過去在操作股價指數套利時，由於要建構一個模擬台股指數的現貨投資組合，而需要進行模擬組合的模型探討。在單一股票期貨商品於2010年一月推出後，以單一股票為套利標的下，操作上可省略掉模擬誤差所帶來的風險。若加以挑選出較佳的進場時機，則能有效的運用資金，以獲取穩定的報酬。
本研究樣本取自2010年2月23日至2010年12月15日止。對股票期貨標的，應用持有成本理論建構無套利區間、尋找可行套利時點，再以預期理論為基礎，預測下一時點的基差走勢以判斷進場時點，鎖定較佳的套利報酬。預測工具的選用上，採用傳統時間序列預測方法(GARCH模型)，以及人工智慧的應用(平滑支撐向量迴歸(SSVR)、灰色系統預測)作為執行套利的準則。實證研究結果如下：

一、股票期貨套利現象多出現於反向套利上，配合市場波動變化下，選取股價高的標的可以掌握較大套利利差。而隨著市場之成熟，套利機會將逐漸減少。
二、使用預測工具於股票期貨套利的基差擇時策略上，能夠幫助套利者獲得有效的套利報酬。在預測效果上，SSVR的預測準確度高於GARCH，GARCH又高於FGM的準確度；報酬率方面，SSVR的應用效果能夠提供最佳的平均報酬，依序才為GARCH與FGM。

Single-stock futures(SSFs) are futures contracts on individual stocks. Since its launch in the beginning of 2010 in Taiwan, it was once touted as fresh, attracted both investors and arbitrageurs. The advantage of trading SSFs for arbitrage is that it eliminates the tracking error so we can easily make an arbitrage on one investment target.
The samples are taken from February 23, 2010 to December 15, 2010. We use cost-of-carry model to find out feasible times for arbitrage. And based on the expectation theory, we assist arbitrageurs to determine the time to enter the market by predicting the tendency of next basis. We adopt GARCH, SSVR and Grey theorem as our tools for the implementation of arbitrage. And findings are:

1.Most of the arbitrage opportunities are observed for buying the future and selling the stock; moreover, to select the target with a high stock price can lead larger spreads. And the opportunities will gradually decrease as the market mature. Besides, the stock quote performs that it doesn’t converge with the future quote on the expired date.
2.Using predictive tools on our basis time selection strategy can help arbitrageurs get a good return. On the accuracy of predicting, SSVR outperforms other models, and GARCH is better than FGM. To examine the return rate, applying SSVR can provide the most stable return, and applying GARCH is slightly prior to FGM as well.

