本研究之研究對象為台灣上市化學生技醫療類股價指數，藉由統計方法中的迴歸分析與時間序列及類神經網路中的倒傳遞類神經網路與適應性網路模糊推論系統來預測台灣上市化學生技醫療類股價指數之隔日收盤價，比較各種模式之結果優劣。
本研究之研究期間為2006年2月24日至2007年11月15日，共計429日。針對所選擇的研究變數進行資料蒐集，蒐集的資料分別為每日台灣上市化學生技醫療類股價指數之開盤價、最高價、最低價、收盤價、成交量、三大法人買賣超、融資融券之券資比、成交量週轉率以及所需要的技術指標；國際股市方面如那斯達客指數、日經225、道瓊指數、香港恆生指數、上海綜合指數與南韓綜合指數等；以及總體經濟面之油價，資料型態皆為日資料。
本研究經實證結果顯示，在九組預測模式比較中，以ARIMA模式之預測結果最好，其次為逐步迴歸模式，兩者之三個誤差判別指標（MAE、MSE、RMSE）皆小於其他模式。整體而言，以傳統統計方法模式最好，其次為適應性網路模糊推論系統，最差為倒傳遞類神經網路。

In this research, four forecasting methods including Regression Analysis, Time Series Analysis, Back-Propagation Network and Adaptive Network- Based Fuzzy Inference System are applied to build nine forecasting models. Our goal is to forecast the last price in the following day of “The Chemical Biotechnology Medicine stock price index”. And we will compare the ability of forecasting among these nine forecasting models.

In this paper, the data is collected from February 24, 2006 to November 15, 2007. The needed data by the research variables setting are included daily opening-price, high-price, low-price, closing-price, total-share, the net buy or sell of institutional investor, the short-to-long ratio, the ratio of turning over, the Chemical Biotechnology Medicine stock price index, and needed technical index of the Chemical Biotechnology Medicine stock price index. The international stock index is included NASKAQ Index, NIKKEI 225 Index, DOW-JONES, HANG-SENG Index, Shanghai Synthesis Index and KOSPI Composite Index. And we also collect International Crude Oil Price.

By the empirical result shows that among these nine models, ARIMA model is the best one, the second is Regression model and these performances of three deviation judgments index（MAE, MSE, AND RMSE）are better than others. As far as the comparison of fore forecasting methods in the research, the best is Time Series Analysis, the second is Regression Analysis, the third is Adaptive Network-Based Fuzzy Inference System, and the worst is Back- Propagation Network.

參考文獻
一、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】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預測研究之比較」，國立成功大學學報第36卷。
【3】吳宗正（2006），投資技術分析，華泰書局。
【4】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。
【5】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」，國立成功大學管理學院高階管理碩士在職專班（EMBA）碩士論文。
【6】李瑞東（2005），「股價報酬率之研究-以台灣股價指數為例」，私立中華大學科技管理研究所碩士論文。
【7】林茂文（1992），時間數列分析與預測，華泰書局。
【8】何金巡、周麗芳與林建甫（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。
【9】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。
【12】陳順宇（2004），迴歸分析，第4版，華泰書局。
【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（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研究所碩士論文。
【15】黃綺年（2004），「統計方法與類神經網路運用於國內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」，國立成功大學統計學研究所碩士論文。
【16】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。
【17】蔡依玲（2001），「台灣股票市場報酬率研究」，國立成功大學統計學研究所碩士論文。
【18】蔡正修（2007），「台灣上市電子類股價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。
【19】羅華強（2005），類神經網路-matlab的應用，第2版，高立圖書。

二、英文部份
【1】Chiang, W. C., Urban, T. L. and Baldridge, G. W.（1995）, “A Neural Network Approach to Mutual Fund Net Aasset Value Forecasting,” International Journal of Management Science, Vol.24, No. 2, pp. 205-215.
【2】Fama, E. F.,（1970）, “Efficient Capital Markets II: A Review of Theory and Empirical Work,” Journal of Finance, Vol. 25, pp. 383-416.
【3】Grudnistski, G. and Osburn, L.（1993）, “Forecasting S＆P and Gold Futures Prices：An Application of Neural Networks, ” The Journal of Futures Markets, Vol. 13, No. 6, pp. 631-643.
【4】McCulloch, Warren S., and Walter P.（1943）, “A Logical Calculus of the Ideas Immanent in Nervous Activity,” Bulletin of Mathematical Biophysics, Vol. 5, No. 4, pp.115-144.
【5】Mizuno, H., Kosaka, M., Yajima, H., and Komoda, N.（1998）, “Application of Neural Network to Technical Analysis of Stock Market Prediction,” Studies in Informatics and Control, Vol. 7, No. 2, pp. 111-120.
【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】Parker, D. B.（1982）, “Artificial Neural Networks：An Overview,”IEEE International Conference on Neural Network, Vol. 3, pp. 1507-1512
【8】Rumelhart, D. E., Hinton, G. E., and Williams, R. J. （1986）, “Learning internal representation by error propagation,” eds. by Rumelhart, D. E. and McClelland, J. L. 「Parallel distributed processing」, MIT Press, USA.
【9】Rumelhart, D. E., McClelland, J. L., and the PDP Research Group（1986）, “Parallel distributed processing：explorations in the microstructure of cognition,” MIT Press, USA.
【10】Werbos, P. J.（1974）, “The roots of backpropagation：from ordered derivatives to neural networks and political forecasting,” New York, J. Wiley＆Sons.
【11】Wood, D. and Dasgupta, B.（1996）, “Classifying 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, No. 6, pp. 611-622.