股票市場成立以來，除了提供企業所需資金的籌措管道，促成企業擴大發展計畫之目的外，亦是投資人進行個人理財的一項重要投資標的。為更真實提供市場參與者衡量股票市場表現的變動狀態，近年來台灣證券交易所及各投信業者更致力於股價指數的編制。以提升國內就業率為當前目標之台灣就業99指數以及與兩岸經濟合作密切相關之寶來ECFA指數即為兩個當前能夠提供投資人一個具高前瞻性與高價值參考標準的股價指數。
本研究使用人工智慧方法中的平滑支撐向量迴歸(Smooth Support Vector Regression，SSVR)與灰預測(Grey Prediction)在每月月底預測出兩指數共同涵蓋股中漲幅較佳的三檔股票，並於次月第一個交易日進行投資，並取寶來ECFA指數涵蓋股中，兩指數共同涵蓋股外之股票進行另一投資組合建立以比較投資組合績效最後並與寶來ECFA指數作比較。研究方法上，利用不同人工智慧模型之預測分類能力預測2011年各月份之涵蓋股股價，並建立投資組合。藉由觀察台灣就業99指數與寶來ECFA指數所選出的共同涵蓋股票2007年至2010年歷史股價資料的漲跌趨勢，組成2011年各月份的投資組合；進行報酬率績效比較之評估。本研究實證結果如下：
一、在預測股票價格準確度方面，平滑支撐向量迴歸之預測結果平均有85.18%表現優於灰預測模型69.34%，表示利用技術指標與總體經濟指標配合平滑支撐向量迴歸選股能力之模型更能有效提升投資人選股能力。
二、應用於投資組合策略方面，人工智慧模型均可得到良好超額報酬，且不管是使用SSVR模型或灰預測模型，結果皆是利用兩指數共同涵蓋股建立的投資組合一績效最佳，兩指數共同涵蓋股之外股票建立的投資組合二績效次之，而全數投入寶來ECFA指數涵蓋股績效表現最差。表示兩指數共同涵蓋股之投資組合著實有助於提升投資績效。此種利用指數涵蓋股為選股策略進行投資組合建立之投資方式，能提供投資大眾對於股票市場投資有另外的選擇，並可考慮將之納入投資組合中進行投資操作。

Since the stockmarket was established, in addition to providing enterprise Funds needed for financing the pipeline, contributed to the purpose of expansion and development plans, is also an important investment targets for investors personal finance.
In order to provide market investors more realistic measure of changes in the stock market performance,Taiwan Stock Exchange and many investment trust industry more committed to the preparation of the stock index.Taiwan Employment Index 99 - to enhance the employment rate as the target and Polaris ECFA Index - close economic cooperation between China and Taiwan are two stock index offering investors a forward-looking and a high-value reference.
We employ training data from 2007 to 2010 and testing data in 2011 using Artificial Intelligence tools: Smooth Support Vector Regression (SSVR) and Grey Prediction, predict the best-three stocks between two Index jointly covering stock to build a portfolio to invest in the end of each month,and select the best-three stocks from ECFA index stocks those not included in the two index jointly covering stock to build another portfolio, comparing the investment performance of the two portfolio and Polaris ECFA index of.

The major empirical results are as following:
1.The accuracy of stock prices predicted by SSVR has an average of 85.18%,better than an average of 69.34% of the gray prediction model. With the use of general economic and technical indicators that SSVR model could effectively enhance investors stock picking ability.
2.In the aspect of investment portfolio strategy, the artificial intelligence forecasting models earn a magnificent return. Whatever using SSVR model or gray prediction model,two Index jointly covering stock performed best, and not included in the two index jointly covering stock performed the second best, both portfolio performed better than Polairs ECFA index. The results show that the use of two index jointly covering stock to establish portfolio really can
improve investment performance.Use the two index jointly covering stock as a stock-picking strategy to build portfolio can provide investors have another choice of investment in the stock market, and can be incorporated into the portfolio.

