时间序列模型，其主要的特色在于希望发掘时间序列变数现在与过去的关系,Box与Jenkins(1976)提出自我回归移动平均模型(Autoregressive Moving AverageModel，ARMA)，使用自变项与残差项落後期数持续推估时间序列模型。本研究应用遗传程式规划(GeneticProgramming，GP)，建构一个以遗传程式规划法为主，ARMA模型为辅的整合型时间序列自我回归建构模型，称为ARMA_GP模型。本研究之实验结果与结论如下：(1)ARMA_GP模型更能准确地捕捉财务时间序列之自我回归关系，在训练期间与预测期间，ARMA_GP模型各以高达76.81％与66.67％之平均绩效胜率胜过ARMA模型，且所有ARMA_GP模型实验之MAPE均小于10％为高准确度模型。(2)ARMA_GP模型可使用原始序列资料，并不需验证资料性质。在当研究对象符合非定态序列或定态序列时，仍可维持高准确性与高绩效比率。(3)因ARMA_GP模型之最适解结构具多元性，可从节点结构与演化过程解释各式样的时间序列自我回归关系。适应函数为MAPE之实验，在预测期间之精确度最高，本研究亦建议评估指标可选用MAPE与MSPE。