本研究主要是預測 3 檔股票之股價走勢，只取每日 9:01~10:00 之收盤價作為 預測變數，使用時間序列分析建立模式預測股價走勢。在建立時間序列模式時，
僅僅是每日的同一時段、同一檔股票，皆呈現出不同的模式，說明了用時間序列 模式預測股價走勢，比較適用於短時間內，一旦時間拉長，預測就失了準確。本 研究亦使用過不同時段來預測周股價走勢、月股價走勢，但效果不佳。畢竟時間 序列模式在預測都是以前幾期的數據做計算，一天之內每分鐘的股價有其相關性，
與周股價之相關性就很薄弱，與月股價幾乎是毫無相關。所以在選擇數據以及決 定預測目的時，必需考慮到該數據之類型，如:季節性、循環性等….，以免預測 失準，無法達到控制與預測。在模擬交易的方面，鴻海雖然在預測準確不是最佳，
但搭配了投資策略所呈現的績效絕對是投資者所樂見的，更符合實務應用及社會 現況。在研究貢獻的部分，本研究模擬了一個月的交易後，發現時間序列用來預 測股價趨勢不是很準確，然而在預測所使用的數據，則是諸多參考文獻沒有使用 的，但是每分鐘的股價也難以掌握到股市中的軌跡，唯有預測股價向下的趨勢表 現的很好，若能多模擬幾個月，也許真的能利用在實際操作上。最後給投資者的 建議是，不論長期投資、短期投資，都不要輕易去預測股價，影響台股漲跌的因 素實在太多，就算統計軟體的功能再怎麼進步，也難以抓到股市裡的蛛絲馬跡。
華倫巴菲特:預測股市短期漲跌毫無意義。正如投資大師所說的，與其費盡心力 去預測，還不如以基本面去選股，等待時機逢低買進、逢高賣出，才是良好的投 資之道。
二、後續研究與建議
就結論來說，時間數列運用在預測股價走勢比較適合短時間，甚至交易當天 之內，這種符合短線交易及當日沖銷的結果，是在研究之初完全沒有預料到的。
58
在數據使用的方面也因不夠瞭解細微的數據，要如何善加利用，有待後續研究者 的巧思。在績效方面，若能多模擬幾個月，讓預測向下趨勢的準確情況更多，則 能給投資者在做空的操作上做參考。
59 Decision Making, 3/e)。
12. 連偉志(2011)，台灣股價指數時間序列之研究。國立交通大學在職專班財務 金融組碩士論文。
13. 陳執中(2006)，台股加權指數隔月收盤價預測之研究。國立成功大學統計研 究所碩士論文。
60
14. 陳志龍(2006)運用類神經網路與技術指標預測股票型基金漲跌及交易時機之 研究－以臺灣 50 指數股票型基金為例。朝陽科技大學資訊管理系碩士論文。
15. 楊明璧 審訂(2005)，作業管理-流程與價值鍵，智勝文化事業有限公司。(Lee J. Krajewski, and Larry P. Ritzman (2005), Operations Management- Process and Value Chains)。
16. 曹耀均、薛舜仁(2011)，以自我迴歸整合移動平均法在指數股票型基金之預 likelihood principle, Proc. 2nd International Symposium on Information Theory, pp. 267 – 281.
2. Akaike, H. (1974), A new look at the statistical model identification, IEEE Transactions on Automatic Control, Vol. 19, pp. 716 – 723.
61
3. Adebiyi, A. A., Adewumi, A. O., & Ayo, C. K. (2014), Comparison of ARIMA and artificial neural networks models for stock price prediction. Journal of Applied Mathematics, Vol. 2014, pp. 1–7.
4. Box, G. E. P. & Jenkins, G. M. (1971), Time Series Analysis: Forecasting and Control, Operation Research Quarterly, Vol. 22, No. 3, pp. 199-201.
5. Chai, T. & Draxler, R. R. (2014), Root Mean Square Error (RMSE) or Mean Absolute Error (MAE) – Arguments against avoiding RMSE in the literature, Geoscientific Model Development, Vol.7, No. 3, pp. 1247 – 1250.
6. Dickey, D. A. & Fuller, W. A. (1979), Distribution of the Estimators for Autoregressive Time Series with a Unit Root, Journal of the America Statistical Association, Vol. 74, No. 366, pp. 427-431.
7. Engle, R, F. (1982), Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation, Econometrica, Vol. 50, No. 4, pp.
987 – 1007.
8. Engle, R, F., & Granger, C. W. J. (1987), Co-Integration and Error Correction:
Representation, Estimation, and Testing, Econometrica, Vol. 55, No. 2, pp. 251 – 276.
9. IBM, 2012, IBM SPSS Forecasting 21, IBM Corporation.
10. Aldrich J. (1997), R. A. Fisher and the Making of Maximum Likelihood 1911 – 1922, Statistical Science, Vol. 12, No. 3, pp. 162 – 176.
11. Palit, A. K. & Popovic, D. (2000), “Nonlinear Combination of Forecast Using Artificial Neural Network, Fuzzy logic and Neuro-Fuzzy Approaches” IEEE International Conference on Fuzzy systems, Vol. 2, pp. 566 – 571.
12. Tiao, G. C. & Box, G. E. P. (1981), Modeling Multiple Time with Application, Journal of the American Statistical Association, Vol. 76, pp. 802-816.
13. Wei, William, W. S., 2006, Time Series Analysis-Univariate and Maltivariate Methods, 2nd, Person Addison Wesley.
62
14. Tang, Yang, Zhou, (2009), Stock Price Forecasting by Combining News Mining and Time Series Analysis, IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology- Workshops, Vol. 1, pp. 279 - 282.