綜觀台股指數近20年的走勢情況，共發生兩次從低點漲至萬點以上的行情，也發生兩次從萬點以上崩跌至四千點以下的走勢，由此觀之，若投資人能掌握、判斷股市主升降趨勢以及方向，在長多格局下即時入場，而在長空格局下提早出場，甚至反向做空，這不失為股市中長期投資的好方法。

技術分析方法中的移動平均線常被投資大眾使用於股市趨勢與方向的判斷，而所使用的參數主要是根據過去投資專家的經驗法則，為ㄧ特定數值(如週線、月線、季線等)，然而這些特定參數真的能替投資人帶來高報酬嗎？還是有其他更佳的參數組合？有鑑於此，本研究在第一階段透過基因演算法平行搜尋能力，尋找台股均線操作策略的最佳參數。另外，本研究在第二階段透過類神經網路導入價量技術指標組合，建立一套能立即過濾均線交易策略買賣訊號真偽的機制，以期能進一步提升第一階段所搜尋出的台股最佳均線交易策略的績效。

本研究標的為台灣加權股價指數日資料，研究期間為1990/1/22至2006/3/27，訓練期為1990/1/22至2000/12/30，測試期為2001/1/2至2006/3/27。實證結果顯示：1、透過基因演算法搜尋出的最佳均線交易策略可使績效至少提升20.18%，且優於買進持有策略。2、透過類神經網路導入價量技術指標組合，過濾最佳均線操作策略假訊號，可進一步提升績效41.02%，且可讓最佳均線操作策略的獲利效率提升。

In the past 20 years, there were two major movements in the Taiwan stock market. These movements shared the same characteristic which Taiwan Stock Exchange Capitalization Weighted Stock Index(TAIEX) plumbed to below 4000 from over 10000. According to above experience, if investors can predict the trends, to buy in Bull Market and to sell in Bear Market, that will be the best idea to invest in the Taiwan stock market.

The Moving Average in the technical analysis is often to be adopted by investors to forecast the market trends. The parameters in this technique were concluded from the experience rules. The parameters which reveal in Weekly, Monthly and/or Quarterly Moving Average are constant. The combinations of parameters doesn''t predict the best buy or sell opportunities. The first goal in this research is to reveal the best combination of parameters using the Genetic Algorithm Parallel Searching Ability. Secondly, the Neural Network and the combination of technical index will be introduced to improve the performance and distinguish the true or false trading signal in the Moving Average.

The target data source of the current research is from Taiwan''s stock market, TAIEX. The target period of this research is from Jan. 22nd, 1990 through Mar. 27th, 2006. The trading period is from Jan. 22nd, 1990 through Dec. 30th, 2000, and testing period is Jan. 2nd, 2001 to Mar. 27th, 2006. The results indicate that:
1.The best combination of parameters in Moving Average found through Genetic Algorithm could increase the performance at least 20.18%. It also reveal the result is better than the “buy and hold” strategy.
2.The Neural Network algorithm and technical index filter out the false trading signal. Both working together increase the performance at 41.02% and profit rate in the Moving Average strategy

中文摘要.................................................Ⅰ
英文摘要.................................................Ⅱ
目錄.....................................................Ⅳ
表目錄...................................................Ⅵ
圖目錄...................................................Ⅷ
壹、緒論.................................................1
一、研究背景與動機.......................................1
二、研究目的.............................................4
三、論文架構.............................................6
貳、理論與文獻回顧.......................................7
ㄧ、效率市場.............................................7
二、技術分析.............................................11三、文獻回顧.............................................31
參、研究方法與設計.......................................41
ㄧ、實驗架構.............................................41
二、基因演算法介紹.......................................42
三、基因演算法相關研究設計...............................51
四、類神經網路介紹.......................................54
五、倒傳遞類神經網路相關研究設計.........................63
肆、實證結果與分析.......................................66
ㄧ、研究樣本與期間.......................................66
二、第一階段：基因演算法搜尋結果.........................68
三、第二階段：買賣假訊號過濾系統.........................76
四、綜合績效評估.........................................94
伍、結論與建議...........................................96
ㄧ、研究結論.............................................96
二、後續研究建議.........................................99
參考文獻................................................100

