在科技持續進步的時代，金融市場發展隨著社會的演進不斷地成長與活絡，金融商品也從原本單純的本國存放款、外幣投資衍生出票券、債券等利率投資工具；除此之外，隨著資本市場的擴張，股票、基金、期貨與選擇權等投資標的更是琳瑯滿目。 而後產生了許多人使用資料探勘工具預測市場的買賣時機。如Baba N., Asakawa H. and Sato K.(1999)使用倒傳遞類神經網路來預測到股市未來的漲跌，而後又在2000年研究當中加入基因演算法來求得倒傳遞類神經網路的權重，得到最後的類神經網路模型。 在做資料探勘的同時，我們得在希望預測目標(Target)上事先定義好一套固定規則，這會使得模型的彈性與可預測度降低，本研究希望能透過資料探勘工具增加預測目標規則的彈性，增加模型最後的預測準確度。 本研究樣本區間選用2010年到2015年的台指期貨數據做為資料，並結合羅吉斯回歸與粒子群演算法建構更加有彈性的預測模型結果，最後發現在未來10分鐘，若漲幅超過0.1114%做為買進訊號的話，其建立出的模型可達到84%的預測準確度。

雖然技術分析的爭議非常的多，在市場上卻仍然被廣泛應用，原因即是因為容易被理解且方便應用，不過當馬可夫轉換模型出現時，技術分析便面臨的挑戰。馬可夫轉換模型又稱為隨機分段趨勢模型(stochastic segmented trend model)，預測方法也類似於技術分析，利用一段期間內的趨勢來判斷未來走勢。 本研究利用馬可夫轉換模型以及技術分析中相當受歡迎的移動平均轉換法相互作比較，研究標的則選擇國內的兩種期貨：臺股期貨與黃金期貨和國外的五種商品期貨：紐約黃金、布蘭特原油、芝加哥小麥、玉米和大豆共七種期貨，相互比較後，我們發現馬可夫轉換模型在樣本內的獲利績效比均線轉換法的績效要來得好，其中平滑推論又比濾嘴推論的績效好。 另外，馬可夫轉換模型在樣本外的績效並不亮眼，原因可能是估計參數的不穩定性過高，不過在臺灣黃金期貨的部分，樣本外表現也是非常的亮眼。