人類對於自然、社會與經濟現象的認知意識逐漸產生了多元的判斷與解釋，並不是非黑即白的二元邏輯思維，在這兩者之間必定存在著模糊不清楚的灰色地帶，便引發學者們深入研究，隨後發展了模糊理論(Fuzzy Logic)來處理分析各種多元複雜之現象。
針對模糊區間資料的處理，過去常利用平均數或單一數值之計算來探討資料之趨勢，往往掩飾了資料的真實性。若採用區間型資料型態進行研究探討，可以發現，若使用不同的資料型態分析，所得結果之解釋方式也截然不同。故為保留資料原始資訊，本研究將針模糊區間資料進行研究。
在金融市場的數據往往具有波動性。當時間性資料之漲幅趨勢太大，會造成干擾而不易觀察，故經常會利用計算移動平均(Moving Average)的方式使資料具平滑性。若當資料型態是模糊區間時，欲以移動平均探討資料之變化趨勢，傳統的方法便無法使用。
本研究提出廣義模糊移動平均(GFIMA)及中心點與長度模糊移動平均(CLFIMA)等方法來評估區間資料之模糊移動平均，研究結果為兩個方法均能有效使波動性區間資料平滑化，並將以台灣加權指數為例，驗證兩個方法是可行且有效果的。

一、中文文獻
1. 江彥聖，2008，模糊相關係及其應用，國立政治大學應用數學系數學教學碩士在職專班碩士論文。
2. 吳柏林，2002，現代統計學，台北前程出版社。
3. 吳柏林，2005，模糊統計導論：方法與應用，台北：五南出版社。
4. 周志新，2004，淺談移動平均線，華銀國外管理部專題論述。
5. 林立夫，2011，模糊資料相關係及在數學教育之應用，國立政治大學應用數學系碩士論文。
6. 羅佐元，2011，區間模糊相關係及在數學成就評量之應用，國立政治大學應用數學系碩士論文。
二、英文文獻
1. Arulchinnappan, S., K. Karunakaran, and G. Rajendran, 2011, The use of fuzzy correlation to identify people at risk of oral cancer. European Journal of Scientific Research, 52(3), 332-338.
2. Cheng, Y. T. and C. C. Yang, 2013I, An Approach of Stocks Substitution Strategy Using Fuzzy Interval Correlation Coefficient. Communications in Statistics - Simulation and Computation. Accepted.
3. Cheng, Y. T. and C. C. Yang, 2013II, Seasonal Effect Identification with Interval Time Series and its application. Manuscript submitted for publication.
4. Hsu, H. L. and B. Wu, 2010, An innovative approach on fuzzy correlation coefficient with interval data. International Journal of Innovative Computing, Information and Control, 6(3), 1049-1058.
5. Zadeh, L. A., 1965, Fuzzy sets. Information and Control. 8, 338–353.