本研究的研究對象為台股加權指數（TAIEX），研究目的是預測台股加權指數之隔月收盤價，在應用迴歸分析、時間序列分析及類神經網路三種預測方法建構九組預測模式後，探討及比較各模式對於台股加權指數之預測效果。
本研究的研究期間為民國88年1月至民國94年12月，共計84個月。針對所選擇的研究變數進行資料蒐集，蒐集之對象包含每月台股加權指數之開盤價、最高價、最低價、收盤價、成交量、三大法人買賣超、融資融劵之券資比、週轉率、台指期貨指數及所需要的技術指標；以及國際股市如道瓊指數、那斯達克指數、日經225指數、香港恆生指數、南韓綜合指數；還有總體經濟面之匯率、利率、油價、貨幣供給、物價指數、失業率及景氣燈號判斷分數等資料，資料型態皆為月資料。
本研究經實證結果顯示，在九組預測模式的比較中，以ARIMA模式的預測效果最好，三個誤差判別指標（MAE、MSE及RMSE）的數據皆小於其他模式，至於在三種預測方法的比較上，則以時間序列分析最佳，迴歸分析次之，類神經網路的效果最差。

In this research, three forecasting methods including Regression Analysis, Time Series Analysis and ANN are applied to build nine forecasting models. Our goal is to forecast the last price in the following month of “The Taiwan Stock Exchange Capitalization Weighted Stock Index”. And we will compare the ability of forecasting among these 9 forecasting models.
The data analysis in this paper is collected from Jan.,1999 to Dec.,2005. We collect the needed data by the research variables setting, including monthly opening-price, high-price, low-price, closing-price, total-share, the net buy or sell of the institutional investor, the short-to-long ratio, the ratio of turning over, Taiwan Stock Index Future, and needed technical index of “The Taiwan Stock Exchange Capitalization Weighted Stock Index”
We also collect the international stock index, including DOW-JONES Index, NASDAQ Index, NIKKEI 225 Index, HANG-SENG Index and KOSPI Composite Index, and the index of macro-economic, including Exchange rate, Interest rate, International Crude Oil Price, The Money Supply Remaining, Consumer Price Index, Unemployment Rate, The Score of Prosperity Light, etc.
The empirical result shows that: among these nine models, ARIMA is better than others, and its performance of three deviation judgments index (MAE, MSE, and RMSE) is better than others. As far as the comparison of three forecasting methods in this paper, the best one is Time Series Analysis, the second one is Regression Analysis, and the worst is ANN.

一、中文部份
【01】 王友珊（1998），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。
【02】 王春笙（1996），以技術指標預測台灣股市股價漲跌之實證研究--以類神經網路與複迴歸模式建構，國立台灣大學資訊管理研究所碩士論文。
【03】 王冠閔、黃柏農（2004），臺灣股、匯市與美國股市關聯性探討，臺灣經濟預測與政策，第34卷，第2期，31-72。
【04】 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。
【05】 王鐘億（1998），類神經網路投資決策支援系統投資策略之研究，國立成功大學企業管理學系碩士論文。
