共同基金在各種投資方式中，因為其入門門檻較低，也因此成為多數人投資理財的一項工具。坊間及現行的論文多以共同基金的績效來進行投資配置的探討及挑選，而基金的績效亦來自於其淨值的報酬率，因而對於淨值的預測及影響因素，則成為本研究之目的。
本研究應用遺傳程式規劃強大的解決問題及具有彈性的求解能力，針對輸入的相關變數進行探討及建模。期能發展出更完善及穩定的基金淨值預測。
經由本研究實驗結果所得到的結論，可歸納為(一)在訓練期的適應函數應用，MSPE比MAPE的預測績效好，但預測值的表現，則為MAPE比MSPE較穩定。(二) 常數、1月淨值報酬率、3月淨值報酬率、6月淨值報酬率、及買進週轉率等變數在演化過程中最常被應用到，亦即這五個變數對於淨值的計算，具有相當的影響力。(三)單一變數投入來進行演化，並無法有效的預測或提高基金的漲跌正確率。(四) 以固定算式的自動定義函數對於基金淨值的預測建模，並不能改進其學習能力，或許後續的研究必須在自動定義函數裡重新修正相關的演算法或規則來進行研究。

In all investing ways, mutual fund is one of investing tools by the most people using because of its low entry threshold. The mostly existing papers use performance of mutual funds to explore the investment allocation and selection, and the performance of mutual funds come from its net rate of return. And therefore the forecast for the net and influencing factors has become the purpose of this study.
In this study, according to genetic programming's solving the problem and plannig solution of flexible capacity, we apply it to explore and model the inputting relevant variables .And hope to develop a more comprehensive and stable NAV forecast.
According to the result of this study, we can sum up in the following conclusions
1. During the trainning period, fitness function using MSPE is better than MAPE, but the NAV forecast is MAPE more stable than MSPE.
2. The variables for constant、one month ROI、three months ROI、six months ROI and buying turnover rates are often used in the process of evolution. It means these five variables have influence for computing NAV.
3. If we input a single variable to evolve, it can not effectively predict or increase correct rate of the fund's change.
4. The ADF with fixed formula for modeling the NAV prediction does not improve learning ability of algorithm. Recommanding the follow-up studies can define the function inside the ADF that re-define the related algorithms or rules to conduct a study.

目 錄
頁次
表次 vi
圖次 viii
第壹章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 2
第三節 研究限制與範圍 2
第四節 研究流程 2
第貳章 文獻探討 4
第一節 共同基金簡介 4
第二節 共同基金績效、淨值與報酬率預測研究文獻整理 7
第三節 遺傳程式規劃 14
第四節 自動定義函數 18
第五節 文獻彙總分析 21
第參章 研究方法 22
第一節 研究架構 22
第二節 研究變數定義 24
第三節 遺傳程式規劃架構設計 25
第肆章 實驗結果與分析 31
第一節 實驗樣本描述 31
第二節 系統穩定度測試 32
第三節 適應值績效評估 35
第四節 影響基金淨值變數探討 36
第五節 基金淨值預測分析 48
第六節 投資策略的應用 64
第七節 分析與討論 66
第伍章 結論與建議 68
第一節 結論 68
第二節 研究貢獻 69
第三節 研究限制 69
第四節 後續研究建議 70
參考文獻 71

參考文獻
1.王憶珍，多目標遺傳演算法於共同基金推薦模型建置之研究，天主教輔仁大學資訊管理學系碩士論文，2007。
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系碩士論文， 2001。
3.林宜賢，應用平滑支撐向量迴歸與類神經網路於共同基金績效之預測，國立台灣科技大學資訊管理系碩士，2007
4.李雅琪，演化式計算於共同基金推薦模型建構之研究，天主教輔仁大學資訊管理學系碩士論文，2008。
5.許意鈴，共同基金淨值之預測-灰色理論、類神經網路及適應性類神經模糊推論系統之應用，國立台灣科技大學資訊管理系碩士論文，2002。
6.陳育聖，利用類神經網路預測股票型共同基金之淨值與績效，國立台灣大學資訊管理學系碩士論文，1997。
7.陳愷瑜，共演化遺傳演算法在共同基金全球資產配置模型建置之研究，天主教輔仁大學資訊管理學系碩士論文，2008
8.傅光萬，遺傳程式規劃為基礎的股票動態交易策略之研究-模糊化技術指標擇時策略之應用，天主教輔仁大學資訊管理學系碩士論文，2005。
9.楊修懿，共同基金績效評估與淨值預測-灰色系統理論之運用，私立大葉大學事業經營研究所碩士，2000。
10.詹掁旻，以資料探勘技術探討景氣循環下影響共同基金績效之關鍵因素，私立銘傳大學資訊管理研究所碩士論文，2005。
11.蔡丞師，應用遺傳程式規劃於尋找台灣加權指數技術交易法則，國立交通大學電機與控制工程研究所碩士論文，2006。
12.劉貴強，遺傳演算法於組合型基金商品設計之研究，天主教輔仁大學資訊管理學系碩士論文，2004。
13.劉育穎，結合決策樹與遺傳演算法建構不同風險程度之基金投資組合-以國內發行之股票基金為例，中原大學資訊管理學系碩士論文，2005。
14.戴淑美，遺傳程式規劃在外匯預測模型建構之研究-以美元對新台幣短期匯率為例，天主教輔仁大學資訊管理學系碩士論文，2007。