F.S.Wong 和 P.Z.Wang 等（1992）提出了一套基於模糊神經網絡的選個股模 型。Zargham M.R 和 Sayeh M.R（1999）將模糊理論用於股票選擇和價值評估，應用 中得到了良好的效果，但是缺乏學習以及一般化能力。同一時間，Quah 和
Srinivasan（1999）利用神經網絡建立了選股系統挑選市場上的股票，結果表明其建 立的投資組合具有良好的報酬率，并且多期戰勝市場。Kuo 等（2001）將遺傳算法 和模糊理論相結合，建立了股價追蹤系統，用來選擇投資組合。Chapados 和 Bengio
（2001）將神經網絡用於資產估計和預測，從而進行資產的優化以及資產的配置。
Dennis Olson 和 Charles Mossman（2003）則使用 2352 家加拿大上市公司當作研究對 象，使用財務比率指標構建股票報酬率預測的指標體系，同時使用神經網絡、
‧
OLS、Logistic 回歸模型進行回測，回測結果表明，與 OLS 和 Logistic 兩種綫性模型 相比，神經網絡在非綫性上優秀的處理能力，使得神經網絡獲得了更好的效果。
第二節 支持向量機和支持向量回歸相關文獻回顧
在1995 年，Cortes 和 Vapnik 正式發表了了基於統計理論發展而誕生的新方 法，支持向量機，用以解決分類和回歸預測的問題。在1998 年的時候，Joachims 則 發現了支持向量機在文本分類任務中的卓越性能，迄今爲止，綫性核函數下的支持 向量機，依然是文本分類任務中的首選技術。
在此之後，支持向量機成爲了機器學習領域的主流技術。Fan 和 Palaniswami
（2001）首次將支持向量機用在股票選擇當中，當時以澳洲證券交易所上市的所有
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
的參數尋優，對其短期和長期的選股性能進行了評價和對比，實證的結果表明，模 型具有很高的預測精度。Yu，Chen 和 Zhang（2014）則使用了主成分分析法搭配支 持向量機模型，以上證2009 和 2010 的公司為研究對象進行實證分析，結果表明使 用主成分分析法的支持向量機模型能夠獲得優於上證指數的超額報酬。
第三節 文獻回顧總結
根據以上的文獻回顧，發現機器學習的發展由來已久，而衆多研究者將機器 學習理論與傳統統計理論建立的投資模型進行對比，結果機器學習理論中無論是神 經網絡還是支持向量機、支持向量回歸得到的結果均好過傳統統計理論建立的投資 模型。而在支持向量機和支持向量回歸中，對於股票市場的研究者大多使用的是支 持向量機來對股票的性質進行分類，從而劃分出優質股票以及劣質股票，再從優質 股票中挑選股票，來組成投資組合。而雖然支持向量回歸模型在以往的研究者的研 究當中使用的比較少，但是從少數的研究中看，支持向量回歸模型也能夠獲得較爲 不錯的超額報酬，同時支持向量回歸模型并非單純將股票進行分類，而是直接獲得 因變量的數值，無論預測對象是股價還是報酬率，都有較爲直觀的反饋，減少了支 持向量機模型中從優質股票之中利用支持向量機返回的上漲機率值進行股票排序然 後再挑選股票的過程。