【06】 方國榮（1991），證券投資最適決策指標之研究──技術面分析，國立台灣大學商學研究所碩士論文。
【07】 尤明偉（2001），應用類神經網路於股票技術指標聚類與預測分析之研究，義守大學工業管理學系碩士論文。
【08】 石博仁（1993），臺灣地區市場因素與股價波動之實證研究，國立中央大學財務管理研究所碩士論文。
【09】 古耀文（1995），臺灣股價與總體經濟因素之研究，國立中興大學企業管理學系碩士論文。
【10】 朱美娟（1990），台灣股票報酬率與總體經濟因素關係之實證研究－套利定價理論之應用，國立台灣大學商學研究所碩士論文。
【11】 吳志明（1990），台灣地區景氣指標與股票價格關係之實證研究----多元時間數列分析法之應用，東吳大學經濟研究所碩士論文。
【12】 李岳桓（2000），融資融券餘額、成交量對股價報酬率影響之研究，國立台北大學企業管理學系碩士論文。
【13】 李崇主（1997），臺灣地區股價、匯率與外資關聯性之研究，國立中興大學企業管理學系碩士論文。
【14】 李敏生（2000），NASDAQ股市對於台灣股市報酬率與波動性的影響，國立交通大學經營管理研究所碩士論文。
【15】 李惠妍（2003），類神經網路與迴歸模式在台股指數期貨預測之研究，國立成功大學高階管理碩士在職專班碩士論文。
【16】 何金巡、周麗芳、林建甫 (2005)，油價、景氣與政府財政的總體經濟計量分析。2005年總體經濟計量模型研討會。
【17】 何彥慶（2001），九零年前後，臺灣加權股價指數與美國道瓊工業指數、日本股價指數的聯動關係之研究，國立成功大學企業管理學系。
【18】 何鴻聖（2003），自我組織神經網路在選股策略的應用，國立東華大學國際經濟研究所碩士論文。
【19】 杜金龍（2003），技術指標在台灣股市應用的訣竅，初版，財訊出版社。
【20】 杜美勳（2004），中央銀行貨幣政策與股價指數報酬相關性之研究，臺灣大學政治學研究所碩士論文。
【21】 邱至中（2003），長短期匯率預測模式績效之比較，國立成功大學財務金融研究所碩士論文。
【22】 邱柏霖（1998），臺灣股價之預測，淡江大學財務金融學系碩士論文。
【23】 林慶宏、李慶男與馮振杰（1999），臺灣股匯市與利率及貨幣供給之互動關係，台灣經濟金融月刊，411期，15-22。
【24】 周賓凰、劉怡芬（2000），台灣股市橫斷面報酬解釋因子:特徵、單因子、或多因子，證券市場發展季刊，第12卷，第1期，1-31。
【25】 周慶華（2001），整合基因演算法及類神經網路於現貨開盤指數之預測-以新加坡交易所摩根台股指數期貨為例，輔仁大學金融研究所碩士論文。
【26】 洪崇恩（1999），以類神經網路預測台灣股價報酬率-以電子股為例，朝陽大學財務金融系所碩士論文。
【27】 胡威勝（2000），台灣股市與國際股市之因果分析，貨幣觀測與信用評等，第23期，54-62。
【28】 侯惠月（2000），統計方法與類神經網路在台股指數期貨之研究，國立成功大學統計學研究所碩士論文。
【29】 施向陽（2001），匯率變動預測模式之研究，大葉大學事業經營研究所碩士論文。
【30】 孫道遠（1986），經濟指標與股價關係之研究，國立中興大學企業管理研究所碩士論文。
【31】 孫維鴻（1987），金融經濟因素與股價關係－台灣證券市場之實證研究，國立中興大學企業管理研究所碩士論文。
【32】 孫穎慶（1997），融資、融券與股票市場關聯性探討，逢甲大學經濟學所碩士論文。
【33】 徐清俊、吳明恒（2004），美國、日本與台灣股票市場動態關係，遠東學報，第20卷，第2期，265-281。
【34】 陳俊宏（1996），總體經濟因素與股價指數關聯性之分析，國立臺灣大學商學研究所碩士論文。
【35】 陳俊良（1997），臺灣股市股價領先指標之研究，東海大學管理研究所碩士論文。
【36】 陳俊傑（1992），股價與總體經濟變數關聯性之實證研究-向量自我迴歸模型（VAR）之應用，淡江大學金融研究所碩士論文。
【37】 陳家隆（2002），運用統計方法與人工智慧技術建構整合性投資策略，國立成功大學統計學究所碩士論文。
【38】 陳順宇（2005），多變量分析，四版，華泰書局。
【39】 陳韻如（1999），盈餘與股價VAR模型之實證研究--台灣上市電子業，朝陽大學財務金融研究所碩士論文。
【40】 張振魁（2000），以類神經網路提高股票單日交易策略之獲利，國立中央大學資訊管理研究所碩士論文。
【41】 張國江（1988），台灣與國外股票市場價格關係之實證研究，國立台灣大學商學研究所碩士論文。
【42】 張斐章、張麗秋、黃浩倫（2003），類神經網路：理論與實務，東華書局。
【43】 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。
【44】 張鳳貞（1999），台灣地區利率、匯率與股價互動關係之研究，國立中興大學統計學研究所碩士論文。
【45】 張馨方（2005），臺灣股票市場加權股價指數報酬率與融資、融券餘額之相關性研究，朝陽科技大學財務金融研究所碩士論文。
【46】 曹晉彰（1990），股價指數與總體經濟因素的關係－以時間序列模式（ARIMA）分析，國立台灣大學商學研究所所碩士論文。