論文提要內容： I
ABSTRACT III
目 錄 V
圖目錄 VIII
表目錄 IX

第一章緒論 1
1.1研究背景與動機 1
1.2 研究目的 3
1.3 研究架構 4
1.4 研究範圍與假設 5
1.4.1 研究範圍 5
1.4.2 研究假設 5

第二章 文獻探討 7
2.1 寶來ECFA指數 7
2.1.1 寶來ECFA指數之簡介 7
2.1.2 寶來ECFA指數之調整 8
2.2 台灣就業99指數 8
2.2.1台灣就業99指數之簡介 8
2.2.2 台灣就業99指數之調整 9
2.3投資組合理論（Portfolio） 9
2.3.1 Markowitz投資組合理論 9
2.3.2投資組合之報酬與風險 11
2.3.3 投資組合之預期報酬率 11
2.3.4 投資組合之相關文獻 12
2.4平滑支撐向量迴歸之演進與應用 14
2.4.1支撐向量機(SVM) 14
2.4.2 支撐向量迴歸（SVR） 18
2.4.3 平滑支撐向量回歸(SSVR) 20
2.4.4 平滑支撐向量迴歸相關文獻 22
2.5 灰色預測模型 23
2.5.1灰色理論 23
2.5.2灰色預測 25
2.5.3灰預測相關文獻探討 26

第三章 研究方法 29
3.1 研究架構與流程 29
3.2 研究資料 31
3.2.1研究對象 31
3.2.2 資料期間 33
3.3 平滑支撐向量迴歸模型 33
3.3.1輸入變數 34
3.3.1.1 股票基本資料 35
3.3.1.2 總體經濟面 36
3.3.1.3 股票面技術指標 37
3.3.1.4 兩岸大盤指數 39
3.4灰預測模型 41
3.4.1 灰預測GM(1,1)模型 41
3.4.2灰預測GM(1,1)模型建構預測方式 43

第四章 實證結果 44
4.1平滑支撐向量迴歸模型 44
4.1.1 輸入資料處理 44
4.1.2平滑支撐向量迴歸之預測結果分析 45
4.1.3平滑支撐向量迴歸模型之交易策略實證分析 48
4.2 灰預測之預測結果分析 49
4.2.1 建模點數之決定 49
4.2.2灰預測模型之預測結果 50
4.2.3 灰預測模型之交易策略實證分析 53
4.3兩預測工具分析比較 55
4.4統計檢定 55
4.4.1支撐向量迴歸模型統計檢定 56
4.4.2灰預測模型統計檢定 57

第五章 結論與建議 59
5.1 研究結論 59
5.2研究限制 61
5.3管理意涵 61
5.4後續建議 62

參考文獻 63

中文部份
[1]黃奎傑(2006)，「應用SSVM與灰色預測於投資策略之研究-以台灣股票市場電子類股為實證」，國立台灣科技大學資訊管理研究所碩士論文。
[2]徐松奕(2003)，「以技術指標對台灣加權股價期貨指數報酬之研究」，國立東華大學企業管理系碩士論文。
[3]蔡正修(2007)，「台灣上市電子類股價指數走勢預測之研究」，國立成功大學財務金融研究所碩士論文。
[4]繆昆陵(2008)，「台灣上市鋼鐵類股價指數預測之研究」，國立成功大學統計學系碩士論文。
[5]余思嫺(2009)，「應用灰預測傅利葉殘差修正模型於台灣50現貨之投資組合策略及價差交易」，國立台灣科技大學資訊管理研究所碩士論文。
[6]陳哲瑜(2003)，「風險值在共同基金績效評估上之應用」，國立中正大學企業管理研究所碩士論文。
[7]黃致翔(2003)，「最佳投資組合研究-以台股為例」，國立中央大學統計研究所碩士論文。
[8]劉起朝(2006)，「投資組合風險研究-以臺灣證券交易所臺灣50指數成分股為例」，國立東華大學企業管理研究所碩士論文。
[9]陳憶萱(2011)，「應用平滑支撐向量迴歸與效率前緣理論於ECFA指數涵蓋股票之投資策略」，國立台灣科技大學資訊管理研究所碩士論文。
[10]呂安悌(2000)，「投資組合近似全域最佳整數解之研究」，國立彰化師範大學商業教育研究所碩士論文。
[11]周俊宏（2006），「運用類神經網路與支撐向量機於個人信用卡授信決策之研究」，國立台灣科技大學資訊管理系碩士論文。
[12]賴佳君（2005），「應用平滑支撐向量機於台指期貨套利之研究」，國立台灣科技大學資訊管理系碩士論文。
[13]徐豐智（2004），「Support Vector Machines分類技術應用於文件相關性量測之探討」，國立高雄應用科技大學電機工程系碩士班論文。
[14]張逸凡（2004），「支撐向量機在即時河川水位預報之應用」，國立成功大學水利及海洋工程研究所碩士論文。
[15]吳旻樺（2007），「應用平滑樣條及支持向量機迴歸於銀行客戶之信用風險預測和分群」，臺灣大學商學研究所碩士論文。
[16]邱韻蓉（2009），「應用平滑支撐向量機與灰預測於台灣加權股價指數波動率之研究」，國立台灣科技大學資訊管理系碩士論文。
[17]鄧聚龍(1986)，「灰色預測與決策」，華中理工大學出版社。
[18]鄧聚龍、郭洪(1996)，「灰色原理與應用」，全華科技圖書公司。
[19]吳漢雄、鄧聚龍、溫坤禮(1996)，「灰色分析入門」，高立圖書公司。
[20]何怡慧（1999），「上市公司財務績效指標灰色預測模式之研究」，長榮管理學院經營管理研究所碩士論文。
[21]黃雅蘭（2001），「台灣股價指數期貨套利之研究-類神經網路與灰色理論之應用」，國立台灣科技大學資訊管理系碩士論文。
[22]施宜協（2004），「運用灰預測、灰色馬可夫與適應性模糊類神經推論系統於市場中立型避險基金建構之研究」，國立台灣科技大學資訊管理系研究所碩士論文
[23]徐演政、葉治宏、林昌本（1999），「GM(1,1)建模點數剖析與理論」, 第四屆灰色系統理論與應用研討會，224-229頁

