近年來，指數化投資已經漸漸成為金融市場中的發展主流之一，一般投資大眾透過買入指數股票型基金(ETF)，即能輕鬆地獲得其所追蹤指數標的之報酬。然而對於投資人來說，如何挑選指數股票型基金以建構其投資組合，仍有其一定的難度，尤其是商品型投資標的如黃金、石油之出現，更增加了投資人投資標的之選擇性以及複雜度。因此，本研究利用平滑支撐向量迴歸以及灰預測模型，實證人工智慧模型對ETF報酬率之預測能力，協助投資人進行投資決策，並進一步應用於建構全球ETF投資組合，以提供投資人於擬定全球資產配置時之參考依據。
本研究樣本採樣期間為2006年8月至2010年12 月底，分別在美國三個交易所：紐約證券交易所(New York Stock Exchange，NYSE)、那斯達克(NASDAQ)、以及美國證券交易所(American Stock Exchange，AMEX)上市交易，以美元計價的ETF。本研究探討不同預測模型下的ETF報酬率預測能力，並依據預測值挑選出表現較佳之ETF建構投資組合，進行報酬率績效之評估。本研究實證結果如下：
一、 在預測ETF報酬率準確度方面，平滑支援向量迴歸之預測結果表現，無論在平均絕對誤差指標或是均方根誤差指標上，皆優於灰預測模型。
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，其中以SSVR模型報酬率最高，其次是灰預測模型，兩者皆優於不使用預測工具之投資組合。
三、 加入商品型的投資標的於投資組合中，確實能有效提升報酬率。本研究中無論是平滑支援向量或是灰預測模型，有包含商品型ETF之投資組合，無論是在報酬以及風險表現上，皆優於沒有含商品型ETF之投資組合。
四、 在比較分析商品型ETF投資組合以及求全股票型ETF績效時發現，無論在報酬以及風險上，商品型ETF皆優於全股票型ETF，此研究結果之管理意涵在於，過往投資者總將投資重心放在股票與債券上，忽略商品此一投資工具的價值，本研究結果能提供投資大眾對於商品型投資的重新認識，並應開始考慮將其納入投資組合當中。

In recent years, index investment has become one of the most rapidly growing and important financial instruments in today's financial marketplace. By investing in the exchange traded funds (ETFs), public investors can easily track the performance of the index and get investment returns when that index goes up. However, for most investors, it is still quite difficult to choose the right exchange traded funds to build their investment portfolio. In addition, it increases the complexity and options of investment targets when commodity products, such as gold or oil, become popular in the financial market these years. Therefore, the research uses smooth support vector regression and gray prediction model to estimate the rate of return on ETFs, discussing the forecasting ability of artificial intelligence models. Furthermore, the research applied the forecasting results into building global ETFs portfolio.
The period of the sample selection is the ETFs data from Aug 1, 2006 to Dec 31, 2010. All of these ETFs are traded individually on three exchanges in the United States: New York Stock Exchange, NASDAQ, and American Stock Exchange. The research discusses the forecasting ability of different prediction models. And the research applied the forecasting results in building ETFs portfolio, evaluated the performance of the return. The empirical results are as follow:
1. In the point of accuracy of forecasting model on rate of return on ETFs, the smooth support vector regression model performed better than the gray prediction model.
2. In the aspect of investment portfolio strategy, the artificial intelligence forecasting models earn a magnificent return. The SSVR performed best, and both artificial intelligence forecasting models portfolio performed better than the one without using prediction model.
3. Adding Commodity ETFs in portfolio raised the return certainly. The research found that in both artificial intelligence forecasting models portfolio, the portfolio with Commodity ETFs gets more profit and less risk than the one without Commodity ETFs.
4. When comparing the performance of the portfolio of Commodity ETFs with vanguard total world stock ETF, the research found that the portfolio of Commodity ETFs performs better. In the viewpoint of management, investors get used to focus on the stocks and bonds, neglect the value of the commodity financial instrument. The finding of the research offers the information and recommends the investors should start to consider putting commodity products into their investment portfolio.

