一般期貨避險交易特性，在於降低投資者現貨部份之風險，但規避風險的同時，往往難以兼顧利潤。因此，在進行避險操作之前，投資人應該先建立趨勢預測模型來研判多空頭走勢，以避免資本利得部份因不當的避險操作而被抵銷。
本研究探討加入預測模型對期貨避險績效是否有顯著的改變，故結合平滑支撐向量迴歸(Smooth Support Vector Regression，SSVR)模型以及灰色預測GM(1,1)模型，建構SSVRGM(1,1)預測模型，以提升GM(1,1)模型在方向性的預測精度，並保留GM(1,1)模型原本的優點，進而改進整體的預測精確度。其應用於股價報酬率進行預測，並將所得的預測資訊套用於動態最小變異之避險比率，進行避險操作。本研究進一步比較買入持有法與未具預測機制之模型、具預測機制之模型下的避險操作績效。研究樣本為2003年7月4日至2006年12月29日之臺灣50指數ETF與臺灣50期貨之週資料，以目前擁有股票投資人為立場，因擔心股價下跌而採取賣出期貨避險之空頭避險策略，並比較在不同避險策略之避險績效供投資人作為參考。本研究發現：
1.經案例實證及統計檢定結果，SSVRGM(1,1)模型預測報酬率方向正確性可達六成以上，確實優於SSVR模型與GM(1,1)模型，證明此模型可應用於資訊不足且小樣本數據的報酬率方向預測。
2.預測模型加入對避險策略其績效表現，實證具預測機制之模型皆都優於未具預測機制之模型。具預測機制之模型之SSVRGM(1,1)模型在平均年報酬達14.27%，其次SSVR模型平均年報酬達到10.60%，GM(1,1)模型則為8.46%，最低則是未加入預測的一般避險模型為0.15%。
3.風險衡量方面，若考量整體風險，建議採用一般避險策略，可以降低風險；若考量風險與報酬方面，則可採用SSVRGM(1,1)模型進行避險操作，因此模型在風險與報酬績效上皆優於SSVR模型、GM(1,1)模型與一般避險模型。
4.具預測機制之模型之避險操作以調整期貨與調整現貨之差別，實驗結果發現若當年為空頭趨勢時，透過期貨調整比直接調整現貨較佳；若為多頭趨勢時則直接調整現貨較佳。

In general, the purpose of hedging trade using future is to reduce the investor's primitive risks. But, it is difficult to give consideration to the profits and risks. So, a trend prediction model of determining the long or short position tendency should be established before doing hedge in order to avoid the inappropriate operations which neutralize the capital profit.
This study discusses whether the prediction model can significantly increase the performance or not. We integrate the grey forecasting model (GM(1,1)) with the Smooth Support Vector Regression (SSVR) to develop a new model - SSVRGM(1,1). SSVRGM(1.1) retain the advantages of GM(1.1), and further, have the better abilities in the accuracy of directionality precision. The study focuses on the prediction of stock return, put the prediction results to calculating the dynamic hedge ratio of Minimum-Variation, and then conduct the hedging trade. The study also compares the performances of buying-and-holding strategy, hedging without prediction model and hedging with prediction model. The samples are the Taiwan Top50 Tracker Fund and the weekly data of Taiwan 50 Futures from July 4, 2003 to December 29, 2006.The results of this study can provide some information for the investors who have stocks and intent to adopt short-hedge strategy of selling futures to avoid the stock price getting down. The findings are shown as follows:
1.According to the comparisons and the statistics test, the predictive performance of SSVRGM(1,1) is better than SSVR or GM(1,1), and SSVRGM(1,1) has more than 60% in directionality precision. SSVRGM(1,1) is demonstrated that it can be applied to the prediction problems of return rate with insufficient data.
2.Results show the performance of hedge strategy with prediction model is better than the hedge strategy without prediction model. In the hedge strategy with prediction model, the average of annual reward can reach 14.27%, 10.60% and 8.46% by employing SSVRGM(1,1), SSVR and GM(1,1), respectively. On the other hand, only 0.15% of the average of annual reward can be reached in the hedge strategy without prediction model.
