股票這個價位要不要買論文書籍站
國立臺灣科技大學 科技管理所 劉顯仲所指導 陳品蓉的 台灣手搖飲產業創新發展脈絡 （2019），提出台積電慘跌關鍵因素是什麼，來自於手搖飲、創新、創新地圖、品牌特色定位、社會網絡分析、網路聲量。
而第二篇論文國立政治大學 經濟學系 許志義、毛維凌所指導 洪宜琳的 以機器學習預測短期比特幣價格之研究 （2017），提出因為有 金融科技、區塊鏈、密碼貨幣、比特幣、擴容方案、增生少數合成技術、事後預測、機器學習、決策樹、貝氏網路、支援向量機的重點而找出了 台積電慘跌的解答。
台積電慘跌進入發燒排行的影片
【精華重播】中國能耗雙控！PCB產業慘跌！短空還是長空要看這件事？
主題太多找不到？！
影片太長看不完？！
請看精華重播篇！
老王粉絲專頁，每天一篇免費國際財經解析：https://www.facebook.com/pg/winnstock
----------------------------------------------------------
※王倚隆（老王）為浦惠證券投顧分析師，本影片僅為心得分享且不收費，本資料僅提供參考，投資時應審慎評估！不對非特定人推薦買賣任何指數或股票買賣點位，投資請務必獨立思考操作，任何損失概與本頻道、本公司、本人無責。※
台灣手搖飲產業創新發展脈絡
為了解決台積電慘跌 的問題，作者陳品蓉 這樣論述：
現今國際市場上帶領台灣聞名世界的產業,除了半導體產業的台積電外,尚有與大眾生活密不可分的手搖飲產業,其中「珍珠奶茶」幾乎已成為台灣的代表性飲品;手搖飲產業的發展反映了台灣飲食文化的變遷,其在台灣的茶文化上持續注入創新元素,並循著民眾喜好與社會背景發展,形成了台灣獨特且極具活力的產業。本研究探討台灣手搖飲產業創新發展歷程,特別是手搖飲品牌在特色定位上的創新;此外,亦探討此發展歷程與社會變遷之關聯性,記錄台灣手搖飲產業的創新地圖。本研究針對 1983 年至 2018 年間成立之 35 家手搖飲品牌,透過問卷調查消費者認知的手搖飲品牌特色,以此建構手搖飲之品牌特色網絡,並利用集群分析法,依照品牌特
色進行分類;另外,以大數據分析2017 年 7 月至 2019 年 3 月之手搖飲品牌網路聲量,得出品牌於各特色之網路聚焦議題;最後,根據消費者認知的品牌特色比例,以及手搖飲品牌成立時間軸,對照各時期之社會發展背景,找尋手搖飲創新與社會脈動間之關聯,描繪出手搖飲品牌特色發展脈絡。研究結果顯示,手搖飲產業創新緊扣時代發展背景,隨著珍珠奶茶的發明,開啟手搖飲產業之發展,前期因台灣歷經工業化時期,講求快速便利和效益,開始了外帶式手搖飲與高性價比趨勢。發展中期台灣進入已開發國家行列,民眾對於享受美食的意識提升,促使手搖飲品牌始著重特色創新,各家手搖飲之品項雖大多相同,但知名品牌皆有其獨特或較受歡迎的飲
品;食安風暴後,則開始注重品牌形象,眾多手搖飲品牌以健康為導向,強調以天然原料和新鮮水果調製飲品,甚至以單一特殊原料作為品牌賣點,走向多元差異化的手搖飲市場;近年來,隨著社群網站的興起,顧客拍照打卡形成圖像化之網路口碑行銷,使得手搖飲於外包裝與店家裝潢等視覺設計成為新興品牌快速發展之要件。
以機器學習預測短期比特幣價格之研究
為了解決台積電慘跌 的問題，作者洪宜琳 這樣論述：
近來，金融科技蔚為顯學，破壞式創新正逐漸顛覆傳統金融業既有的面貌，其中的區塊鏈技術更是後起之秀，未來發展潛力不容小覷。區塊鏈技術是一種分散式帳本技術，藉由數位簽章及數位憑證實踐去中心化的核心思想；另一方面，市值第一大之密碼貨幣─比特幣頗受熱議，在過去八年來暴漲逾兩千萬倍，值得進一步探討與研析。本文首先探討區塊鏈技術的運作原理與應用，及公開金鑰密碼之概念，並釐清數位貨幣、虛擬貨幣及密碼貨幣之差異，矯正一般大眾對加密貨幣的錯誤認知；再者，比較市值前五大之密碼貨幣，並進一步探討其他文獻鮮少提及的擴容方案，包含閃電網路、隔離見證、軟分岔及硬分岔；最後比較世界上主要的密碼貨幣交易所，與台灣常見之代買代
賣平台。本文的研究方法為質化與量化分析並行，旨在預測短期比特幣之價格，藉由蒐集2013年4月至2018年5月之歷史資料，整合得出事後預測的結果。質化部分採用PEST分析法，並列舉金融市場上實際發生的案例，加以分析出影響比特幣價格漲跌的關鍵要素；量化部份採用增生少數合成技術完成資料前處理，再依是否發生突發事件，分為迴歸分析與機器學習兩個部分。迴歸分析中採用普通最小平方法，並將前一日比特幣之價格、流通供給量、Google搜索量納為解釋變數，得出MAPE為3.96%，預測能力為高度精確；機器學習則採用決策樹、貝氏網路及支援向量機，分別預測比特幣價格之漲跌與變動幅度，實證結果有三：一為預測漲跌之準確度
普遍高於預測變動幅度，二為採用100％訓練、100％測試的準確度普遍高於70％訓練、30％測試，三為若採用100％訓練、100％測試則準確度最高為決策樹，但若採用70％訓練、30％測試則支援向量機為第一首選。