中文部份
[1] 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
[2] 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系碩士論文
[3] 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
[4] 吳智鴻（2003），「結合基因演算法最佳化「支持向量機」參數於財務危機上之應用」，國立台北大學企業管理研究所碩士論文
[5] 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
[6] 林育吉（2008），「多種技術分析建立指數股票型基金之交易策略」，台灣大學財務金融研究所碩士論文
[7] 林宜賢（2007），「應用平滑支撐向量迴歸與類神經網路於共同基金績效預測」，國立台灣科技大學資訊管理系碩士論文
[8] 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
[9] 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
[10] 徐美珍（2003），「企業危機之預測」，國立政治大學統計研究所碩士論文
[11] 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
[12] 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
[13] 唐宜楷（1998），「台灣加權股價指數預測--灰色預測之運用」，台灣大學財金融學研究所碩士論文
[14] 翁龍翔（1994），「各國股市技術分析的有效性」，台灣大學財務金融研究所碩士論文
[15] 陳麗惠（2001），「台商業銀行利率敏感性缺口管理預測模式之建立與應用」，銘傳大學管理科學研究所碩士論文
[16] 曹軍、胡萬義（1993），「灰色系統理論與方法」，東北林業大學出版社
[17] 張嘉豪（2006），「應用平滑支撐向量分類於台灣股票市場選股之研究」，國立台灣科技大學資訊管理系碩士論文
[18] 黃敏菁（2005），「支援向量機在財務時間序列預測之應用」，輔仁大學金融研究所碩士論文
[19] 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
[20] 黃建銘（2005），「支撐向量機的自動模型選擇」，國立台灣科技大學資訊工程系碩士論文
[21] 鄧聚龍（1987），「灰色系統基本方法」，華中理工大學出版社
[22] 鄧聚龍、郭洪(1996)，「灰色原理與應用」，全華科技圖書公司。
[23] 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
[24] 鍾澄吉（1997），「運用類神經網路預測選擇權評價模式中股票價格波動率之實證研究」，國立交通大學資訊管理研究所碩士論文
[25] 蘇子龍（1992），「證券市場技術分析指標有效性之探討：以乖離率、威廉指標為例」，中山大學企業管理研究所碩士論文

英文部分
[1] Cybenko, G. (1989), ”Approximation by Superpositions of A Sigmoidal
Function”, Mathematics of Controls, Signals and Systems, Vol.2, No.4,
pp.303-314.
[2] Deng, J. L. (1993), “Grey Differential Equation”, Journal of Grey System, Vol.1, pp.1-14
[3] Fan, Alan and Marimuthu Palaniswami (2001), ”Stock Selection using Support Vector Machines.” , IEEE
[4] Fama, E.F. (1972), ”Components of Investment Performance”, Journal of
Finance, Vol.27, No.3, pp.551-567.
[5] Henriksson, R.D. and Merton, R.C (1981), ”On Market Timing and Investment
Performance II: Statistical Procedures for Evaluating Forecasting Skills”,
Journal of Business, Vol.54, pp.513-534.
[6] Hsu, C.-W., Chang, C.-C. , and Lin, C.-J. (2003), “A Practical Guide to Support Vector Classification. Technical Report”.
[7] Hunag, W., Nakanori Y. and Wang S.-Y. (2004), ”Forecasting Stock Market
Movement Direction with Support Vector Machine”, Computer and Operation
Research Vol.32, pp.2513-2522.
[8] Jensen, M.C. (1968),”The Performance of Mutual Funds in the Period 1945-1964”, Journal of Finance, Vol.23, pp389-416.
[9] 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
[10] Li, Bingqian (1990), ”Three-data modeling of grey system theory,” Journal of Grey System, pp11-20.
[11] Lin, C.B., Su, S.F. and Hsu, Y.T. (2001), ”High-precision forecast using grey models,” International Journal of Systems Science, Vol.32, No.5, pp.609-619.
[12] 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.
[13] Sharpe, W. F. (1966), “Mutual fund performance,” Journal of Business, pp.119-138.
[14] Vapnik, V.N. (1995),”The nature of statistical learning theory,” Springer, New York.
[15] 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.
[16] 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.