中文部份
[1] 余尚武，黃雅蘭 (2003)，「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」， 電子商務學報，Vol.5, No.2, pp.87-115.。
[2] 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。
[3] 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」，台灣科技大學資訊管理研究所碩士論文。
[4] 林文政，臧大年 (1996)，「台灣股指期貨定價與套利實務問題探討」， 證
券市場發展季刊，第8 卷第3 期，1-31 頁。
[5] 陳松男 (1996)，「選擇權與期貨：衍生性商品」，三民書局。
[6] 徐俊明 (2007)，「投資學理論與實務」，新陸書局。
[7] 陳啟斌 (1999)，「台灣加權指數期貨之套利實證」，國立臺灣大學國際企業研究所碩士論文。
[8] 翁靖迪 (2008)，「美國大宗穀物期貨價格時間序列分析—短期預測模型比較」，國立台灣大學農業經濟研究所碩士論文。
[9] 陳裴紋（1995），「台灣股票市場報酬率與波動性預測之研究-ARCH-. family 模型之運用」，國立台灣大學財務金融學研究所，碩士論文。
[10] 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，224-229 頁。
[11] 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。
[12] 黃玉娟，徐守德 (1999)，「股價指數期貨定價之研究—新加坡摩根台股期貨之實證」，亞太管理評論，第4 卷第3 期，255-269頁。
[13] 楊政麟 (1997)，「運用類神經網路於股價指數套利之研究」， 國立台灣科技大學管理技術研究所資訊管理學程碩士論文。
[14] 鄧聚龍 (1985)，「灰色系統」，華中理工大學出版社。
[15] 鄧聚龍、郭洪 (1996)，「灰預測原理與應用」，全華科技圖書有限公司。
[16] 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。
[17] 劉哲良 (2008)，「期貨商品最適預測模型之研究－以台灣市場為例」，國立台灣大學國際企業學研究所碩士論文。
[18] 賴佳君 (2006)，「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研究所碩士論文。
[19] 鍾秀培 (1997)，「運用類神經網路建構指數套利模型－以日經225 指數為
例」，國立交通大學資訊管理研究所碩士論文。
英文部份
[1] Bialkowski, J. and Jakubowski, J. (2008), “Stock index futures arbitrage in emerging markets: Polish evidence” International Review of Financial Analysis, vol. 17, issue 2, pages 363-381.
[2] Bisse, Stephan (2005), “Weight+Volume+Move-Adjusted Moving Average:It’s WEVOMO!” Technical Analysis of Stocks & Commodities, Vol.23: April,pp.32-35.
[3] Bollerslev, T.R. (1986), “Generalized Autoregressive Conditional Heteroskedasticity” Journal of Econometrics, Vol.31, pp.307-327.
[4] Copeland, Thomas E. and Weston, J. Fred (1992), “Financial Theory and Corporate Policy”, Third. Edition
[5] Engle, R.F.(1982), “Autoregressive Conditional Heteroskedasticity with Estimates of The Variance of UK Inflation” Econometrica, 50, pp. 987-1008.
[6] Figlewski, S. (1984), “Hedging Performance and Basis Risk in Stock Index Futures,” Journal of Finance, Vol.39, No.3, pp.657-670.
[7] Fremault, A. (1991), “Stock Index Futures and Index Arbitrage in a Rational Expectations Model,” Journal of Business, Vol.64, No.4, pp.523-547.
[8] Fung, J. K. and Tse, Y. (2008), “Efficiency of single-stock futures: An intraday analysis.” Journal of Futures Markets, 28: 518–536.
[9] Gay, G.D. and Jung, D.Y. (1999), “A further look at transaction costs, short sale restrictions, and futures market efficiency: The case of Korean stock index futures.” Journal of Futures Markets, 19: 153–174.
[10] Hull, C John (2008), “Options Futures & Other Derivatives”, Eighth. Edition
[11] Klemkosky, R.C. and Lee, J.H. (1991), “The Intraday Ex Post and Ex Ante Profitability of Index Arbitrage,” Journal of Futures Markets, Vol.11, No.3, pp.291-311.
[12] 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 17 (5), pp. 678-685.
[13] Li, Shiwei (2010), "Research on the stock index futures arbitrage: Price boundary and ETF tracking of stock index futures," Information Management and Engineering (ICIME), 2010 The 2nd IEEE International Conference on , vol., no., pp.260-263. 16-18 April 2010
[14] Miller, M. (1990), “Index Arbitrage and volatility,” Financial Analysts Journal, Vol.46, No.4, pp.6-7.
[15] Saunders, E.M. and Mahajan, A. (1988), “An empirical examination of composite stock index futures pricing” Journal of Futures Markets, 8: 211–228.
[16] Vapnik, V.N. (1995), ”The nature of statistical learning theory” Springer, NewYork.
[17] Working, Holbrook (1949), “The Theory of Price of Storage” The American Economic Review, Vol. 39, No. 6 (Dec., 1949), pp. 1254-1262.
[18] Yang, H.-Q., Chan, L.-W., King, I.-W. (2002), “Support Vector Machine Regression for Volatile Stock Market Prediction”Lecture Notes in Computer Science, Volume 2412/2002, 143-152.