近年來，隨著貿易自由化與金融國際化之驅力下，政府對於金融市場之態度趨於開放，在國民教育水準提升下，投資者對於理財管道之瞭解，也日趨完臻。而眾多理財管道中，以報酬率高，變現性佳之股票市場最為熱絡。
本研究將利用人工智慧之柔性計算優點，建構出一組較佳之投資組合。其中，研究對象為台灣股市之電子類股。於研究方法上，本研究將利用SSVM之預測分類能力，結合基本分析之財務指標，擬定出選股策略，研究期間為2003年、2004年、2005年共三年之投資組合；在擇時模型上，將利用灰色系統，預測股價一週之波動變化，並利用擇時策略找出進出股票市場之時機，研究期間為2005年1月至2005年12月，共50週。經實證結果發現：
1. 於SSVM選股模型中，經由SSVM投資之三年平均報酬率為306.386%，大盤平均報酬僅為17.04%，結果顯示SSVM選股模型能幫助大幅提升報酬率。
2. 於選股模型中，本研究發現，SSVM除了參數組合需最佳化外，訓練資料之期間選擇，若配適一最適分類依據，即可增加預測分類模型之績效。
3. 在擇時模型中發現，GM(1，1)之預測準確率於盤整時較佳，但於走勢劇烈時，預測準確率明顯下降。故利用灰預測較不適合預測波動率太大之股票。此外，將SVM選股策略結合灰色預測之擇時策略，實際績效不如預期，由此可發現灰預測之擇時模型較不適合運用於台灣股市之中。

In the recent years, with the trend of trade liberalization and finance internationalization, the government’s attitude toward to finance market has become more and more open. Due to enhanced Taiwan public education level, investors have more comprehensive understanding of varied channels of asset management. Among these channels, stock is the hottest market with high revenue and good liquidity premium.
In this study, we take advantage of the soft computing ability of artificial intelligence to construct a better portfolio model. In the object of study, we select Taiwan electronics stock. In the methods of study, first, we utilize the forecasting ability of Smooth Support Vector Machine, and combine financial indices of basic analysis to make strategy in stock selection; the period of study is from 2003 to 2005. Second, in the picking time model, by using grey system we predict the volatility of stock market within one week and the time of entering or exiting the stock market. The empirical data is from the first week to the last week in 2005. The empirical results are as follows:
1. When selecting stocks, the 3-years average return model by using SSVM is 306.386%, compared with 17.04% of the Taiwan electronics index. It means that the SSVM is able to raise the return certainly and beat the market.
2. Regarding the SSVM model, we found that if we want to improve the hit ratio, besides the parameters optimization, choosing a proper period of training data to fit the classification basis also can help enhance the model performance.
3. In the picking time model, we found that the hit ratio of GM(1，1) is better in the market correction than that in the volatility of stock market increase. It means that Grey Prediction isn’t suitable for forecasting the stocks with big fluctuation. Furthermore, if we combine SSVM selecting stocks model with the picking time model of Grey Prediction, we can find that the real performance isn’t as good as we expected. It means that Grey Prediction is not so appropriate to apply to the Taiwan stock market.

