外匯匯率的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

給工程師的第一本理財書：程式金融交易的118個入門關鍵技巧【暢銷回饋版】

為了解決外匯匯率的問題，作者酆士昌 這樣論述：

　　超好評！首版上市累積銷售數千本~ 　　感謝讀者熱情支持，再版推出暢銷回饋嘉惠更多朋友 　　好評再上市，回饋發行中！   　　專業的投資理財，需要金融知識、資料分析與資訊技術等三者的結合。而具備資訊技術的工程師學習金融理財，只欠東風，藉由本書提供的金融專業與資料分析的方法，將幫助工程師善用程式工具，來學習投資理財。   　　Python及R語言簡單好用，函數工具與套件齊全，延伸應用廣泛，並且在統計、圖形繪製、網路資料擷取上都很方便。藉由本書118個技巧與案例的逐步演練及說明，再加上工程師本身的資訊技能，學習金融科技理財，如獲降龍十八掌。   　　在資訊技術逐漸滲入金融領域的同時，傳統的交

易與理財工具也不斷的改變與進化。另外，隨著網路的普及，許多的資料與行為數據公開在網路上，可讓使用者分析與取用，形成金融科技應用的一個領域。   　　本書的第一章先介紹商品，使你對於市面的商品及其應用有初步的認知，接著第二、三章則介紹資料的取得方式，能將資料載入程式中使用。後續的章節內容繼續說明常見的投資商品與應用方式，並加上程式的輔佐應用介紹，最後介紹國內券商的即時報價與下單，可給你基礎的金融交易概念。   　　【工程師為何要學習理財？】 　　◎工程師具備資訊技能，能掌握資訊工具進行數據分析，易於進入量化與自動化的理財領域。 　　◎工程師喜歡探索問題，並找出解決方案，透過方法與工具的學習，可找

出屬於自己的理財方式，並交由程式執行。 　　◎工程師有自己的職能工作，無法像專業操盤手一樣，有很多時間盯盤，交給程式輔助判斷或是自動執行，是最合適的方式。

外匯匯率進入發燒排行的影片

強化學習應用於外匯交易之回顧與展望

為了解決外匯匯率的問題，作者劉玉仁 這樣論述：

外匯市場擁有金融市場中最大的交易量，外匯與各類金融商品時間序列訊息特性相同，其都有著自身的趨勢、週期和不規則性。本研究主要試圖了解有哪些強化學習模型應用於外匯交易以及這些模型的效益或優勢；此外，亦試圖了解強化學習在未來外匯交易中應用的研究方向和潛力。對2001年起至2021年之間有關聯的期刊文章與學位論文做整理、篩選與過濾，在這些文獻綜述中，將41篇研究文本進一步整理加以聚類統計。所有研究的文本都有其自訂的基本假設，這些條件因子幾乎都是不同的，加上外匯交易品項較多、價格時段數據集應用也不盡相同，直接比較文本的結果和算法系統是不現實的。 針對本研究動機的回應整理出結論，所有文本中，有28

.1% 的研究應用了傳統強化學習的算法、有71.9%的研究應用了深度強化學習算法。強化學習應用在外匯交易的研究方向，圍繞在深度Q網絡(DQN)、進階的雙深度Q網絡(DDQN)，以及加入基線的策略梯度(PG)、近端策略優化算法(PPO)、演員-評論家(A2C)等算法和創新的進階策略。算法是針對解決高估問題、減低TD error與加快算法收斂等問題的研究；商業應用則針對高頻交易與量化交易研發具有較大的潛力。算法的交易應用是金融公司極重要的實用技術，特別是與營業收益相關的指標策略或算法模型是不會對外公開的，受限於此，針對本研究主題只能以學界的公開資料，無法將業界的應用同時作探討。回顧本研究中所有文獻

的算法技術成果，外匯交易的實務應用領域存在令人難以置信的機會，而且看起來方興未艾。

國際財務管理(第六版)

為了解決外匯匯率的問題，作者MichaelH.Moffett,ArthurI.Stonehill,DavidK.Eiteman 這樣論述：

　　本書反映了日益數位化的全球市場與國家主義文化再起的同步力量，尤其突顯出商業世界試圖在微型跨國公司、成熟的中國、脫歐後的英國等新創企業，與全球政府試圖在督導和監管實力持續成長的跨國公司之間找到新的平衡。本書重點介紹了多國籍企業財務管理面臨的三方面挑戰：組織、市場與管理。   　　掌握時事脈動：不僅陳述過往金融歷史的發展，並納入最近金融時事的變化。 　　洞悉金融市場變化：探索世界各國金融市場的發展與改變，充分掌握全球金融脈動。 　　條理分明：主題明確，內容淺顯易懂，易於閱讀。

COVID-19疫情期間外匯匯率預測之研究

為了解決外匯匯率的問題，作者徐語濰 這樣論述：

COVID-19的出現使全球陷入混亂，為防堵疫情延燒，各國祭出封鎖城市、禁止社交等措施，此舉連帶影響了各行各業，造成匯率波動，更導致國際金融遭受嚴重衝擊。匯率作為金融市場的重要指標，與國際金融的穩定密切相關，本研究旨在了解COVID-19疫情期間，新增病例數、新增死亡病例數及疫苗總施打劑數是否會影響外匯匯率預測模型之績效，故透過建立長短期記憶模型（Long Short-Term Memory, LSTM）預測美元匯率，並使用歐元/美元（EUR/USD）、日圓/美元（JPY/USD）、英鎊/美元（GBP/USD）、澳元/美元（AUD/USD）此4個貨幣對分別加入疫情數據變數，比較有無加入疫情數

據變數兩者模型間之優劣，而根據研究結果顯示，加入疫情數據變數的4個貨幣對匯率預測模型其模型評估指標RMSE、MAE及MAPE均小於未加入疫情數據變數之預測模型，故COVID-19期間，加入疫情數據的LSTM預測模型其預測效果更佳。