3.In the aspect of risk management, the general hedge strategy can reduce the risks if the whole risks are considered. However, if the risks and rewards are both considered, SSVRGM(1,1) is a better method to conduct the hedge owing to its better performance.
4.In the aspect of adjusting the futures and stocks, the results show that adjusting the future is a better way than adjusting the stock during a long position trend. On the contrary, adjusting the stock is a better way than adjusting the future during a short position trend.

中文部份
[1]　卜嘉鋒 (2007)，「系統預測模型之建構與應用-以鋼筋物價指數為例」，國立臺灣科技大學碩士論文。
[2]　王俞瓔 (1998)，「股價指數期貨與現貨市場之關聯性及避險效率」，國立臺灣科技大學碩士論文。
[3]　田玲菱 (2004)，「指數股票型基金投資組合最適避險策略」，國立政治大學碩士論文。
[4]　余尚武，賴昌作 (2001)，「股價指數期貨之避險比率與避險效益」，管理研究學報，第1卷，第1-31頁。
[5]　呂奇傑，李天行，陳學群 (2006)，「整合獨立成份分析與支援向量迴歸於日經225開盤指數預測」，銘傳大學2006國際學術研討論。
[6]　李凌均，張周鎖，何正嘉 (2004)，「基於支持向量機的機械設備狀態趨勢預測研究」，西安交通大學學報，第38卷，第3期，第230-238頁。
[7]　李進生，吳壽山 (2000)，「淺述避險比例與避險績效」，臺灣期貨市場，第2卷，第3-5頁。
[8]　肖新平，李峰，宋中民，鄧聚龍，張廷政 (2000)，「關於GM(1,1)建模技術理論的最新發展」，灰色系統理論與應用研討會，第317-323頁。
[9]　周宗南，劉瑞鑫 (2005)，「演化式類神經網路應用於台股指數報酬率之預測」，財金論文叢刊，第3期，第77-94頁。
[10]　林宜賢 (2006)，「應用平滑支撐向量迴歸與類神經網路於共同基金績效之預測」，國立臺灣科大學碩士論文。
[11]　林政謙 (2006)，「應用平滑支撐向量機與類神經網路預測臺灣上市電子指數漲跌之研究」，東吳大學碩士論文。
[12]　邱建良，魏志良，吳佩珊 (2004)，「TAIEFX與MSCI台股指數期貨與現貨直接避險策略之研究」，商管科技季刊，第5卷，第2期，第169-184頁。
[13]　施能仁，劉定焜 (1998)，「臺灣股價指數之避險操作-灰色滾動模式預測. 灰色系統學刊」，第1卷，第2期，第101-121頁。
[14]　徐清俊，張加民 (2003)，「臺灣股價指數期貨最適避險比率探討」，遠東學報，第20卷，第3期，第531-542頁。
[15]　徐清俊，錢怡成，黃少偉 (2002)，「臺灣股價指數期貨之避險比率及避險績效」，管理創新與新願景研討會，第c35-c50頁。
[16]　徐朝邦 (1997)，「股價指數期貨在預測模式下之避險應用：以S&P500指數為例」，輔仁大學碩士論文。
[17]　徐演政，葉治宏，林昌本 (1999)，「GM(1,1)建模點數剖析與評論」，第四屆灰色系統理論與應用研討會，第224-229頁。
[18]　張哲宇 (1997)，「股價指數期貨避險比率之研究」，國立臺灣科技大學碩士論文。
[19]　張嘉豪 (2006)，「應用平滑支撐向量分類於台灣股票市場選股之研究」，國立臺灣科技大學。
[20]　陳雅雯 (2002)，「支援向量機於預測臺灣股市股價漲跌之實證研究」，南華大學碩士論文。
[21]　陳寬裕 (2006)，「結合遺傳演算法與支援向量迴歸於臺灣股票加權指數之預測」，計量管理期刊，第3卷，第1期，第1-18頁。
[22]　陳寬裕，何嘉惠，蕭宏誠 (2004)，「應用支援向量迴歸於國際旅遊需求之預測」，旅遊管理研究，第4卷，第1期，第81-97頁。
[23]　黃建銘 (2005)，「支撐向量機的自動參數選擇」，國立臺灣科技大學碩士論文。
[24]　黃華山、邱一薰 (2005)，「類神經網路預測台灣50股價指數之研究」，中央警察大學「資訊、科技與社會」學報，第5卷，第3期。
[25]　臧大年 (1993)，「期貨避險比例之估計」，證券市場發展季刊，第四卷，第 18期，第1-23頁。
[26]　楊森傑 (1999)，「股價指數價格預測與避險操作-熵預測模型與灰預測模型之應用」，銘傳大學碩士論文。
[27]　歐宏杰，賴朝隆，劉宗聖 (2003)，「臺灣50指數ETF投資實務」，秀威資訊出版。
[28]　賴佳君 (2005)，「應用平滑支撐向量基於台指期貨套利之研究」，國立臺灣科技大學碩士論文。
[29]　璩宏裕 (2006)，「中央健保局財務風險預測模型之建立-灰預測理論之應用」，朝陽科技大學碩士論文。

英文部份
