價格預測方法

相關預測的文獻有很多，常見的方法如回歸分析、定性分析、迴歸模式、時間序列 分析法、計量經濟模式分析、德爾菲法、趨勢預測法。由於現今電腦軟硬體之進步，發 展出許多人工智慧的方法，如模糊理論、類神經網路，以下針對這些方法加以概述。

（1）迴歸分析（Regression Analysis）

利用統計理論構建出變數之間的關係，稱之為迴歸方程式。在概念上，利用方程式 闡述變數間的關係十分簡單且易於了解，故在理論上的探究與實務上的使用皆非常普 遍，為一般常使用的預測工具。

然其亦有使用上的困難之處，Huan（1996）指出在實際的問題中，所得的資料多 為非線性型態，很難找到一個適當的線性迴歸方程式去適配（fitting）一組資料。此外 使用迴歸模式時，其資料型態需符合其統計假設。若有違反其假設情形時（此情形常發 生於實務資料上），則需經過適當的轉換，更增加了使用迴歸模式的複雜與困難度。

（2）趨勢預測法（Trend Forecast） 如︰ 時間數列分析（Time-Series Analysis） 、 自我迴歸（Auto Regressive）

其內涵是將所蒐集的歷史資料與某ㄧ函數型態的趨勢曲線相配適，再藉此曲線推估 未來的預測值。其優點為模式簡易且建構容易，所需的資料相對較少，因此所需花費的 時間較少、花費的成本低。

缺點為對於趨勢的改變無法加以掌握及探討，無法分析影響預測準確度之各種外在 因素。

（3）人工智慧（Artificial Intelligence）

人工智慧是指電腦系統具有人類的知識與行為，包含了學習、推理並解決問題、知 識儲存以及瞭解人類語言等之能力。

人工智慧產生的過程，是將人類對問題與各項事物所引起的刺激，而引發學習、推 理、判斷、思考及解決問題等過程，分解成一些基本步驟。再透過程式設計，將這些人 類解決問題的過程模組化或公式化，使電腦具有一個結構的方法，以解決各種複雜的問

（4）灰預測（Grey Prediction）

灰預測法是一種能充分運用有限的數據訊息及不完全訊息，預測未來數值的方法，

模式操作簡單，所需原始數列元素數目要求少，不需事前假設數列分布情形。

缺點為模型參數採取最小平方法推估，在系統受干擾時會產生偏誤估計。

（5）趨勢分析法 （Trend Extrapolation Method）

此種方法運用多項式迴歸配適估計樣本內成長趨勢，再用於延伸至樣本外之預測，

此種方法式用於外生變數長期趨勢預測用。

基本方法可分為時間序列模式和自我迴歸模式兩種。此種方法據回顧性，簡便、低 成本，適合多個預測項目共同執行，但是較無法掌握循環性變動，所以預測如季節性或 淡旺季趨勢變化時，估計應用於 Nand Flash 價格預測時，可信度不佳。

（6）定性分析 如︰ 行銷研究、德菲法 （Delphi Method）與市場調查

這種分析方法通常在歷史資料缺乏或不足的狀況下使用。此一類的預測方法，包括 有行銷研究、德菲法與市場調查等。其主要是匯集專家或客戶群的意見，再經由人為的 蒐集、觀察與分析，來探討問題的經濟面行為。

其優點是兼可處理量性問題與質性問題，但是其缺點是不易找到具代表性的樣本，

以達成高可信度的預測。

（7）計量經濟模式分析（Econometric Model）

計量經濟模式是將擬預測事物有密切關係之經濟因素予以析出，並研究擬預測事物 與這些因素間之關係。然後建立此事物之計量經濟模式，依此作為預測的工具。此種預 測方法因需要利用過去、現在以及未來的外部情報，故又稱為「外部型預測方法（Extrinsic Forecasting Method）」。

表 2-9 預測方法比較與相關文獻表 迴歸方程式去適配 (fitting) 一組資料。 Gerald E.Shively(1996)

類神經網路

參考過去國內關於 Nand Flash 的預測分析文獻並不多，在此另外提出與 Nand Flash 有相同性質的產品 -DRAM 之相關價格預測研究︰

陳力行 （2006） 研究 Nand 型 Flash 之下價格與交運量的決策模式，使用 2004 至 2006 年間各月的平均單價為資料來源，採用時間序列分析的天真預測法、移動平均 法、指數平滑法、灰色預測 GM（1，1）等方式，發現價格預測的實證中，當原始數列 處於穩定變動趨勢的時候，上述幾個預測方式都能有不錯的預測效果，MAPE 值皆低於 10%以下，然而當原始數列呈現不規則變動時，預測效果不佳，MAPE 值最低都仍維持 在 27.72%。此研究透過預測組合的方式，將各模式最佳的預測值予以平均，求算的結 果可將 MAPE 值降至 23.34%。

呂靜怡 （2007） DRAM 產業分析與現貨價格預測之研究中，希望能綜合所有影 響 DRAM 價格的不確定因素，參考預測股票價格趨勢之技術分析方法建立預測模式，

檢驗 MAPE 值之精確度發現，透過股價技術分析的方法，期預測能力在合理範圍（20%

~ 50%, Lewis 1982），說明用股價評估技術的方法，可用於預測 DRAM 現貨價格走勢。

葉麗貴 （2002） 提出 DRAM 年度價格預測模式，以吳福立（2000）之研究條件 架構之下，發現 DRAM 約當價格與 DRAM 實際使用量之成長率以及 DRAM 原廠的存 貨成長率有非常顯著的相關。

吳福立 （1999） DRAM 價格變動模式之探討中，以 1992 年至 1998 年的全球個 人電腦產業在 DRAM 市場供需的歷史資料，建構迴歸模式來探討 DRAM 價格變動的影 響因素。研究結果發現造成 DRAM 年度平均銷售價格變動的主要二個因素：

1. PC 對 DRAM 位元之供需比。

2. PC 對 DRAM 位元成長率供需比。

示其二因素之重要性。

蔡元哲 （2003） 動態 DRAM 價格之模擬分析從 DRAM 產業及 PC 產業之研究，

此研究使用 SDRAM 64Mb 及 SDRAM 128Mb 之顆粒價格數據為資料基礎，用複迴歸 分析的方式去檢驗各項因素之顯著性，並藉由相關分析法淘汰彼此相關度較高的因素以 選出影響 DRAM 價格的主因，而後挑選出解釋力較高之變數作為此產品價格模型中的 參數，並以 2002 年 9 月以後的數據得到模型之預測值與實際資料比對去檢測模型的預 測能力。

表 2-10 價格預測模型相關文獻 Nand Flash與DRAM

價格預測模型相關文獻 預測方法 研究內容

使用2004至2006年間各月的平均單價為資料來源, 發現價格 預測的實證中,當原始數列處於穩定變動趨勢的時候, 上述幾 個預測方式都能有不錯的預測效果, MAPE值皆低於10%以 下, 然而當原始數列呈現不規則變動時,預測效果不佳, MAPE Lewis 1982), 說明用股價評估技術的方法, 可用於預測DRAM 現貨價格走勢。

，MAPE值為16.96%。在DRAM 平均單位位元價格成長率預 測部分，以因素分析所建構的複迴歸模式，MAS為8.66%，

顯示其二因素之重要性。

蔡元哲（2003）

動態DRAM 價格之模擬

複迴歸分析 此研究使用SDRAM 64Mb 及SDRAM 128Mb之顆粒價格數據 為資料基礎，用複迴歸分析的方式去檢驗各項因素之顯著性