臺灣存託憑證自2008年底上市以來，由於其與原上市地母股之各種關聯性，以及兩地制度、文化與習性間之差異，造成其股價之不穩定性，使得投資人難以掌握此標的可依循之獲利模式，也提升了投資上之風險。因此，本研究運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臺灣存託憑證報酬之預測能力，協助投資人進行投資決策，並進一步應用於建構臺灣存託憑證之投資組合，以提供投資人於擬定新興資產配置時之參考依據。
本研究樣本取自2009年1月至2011年12月底，在臺灣證券交易所上市之臺灣存託憑證以及在香港原上市地上市之原股。本研究探討SSVR與灰預測模型下臺灣存託憑證與母股間價差交易之報酬率預測能力，並依據預測值選出表現較佳之標的建構投資組合，進行報酬率績效之評估。本研究實證結果如下：
一、 運用預測價差套利投資策略方面，相較於一般投資方式，人工智慧模型均可得到良好之超額報酬，其中以SSVR模型報酬率最優，其次是灰預測模型，此兩者皆優於不使用預測工具之投資策略。
二、 加以選股並建構投資組合方面，確實能有效提升報酬率。本研究無論使用何種預測模型，在建構投資組合之報酬表現上，皆優於一般投資方式。
三、 於比較分析TDR一般投資以及運用人工智慧模型進行投資組合績效時發現，無論是何種模型，運用投資策略以及預測工具在報酬上均優於一般投資方式。本研究結果之管理義涵在於，過往投資人均怯於新興投資標的難以掌握和不確定性，而忽略該標之投資機會，本研究結果能提供投資大眾重新認識TDR，並考慮將其納入投資項目中。

Because of the relation between Taiwan Depositary Receipt (TDR) and their underlying stocks, since TDR released end of 2008, Investor from Taiwan could not control the mode to reap the profit easily by its difference about the institutions and cultures, also increase the risk of investment. Therefore the research uses smooth support vector regression and gray prediction model to estimate the rate of return on TDRs, discussing the forecasting ability of artificial intelligence models. Furthermore, the research applied the forecasting results into building TDRs portfolio.
The period of the sample selection is the TDRs and its underlying stocks data from Jan 1, 2009 to Dec 31, 2011. The research discusses the forecasting ability of different prediction models. And the research applied the forecasting results in building TDRs spread trading portfolio, evaluated the performance of the return. The empirical results are as follow:
1. In the aspect of spread trading investment 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.
2. Creating portfolio of spread trading could raise the return certainly. The research found that in both artificial intelligence forecasting models investment, the portfolio gets more profit and less risk than the one without creating portfolio investment.
3. When comparing the performance of the normal investment with the spread trading portfolio investment, the research found that the spread trading portfolio investment performs better. In the viewpoint of management, investors get used to fear of the complexity and the uncertainty of the new target, and neglect the value of it. The finding of the research offers the information and recommends the investors should start to consider putting TDRs 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臺灣50現貨之投資組合策略及價差交易」，國立臺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」，國立臺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臺灣加權股價指數波動率之研究」，國立臺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」，臺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」，國立臺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」，國立臺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」，國立臺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），「臺灣加權股價指數預測--灰色預測之運用」，臺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」，臺灣大學財務金融研究所碩士論文
[15] 陳麗惠（2001），「臺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臺灣股票市場選股之研究」，國立臺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），「臺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」，國立臺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」，國立臺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臺指期貨套利之研究」，國立臺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
[26] 李凌崴（2011），「應用平滑支撐向量迴歸與灰預測建構全球ETF投資組合策略之研究」，臺灣科技大學管理研究所碩士論文
[27] 黃泰瑞（2011），「台灣單一股票期貨市場套利之研究 - GARCH、SSVR與灰色理論之應用」，臺灣科技大學管理研究所碩士論文
[28] 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」，臺灣科技大學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.