2001年以來由於台灣景氣循環走入衰退期，銀行存款利率相較歷史屬於低利率水準，導致資金放在銀行裡存款所得，仍追不過通貨膨脹的水準，使得資金利得呈現負成長，民眾有一股潮流與趨勢轉而將資金投資定存以外的金融市場。一般較為熱門之投資工具有股票、期貨、選擇權、基金、債劵。投資人依據自身之風險可承受程度及期望報酬水準，投資商品並期望從中獲取投資報酬。
台灣加權股價指數，與這些金融商品有高度之關聯性，投資人多數會參考加權股價指數，調整持有部位。然而加權股價指數之趨勢，掌握不易，影響之因素實在太多，本研究嘗試以平滑支撐向量機(SSVM)預測台灣加權股價指數未來趨勢，期望能供投資人參考，調整手中持有部位，並與過去研究常用之預測工具:灰預測及倒傳遞類神經網路比較預測準確率，取準確率最高之模型設計交易策略，套入台指期貨實證，買入持有法做一整合比較，探討是否能獲取超額報酬。
經實證研究發現:
一、 本研究導入平滑支撐向量機於指數預測其實證結果，平滑支撐向量機的預測結果最佳，倒傳遞類神經網路次之，灰色理論最差 。
二、 在平滑支稱向量機預測2000-2006年隔日收盤價準確率平均61%
三、 在期貨交易實證方面有不錯的績效SSVM顯著打敗買入持有法。

Since 2001, the business cycle of Taiwan entered a period of recession, bank deposit interest rates are compared to historical low, lead to funds in banks deposits, but still suffer the inflation, making funds showed negative growth in profits. People have a trend which turns away from considering investment in the financial markets. Generally more popular investment tool for stocks, futures, options, funds, and bonds. Investors who according to their own risk tolerance are looking forward to obtaining the return on investment.
The Taiwan Stock Weighted exchanged Index(TAIEX) is highly relative with these financial products and investors will take it into account to adjust portfolio. However, the trend of The TAIEX is hard to determine. This study attempted to apply Smooth Support Vector Machines(SSVM) to predict the future trends of TAIEX, so that investors can get some useful information to adjust their position. The research tools in the past such as Grey Forecast and Back-Propagation Neural Network, were commonly used as prediction. Above these three latest AI tools, this research employ the highest rate of accurate model to design a trading strategy of futures, and compare with the buy and hold strategy. The goal of the research is to explore the possibility of obtaining excess returns.
The research concludes the following:
1.In the aspect of prediction, Smooth Support Vector Machines has the best result. Back-Propagation Neural Network is the second, the worst is Grey theory.
2.The accuracy rate of prediction that apply Smooth Support Vector Machines to forecast the closing price in tomorrow between 2000-2006 is 61%.
3.In the aspect of transaction, SSVM has better performance and defeats buy and hold strategy.

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] 黃宏德(1988)，「台灣股市選股指標績效評估」，國立中山大學財務管理研究所碩士論文。
[3] 史開泉、吳國威、黃有評(1994)，「灰色信息關係論」，全華科技圖書有限公司。
[4] 鄧聚龍、郭洪(1996)，「灰預測原理與應用」，全華科技圖書有限公司。
[5] 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。
[6] 吳秉奇(1998)，「類神經網路在臺股指數期貨的預測應用」，國立中央大學資訊管理研究所。
[7] 蔡美華(1999)，「台股指數期貨與現貨報酬波動性關係之研究」，東吳大學企業管理所碩士論文。
[8] 盧易駿(1999)，「臺灣股票指數期貨市場效率性檢定」，靜宜大學企業管理所碩士論文。
[9] 王友珊(1999)，「台股指數期貨與現貨價格之動態關聯性」，國防管理學院資源管理研究所碩士論文。
[10] 劉聖駿(2000)，「股價指數期貨和現貨關聯性之探討」，淡江大學財務金融所碩士論文。
[11] 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研究所碩士論文。
[12] 楊雯寧(2001)，「台灣股價指數預測模型之探討」，元智大學工業工程與管理所碩士論文。
[13] 葉怡成(2001)，「類神經網路模式應用與實作」，儒林出版社。
[14] 蔡義蕙(2002)，「臺指現貨.期貨.選擇權及摩根臺指互動關係之研究」，朝陽科技大學財務金融所碩士論文。
[15] 陳雅雯(2003)，「支撐向量機於預測台灣股市股價漲跌之實證研究」，南華大學資訊管理所碩士論文。
[16] 陳炳傑(2004)，「股市動態探討：應用動態模糊模型整合支持向量機。」，中華大學資訊管理所碩士論文。
[17] 洪安裕(2004)，「以知識規則與類神經網路之整合對台灣加權股價指數收盤走勢預測之行為研究」，國立交通大學/管理科所碩士論文。
[18] 林政謙(2005)，「用平滑支撐向量機與類神經網路預測台灣上市電子指數漲跌之研究」，東吳大學經濟學所碩士論文。
[19] 蘭宜昌(2005)，「使用支援向量迴歸分析股票市場」，淡江大學資訊工程學系碩士在職專班碩士論文。
[20] 洪琳美(2005)，「運用支撐向量機與類神經網路於銀行授信之研究」，國立台灣科技大學資訊管理系碩士論文。
[21] 蔡至泓(2005)，「利用平滑支撐向量法架構階層式文件分類器」，國立台灣科技大學資訊工程研究所碩士論文。
[22] 黃敏菁(2005)，「支撐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。
[23] 陳執中(2005)，「台股加權指數隔月收盤價預測之研究」，國立成功大學統計學系博士班博士論文。
[24] 黃建銘(2005)，「支撐向量機的自動參數選擇」，國立台灣科技大學資訊工程系碩士論文。
[25] 賴佳君(2006) ，「應用平滑支撐向量基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。
[26] 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研究所碩士論文。
[27] 杜金龍(2006)，「技術指標在台灣股市應用的訣竅」。
英文部分
[1] Fan, A. and Palaniswami M. (2001),“Stock Selection Using Support Vector Machines”, IEEE Computer Society, Vol.3, pp.1793-1798.
[2] Cao, L.J., Francis E. H.,and Tay. (2003), “Support Vector Machine with Adaptive Parameters in Financial Time Series Forecasting”, IEEE Transactions on Neural Network,Vol.14, pp.1506-1518.
[3] 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.
[4] Kim, & Kyoung J. (2003), “Financial Time Series Forecasting Using Support Vector Machines”, NeuroComputing, Vol.55, pp.307-319.
[5] Lee, Y.J., Hsieh W.F., and Huang C.M. (2005), ”ε-SSVR: A Smooth Support Vector Machine for ε-insensitive Regression”, IEEE Transactions on Knowledge and Data Engineering, Vol .17, pp. 678-685.
[6] Trafalis, T.B. & Ince H. (2000), ”Support Vector Machine for Regression and Applications to Financial Forecasting”, IEEE Computer Societ , Vol.6, pp.348-353.
[7] Vapnik, V.N. (1995), “The Nature of Statistical Learning Theory.” Springer-Verlag, New York.
[8] Yang, H.L, Chan , and King.I. (2002), “Support Vector Machine Regression for Volatile Stock Market Prediction”, Intelligent Data Engineering and Automated Learning, pp.391-396.
[9] Lee, Y.J.& Mangasarian. (1999), ”SSVM：A Smooth Support Vector Machine for Classification”, Computational Optimization and Applications, Vol.20, pp. 5-22.