投資人在複雜的投資環境中進行投資，無疑是希望能夠賺取更多的報酬來增加自己的財富；近年來，雖然有不少國內外學者試圖從龐大的股市資料中，運用各種資料探勘的技術預測市場走勢，提供投資人做為投資決策參考的依據，但是，在眾多研究者以各種理論或方法解釋市場表現的研究中，少有研究討論到投資組合資金配置這個重要議題，而且在以類神經網路進行股市預測的研究議題中，大多只是針對未來的指數或個股的走勢進行預測而己，未能針對資料庫知識發掘EFL希望的最後一個階段，知識的呈現、表達與轉譯等步驟進行更深一層的研究，致使從資料庫中所擷取的資訊非常有限，而本研究主要是提出一完整的「財務資料庫知識發掘模型」，針對財務資料庫中的歷史資料，進行前置處理、建立最適投資組合評估模型、回饋式類神經網路預測等步驟，提供投資人一個兼具風險與報酬考量的最適投資組合資金配置策略，之後再以法則萃取演算法，探勘類神經網路結構中的黑盒，使財務資料庫中所隱含的資訊與知識能夠外顯化，提供使用者較佳的投資決策支援環境。最後，本研究以雛型系統開發與實際的財金資料庫資料，驗證此架構的可行性。自饋式類神經網路知識發掘應用於最適投資組合資金配置。

The investors made decisions for investment on sophisticated investment environment. Undoubtedly, the investors hope earn more returns to increase their wealth. In recent years, many researchers try to use data mining or other relates techniques trying to discovery patterns from huge financial database to support investors to make decision. However, most of these researchers just explain market performance with theories or methods. The important issues of portfolio capital allocation are addressed relatively few. Moreover, a lot of researches which used artificial neural network for stocks prediction focused on prediction for marketing index or stock price. But, past researches after didn't present or translate the patterns explicitly, which are mined from databases. Therefore, this research mainly proposed a complete “ financial database know ledge discovery model" to help investors make investment decision. First, we process financial database, build optimal portfolio analysis model and use recurrent neural network to form , optimal portfolio capital allocation strategy. Second, we use a rule extraction algorithm to mine unknown rules from the neural network. The intention to mine the unknown rules from the black box of neural network is that finding implicit information or relate know ledge from financial database. The discovered know ledge or information from database will become useful information, which can help investors to make decision and provide investors optimal investment decision supports. Finally, the feasibility of this method is evaluated by developing a prototype system and testing with real financial data.

隨著人工智慧技術的演進，近年來，有不少國內外學者運用各種新近的柔性計算技術，例如類神經網路、基因演算法、模糊理論等，試圖從龐大的股市資料中，預測市場走勢，提供投資人做為投資決策參考的依據。在以往的研究中，研究者以各種理論或方法解釋市場表現，然而少有研究討論到投資組合資金配置這個重要議題。另外，類神經網路一向被稱為「黑盒子」，對於預測結果，不具解釋能力。在以類神經網路進行股市預測的研究中，大多只是針對未來的指數或個股的走勢進行預測而已，未能針對資料庫知識發掘流程的最後一個階段：知識的呈現、表達與解譯等步驟進行更深一層的研究，致使分析人員無法了解預測結果的因果關係。我們的研究主要是提出一完整的「財務資料庫知識發掘模型」，針對財務資料庫中的歷中的歷史資料，進行前置處理、建立最適投資組合評估模型、回饋式類神經網路預測等步驟，提供投資人一個兼具風險與報酬考量的最適投資組合資金配置策略，之後再以則萃取演算法，探勘類神經網路結構中的黑盒，使財務資料庫中所隱含的資訊與知識能夠外顯化，提供使用者較佳的投資決策支援環境。