本章節分為兩個小節，首先根據本研究所需進行領域探討技術分析相關文獻，
以了解目前應用於技術分析之範疇與特性以及外國金融市場於技術分析的應用 範例。接下來是探討運用人工智慧方法所建構的預測模型或是選股模型於股市的 應用案例，其大多數研究結果指出使用人工智慧方法後都能增加預測能力或增強 投資組合的報酬率或穩定度。
2.1 技術分析、籌碼、動能相關文獻探討
Yakov [3] 發現股票籌碼收益會隨時間的推移與非流動性指標呈現負相關，
而市場非流動性指標則與股票籌碼超額收益呈現正面影響，這表示股票的部分超 額收益為非流動性指標的溢價。Asness et al. [8] 研究在八個不同的市場和資產類 別中找到了一致的價值和籌碼動能報酬溢價，並在其報酬中找到了強大的共同因 素結構。與資產類別的被動風險相比，價值和籌碼動能報酬在資產類別中的相關 性更強，但價值和籌碼動能在資產類別內和跨資產類別之間呈負相關。
Bandarchuk et al. [28] 研究中表示運用股票的籌碼特徵以及它過去的報酬對 股票進行分類，這種籌碼動能只通過交易來分析股票具有更多高報酬利潤的來增 強其策略。Barber et al. [5] 研究指出個人投資者為短期交易支付巨額的損失。在
4
Chordia and Shivakumar [32]分析籌碼之動能策略的盈利能力是否與商業周 期有關，研究結果發現一些落後的總體經濟變數可以解釋其效果的利潤，且調整 這些總體經濟變數的預測能力時，動能效果的利潤會消失。
Chordia and Shivakumar [33] 研究通貨膨脹錯覺假說，其假說為股票市場投 資者未能將通貨膨脹納入預測未來報酬增長率，這導致盈利增長與通貨膨脹呈現 正相關的公司被低估且相反之則高估。並發現控制通貨膨脹對未來預測報酬能力 會使得用standardized unexpected earnings ( SUE )預測報酬能力下降。
Cooper et al. [26] 研究發現籌碼之動量利潤取決於市場狀況，從 1929 年到 1995 年市場收益率為正的月均利潤為 0.93%，而負市場收益後的平均利潤為-0.37%。此外從整體經濟因素無法解釋動量利潤。Da et al. [36] 測試 Frog-in-the-pain（FIP）方法於動能上，並發現對於具有連續信息的股票在其形成期間，動量 利潤從5.94%下降至具有離散信息股票的-2.07%。
5
Daniel and Moskowitz [22] 研究指出籌碼動能策略在眾多資產類別中具有強 烈的正平均報酬率，但其策略可能會經歷不常見且持續的負報酬，這些動量崩潰
6
究對象，運用遺傳規劃法( Genetic Programming )來產生進場及出場的決策交易法 則，研究結果顯示考量交易成本後投資績效並不佳，若能再加入其他指標作為輸 入變數，應該能有效提升投資績效。Korcazk [17] 以 1997/01/02 至 1999/11/10 期 間的法國股市中 24 檔股票為標的，以遺傳演算法加上四種技術指標來訓練 261 天的資料，測試7 天資料的結果，研究結果顯示遺傳演算法的投資策略其報酬高 於一般的買入持有策略。Jiang [30] 以 1990/01/01 至 2002/08/30 期間 Microsoft、Intel 及 Oracle 三家 股票交易資料為標的，以遺傳演算法加上移動平均指標等四種技術指標來進行預
7
Orito and Yamazaki [34] 將各投資組合所計算出來的貢獻率( contribution rate ) 加上適當風險權重( weight of proper risk )當成適應值，而以遺傳演算法進行演化 以求出最佳的投資組合。
劉慧敏 [2] 利用如「單次選股最高報酬率」、 「單次選股最低報酬率」、
「Sharpe 指標」等選股目標，搭配 Multi-objective Genetic Algorithms ( MOGA ) 的多目標最佳化能力而得到新的選股策略，並利用移動視窗的訓練方式使得其選