薄膜电晶体液晶显示器产业类股连动关系之研究

1薄膜電晶體液晶顯示器產業類股連動關係之研究陳秀如陳雅琪林俞君顏雅芳義守大學工業工程與管理學系地址：高雄縣大樹鄉學城路一段1號聯絡人：[e-mail]摘要TFT-LCD面板產業是台灣兩兆雙星政策之重點發展產業，且TFT-LCD面板產業繼半導體產業後，成為台灣未來經濟成長的動力來源。因此，本研究旨在利用資料探勘技術-灰關聯分析與倒傳遞類神經網路，來探討液晶顯示器產業類股之間股價漲跌間的連動性，以了解不同公司之間的股價變動相互影響關下，會造成液晶顯示器產業類股走勢如何發展的關係。如此，投資者可以利用液晶顯示器產業類股股價的漲跌來預測液晶顯示器產業趨勢的變化作為投資策略。本研究主要是利用灰關聯分析以及倒傳遞類神經網路，針對收集到46家TFT-LCD上、中和下游廠商，各543筆日交易紀錄進行分析，應用灰關聯分析找出各廠商之間關聯度，加以分群，在進行第二次灰關聯分析，將關聯度較低的廠商剔除，再以TFTLCD的大廠──友達、奇美為主要標的，利用倒傳遞類神經網路加以訓練，如此，可以找到不錯的訓練模型也可運用此預測模型求取TFT-LCD類股之連動關係，更可利用所得的預測資訊，來作為TFT-LCD類股長期投資的參考。關鍵字：股價連動性、灰關聯分析、倒傳遞類神經網路、TFT-LCD1.前言本研究的重點主要在探討TFT-LCD類股間連動性之關係，亦即考量股市的漲跌對TFT-LCD類股變動之影響情形為何。另外，用連動性之影響去實際了解投資策略的差異性，進而分析對投資者最有利的投資策略，在各自現有的條件下，安排投資的資金，以期望得到最佳的利潤。為此必須透過電腦使用資料採礦技術幫助投資者為其資料進行分析動作。先將蒐集到的TFT-LCD類股股市資料建立於資料庫，然後再進行灰關聯分析（AssociationAnalysis）、倒傳遞類神經網路等等，設計可以篩選這些資料中正確且有用之訊息，並發現一些隱藏於資料庫中的規則或知識，以幫助決策者不需浪費時間去找尋TFT-LCD類股間之關係，並作出正確的投資策略。本研究的研究流程如圖1所示。圖1研究流程圖2.TFT-LCD股市之連動性由於全球TFT-LCD的生產重鎮在台灣、日本及南韓，而之所以會形成這種現象的可能原因之一，係來自於產業群聚效應。吳建德（民國93）研究中亦指出隨著佈局全球化，台灣廠商必須擴廠及更多的投資，然而國內大尺寸TFT-LCD廠商已掌握對關鍵零組件的採購權，顯示出台灣TFT-LCD完整上下游供應鏈佈局，尤其是奇美在南科推出專業區；友達在上游關2鏈零組件的策略佈局，在日、韓等國激烈競爭之下，台灣廠商應如何運用策略模式，廠商必須有必要對策與台灣相關產業所需的資訊。所探討的範圍是台灣高科技產業的TFT-LCD產業，和競爭最激烈的大型TFT-LCD之面板與模組製造商，如台灣主要的五大面板廠商：友達光電、奇美電子、中華映管、瀚宇彩晶、廣輝電子，研究主要重心放在像奇美、友達產業鏈較完整的公司。影響TFT-LCD產業發展的重要不確定性因素包括：1.世代技術發展的不確定性；2.LCDTV市場需求的不確定性；3.替代性技術產品的不確定性；4.經濟情勢與成長的不確定性。並依技術變化、需求變化以及產業環境(結構)變化三個不確定軸面，分別建立了市場成長趨緩、技術演進遲滯、自由競爭市場以及寡頭壟斷局面四種未來可能的產業情境（陳建男民國91）。張珀龍（民國93）於“臺灣TFT-LCD面板產業股票評價模型適用性之研究”論文中提到TFT-LCD面板產業將繼半導體產業後，成為臺灣未來經濟成長的動力來源；面板股的漲跌也牽動著臺灣股票市場的走勢。3.灰關聯分析灰關聯分析在鄧聚龍教授所提出的灰色理論中，是一種分析離散序列資料間關係程度的測度法，且為灰色系統理論分析和系統預測的基礎。翁慶昌、陳嘉欉、賴宏仁（民國87年）所指：如鄧聚龍教授於民國87年10月在淡江大學電機系的短期講座中所提到：「人們對廣泛的對象、問題、命題做研究時，首先將遇到確定所屬類別，劃分問題邊界，了解主要與次要因素，考慮重要與非重要影響等問題。