股票這個價位要不要買論文書籍站
國立高雄科技大學 財務管理系 周建新所指導 何孟娟的 增強型臺灣50 ETF之建構 （2021），提出0050成份股比例關鍵因素是什麼，來自於指數股票型基金、投資組合、增強型。
而第二篇論文國立高雄科技大學 智慧商務系 徐淑芳所指導 蔡柏翰的 透過深度學習模型以法人籌碼面預測台股之分析 （2021），提出因為有 籌碼面、BI-LSTM、LSTM、深度學習的重點而找出了 0050成份股比例的解答。
增強型臺灣50 ETF之建構
為了解決0050成份股比例 的問題，作者何孟娟 這樣論述：
本研究旨在構建一個以追蹤臺灣50 ETF為目標的投資組合，探討臺灣50 ETF成分股票，經過精緻化的萃取精華過程，是否能夠達到超越本體的優化效果。首先透過2012年到2021年十年期的歷史資料，做為策略投資的樣本，進行測試分析，將每季臺灣50成份股的表現，依據不同選股策略的條件下做排序，以篩選出表現出色的個股，組成新的投資組合。 根據實證結果顯示，成份股數量縮減時報酬的表現，在股市呈現上漲走勢時表現更佳。如預期臺灣的證券市場長期走勢呈上漲趨勢，利用市值加權的權重比例，無論在哪一種投資組合策略的情況下，都能擁有穩定的超額收益，長期持有能提供投資人高於臺灣50 ETF的投資報酬。對
於主要操作價差波動獲利的投機者，也有比臺灣50 ETF更大的空間。
透過深度學習模型以法人籌碼面預測台股之分析
為了解決0050成份股比例 的問題，作者蔡柏翰 這樣論述：
籌碼面是股市投資重要參考指標，Liu (2019) 與 Lu, Fang & Nieh (2012) 檢視籌碼對報酬之影響，研究結果指出觀察法人投資動向能提高報酬率。本研究即採用法人籌碼(三大法人持股總比例與三大法人買賣超總數量)資訊為主軸，結合開盤價、最高價、最低價、收盤價、交易量以及周轉率等變數之日交易資料，分別對元大ETF台灣50 (股票代碼0050)與富櫃50 (股票代碼006201)兩檔ETF成分股之前二十名公司，總計四十檔個股，以深度學習LSTM與BI-LSTM演算法進行股價預測。在預測準確度上則是以均方誤差 (MSE)、均方根誤差 (RMSE)、平均絕對誤差 (MAE) 等三項
指標衡量。實證分析顯示，研究樣本中以LSTM模型進行預測，誤差較小的個股占37.5%， BI-LSTM模型預測，誤差較小的個股占62.5%，表示以法人籌碼資料進行台股價格預測時，使用BI-LSTM模型準確度較高。這樣的分析結果與Lu, Li, Wang & Qin (2021) 的研究一致，支持在股價預測上BI-LSTM優於LSTM模型。