查詢結果分析
相關文獻
- 優化類神經網路模型之預測能力--以金控股個案分析
- 手寫數字辨識模式之建立--結合遺傳演算法與類神經網路
- 年度財務報表資訊揭露對預測財務危機之有用性:預視財務危機預測模型
- 應用資料包絡法及遺傳演化類神經網路模型建構最適投資策略--以臺灣股票型共同基金為例
- 股市投資決策模式之建構與個股買賣時機之探討
- 軍事投資最適化比例之研究
- 線性軸幅路網接駁系統最適整合區位、路線與排班模式之研究
- Genetic Algorithm Approach for Designing Fir Hilbert Transformers and Differentiators
- 以類神經網路與遺傳演算法解決系統可用度分派問題
- 自我調適的動態排程系統--限制排程、模糊理論和遺傳演算法的應用
頁籤選單縮合
題 名 | 優化類神經網路模型之預測能力--以金控股個案分析=The Study on the Optimizing Predictability of the Neural Networks: Case Study of Finance Holding Stocks |
---|---|
作 者 | 潘文超; 林維垣; 周旻德; | 書刊名 | 遠東學報 |
卷 期 | 24:3 2007.09[民96.09] |
頁 次 | 頁225-231 |
分類號 | 562.29 |
關鍵詞 | 迴歸模型後向選取法; 倒傳遞類神經網路; 遺傳演算法; Backward regression; Back-propagation neural networks; Genetic algorithms; |
語 文 | 中文(Chinese) |
中文摘要 | 金融控股公司是邁向跨業經營以達到金融百貨化的過程,也是當今金融 先進國家的經營方式。不採行這種經營方式,則缺乏競爭力。因此,為提升 金融企業的競爭能力,成立金融控股公司是非常重要的途徑。金融控股公司 是新制度、限制少、彈性大,所以可提供相關金融業者跨業經營與共同行銷 的機會,以達到規模經濟的效果。 本文以國內六家金融控股公司為例,研究如何挑選類神經網路的輸入變 數,以及如何選取網路參數與架構,以優化類神經網路的預測績效。由研究 結果顯示選取預測變數及網路參數後的類神經網路預測績效相對優於迴歸模 型後向選取法,而優化後的類神經網路模型之預測績效亦相對優於一般倒傳 遞類神經網路模型。 |
英文摘要 | Finance holding companies are those entities in the process of “department store” financial products, also the way the advanced countries operate their business and economies. Without it, competitiveness is shortened and deficient. As a consequence, the establishments of finance holding companies are rather critical measures in order for the heaving of the competitiveness of enterprises. The system of the finance holding company is novel, limitless and flexible such that it provides many opportunities of cross-industry business and collective marketing to obtain the effect of scale economy. The thesis adopts six finance holding companies as samples to investigate how to select input variables, network parameters and structure so as to ultimately optimize the predictability of neural networks. The neural networks selecting predictor variables and network variables, the study states, perform far better than the backward regression. Moreover, the performance of the optimized neural network also relatively excels the back-propagation neural networks. |
本系統中英文摘要資訊取自各篇刊載內容。