近年來隨著政府逐步開放各項投資管道，台灣的金融市場已朝自由化與國際化方向發展。因此，投資大眾面臨著更複雜的投資理財環境，投資標的與工具日益增多，該如何選擇適當的投資標的與工具，是諸多投資人的一大考驗，且風險日益加大。而共同基金最大的特性為投資多樣化，集合眾多資金分散投資於不同的標的物，有效分散投資風險，再加上2006年8月，境外基金代理制度實施，投資大眾可於銀行、投信、投顧或證券公司購買所代理的基金，基金的數量與種類與日俱增，且又因為投資人能忍受風險的程度不同，可能使得投資人迷失於眾多的基金中，而不知該如何挑出良好的標的與妥善的資產配置。因此，如何針對不同風險承受度之投資人來設計不同的投資組合，已成為目前不可忽視之課題。
本研究以遺傳演算法建構出三種不同風險承受度的投資組合，以兩組不同的標的基金做為實驗的標的，各實驗三次，共計得到十八個投資組合。測試期間從2000年1月1日至2007年11月30日，實驗期間從2001年1月1日至2007年12月31日，以移動視窗法方式每月調整一次投資組合，共計投資84次。測試期間以一年的基金報酬率、標準差與Alpha、Beta、Sharpe、IR、Sortino等指標使用遺傳演算法計算出投資組合的標的基金與投資權重，投資於下個月，在將每次投資獲得的月報酬率與標準差與所對應的標竿指數作比較。實驗結果顯示，每個投資組合的三次實驗中得到的平均報酬率皆能贏過其所對應的標竿指數報酬率。在84個月的投資中，贏過大盤的次數除了以MSCI為標竿指數的低風險投資組合低於5成外，其餘都超過5成；每個月所累積的主動報酬亦皆高於標竿指數。以MSCI World USD TR為標竿指數的投資組合，在三個不同風險承受度中所得到的平均報酬率之標準差皆低於標竿指數報酬率之標準差，顯示出本研究所提出的方法除了能有效贏過標竿指數外，亦能有效降低報酬的波動率，而得到一個有穩健報酬的投資組合。

Because the government changed laws and opened the market progressively in recent years, the financial market in Taiwan becomes more and more liberal and international; every investor has to face a more complicated investitive environment. They can choice many investitive objects and tools, but how to choice the best one is a big problem for them and the risk in the financial market becomes much higher. Mutual fund is a popular investment tools in recent year. One of the mutual fund’s benefits is the diversity of investment and effectively disperses risk..
In August 2006, the government in Taiwan opens up the market of mutual fund; the investors can buy offshore mutual funds in many channels, so they can choice many kinds of mutual funds, about 1,400 in April 2008. Also, every investor that can beat the level of risk is so different, it maybe make them confused and really want to know which one is much better and do asset allocation very well. Therefore, how to design a good portfolio for different perceived risk levels of investors is a worthful topic in the academia and the really world.
This research uses the genetic algorithm to construct mutual fund portfolios based on perceived risk levels, use fund return, standard deviation, Alpha, Beta, Sharpe, IR and Sortino indicators to select funds of a portfolio and calculate portfolio return and standard deviation, then do asset allocation. This research change funds in every portfolio every month using Sliding Windows method from Jan 1, 2001 to Dec 12, 2007, totally 84 times.
The result of this research is every portfolio average return wins benchmark index average return. The standard deviation of every portfolio also wins benchmark index standard deviation. It shows this research can beat benchmark index effectively and also can decrease the risk of portfolio return, then we can get a good fund portfolio for different perceived risk levels of investors