在解決這類問題時，當對象資訊不全且不明確時，傳統方法無能為力。」灰關聯分析(GreyRelationalAnalysis)為灰色理論系統的兩大支柱之一，是一種分析離散序列資料間關係程度的測度法，它所要做的就是從少量資訊（數據少且不確定）出發，通過多個角度來分析、量化與序化這種關係。灰關聯分析是對系統動態過程的量化分析，它根據因素之間發展態勢的異同，來衡量因素間接近的程度。灰色關聯分析步驟如下：步驟一：首先假設各國股市中的任一個股市資料為參考數列，總共取樣的個數為指標個數557筆步驟二：成立各個TFT-LCD類股為單獨的比較數（除參考指標外的其他指標）。步驟三：將原始數列除以數列之平均值，以進行數列單位統一化處理。步驟四：求差序列之絕對值，並找出兩級最小差(min)和最大差(max)。步驟五：套入關聯係數公式。步驟六：求關聯度。4.倒傳遞神經網路類神經網路的應用目前以倒傳遞神經網路最為普及，主要應用在預測和辨識方面，其基本架構為輸入層(Inputlayer)、隱藏層(Hiddenlayer)與輸出層(Outputlayer)，倒傳遞神經網路主要是從樣本中學習，並進而得到樣本的行為模式。楊雅媛（民國91年）歸納類神經網路特性：類神經網路的預測效果比迴歸分析準確。一般採用的類神經網路都是使用前授型網路架構和監督型學習。架構的建構大多採取試誤法，而學習方式則是使用倒傳遞神經網路。方上鵬（民國89年）於“自有品牌商品需求預測模式”論文中提及除了類神經網路特有的非線性轉換能力、容錯能力外、其預測不需對資料設限，因此所有領域的預測問題皆可引用。由於其所需的資料量彈性很大，可簡化模式發展的過程，較適合用來解決具季節性與趨勢性起伏的資料型態。並由於其對歷史資料具有學習分析的能力。倒傳遞神經網路中之架構和參數設定對於網路的學習有絕對的影響。施柏屹（民國89年）針對類神經網路的變數做探討，得知輸入資料對在數值縮小後會導致收斂速度減緩，然而在收斂的均方差結果上卻能有較精確的結果。效能上，在相互牴觸的初始類神經元鍵結值設定上面，設定較小的初始值能使得網路緩慢的收斂到較低的區域；但是在較大的初始值設定時，雖然收斂速度相當迅速卻不3能保證收斂值比前者較低。郭炳煌（民國91年）選用適當之輸入變數，對於倒傳遞神經網路之預測結果，有很大的影響。倒傳遞神經網路步驟如下：步驟一：設定轉換函數與網路參數值步驟二：以均佈隨機亂數設定網路的初始加權值及初始偏權值。步驟三：輸入訓練樣本及目標輸出值。步驟四：網路首先分別計算隱藏層神經元的輸出，以及輸出層神經元的推論輸出值。步驟五：計算輸出層與隱藏層的差距量。步驟六：計算各層間的加權值及偏權值修正量。步驟七：更新各層間的加權值及偏權值。步驟八：重複步驟三至步驟七，直至網路收斂。5.實證分析5.1TFT-LCD股價資料灰關聯分析在本節中，將所蒐集之台灣玻璃（台玻）、碧悠、展茂、和鑫、聯詠、力特、瑞儀、中光電、輔祥、科橋、和立聯合（和立）、福華、瀚荃、和進、華宏、大億科、威力盟、友達、勝華、奇美、華映、彩晶、廣輝、元太、中日新、凌巨、全台、久正、達威、光聯、統寶、瑞軒、明碁、仁寶、英業達、廣達、華碩、宏碁、聲寶、東元、大同、歌林、大眾控、雅新、憶聲、及美齊各公司股價資料數據進行資料正規劃，之後在分成上、中、下游各自進行灰關聯分析。因採取上、中、下游各自進行灰關聯分析的結果，沒有一個完整的產業結構鏈結，故進行第二次的灰關聯分析，以國內兩大面板廠－友達與奇美這兩家公司為主軸，分別對上、中、下游的公司進行灰關聯分析，得到如表1，表2所示。