本文以台灣期貨市場為研究目標，利用無母數計量模型-核迴歸(kernel regression)平滑每日結算價格，並建立一電腦化、自動化的系統來辨識各種技術型態的形成，包括頭肩頂、三角形、雙重底、…等十種，期望能去除人為主觀意識對型態辨識的影響，並檢定技術型態是否含有預測未來報酬的訊息性。 從實證結果中發現，出現次數最頻繁的技術型態並不一定具有訊息性，如頭肩頂與頭肩底；而在型態形成並辨認後兩周之內，矩形、倒矩形、雙重頂、雙重底等四種型態則持續顯著地具有訊息性。 另外，核迴歸中平滑因子越小會使型態出現次數越多；平滑因子越大則使型態出現次數越少，平滑程度的改變對頭肩頂及頭肩底型態的訊息顯著性有一定程度的影響，但是對矩形、倒矩形、雙重頂、雙重底等四種型態的訊息顯著性並無影響。 最後，技術型態的訊息顯著性並不會因為期貨商品的不同而有差異，技術型態在不同的期貨市場中仍會保有同樣特性；而個別期貨商品下的檢定結果都比全體期貨市場的結果來的差，此情況可能與樣本數較少的原因有關。

本研究探討常用的兩個無母數迴歸方法，核迴歸與樣條迴歸，在具有傘型限制式下，對於傘型函數的估計與不具限制式下的傘型函數估計比較，同時也探討不同誤差變異對估計結果的影響，並進一步探討受限制下兩方法的估計比較。本研究採用「估計頂點位置與實際頂點位置差」及「誤差平方和」作為衡量估計結果的指標。在帶寬及節點的選取上，本研究採用逐一剔除交互驗證法來篩選。模擬結果顯示，受限制的核函數在誤差變異較大的頂點位置估計較佳，誤差變異縮小時反而頂點位置估計較差，受限制的B-樣條函數也有類似的狀況。而在兩方法的比較上，對於較小的誤差變異，核函數的頂點位置估計能力不如樣條函數，但在整體的誤差平方和上卻沒有太大劣勢，當誤差變異較大時，核函數的頂點位置估計能力有所提升，整體誤差平方和仍舊維持還不錯的結果。 / In this study, we give an umbrella order constraint on kernel and spline regression model. We compare their estimation in two measurements, one is the difference of estimate peak and true peak, the other one is the sum of square difference on predict and the true value. We use leave-one-out cross validation to select bandwidth for kernel function and also to decide the number of knots for spline function. The effect of different error size is also considered. Some of R packages are used when doing simulation. The result shows that when the error size is bigger, the prediction of peak location is better in both constrained kernel and spline estimation. The constrained spline regression tends to provide better peak location estimation compared to constrained kernel regression.