本研究之主要目的為利用自組織映射圖網路(SOM)、K-Means將QDII基金及中國股票型基金指標形成分群，與傳統Sharpe績效指標排名前三高的基金為投資組合作為比較，再以灰預測傅立葉殘差修正模型作為預測基金下期淨值為投資策略的依據，與傳統順向趨勢、逆向趨勢、買進持有的投資策略作為比較，透過以上投資組合與投資策略的模型，比較不同模型之績效。研究資料取自台灣經濟新報資料庫，資料樣本期間為2008/07/31至 2010/12/31，對象為138支中國大陸股票型基金及9支QDII海外型基金，實證結果如下：
一、就選股策略而言，利用自組織映射圖網路(SOM)、K-Means所建構的投資組合較傳統以Sharpe指標所建構的投資組合為佳，經檢定結果呈現顯著。
二、觀察平均均方誤差(MSE)和誤差均方根(RMSE)，以(SOM和K-Means具有學習機制的分群方法搭配灰預測傅立葉殘差修正模型為佳，其中又以SOM所行使的投資策略平均最佳。
三、就預測準確性--命中率而言，以灰預測傅立葉殘差修正模型作為投資策略較傳統的投資策略的命中率佳。
四、就投資基金的績效方面而言，以QDII海外型基金為實驗樣本，SOM形成的投資組合搭配灰預測傅立葉殘差修正模型累積報酬率最高；以中國大陸股票型基金為實驗樣本，是SOM形成的投資組合搭配逆向策略累積報酬率最高。
五、就整體投資組合績效，累積報酬率、命中率、平均均方誤差(MSE)、誤差均方根(RMSE)，以具有學習機制的SOM、K-Means、灰預測傅立葉殘差修正模型較不具有學習機制的方法為佳。

In this paper we adopt performance appraisal tools of Self-Organization Map (SOM), K-Means to cluster QDII funds and china stock funds, comparing with traditional Sharpe index ordered by top three. Then use Residual Correction Fourier GM(1,1) to predict next fund net as basis of investment Strategies to compare with the investment Strategies of Follow-The-Trend, Anti-Trend and Buy-And-Hold. To compare different model‘s performances through the portfolio and investment strategy.
This research adopts materials extracted from Taiwan Economic Journal (TEJ). The research samplings were selected in the duration of July 31 2008 to December 31 2010. There are total of 138 china stock funds samplings, 9 QDII funds samplings. The empirical study findings are as follow:
1. As for stock selection strategy, this thesis applies Self-Organization Map (SOM), K-Means to establish portfolios are better than the portfolios established by Sharpe index. And it also exhibits significant relevancies through further statistical tests.
2. After observing through the MSE and RMSE, the samples with the possessing learning mechanism of the clustering method of the Self-Organization Map(SOM) and K-Means collocate with the Residual Correction Fourier GM(1,1) are better, especially those apply by SOM the investment strategy is averaged the best.
3. As for the accuracy, hit-and-miss ratio: use Residual Correction Fourier GM(1,1) as the investment strategy is higher than the traditional investment strategy’s hit-and-miss ratio which without learning mechanism.
4. As for the performance of investment funds: use QDII funds as samplings, the formation of Self-Organization Map (SOM) to establish portfolios with Residual Correction Fourier GM (1, 1) has the highest average rate of return of month; China stock funds as experimental samplings, the formation of Self-Organization Map (SOM) to establish portfolios with Anti-Trend has the highest average rate of return of month.
5. As for overall performance, the average rate of return of month, hit-and-miss ratio, mean-square error, root-mean-square error, the methods possessing learning mechanism of SOM, K-Means, and Residual Correction Fourier GM (1,1) are better than the method which without learning mechanism.

中文部份
[1]田自力、陳碩佩（1996），「GM(1,1)模型之傅立葉級數殘差修正法」，第一屆灰色系統理論與應用研討會，91-101頁
[2]邱沁宜(2008)，「台灣境外基金、海外基金與中國QDII基金之發展、評比與展望」，國立臺灣大學財務金融學系碩士論文
[3]邱韻蓉 (2009)，「應用平滑支撐向量迴歸與灰預測於台灣加權股價指數真實波動率之研究」，國立台灣科技大學資訊管理系碩士論文
[4]何鴻聖 (2004)，「自我組織神經網路在選股策略的應用」，國立東華大學國際經濟研究所碩士論文
[5]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系碩士論文
[6]林維垣，郭子文，黃境煌 (2006)，「以自組織映射圖網路為基礎建構多種投資組合策略之研究－以台灣上市電子公司為例」，真理大學2006財經學術研討會
[7]陳東和，黃謙順 (2008)，「運用資料採礦技術於銀行基金客戶分群之研究」，2008 知識社群與系統發展研討會
[8]傅威銘，(2008)，「應用多種基金指標與動態投資組合保險於組合型基金之建構」，國立台灣科技大學資訊管理系碩士論文
[9]棗厥庸(2004)，「如何以金融市場的交易軌跡建立財務計量模型」，國立中央大學財務金融系博士論文
[10]黃志雄 (2003)，「應用資料採礦分析線上拍賣市場之模式」，朝陽科技大學工業工程與管理系碩士論文
[11]黃翠華，(2007)，「應用資料包絡法及遺傳演化類神經網路模型建構最適投資策略─以台灣股票型共同基金為例」，東吳大學經濟學系碩士論文
[12]楊東昌 (2004)，「自組織映射圖神經網路改善模式與分群應用之回顧研究」，華梵大學工業管理學系碩士論文
[13]鄧聚龍 (1987)，「灰色系統基本方法」，華中理工大學出版社
[14]劉樹軍，2008，理財產品指南，中國金融出版社

英文部分
[1]Dittenbach, M., Rauber, A. & Merkl, D. (2002). Uncovering hierarchical structure in data using the growing hierarchical self-organizing map, Neurocomputing, 48(1-4), 199-216.
[2]Jain, A. K., Murty, M. N., & Flynn P. J. (1999). Data clustering: a review. ACM Computing Surveys, 31(3), 264-323.
[3]Jin, H., Shum, W. H., Leung, K. S., & Wong, M. L. (2004). Expanding self-organizing map for data visualization and cluster analysis. Information Sciences, 163, 157-173.
[4]Kohonen, T.(1982), “Self-Organized Formation of Topologically Correct
Feature Maps.” Biological Cybernetic, 43, 59-69.
[5]Kohonen, T.(1995), The Self-Organizing Maps, Springer.
[6]Vesanto, J. (2000). Using SOM in data mining, Licentiate’s thesis, Helsinki University of Technology, Finland.
[7]Vesanto J. & Alhoniemi, E. (2000). Clustering of the self-organizing map. IEEE Transactions on Neural Networks, 11(3), 586-600.
[8]Vesanto, J., Himberg, J., Alhoniemi, E., & Parhankangas, J. (2000, April). SOM toolbox for Matlab 5 (Tech. Rep. No. A57). Espoo, Finland: Helsinki University of Technology, SOM Toolbox Team.

相關網站
[1]中華民國證卷投資信託暨顧問商業同業公會http://www.sitca.org.tw/Menu_main.asp?Lang=C
[2]中國證券報社http://big5.xinhuanet.com/gate/big5/www.cs.com.cn/
[3]中國基金網數據中心http://www.chinafund.cn/
[4]和訊基金http://funds.hexun.com/