AI 選股 PTT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

應用機器學習預測目標客戶–以E公司為例

為了解決AI 選股 PTT的問題，作者彭季堯 這樣論述：

經理人如果能夠精準預測潛在目標客戶，代表企業可以快速並正確安排為了成交客戶的各項資源投入。但傳統透過業務人員判斷是否為目標客戶之銷售方式，因為不容易有共同的認定標準而無法在組織間推廣，也因為業務人員個性、背景、喜好不同，無從談起預測的一致性和準確性。本研究藉由E公司客戶關係管理系統中所記錄的近2年內商機資料，使用機器學習的方法進行資料分析，希望能夠在E公司B2B的商業模式下，建置高品質的潛在成交客戶預測模型。藉由適當的模型推薦潛在成交客戶來取代人為判斷，可幫助經理人對企業資源以及行銷活動加以合理運用及分配，能夠降低營運成本並增加企業獲利。本研究將E公司提供之商機樣本資料，經過資料前處理後，使

用隨機森林、羅吉斯迴歸、套索迴歸以及支援向量機等機器學習方法，以Python 程式語言建置機器學習模型並比較精確率、召回率、F1-分數等模型績效指標。本研究發現若E公司追求精確率以隨機森林模型績效較佳，若追求召回率則以支援向量機模型績效較佳。由套索迴歸係數顯示影響成交勝算的變數有「所在區域」、「上市櫃資訊」、「員工人數分箱」，所在區域結果顯示客戶為高雄市成交的勝算大於台北市、台北市成交的勝算大於台中市。上市櫃資訊結果顯示客戶為興櫃成交的勝算大於上櫃、上櫃成交的勝算大於一般企業。員工人數分箱結果顯示客戶公司是「員工人數2級」成交的勝算大於「員工人數1級」，「員工人數2級」和「員工人數3級」的客戶

成交勝算相近。 本研究成果顯示，E公司可以採用適當的機器學習模型，在新商機進入E公司客戶關係管理系統中時，第一時間識別潛在成交客戶，除幫助經理人優先投入銷售資源外，E公司更能以此成果為基礎，持續推動數位優化達成數位轉型，建立競爭對手難以模仿的數位優勢。

運用網路聲浪提升台股漲跌預測準度之研究

為了解決AI 選股 PTT的問題，作者劉謹豪 這樣論述：

股票投資是台灣人金融理財的熱門選項，因此掌握與股票漲跌相關的重要指標，是投資人獲利的重要課題，在每日為數眾多籌碼面資料中，如何挑選與漲跌連動的關鍵指標，以及投資者於社群上發表的文章對股價造成之影響又該如何妥善分析，儼然成為獲利的關鍵因素。本研究利用邏輯斯迴歸篩選籌碼面指標，再利用文字探勘技術將社群文章量化成聲浪分數，將所得之聲浪分數修正邏輯斯迴歸模型提高預測準度。實證結果顯示籌碼面指標由50項篩選為10項，準確率仍保持7成以上，將社群文章量化成聲浪分數，發現與漲跌具有顯著關聯，最後利用聲浪分數修正預測模型，在不同漲跌幅度模式下，預測準度分別提升4.05%、1.35%與2.7%。