一直以來，投資人在進行股票投資時，經常必須面對高報酬伴隨著高風險的情況。為了解決這個問題，便有許多研究希望能透過投資組合的建構達到分散風險的目的。
本研究以人工智慧工具建構投資組合與其價差交易之擇時進場策略為主題，研究對象為台灣50指數成份股，期間為2005年4月至2008年3月，並依自行建立之選股指標所建構之投資組合做為現貨，進行交易實證。研究結果發現：
一、在股票報酬率預測方面，使用灰預測傅立葉殘差修正模型較GM(1,1)有更加良好的預測能力；而在報酬波動率預測方面，使用GM(1,1)確實較GARCH(1,1)有更加良好的預測能力。
二、以股票漲跌幅度會受報酬率方向與其波動率大小影響之概念，將兩者加乘所建立之選股指標確實具有一定的選股能力，因此能建構出績效優於本研究對象台灣50之投資組合。
三、擇時進場之交易策略中，當正或負報酬訊號連續出現次數三次時，比訊號只出現兩次更能有效判斷下期交易結果之走勢。
四、於本研究期間內，若判斷下期交易結果將為負報酬時，選擇作為(仍進場但反向操作)與不作為的結果並無明顯差異。
五、結合不同選股數應用於不同交易策略時，發現由績效排名前26股所組成的投資組合應用於連續三次正報酬訊號後才進場之策略，有最佳效果。

Investors have long faced the dilemma between higher returns and higher risks while trading in the stock market. To solve this problem, there are lots of researches emphasize on diversification of risks by constructing portfolios.
This research focuses on applying the artificial intelligence tool to the portfolio selection strategy and spread trading, using the data of Taiwan 50 during April 2005 to March 2008. We use the new stock selection index to construct a portfolio to do the trading empirical study and find out the below conclusion:
1.In the aspect of stock return forecasting ability, using the Grey Fourier model gets better performance than using GM(1,1)model; and in the aspect of return volatility, using GM(1,1) gets better performance than GARCH(1,1) model.
2.According to the concept that the stock fluctuation will be effected by its direction of return and volatility, this research constructs a new stock selection index. We can construct a portfolio which has better performance than Taiwan 50 by this index.
3.In the timing strategy, using three signals of the same direction of return on investment can estimate the outcome of the next trading more correctly than using two signals.
4.In the period of this research, taking action or not on the timing strategy doesn’t make significant difference when we estimate there will be negative value of its return on investment.
5.When applying the portfolio constructed by the ranking first 26 stocks on the timing strategy of using three signals of positive return on investment value shows the best outcome.

中文部份
[1] 鄧聚龍(1986)，「灰色預測與決策」，華中理工大學出版社。
[2] 鄧聚龍、郭洪(1996)，「灰色原理與應用」，全華科技圖書公司。
[3] 蔣柏廷、陳俊益、張剛誠 (2006)，「以灰預測修正模型預測北美半導體B/B值」，第十一屆灰色系統理論與應用研討會。
[4] 林楚雄、王美齡(2005)，「台灣五十指數成份股波動性實證研究-五十指數期貨上市前後」，2005年第三屆『管理思維與實務』學術研討會論文集
[5] 呂盈錄(2004)，「依平均數-變異數準則構建ETF－以台灣50指數基金為例」，國立成功大學財務金融研究所碩士論文。
[6] 范沛綱(2006)，「最佳投資組合研究-以台灣50指數為例」，國立中央大學統計研究所碩士論文。
[7] 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。
[8] 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。
[9] 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。
[10] 林盈成(2008)，「應用動量權重及灰預測傅立葉殘差修正模型於台灣股票市場電子股之投資組合策略」，國立台灣科技大學資訊管理研究所碩士論文。
[11] 黃柏凱(2000)，「股價指數報酬率波動持續性之研究」，國立中正大學財務金融研究所碩士論文。
[12] 張鐘霖(2003)，「波動率模型預測能力的比較－以台指選擇權為例」，國立中正大學財務金融研究所碩士論文。
[13] 施能仁，劉定焜(1998)，「臺灣股價指數之避險操作-灰色滾動模式預測」，灰色系統學刊，第1卷，第2期，101-121頁。
[14] 呂維恭(2004)，「應用灰色系統理論建立最小變異數投資組合之實證模型 -以美國道瓊工業指數成份股為例」，國立屏東科技大學企業管理研究所碩士論文。
[15] 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。
[16] 徐演政、葉志宏、林昌本(1999)，「GM(1,1)建模點數剖析與評論」，中華民國灰色系統學會第四屆灰色系統理論與應用研討會，第224-229 頁。
[17] 蔡瓊星、吳漢雄、莊漢東(1997)，「灰色預測α係數調整及滾動建模之探討」，1997年灰色系統理論與應用研討會，105-108頁。
英文部分
[1] Sharpe, W. F. (1966), “Mutual fund performance,” Journal of Business 39 (1), pp.119-138.
[2] Dowd, K. (1999), “A value at risk approach to risk-return analysis, ” The Journal of Portfolio Management, pp. 60-67.
[3] Campbell, R., Huisman, R. and Koedijk, K. (2001), “Optimal portfolio selection in a value-at-risk framework,“ Journal of Banking and Finance 25 (9), pp. 1789-1804.
[4] Lamoureux, C. and W. Lastrapes (1990a), “Heteroskedasticity in Stock Return
Data : Volume vs. GARCH Effects”, Journal of Finance, 45, pp. 221-229.
[5] Markowitz, H.M. (1952), “Portfolio selection, “ Journal of Finance 7 (1), pp. 77-91

[6] Sharpe, W.F. (1994), “The Sharpe ratio,” Journal of Portfolio Management 21 (1), pp. 49-58.
[7] Box, G. E. P. and G. M. Jenkins ( 1970 ), ”Time Series Analysis”, First edition.
[8] Fama, E.F. ( 1970 ), “Efficient Capital Markets: A Review of Theory and
Empirical Work”, Journal of Finance, 25, pp. 383-417.
[9] Morgan, I.G. ( 1976 ), “Stock Prices and Heteroskedasticity”, Journal of
Business, 49, pp. 496-508.
[10] Engle, R.F.(1982), “Autoregressive Conditional Heteroskedasticity with Estimates of The Variance of UK Inflation”, Econometrica, 50, pp. 987-1008.
[11] Bollerslev, T. ,(1986). “Generalized autoregressive heteroskedasticity”. Journal of Econometrics, 31, pp.307-327.
[12] Akgiray, V. (1989), “Conditional Heteroskedasticity in Time Series of Stock Returns：Evidence and Forecasts”, Journal of Business, 62, pp. 55-80.
[13] Deng, J. L. (1993), “Grey Differential Equation”, Journal of Grey System, Vol.1, pp.1-14.