網際網路的蓬勃發展促使全球化經濟逐漸成形，使得股市資訊也越來越透明化，投資者可用來輔助判斷股市趨勢的資料也越來越多，然而由於需要分析的歷史股市和其所包含的股市影響因素資料相當龐大，使得投資者無法即時有效分析相關資料，往往導致決策錯誤。因此，本研究之目的乃希望建立一個虛擬股市分析員，利用資訊科技高速運算以及快速處理龐大資料量的特性，整合人工智慧的技術；以案例式推論系統模擬實際股市分析員參考歷史資料的情形，以類神經網路模擬實際股市分析員分析資料的方式，並使用模糊理論使虛擬股市分析員的決策方式更人性化。本研究建立之虛擬股市分析員利用我們改良之案例式推論系統整合類神經網路分析測試案例，並使用我們設計之相關股市歸屬函數，以各種股票技術指標和公司財務危機因素為特徵值，預期能改善台灣電子股票市場漲跌幅度之預測準確率，並從中決定各股票之較佳買賣策略。

The rapid growth of the Internet has shaped up the global economy. The stock market information is thus more and more transparent. Although the investors can get more helpful information to judge future trend of the stock market, they may get wrong judgments because the stock market data are too huge to be completely analyzed. Therefore, the purpose of this study is to develop an artificial stock market analyst by employing the information technology with high speed and performance, as well as integrating the artificial intelligence techniques. We exploit case-based reasoning to simulate the analysts in using history stock market data, employ the artificial neural network to imitate the analysts in analyzing the macrofactors of stock market, and apply the fuzzy logic to humanize the artificial stock market analyst in making judgments close to the real stock market analysts. The artificial stock market analyst would use the modified case-based reasoning system combined with the artificial neural network, and incorporate the designed membership functions for macrofactors of stock market. We expect the system to improve the accuracy of Taiwan electric stock price prediction by applying macrofactors from the technical analysis indicators and financial crisis factors, and make better stock trading strategies.

目錄
壹、緒論 1
1.1研究背景 1
1.2研究目的 2
1.3研究重要性 2
2.1影響股價變動之因素 3
2.2效率市場假說 3
2.3案例式推論系統 4
2.4類神經網路 6
2.5 模糊理論 7
2.5.1模糊化 8
2.5.2模糊規則庫 8
2.5.3推論引擎 9
2.5.4資料庫 9
2.5.5解模糊化 10
2.6相關文獻探討 10
2.6.1 k鄰居案例推論法 10
2.6.2 基因式k鄰居案例推論法 11
2.6.3 類神經預測法 12
參、研究方法 14
3.1系統發展架構 14
3.2案例產生子系統 15
3.2.1案例產生子系統架構 15
3.2.2因素特徵分析 15
3.2.3案例產生器 26
3.3案例擷取子系統 26
3.3.2相似度方程式 27
3.3.3擷取分析案例 27
3.4案例分析子系統 27
3.4.1案例分析子系統架構 28
3.4.2訓練樣本與測試樣本 28
3.4.3輸入層 28
3.4.4隱藏層 29
3.4.5輸出層 29
3.4.6學習參數 30
3.4.7學習法則 31
3.4.8轉換函數 31
3.4.9加權值 32
3.4.10收斂條件 32
3.4.11演算法流程 33
3.5案例決策子系統 36
3.5.1案例決策子系統架構 36
3.5.2建立歸屬函數 36
3.5.3決定策略 39
肆、實證結果與分析 40
4.1類神經網路案例推論法 40
4.1.1類神經網路參數設定 41
4.1.2歷史資料數量參數設定 43
4.1.3訓練資料數量參數設定 44
4.1.4類神經案例推論方法實驗設定結論 45
4.2 k鄰居案例推論法 45
4.3 基因式k鄰居案例推論法 47
4.4實驗結果 48
參考文獻 54