中文部分：
1.林維垣，「有關對調適與演化機制的再審思--在財務時間序列資料中應用的統計分析」，國立政治大學經濟學研究所碩士論文，民國88年
2.林耀堂，「遺傳程式規劃於股市擇時交易策略之應用」，國立中央大學資訊管理研究所碩士論文，民國89年
3.邱雅鈴，「基因演算法於股價走勢上之應用---以台積電為例」，國立高雄第一科技大學風險管理與保險研究所碩士論文，民國92年
4.洪美慧，「技術分析應用於台灣股市之研究-移動平均線,乖離率指標與相對強弱指標」，東吳大學管理研究所碩士論文，民國85年
5.侯佳利，「組合編碼遺傳演算法於投資組合及資金分配之應用」，國立中央大學資訊管理研究所碩士論文，民國89年
6.高梓森，「台灣股市技術分析之實證研究」，國立台灣大學財務金融研究所碩士論文，民國82年
7.馬德信，「應用模糊類神經技術對台股之模擬投資實證研究」，朝陽科技大學財務金融研究所碩士論文，民國91年
8.陳建全，「台灣股市技術分析之實證研究」，國立台灣大學商學研究所碩士論文，民國86年
9.陳家隆，「運用統計方法與人工智慧技術建構整合性投資策略」，國立成功大學統計研究所碩士論文，民國90年
10.許智和，「運用基因演算法搜尋最佳化技術指標之台灣股市實證研究」，國立雲林科技大學資訊管理研究所碩士論文，民國91年
11.陳國玄，「人工神經網路與統計方法應用於台灣上市電子類股價指數預測與分類之研究」，國立成功大學統計研究所碩士論文，民國92年
12.劉俊鴻，「運用遺傳演算法萃取股市交易規則之應用」，國立屏東科技大學資訊管理研究所碩士論文，民國91年
13.蔡尚儒，「台灣店頭市場技術分析的實證研究」，國立中正大學財務金融研究所碩士論文，民國88年
14.蔡依玲，「台灣股票市場報酬率之研究」，國立成功大學統計研究所碩士論文，民國89年
15.鄭凱中，「應用模糊基因演算法於營建企業之投資組合管理」，國立成功大學土木工程研究所碩士論文，民國92年
16.賴勝章，「台灣股票市場弱式效率性實證研究－以技術分析檢驗」，國立台灣大學商學研究所碩士論文，民國78年
17.簡辰丞，「結合MACD與類神經模糊技術之股票預測模型─以臺灣金融股為例」，靜宜大學企業管理研究所碩士論文，民國89年
18.蘇明南，「移動平均線法則應用於台灣股市之實證研究」，淡江大學財務金融研究所碩士論文，民國89年
19.鐘仁甫，「技術分析簡單法則於台灣電子個股之應用」，東海大學企業管理研究所碩士論文，民國89年
英文部分：
1.Brock, W., Lakonishok, J., and Lebaron, B. (1992), ”Simple Technical Trading Rules and the Stochastic Properties of Stock Return,” Journal of Finance, 47, pp. 1731-1764.
2.Chuah, KL. (1992), “A Nonlinear Approach to Return Predictability in the
Securities Markets Using Feed-forward Neural Network,” Washington State
University Unpublished ph. D Dissertation.
3.Edwards, Robert D. and Magee, John. (1966), Technical analysis of stock trends.
4.Glodberg, D.E. (1989), "Genetic Algorithm in Search, Optimization and Machine
Learning", Addison Wesley, Reading
5.Kimoto, T., Asakawa, K., Yoda, M., and Takeoka, M. (1990), "Stock Market Prediction System with Modular Neural Networks," IJCNN,1, pp. 1-6.
6.Levy, R. A. (1966),”Conceptual foundations of technical analysis,” Financial Analyst’s Journal.
7.Levy, R. A. (1967a), “Relative Strength as a Criterion for Investment Selection,”Journal of Finance, 22, pp. 595-610.
8.Levy, R. A. (1967b), “Random Walks: Reality or Myth,” Financial Analysts Journal, 23, pp. 69-77.
9.Nauck, D. and Kruse R.（1997）, “A Neuro-Fuzzy Method to Learn Fuzzy
Classification Rules from Data,” Fuzzy set and system, 89, pp. 277-288.
10.Neely, C. J., Weller, P. and Dittmar, R. (1997), “Is Technical Analysis in the Foreign Exchange Market Profitable? A Genetic Programming Approach,” Journal of Financial Quantitative Analysis, 32, pp. 405-426.
11.Orit, Y. and Yamazaki, G. (2001), “Index Fund Portfolio Selection by Using GA, ” in Proceedings of the Fourth International Conference on Computational Intelligence and Multimedia Applications (ICEC’94), pp. 82-87
12.Pruitt, S. W. and White, R. E. (1988), “The CRISMA Trading System : Who Says Technical Analysis Can`t Beat the Market?,” Journal of Portfolio Management, pp. 55-58.
13.Szakmary, Andrew, Davidson, W. N., III, and Schwarz, T. V. (1999), “Filter Tests in Nasdaq Stocks,” Financial Review, 34, pp. 45-70.
14.Skouras, S. (2001), ”Financial Returns and Efficiency as Seen by An Artificial Technical Analyst”, Journal of Economic Dynamics & Control ,25, 213-244.
15.Van Horne, C. and Parker, G. (1967), “The Random Walk Theory : An Empirical Test,” Financial Analysts Journal,23, pp. 87-92.