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] 曾清秀、吳漢雄(1996)，「以統計學顯著檢定技術探討灰色關聯分析序」，1996灰色系統理論與應用研討會論文集，37-45頁。
[5] 鄧聚龍、郭洪(1996)，灰預測原理與應用，全華科技圖書有限公司。
[6] 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。
[7] 黃光廷(1999)，「技術分析、基本分析與投資組合避險績效之研究」，國立成功大學會計學系研究所碩士論文。
[8] 王信文(2001)，「投資組合管理：資產最佳配置、保本與套利之模型規劃」，國立交通大學資訊管理所碩士論文。
[9] 陳麗惠(2001)，「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。
[10] 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。
[11] 蘇碩遠(2001)，「股票與認購權證買賣點預測模式之實證研究－以仁寶與大信01為例」，銘傳大學管理科學研究所碩士論文。
[12] 林承穆(2002)，「企業經營績效評估與投資組合績效之探討-以上市電子資訊公司為例」，國立東華大學企業管理研究所碩士論文。
[13] 魏志鵬(2002)，「台灣股市六大類股間關聯性之研究」，實踐大學企業管理研究所碩士論文。
[14] 王景南(2003)，「多類支向機之研究」，元智大學資訊管理系碩士論文。
[15] 吳智鴻(2003)，「結合基因演算法最佳化「支持向量機」參數~財務危機預測上之應用」，國立台北大學企業管理研究所碩士論文。
[16] 徐美珍(2003)，「企業財務危機之預測」，國立政治大學統計研究所碩士論文。
[17] 施宜協(2003)，「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研究所碩士論文。
[18] 洪幸資(2003)，「控制風險値下的最適投資組合」，國立政治大學金融研究所碩士論文。
[19] 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。
[20] 黃致翔(2003)，「最佳投資組合研究-以台股為例」，國立中央大學統計研究所碩士論文。
[21] 莊盛旭(2003)，「投資股市最適避險比率之研究」，朝陽科技大學財務金融研究所碩士論文。
[22] 陳與泳(2004)，「組合式基金資金分配策略－蟻元合作系統與遺傳演算法之應用」，國立台灣科技大學資訊管理研究所碩士論文。
[23] 洪秀鳳(2004)，「應用灰色理論於匯率預測之研究」，義守大學資訊管理研究所碩士論文。
[24] 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。
[25] 曾淑雲(2005)，「放空限制、投資上限與投資組合績效—以台灣股市為例」，國立中央大學財務管理研究所碩士論文。
[26] 歐陽剛(2005)，「類神經網路與蟻元合作系統於投資組合管理之應用」，國立台灣科技大學資訊管理研究所碩士論文。
[27] 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。
[28] 郭逸奇(2005)，「基於支向量機在實際場警影像定位文字」，國立台灣科技大學資訊工程研究所碩士論文。
[29] 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。
[30] 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。

英文部分
[1] Alan Fan and Marimuthn Palaniswami(2001)，“Stock Selection using Support Vector Machines.”,IEEE.
[2] A. Smola, B. Scholkopf, and K.-R, Muller. (1998), ”General cost function for support vector regression.” In T. Downs, M. Frrean, and M . Gallagher, editors, Proc. of the Ninth Australian Conf. on Nerual Networks, page79-83.
[3] K.-R. Miller. A. J. Smola, G. Ratsch, B. Scholkopf, J. Kohlmorgen, V. Vapnik, (1997)” Prediction Time series with Support Vector Machines”, Springer Lecture Notes in Computer Science,Vol.1327, 999-1004, Berlin.
[4] 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.
[5] Markowitz, H. M. (1952), Portfolio Selection, Journal of Finance, pp.77~91, Ｍarch.
[6] Sharpe, W.F. (1964),Capital Asset Prices: A Theory of Market Equilibrum under Condition of Risk, Journal of Finance, Sept. 1964, pp.425~442.
[7] Sharpe, W.F. (1996), “Mutual fund performance,” Journal of Business, Vol.39, pp.119-138.
[8] Smith, K.V. & Tito, D.A (1969), “Risk-return measures of expost portfolio performance,” Journal of Financial and Quantitative Analysis, Vol.4, pp.449-471,.
[9] Treynor, J.L. (1965), “How to rate management investment funds,” Harvard Business Review, Vol.43, pp.63-75.
[10] V. Vapnik (1995),”The Nature of Statistical Learning Theory,” Springer Verlan, New York.
[11] Yuh-Jye, Lee, Mangasarian (1999), O.L.,”SSVM：A Smooth Support Vector Machine for Classification,” Computer Sciences Department University of Wisconsin.