目前世界各國經濟飛速發展，隨著全球化、歐美景氣復甦與金磚四國興起，全球鋼鐵礦需求量大增，加上近年國際油價飆漲，乘數效應帶動原物料價格連年大幅提升，勢必造成通貨膨脹的衝擊，然而台灣定存利率低，經濟發展受到國家政策所牽制，若想在這艱困的環境中創造與累積財富，投資理財是不二法門，根據台灣證券交易所統計資料顯示，股票市場為國內投資者最主要投資理財管道。由以上說明，本研究鎖定在上市鋼鐵類股價指數預測研究。
本研究自台灣經濟新報、台灣證券交易所與台灣省主計處等處蒐集技術指標、總體經濟、國際股市與台股資訊等方面相關資料，運用迴歸分析、時間序列之自我迴歸整合移動平均模式、倒傳遞類神經網路和適應性網路模糊推論系統等方法建立台灣上市鋼鐵類股價指數隔月收盤指數之預測模式，並比較各模式之預測優劣，研究範圍為西元2000年1月至2006年12月止，總計84個月。研究結果顯示，自我迴歸整合移動平均模式為最佳預測模式，其次為迴歸分析；而適應性網路模糊推論系統在訓練樣本中藉由其強力的學習能力，使得各方面配適結果最佳，但在測試樣本進行預測時績效最差；倒傳遞類神經網路模式的預測績效比適應性網路模糊推論系統佳，但劣於傳統統計方法。

At present, the globalization and the development of the BRICs lead the global steel and iron ore demand to increase. In addition, with the increasing oil price, the original material price have successive years of risen. That proves the inflaction impact is inevitably. However, The bank account interest rate of Taiwan is low, and the economy development is also hampered by state policy. If people want to gain additional wealth in this hardship environment, finances investment will be the only way. According to statistical data derived from Taiwan Stock Exchange Corporation, the stock market is the main investment pipeline for the domestic investor. By above explanation, this research focuses on the forecasting of the steel and iron industry stock price index.
This research data includes technical variables, macro-economical variables, international stock variables and Taiwan stock informations. The research scope is from Jan.,2000 to Dec.,2006. We establish forecasting models by Regression Analysis、Time Series Analysis（ARIMA）, Back-Propagation Network（BPN）and Adaptive Network-Based Fuzzy Inference System（ANFIS）, and compare accuracy of all the models. The result showed that Time Series is the best forecasting model, and next for Regression Analysis. ANFIS is strong to train sample, but it is the worst to forecasting. BPN get a better performance than ANFIS as a whole, but is inferior to the statistical methods.

中文部份：

【1】 王盈傑（2004），「台灣股市動量策略與反向策略之整合研究」，國立中正大學國際經濟研究所碩士論文。
【2】 杜金龍（1998），技術分析在台灣股市應用訣竅，金錢文化。
【3】 朱富春（1978），股價分析，聯經出版有限公司。
【4】 吳文文（2001），「台灣電子股分類及其股價預測之研究」，朝陽科技大學財務金融研究所碩士論文。
【5】 吳宗正、溫敏杰、侯惠月（2001），神經網路及統計方法在台股指數期貨評價研究之比較，成功大學學報，第三十六期，pp.91-109。
【6】 吳宗正、溫敏杰、黃綺年（2005），開放式股票型基金投資績效分類及投資報酬率預測之研究，智慧科技與應用統計學報，第三卷第二期，117-139 頁。
【7】 李惠妍、吳宗正、溫敏杰（2006），迴歸模式與類神經網路在臺股指數期貨預測之研究，經營管理論叢，Vol.2, No.1，pp.83-99。
【8】 林茂文 （2006），時間數列分析與預測 :管理與財經之應用 - Time series analysis and forecasting，第三版，台北，華泰文化事業股份有限公司。
【9】 陳執中（2006），「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研究所碩士論文。
【10】 陳國玄（2004），「人工神經網路與統計方法應用於台灣上市電子類股價指數預測與分類之研究」，國立成功大學統計學研究所碩士論文。
【11】 陳順宇（2005），多變量分析，第4版，華泰書局。
【12】 張雅雯（2003），「以正、逆價差檢驗台灣股票市場效率性」，私立逢甲大學企業管理研究所碩士論文。
【13】 葉怡成 （2003），類神經網路模式應用與實作，儒林書局。
【14】 蔡依玲（2001），「台灣股票市場報酬率之研究」，國立成功大學統計學研究所碩士論文。
【15】 蔡正修（2007），「臺灣上市電子類股指數走勢預測之研究」，國立成功大學統計學研究所碩士論文。
【16】 戴淑瑩（2007），「臺灣50指數ETF整合型預測之研究」，國立成功大學統計學研究所碩士論文。

英文部分:

【1】 Chakraborty, K., Mehrotra, K., Mohan, C.K.（1992）, “Forecasting the behavior of multivariate time series using neural networks,”Neural Networks, Vol. 5, pp. 961-970.
【2】 Fama, E. F. （1970）, “Efficient capital market: a view of theory and empirical work,” Journal of Finance, Vol. 25, No. 2, pp. 383-417.
【3】 Gujarati, D. N.（1995）, Basic Econometrics, 3rd ed, New York: McGraw-Hill, Inc., pp. 341.
【4】 Grudnistski, G. & Osburn, L.（1993）, “Forecasting S&P and Gold Future Prices: An Application of Neural Networks,” Journal of Futures Markets, Vol. 13, Iss. 6, pp. 631-643.
【5】 Kaiser, H. F.（1974）, “An Index of Factorial Simplicity,” Psychometrika, Vol. 39, Iss. 1, pp. 31-36.
【6】 Palit, A. K. and Popovic, D.（2000）, “Nonlinear Combination of Forecasts Using Artificial Neural Network, Fuzzy Logic and Neuro-Fuzzy Approaches,” IEEE International Conference on Fuzzy Systems, Vol.2, pp. 566-571
【7】 Wood, D. and Dasgupta, B.（1996）, “Classfying Trend Movements in the MCSI U.S.A. Capital Index-A Comparison of Regression, ARIMA and Neural Network Methods,” Computers and Operations Research, Vol. 23, Iss. 6, pp. 611-622.
【8】 Wyckoff, P.（1970）, Technical Research, The Stock Market Handbook, pp. 474.