【47】 黃玉娟、徐守德（1997），台股指數現貨與期貨市場價格動態關聯性之研究，證券市場發展季刊，第9卷，第3期，1-29。
【48】 黃士文（1989），總體經濟因素與股價關係，淡江大學管理科學研究所碩士論文。
【49】 黃綺年（2004），統計方法與類神經網路應用於國內開放式股票型基金投資績效分費及投資報酬率預測之研究，國立成功大學統計學研究所碩士論文。
【50】 曾梅卿（2005），台灣股價報酬與總體經濟變數互動關係之實證研究，長庚大學企業管理研究所碩士論文。
【51】 游淑禎（1998），類神經網路應用於臺灣股市預測：統合基本面與技術面資訊，證券市場發展，第10卷，第3期，97-134。
【52】 葉怡成（2003），類神經網路模式應用與實作，儒林書局。
【53】 葉銀華（1989），總體經濟因素對股票報酬影響之研究-套利定價理論與多因素模式之實證，國立成功大學工業管理研究所碩士論文。
【54】 葉鳳琴（2003），三大法人投資行為與加權股價指數互動關係之探討，淡江大學財務金融學系碩士在職專班碩士論文。
【55】 葉懷仁（1991），股價與經濟統計變數之關係模型，國立台灣大學商學研究所碩士論文。
【56】 楊孟龍（2000），類神經網路於股價波段預測及選股之應用，國立中央大學資訊管理研究所碩士論文。
【57】 楊筆琇（1998），台灣電子股指數與美國股價指數互動關係之實證研究，國立成功大學企業管理學研究所碩士論文。
【58】 楊雅媛（2002），迴歸分析與類神經網路預測能力之比較，國立政治大學統計學研究所碩士論文。
【59】 廖珮真（1993），美、日、英、港、臺五國股市報酬率多元時間數列關聯性之研究，國立台灣大學商學研究所碩士論文。
【60】 廖廣毅（1999），以類神經網路預測股價指數漲跌，元智大學工業工程研究所碩士論文。
【61】 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。
【62】 蔡宜龍（1990），台灣股票市場技術分析指標有效性之衡量，國立成功大學工業管理研究所碩士論文。
【63】 蔡晨瑩（2005），臺灣50指數ETF整合型分類預測之研究，國立成功大學統計學研究所碩士論文。
【64】 蔡森源（1995），股價與總體經濟因素關係之一研究，淡江大學管理科學研究所碩士論文。
【65】 鄭瑞彬（1997），台灣與亞洲股市股票報酬之分析--- GARCH 模型之應用，逢甲大學經濟學研究所碩士論文。
【66】 劉宜峰（1996），以類神經網路與ARIMA模式預測臺灣股市行為之適用性比較，東吳大學會計學研究所碩士論文。
【67】 錢盡忠（1998），台灣地區匯率與股票價格關係之研究，國立政治大學企業管理研究所研究所碩士論文。
【68】 魏宏泰（2002），台灣股價與總體經濟變數關係之實證研究，朝陽科技大學財務金融系碩士班碩士論文。
【69】 蕭夙妙（1996），台灣分類股價指數與總體經濟變數共整合關係之實證研究，淡江大學財務金融學研究所碩士論文。
【70】 蘇木春、張孝德（2004），機器學習：類神經網路、模糊系統以及基因演算法則，三版，全華科技圖書。

二、西文部份
【01】 Box, G. E. P. and Jenkins, G. M.（1976）,” Time Series Analysis Forecasting and Control,” 2nd Ed. Holden-Day, San Francisco.
【02】 Breen, W., L.R. Glosten & R. Jagannathan（1989）, “Economic Significance of Predictable Variations in Stock Index Returns,” Journal of Finance, Vol. 44, 1177-1189.
【03】 Chakraborty, K., Mehrotra, K., Mohan, C.K.（1992）, “Forecasting the behavior of multivariate time series using neural networks,”Neural Networks, Vol. 5, 961-970.
【04】 Cheung, Y. & Ng, L.K.（1998）, “International evidence on the stock market and aggregate economic activity,” Journal of Empirical Finance, Vol. 5, 281-296.
【05】 Dayananda, D. & Ko, W.Y.（1996）, “Stock Market Returns and Macroeconomic Variables in Taiwan,”Advance in Pacific Basic Financial Market, Vol. 2, 95-110.
【06】 Dhakil, d., Kandil, M. & Sharma, S. C.（1993）, “Causality Between the Money Supply and Share Prices,” Quarterly Journal of Business and Economics, Vol. 32, 53-71.