英文部分
[1] Sharpe, W. F. (1966), “Mutual fund performance,” Journal of Business 39 (1), pp.119-138.
[2] Markowitz, H.M. (1952), “Portfolio selection, “ Journal of Finance 7 (1), pp. 77-91
[3] Markowitz, H. M. (1987), “Mean-Variance analysis in portfolio choice and capital markets,” 1stEdit.Basil Blackwell Ltd New York.
[4] Markowitz, H. M.(1959) , “Portfolio selection：efficient diversification of investment”, Wiley , NewYork.
[5] Markowitz, H. M. (1991), “Foundations of Portfolio Theory”, Journal of Finance, Vol. 46, No.832 (January), 469-477.
[6] Vapnik, V.N. (1995),”The nature of statistical learning theory,” Springer, New York.
[7] Hsu, C.-W., Chang, C.-C. and Lin, C.-J. (2003),“A Practical Guide to Support Vector Classification. Technical Report”, Department of Computer Science and Information Engineering, National Taiwan University. Available at http://www.csie.ntu.edu.tw/~cjlin/papers/guide/guide.pdf.
[8] Lee, Y.-J., Hsieh, W.-F., Huang, C.-M. (2005),“ε-SSVR: A smooth support vector machine for ε-insensitive regression”, IEEE Transactions on Knowledge and Data Engineering, Vol.17(5), pp.678-685.
[9] Fan, Alan and Marimuthu Palaniswami (2001), ”Stock Selection using Support Vector Machines.” , IEEE
[10] Deng, J. L. (1993), “Grey Differential Equation”, Journal of Grey System, Vol.1, pp.1-14
[11] Li, Bingqian (1990), ”Three-data modeling of grey system theory,” Journal of
[12] Yang, H., Chan, L. and King, I. (2002),”Support vector machine regression for volatile stock market prediction,” Intelligent Data Engineering and Automated Learning, pp.391-396.Grey System, pp11-20.
[13] Zhou, P. and Yong, W. (2006), ”The optimization of background value in grey model GM(1,1),” Journal of Grey System, Vol.9, No.2, pp139-142.
[14] Trafalis, T.B. and Ince, H. (2000),”Support Vector Machine for Regression and Applications to Financial Forecasting”, IEEE Computer Society, Vol.6, pp.348-353.
[15] Elton, E. J. and Gruber, M. J. (1995), “Modern Portfolio Theory and
Investment Analysis (5th ed.)”, New York: John Wiley and Sons.