,則需借助迴歸模型。2.綜合類神經網路模型及迴歸模型之測試及預測結果發現,由於測試資料包含於學習過程之中,因此在測試所得之結果均優於預測所得之結果。在資料的測試方面,以類神經網路模型表現較好。在資料的預測方面,卻是以迴歸模型表現較好。若再加上以發行期限為區分,類神經網路模型在資料測試上的表現,以五年期及十年期的表現較好,而迴歸模型在兩年期的表現較好。在資料預測方面,類神經網路模型的預測結果以兩年期的表現較好,而迴歸模型在十年期的表現較好。 |
英文摘要 | This research applies articial neural network (ANN) to study the common value model of auction theory in American bonds market. The performance of the proposed model is compared to the conventional regression model by using the bond bidding data in 1998 for recall and data in 1999 for prediction. Our comparison indicates that the ANN model is better than the regression model in the recall (test) process; however ANN model does not have the ability to describe the relationship between the input and output. The result also shows that the regression performance better in predication process if the factor of Security Description is not considered. Further consideration of Security Description indicates that ANN has better prediction performance in the long term bond (5-year and 10-year) than the regression model. However, the short term both the regression model does better. |
本系統中英文摘要資訊取自各篇刊載內容。