就目前所知，這是第一篇應用人工類神經網路在股票風格投資方面的研究。類神經網路在樣本內與樣本外的分類正確率皆優於區別分析，而且類神經網路在樣本內的訓練範例中達成了百分之百的分類正確率。此外，我們也解決了傳統方法無法展示股票風格動態的問題。 檢視各種風格投資策略在台灣股票市場的績效表現之後，我們以神經網路為基礎，提出一個簡單而容易實行的投資策略。由這個策略的表現可以說明，即使在考慮了風險因素之後，積極的風格投資策略的確可以增加投資組合的績效表現。 / This is the first study of applying artificial neural networks (ANN) to classify and identify the equity styles. Regarding the accuracy, ANN outperforms discriminant analysis (DA) in all pure samples from 1987 to 1997. The ANN also commits the 100% classification accuracy for the in-sample training samples. In addition, the problem that traditional approach couldn't show equity style dynamics was solved with ANN and DA. The performances of style investing strategies were examined in Taiwan stock market. The proposed strategy is easily implemented by constructing portfolios based on the return, which neural networks forecasted. There is good evidence to show this simple strategy could enhance profit on the return and risk adjusted basis. This gives one evidence to illustrate that active style investing would add value.

大約自1980年代初期開始，效率市場理論漸漸受到許多經由實證發現的市場異象(Anomalies)之挑戰，其中最具代表性的就是規模效應與價值效應(淨值市價比現象)。受到這些實證發現的啟示，如何針對股票市場中不同區隔的股票進行風格投資(Style Investing)早已經成為資產管理中的核心議題。學術界與實務界並開始逐漸針對多重風格(Multi-Style)投資組合進行研究，期望能發掘更多投資機會與策略意涵。 本研究採用1993年10月至2002年間台灣證券交易所非金融類上市普通股為研究對象，參考Ahmed、Lockwood and Nanda(2002)的分類與模擬方式，探討根據規模與價值雙重分類所形成的各種單一風格投資組合與多重風格投資組合之報酬率差異情形，並進行各風格投資組合之投資終值模擬。為了驗證輪動策略的價值，本研究更進一步以不同風格投資組合配對進行完美預見(Perfect Forecasting)輪動模擬。 根據實證結果顯示，台灣股市中價值類投資組合(價值股、大型價值股、小型價值股)報酬率顯著高於成長類投資組合(成長股、大型成長股、小型成長股)，而大型類投資組合與小型類投資組合間沒有產生顯著的報酬差異，但大型類與小型類間的報酬差變動有助於提升輪動策略的績效。 經由不同風格投資組合配對之完美預見(Perfect Forecasting)輪動模擬，顯示出輪動策略確實具有相當的潛在投資價值，且以多重風格投資組合進行輪動策略可以獲得更佳的模擬結果。