[1]　Chang, B. R. (2004), “Grey Model with Support Vector Regression Learning-SVRGM(1,1)”, Journal of Grey System, Vol.2, No.12, pp.103-114.
[2]　Deng, J. L. (1993), “Grey Differential Equation”, Journal of Grey System, Vol.1, pp.1-14.
[3]　Lien, Y. K. T. and Tsui, A. K. C. (2002), “Evaluating the hedging performance of the constant-correlation GARCH model”, Applied Financial Economics, Vol.12, No.11, pp.791-798.
[4]　Eaker, M. R. and Grant, D. M. (1987), “Cross-hedging foreign currency risk” Journal of International Money and Finance, Vol.6, No.1, pp.85-105.
[5]　Ederington, L. H. (1979), “The Hedging Performance of the New Futures Markets”, Journal of Finance, Vol.34, No.1, pp.157-170.
[6]　Holmes. (1996), “Stock Index Futures Hedging :Hedge Ratio Estimation Duration Effect, Expiration Effects and Hedge Ratio Stability”, Journal of Business Finance and Accounting, Vol.23, pp.63-77.
[7]　Howard, C. T. and D'Antonio, L. J. (1984), “A Risk-Return Measure of Hedging Effectiveness”, Journal of Financial & Quantitative Analysis, Vol.19, No.1, pp.101-112.
[8]　Johnson, L. L. (1960), “The theory of hedging and speculation in commodity Futures”, Review of Economic Studies, Vol.27, No.3, pp.139-151.
[9]　Kahl, K. H. (1983), “Determination of the Recommended Hedging Ratio”, American Journal of Agricultural Economics, Vol.65, No.3, pp.603-605.
[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]　Myers, R. J. (2000), “Estimating time-varying optimal hedge ratios on futures markets”, Journal of Futures Markets, Vol.20, No.1, pp.73-87.
[12]　Park, T. H. and Switzer, L. N. (1995), “bivariate GARCH estimation of the optimal hedge ratios for stock index futures: a note”, Journal of Futures Markets, Vol.15, No.1, pp.61-67.
[13]　Tay, F. E. H.and Cao, L. (2001), “Application of support vector machines in financial time series forecasting”, omega, Vol.29, No.4, pp.309-317.
[14]　Trafalig, T. B. and Ince, H. (2000), “Support Vector Machine for Regression and Applications to Financial Forecasting”, IEEE Computer Society, Vol.6, pp.348-353.
[15]　Witt, S. F. and Martin, C. A. (1987), “Econometric Models for Forecasting International Tourism Demand”, Journal of Travel Research, Vol.25, No.3, pp.23-30.
[16]　Working, H. (1953), “Futures Trading and Hedging”, The American Economic Review, Vol.43, No.3, pp.314-343.
[17]　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, No.5, pp.678-685.