表1友達灰關聯度友達聯詠中光電輔祥科橋0.7370.75340.70160.7035華宏奇美廣達歌林0.740.74270.7280.7404表2奇美灰關聯度奇美展茂和鑫力特瑞儀輔祥科橋0.79470.78840.78670.8020.79360.7926友達華映彩晶明碁憶聲0.75650.79560.75120.77970.7659由友美與奇美的灰關聯分析結果中，將關連度較低及比要沒有相關性的之公司刪除，也就是挑選出關聯度較高又比較有合作之公司進行分析研究；而本研究一友達這家公司選擇灰關聯度0.7為分界並加以篩選，公司分別為聯詠、中光電、輔祥、科橋、華宏、奇美、廣達及歌林等共計8家公司，由結果分析，以上8家公司股價與友達股價灰關聯度較高。另一研究二奇美這家公司選擇灰關聯度0.75為分界並加以篩選，公司分別為展茂、和鑫、力特、瑞儀、輔祥、科橋、友達、華映、彩晶、明碁及憶聲等共計11家公司，由結果分析，以上11家公司股價與奇美股價灰關聯度較高。5.2倒傳遞神經網路訓練在倒傳遞類神經網路模式測試中，首先我們要找出最佳的隱藏層個數；本研究在隱藏層處理單元的數目上是採用平均法，取其輸入層加上輸出層個數除以2，約為該數目和其三倍之間。本研究將樣本期間資料分為訓練期與測試期，設定訓練期為民國95年1月2日至95年12月29日止，共有248筆資料，測試期由民國94年1月3日至94年12月30日止，共有247筆資，和民國96年1月2日至96年3月30日止，共有57筆資料。以友達和奇美這兩家公司為例，來預測股價的趨勢。以友達為例在本研究中倒傳遞類神經網路模式進行友達股價連動之預測，網路參數設定各項目說明如表3：4表3網路參數的設定輸入層(8個處理單元)X1：聯詠X3：輔祥X5：華宏X7：廣達X2：中光電X4：科橋X6：奇美X8：歌林輸出層(1個處理單元)Y：友達隱藏層其處理單元分別為6、10、14初始學習速率η=0.1、0.3、0.5、0.7、0.9慣性因子α=0.1、0.3、0.5、0.7、0.9學習過程OnlineLearningBatchLearning疊代循環次數50000次學習過程：即時學習（OnlineLearning）依據倒傳遞類神經網路的網路架構與參數設定進行測試。訓練出來的最佳網路參數設定是在隱藏層神經元個數為14、學習速率為0.9、慣性因子為0.5及學習次數50000次時為最佳參數組合，將這些數值訓練即可得到最佳權重，且利用最佳權重可以運用於預測接下來友達股價的趨勢。如表4所示。學習過程為即時學習(onlinelearning)6-η(0.5)α(0.1)10-η(0.3)α(0.3)14-η(0.9)α(0.5)0.000450.000340.00029η：學習速率、α：慣性因子、誤差值MSE(數據)表4尋找最佳測試結果實際值與預測值比較圖，如圖2所示。404244464850521611162126313641465156第n筆資料股價targetoutput圖2友達2007年趨勢預測圖（即時學習）學習過程：批次學習(batchlearning)依據倒傳遞類神經網路的網路架構與參數設定進行測試。最佳的網路參數設定是在隱藏層神經元個數為14、學習速率為0.9、慣性因子為0.5及學習次數50000次時為最佳參數組合，將這些數值訓練即可得到最佳權重，且利用最佳權重可以運用於預測接下來友達股價的趨勢。如表5所示。表5尋找最佳測試結果學習過程為批次學習(batchlearning)6-η(0.9)α(0.9)10-η(0.9)α(0.9)14-η(0.9)α(0.9)0.001080.000840.00091η：學習速率、α：慣性因子、誤差值MSE(數據)實際值與預測值比較圖，如圖3所示。404244464850521611162126313641465156第n筆資料股價targetoutput圖3友達2007年趨勢預測圖（批次學習）以奇美為例在本研究中倒傳遞類神經網路模式進行奇美股價連動之預測，網路參數設定各項目說明如表6：表6網路參數的設定輸入層(11個處理單元)X1：展茂X3：力特X5：輔祥X7：友達X9：彩晶X11：憶聲X2：和鑫X4：瑞儀X6：科橋X8：華映X10：明碁輸出層(1個處理單元)Y：奇美隱藏層其處理單元分別為8、12、16初始學習速率η