[1] 王嘉穎，1999，我國上市公司財務危機與監理因素之關聯性研究-實質所有權之探討，台灣大學會計學研究所碩士論文, 1999
[2] 王銘傑，2004，弱式效率市場下共同基金積效之動態評估，政治大學國際貿易學系碩士論文
[3] 陳碧滋，2000，我國上市公司股價行為與董監因素關連性之探討，台灣大學會計學研究所碩士論文
[4] 張斐張與張麗秋，2005，類神經網路，臺灣東華書局股份有限公司
[5] 張雅雯，2003，以正、逆價差檢驗台灣股票市場效率性，逢甲大學企業管理所碩士論文
[6] 馮國臣與任麗偉，2007，模糊理論 : 基礎與應用，新文京開發出板股份有限公司
[7] 葉怡成，1997，以類神經網路預測混擬土非破壞檢測之抗壓強度，中華工學院土木工程研究所碩市論文
[8] 楊家維，1999，技術分析用於當沖之有效性研究------台灣股市之實證分析，台北大學經濟學系碩士論文
[9] 蔡瑞煌，1995，應用神經網路於解決性規劃問題之探討，政治大學資訊管理研究所碩士論文
[10] 盧靜怡，2000，企業經營績效排名之預測－灰色關聯分析與類神經網路之應用, 台灣科技大學資訊管理系碩士論文
[11] 謝淑玲，黃光宇，張嘉烈，廖宜恩，2008，應用類神經網路與技術指標預測股價漲跌之研究-以中概股為例，領東科技大學資訊管理系碩士論文
[12] 蘇木春與張孝德，1997，機器學習：類神經網路、模糊系統以機基因演算法則，全華科技圖書股份有限公司
[13] 蘇芳乾，2000，景氣變動對我國製造業財務比率之影響，政治大學會計學系碩士論文
[14] 融資&融卷- Windows Live，http://loveworldsaiueme.spaces.live.com/blog/cns!CFE6C9032CCD060D!1346.entry
[15] Ahn, H., Kim, K.-j., & Han, I. (2006a). Hybrid genetic algorithms and case-based reasoning systems for customer classification. Expert Systems, 23(3), 127–144.
[16] Ahn, H., Kim, K.-j., & Han, I. (2006b). Global optimization of feature weights and the number of neighbors that combine in a CBR system. Expert Systems, 23(5), 290–301.
[17] Ahn, H., Kim, K.-j., & Han, I. (2007). A case-based reasoning system with the two-dimensional reduction technique for customer classification. Expert Systems with Applications, 32(4), 1011–1019.
[18] Ahn, H., & Kim, K.-j., (2008). Using genetic algorithms to optimize nearest neighbors. Applied Intelligence, 163, 5–18.
[19] Chiu, C. (2002). A case-based customer classification approach for direct marketing. Expert Systems with Applications, 22, 163–168.
[20] Chiu, C., Chang, P. C., & Chiu, N. H. (2003). A case-based expert support system for due-date assignment in a water fabrication factory. Journal of Intelligent Manufacturing, 14, 287–296.
[21] Hang, C.-C., & Lee, H.-M. (2004). A grey-based nearest neighbor approach for missing attribute value prediction. Applied Intelligence, 20, 239-252.
[22] Jang, J.-S. R., Sun, C.-T., & Mizutani, E.(1996)Neuro-Fuzzy and Soft Computing, Prentice-Hall International.
[23] Jarmulak, J., Craw, S., & Rowe, R. (2000). Self-optimizing CBR retrieval. In Proceedings of the 12th IEEE international conference on tools with artificial intelligence, pp. 376–383.
[24] Kimoto, T., Asakawa, K., Yoda, M., and Takeoka, M., “Stock market　prediction system with modular neural network,” in Proceedings　of the International Joint Conference on Neural Networks,　San Diego, CA, 1990, pp. 1–6.
[25] Kim, K., & Han, I. (2001). Maintaining case-based reasoning systems using a genetic algorithms approach. Expert Systems with Applications, 21, 139–145.
[26] Ombuki, B.-M. & Ventresca, M. (2004). Local search genetic algorithm for the job shop scheduling problem. Applied Intelligence, 21, 99-109.
[27] Roger Schank, Dynamic Memory: A Theory of Learning in Computers and People (New York: Cambridge University Press, 1982).
[28] Shin, K.-S., & Han, I. (1999). Case-based reasoning supported by genetic algorithms for corporate bond rating. Expert Systems with Applications, 16, 85–95.
[29] Wang, Y., & Ishii, N. (1997). A method of similarity metrics for structured representations. Expert Systems with Applications, 12, 89–100.
[30] Yin, W. J., Liu, M., & Wu, C. (2002). A genetic learning approach with case-based memory for job-shop scheduling problems. In Proceedings of the first international conference on machine learning and cybernetics, pp. 1683–1687.