投資民眾在判斷進場時機與買賣策略上常依賴電視、雜誌或朋友等影響，故本研究嘗試利用價差與人工智慧應用於當日沖銷策略，提供給投資人參考資訊。
本研究主要針對台灣期貨市場投資策略之研究，研究期間為1998年9月至2007年7月，並觀察期貨與現貨間之價差變動，以平滑支援向量迴歸與灰預測預測價差未來趨勢，作出進場獲利的判斷。經實證研究發現：
一、平滑支援向量迴歸之預測結果表現比改良灰預測方法來得佳，並且改良灰預測方法的預測結果也比傳統灰預測來得佳。
二、普遍交易策略之預測方法多為預測一個節點，但本研究發現預測兩個節點更能有效抓取變動之趨勢。
三、當市場呈現明顯趨勢時，預測工具能夠有效作出正確判斷，但是當市場呈現盤整時，則不適合運用預測工具來做判斷，建議可使用持有到期方法進入市場操作。
四、價差比變化與預測結果有中度相關以上之關連，當價差比之變異係數越小時，本研究之交易策略能夠有效提高投資獲利。
五、當日沖銷策略應用在台股期貨上可賺取利潤。

The people often make a decision about the investment strategy or investment time rely on TV set, magazine or friend. Hence, this research is tried using the day trading strategy of applied price spread method and artificial intelligence technique to offer investors a simple way to make money.
The research mainly focuses on the trading strategy of Taiwan Futures market during July 1998 to September 2007. First, we observed the variation in price spread between Futures and Spot, and then predicted the future trend of price spread by using the smooth support vector regression and grey prediction. The research results are as follows:
1. The improved grey prediction’s performance is really better than traditional grey prediction, and furthermore the result of using smooth support vector regression performs better than the improved grey prediction.
2. The common trading strategy usually predicts only forward one step, but this research found that predicting forward two steps have better ability to discern the trend of variation.
3. When an obvious trend appears on the market, the predict activities with tools can make the correct decision effectively. On the other hand, when the market is backing and filling, the predict tools are useless. Within this condition, suggests using the buy and hold method into market instead.
4. There exists a moderately correlation between the variation in price spread and the prediction result. When coefficient of variation of price spread is getting lower, the trading strategy this research proposed is more profitable.
5. Day trading strategy is a good strategy for Stock Index Future in Taiwan. It can help investors earn profits.

中文部份
[1] 王惠娟 (2005)，「結合灰色預測與演化式類神經網路建構台灣加權股價指數之預測模式」，朝陽科技大學財務金融研究所碩士論文。
[2] 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，第5卷，第2期，第87-115頁。
[3] 余尚武、盧瑞山、張嘉豪 (2007)，「應用平滑支撐向量分類於台灣股票市場選股之研究」，第13屆海峽兩岸資訊管理發展與策略研討會，交通大學。
[4] 吳承康 (2000)，「台灣股價指數期貨基差與價格預測實證研究」，台灣期貨市場，第1卷，第4期，第35-51頁。
[5] 李鎮宇 (2000)，「台灣期貨市場價差現象之研究」，國立交通大學科技管理研究所碩士論文。
[6] 林政謙 (2005)，「應用平滑向量機與類神經網路預測台灣上市電子指數漲跌之研究」，東吳大學經濟研究所碩士論文。
[7] 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。
[8] 翁鴻堯 (1999)，「TAIMEX 台股指數期貨之套利機會研究」，國立台灣科技大學管理研究所企業管理學程碩士論文。
[9] 曹鈞斐 (2007)，「運用平滑向量機於期貨市場擇時策略之研究」，國立台灣科技大學資訊管理研究所碩士論文。
[10] 許順發 (1999)，「台股指數期貨套利策略之實證研究－以TAIFEX為例」，大葉大學事業經營研究所碩士論文。
[11] 陳志良、黃永發、溫志宏、溫志超 (1998)，「GM(1,1)建模所需最少點數之評論」，中華民國灰色系統學會第三屆灰色系統理論與應用研討會，第117-126頁。
[12] 陳松男 (1996)，「選擇權與期貨：衍生性商品」，三民書局。
[13] 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學研究所碩士論文。
[14] 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研究所碩士論文。
[15] 黃敏菁 (2005)，「支援向量機在財務時間序列之應用」，輔仁大學金融研究所碩士論文。
[16] 趙延楷 (2002)，「現貨指數報酬、基差走勢、未平倉合約數與外資交易行為之動態關聯探討」，國立高雄第一科技大學財務管理研究所碩士論文。
[17] 劉舜田 (1999)，「TAIMEX台股指數期貨之定價、套利與預測」，國立成功大學企業管理研究所碩士論文。
[18] 劉嘉鴻 (2000)，「整合灰預測及類神經網路模型研究股市盤後期貨價格之資訊內涵：以摩根台股指數及日經225指數為例」，輔仁大學金融研究所碩士論文。
[19] 蔡佩珊 (2005)，「當日沖銷交易中之訊息傳遞效率性研究」，中國文化大學國際企業管理研究所碩士論文。
[20] 鄧聚龍 (1985)，「灰色系統」，華中理工大學出版社。
[21] 鄧聚龍、郭洪 (1996)，「灰預測原理與應用」，全華科技圖書有限公司。
[22] 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。
[23] 賴維德 (1994)，「當日沖銷交易策略之獲利性研究」，國立中山大學企業管理研究所碩士論文。
[24] 賴慧君 (2002)，「當日沖銷交易獲利影響因素之研究」，國立政治大學企業管理學系碩士論文。
[25] 鍾俊文、李曉菁 (2004)，「台股指數期貨理論價差之計算及交易策略探討」，貨幣觀測與信用評等，第50期，第7-11頁。
[26] 蘭宜昌 (2005)，「使用支援向量迴歸分析股票市場」，淡江大學資訊工程研究所在職專班碩士論文。
英文部分
[1] Cao, L.J. and Tay, F.E.H. (2003), ”Support vector machine with adaptive parameters in financial time series forecasting,” IEEE Transactions on Neural Networks, Vol.14, No.6, pp.1506-1518.
[2] Deng, J.L. (1989), ”Introduction to grey system theory,” Journal of Grey System, Vol.1, pp.1-24.
[3] Hicks, J.R. (1939), “Value and capital: An inquiry into some fundamental principles of economic theory,” Oxford at the Clarendon Press.
[4] Hsu, H.A. and Wang, J.C. (1998), “The pricing model of stock index futures in imperfect markets and analysis of price expectation,” Journal of National Cheng Kung University, Vol.33, pp.355-381.
[5] Keynes, J.M. (1930), “Treatise on money.”
[6] Kim, K.J. (2003), ”Financial time series forecasting using support vector machines,” Neurocomputing, Vol.55, pp.307-319.
[7] Lee, Y.J. and Mangasarian, O.L. (2001), ”SSVM: A smooth support vector machine for classification,” Computational Optimization and Applications, Vol.20, No.1, pp.5-22.
[8] 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, No.5, pp.678-685.
[9] Li, Bingqian (1990), ”Three-data modeling of grey system theory,” Journal of Grey System, pp11-20.
[10] 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.
[11] Saunders and Mahajan (1988), “An empirical examination of composite stock index futures pricing,” Journal of Futures Markets, Vol.8, No.2, pp.211-228.
[12] Stoll, H.T. and Whaley, R.E. (1990), ”The dynamics of stock index and stock index futures returns,” Journal of Finance and Quantitative Analysis, Vol.25, pp.441-468.
[13] Vapnik, V.N. (1995), ”The nature of statistical learning theory,” Springer, New York.
[14] 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.
[15] 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.