致謝辭 II
中文摘要 III
英文摘要 IV
目錄 V
圖目錄 VII
表目錄 VIII
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機 1
1.3 研究目的 2
1.4 研究問題 2
1.5 研究架構 3
第二章 文獻探討 5
2.1 共同基金介紹 5
2.2 共同基金績效指標 6
2.2.1 淨報酬率指標 6
2.2.2 風險指標 7
2.2.3 風險調整(Return-Adjust Return)指標 8
2.1.4 進階風險調整指標 9
2.3 投資組合理論 10
2.3.1 風險與報酬 11
2.3.2 相關係數 12
2.3.3 效率前緣 12
2.4 遺傳演算法 13
2.4.1 遺傳演算法法則 13
2.5 遺傳演算法在財務投資組合方面的應用 19
第三章 研究方法 24
3.1 研究架構 24
3.2 選擇基金績效衡量指標 26
3.3 建立綜合指標評分標準 27
3.4 遺傳演算法架構 28
3.4.1 編碼方式 28
3.4.2 適應函數 29
3.4.3 演算法步驟 31
3.5 實驗設計 31
3.5.1 系統軟硬體環境 31
3.5.2 實驗資料來源 32
3.5.3 穩定度測試 33
3.5.4 遺傳演算法參數設定 34
第四章 實驗結果 36
第五章 結論與建議 69
5.1 結論與貢獻 69
5.2 未來研究建議 71
參考文獻 73
附錄 75

[1]林萍珍、陳稼興、林文修，「遺傳演算法在使用者導向的投資組合選擇之應用」，資訊管理學報第七卷第一期，1998
[2]中華民國證券投資信託暨顧問商業同業公會網站，http://www.sitca.rog.tw
[3]FundDJ基智網，http://www.funddj.com/y/yFund.asp?a=$Y$YA$YP081000]DJHTM
[4]李靜怡，「股票型基金績效綜合指標--因素分析法」，中山大學財務管理所碩士論文，2007
[5]劉慧敏，「多目標遺傳演算法於基本面選股策略之運用」，中央大學資訊管理所碩士論文，2002
[6]施雅月，「基因演算法介紹」，交通大學資訊管理博士班課程教材，2005
[7]姜林杰祐、高崇勛，「以基因演算法求解考慮交易限制之投資組合最佳化模型」，第三屆演化式計算應用研討會暨2005機會探索國際工作坊會議論文，2005
[8]陳柏年，「應用遺傳演算法於財務指標選股策略之探討」，中央大學資訊管理所碩士論文，2001
[9]劉育穎，「結合決策樹與遺傳演算法建構不同風險程度之基金投資組合-以國內發行之股票基金為例」，中原大學資訊管理所碩士論文，2006
[10]劉貴強，「遺傳演算法於組合型基金商品設計之研究」，輔仁大學資訊管理所碩士論文，2004
[11]鄭義，「財富管理-理論與實務（投資組合）」，新陸出版社，2007
[12]王郁仁，「股票型基金綜合指標與基金績效動態監控」，中山大學財務管理學所碩士論文，2005
[13]吳宗穎，「指數追蹤：選股與資金配置之探討」，中央大學財務管理所碩士論文
[14]高登，「財富管理的理論與實務-投資組合篇」，富盈財富科技股份有限公司，2007
[14]Goldberg,D.E.,“Genetic Algorithm in Search, Optimization, and Machine Learning”,Addison-Wesley,1989
[15]J.Holland, Adaptation in Natural and Artificial Systems, University of Michigan Press,1975
[16]Y.Xia,S.Wang and X.Deng,「A compromise solution to mutual fund sport folio selection with transaction costs」,European Journal of Operational Research,Vol.134, Issue3, 2001,pp.564-581
[17]Venugopal, M.Sitaram; Subramanian, S.; Rao,U.S.,「USEFULNESS OF GENETIC ALGORITHM MODELF OR DYNAMIC PROTFOLIO SELECTION」,Journal of Financial Management & Analysis, Vol.17,Issue1, 2004, pp.45-53
[18]K.K. Lai,L. Yu, S.Y. Wang&CZhou,「A Double-Stage Genetic Optimization Algorithm for Portfolio Selection」,Lecture Notes in Computer Science(LNCS),No.4234,2006,pp.928-937
[19]B.Rafaely, J.A.Bennell,「Optimisation of FTSE100 tracker funds: A comparison of genetic algorithms and quadratic programming」,Managerial Finance; Vol.32, Issue 6, 2006, pp.477-492
[20]wikipedia web site，http://zh.wikipedia.org