【07】 Edwards, R.D. & Magee, J.（1992）, “Technical analysis of stock trends,” 6th ed., Boston, J. Magee Inc.
【08】 Fernandez-Rodriguez, F., Gonzalez-Martel, C. & Sosvilla-Rivero S. （2000）, “On The Profitability of Technical Trading Rules Based on Artificial Neural Networks: Evidence from The Madrid Stock Market,” Economic Letters, Vol. 69, Iss. 1, 89-94.
【09】 Hardouvelis, G. A .（1987）, “Macroeconomic Information and Stock prices ,” Journal of Economics and Business, Vol. 39, 131-140.
【10】 Hebb, D.O.（1949）, “The Organization of Behavior : A Neurosychological Theory, “ Wiley, New York.
【11】 Hung, S. Y., Liang, T. P., & Liu, V. W. C.（1996）, “Integrating arbitrage pricing theory and artificial neural networks to support portfolio management, ” Decision Support Systems, Vol. 18, Iss. 3 - 4, 301-316.
【12】 Gencay, R.（1996）, “Non-linear Prediction of Security Returns with Moving Average Rules,” Journal of Forecasting, Vol. 15, 165-174.
【13】 Gencay, R.（1998）, “The Predictability of Security Returns with Simple Technical Trading Rules,” Journal of Empirical Finance, Vol. 5, Iss. 4, 347-359.
【14】 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, 631-643.
【15】 Kanas, A. & Yannopoulos, A.（2001）, “Comparing linear and nonlinear forecasts for stock return,” International Review of Economics and Finance, Vol. 10, Iss. 4, 383-398.
【16】 Kaiser, H. F.（1974）, “An Index of Factorial Simplicity,” Psychometrika, Vol. 39, Iss. 1, 31-36.
【17】 Kim, M.K. & Wu C.（1987） “Macroeconomic factors and stock returns, ” The Journal of Financial Research, Vol. 10, 87-98.
【18】 Kimoto, T. & Sakawa, K. A.（1990）, “Stock Marker Prediction System with Modular Networks,” IEEE International Joint Conference on Neural Networks, Vol. 1 , 1-6.
【19】 Maysami, R.C. & Koh, T.S.（2000）, “A Vector Error Correction Model of the Singapore Stock Market,” International Review of Economics and Finance,Vol. 9, 79-96.
【20】 McCulloch, W. S., & Pitts, W.（1943）, “A logical calculus of the ideas immanent in nervous activity,＂Bulletin of Mathematical Biophysics, Vol. 5, Iss. 1, 115-133.
【21】 Minsky, M. L., & Papert, S.（1969）, “Perceptrons：An Introduction to Computational Geometry,” Cambridge：MIT Press.
【22】 Mizuno, H., Kosaka, M., Yajima, H. & Komoda, N. （1998）, “Appliction of Neural Network to Technical Analysis of Stock Market Prediction,” Studies in Informatics and Control, Vol. 7, Iss. 2, 111-120.
【23】 Mookerjee, R. & Yu, Q.（1997）, “Macroeconomic variables and stock prices in a small open economy: The case of Singapore,” Pacific-Basin Finance Journal, Vol. 5, 377-388.
【24】 Tam, K. Y., & Kiang, M. Y. （1992）,” Managerial Applications of Neural Networks: The Case of Bank Failure Prediction,” Management Science, Vol. 38, 926-947.
【25】 Rosenblatt, F.（1958）, “The perceptron：A probabilistic model for information storage and organization in the brain,＂ Psychological Review, Vol. 65, Iss. 6, 386 - 408
【26】 Rumelhart, D. E., McClelland, J. L., & the PDP Research Group（1986）,”Parallel Distributed Processing,” Cambridge：MIT Press.
【27】 Wongbangpo, P. and Sharma, S.C.（2002）, “Stock market and macroeconomic fundamental dynamic interactions: ASEAN-5 　　　　　　　countries,” Journal of Asian Economics, Vol. 13, 27-51
【28】 Wood, D. & Dasgupta, B.（1996）, “Classfying Trend Movements in the MCSI U.S.A. Capital Index-A Comparison of Regression, ARIMA and Neural Network Methods,” Computers & Operations Research, Vol. 23, Iss. 6, 611-622.
【29】 Zemke, S. （1999）, “Nonlinear index prediction,” Physica, Vol. 269, Iss. 1, 177-183.