股票這個價位要不要買論文書籍站
Ai stock-prediction 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
國立臺灣大學 電機工程學研究所 陳和麟、葉丙成所指導 邱嘉豪的 基於綜合特徵選擇方法優化投資組合的月交易策略 （2021），提出Ai stock-prediction 關鍵因素是什麼，來自於機器學習、人工智慧、選股機器人、特徵選擇、投資組合。
而第二篇論文南華大學 資訊管理學系 王佳文所指導 丁麗文的 特徵縮放於深度學習股市價格預測之影響 （2021），提出因為有 特徵縮放、深度學習、股市價格、技術指標的重點而找出了 Ai stock-prediction 的解答。
除了Ai stock-prediction ，大家也想知道這些：
基於綜合特徵選擇方法優化投資組合的月交易策略
為了解決Ai stock-prediction 的問題，作者邱嘉豪 這樣論述：
本論文設計了一個股票市場交易策略。金融市場中存儲的大量數據，如財 務報告、年報、招股說明書、財經新聞、分析師報告、交易訊息等，但是 這些過多的資料，可能會導致資訊過載的現象。許多前人的研究都顯示 出，豐富的市場資訊可以幫助投資者制定高利潤的投資組合。但是，如果 沒有有效的分析，數據對利益相關者(即股東、債權人、審計師、財務分 析師和經理)就沒有用處，使用這些綜合資訊來預測股票趨勢是非常困難的。本論文幫助依賴機器輔助交易的投資者識別特定範圍(例如國家或 交易時段)內的高權重指標，並製定合適的交易策略，以在回測數據和 現實世界中取得優異的表現。本研究採用特徵選擇方法檢視台股資訊， 從108個技術
及基本面指標中找出權重較高的指標，制定月交易策略。分 析2018年1月至2020年3月的回測數據，在台灣市場的實驗結果，年化收益 率達到56∼132%，夏普比率為0.98∼1.52。在美國市場的實驗結果，年化收 益率達到56∼125%，夏普比率為0.92∼1.36。
特徵縮放於深度學習股市價格預測之影響
為了解決Ai stock-prediction 的問題，作者丁麗文 這樣論述：
近年來機器學習與深度學習模型在巨量資料分析和科技金融方面取得了顯著的成效。時間序列分析主要是利用歷史資料預測未來走勢，然而過去時間序列相關研究較少探討特徵縮放的影響性。本研究利用常見的技術指標，並結合不同特徵縮放及深度學習演算法進行股市價格預測分析。在實證方面利用台灣證券交易所（TWSE）的Α公司2015年到2019年實際股票資料進行驗證，並進行比較分析。綜合上述，本研究目的如下：（1）探討使用不同特徵縮放對於遞迴歸神經網路準確度影響（2）探討加入常見技術指標是否可提高遞迴歸神經網路準確度（3）驗證傳統 ΑRIMΑ 模型與遞迴歸神經網路預測準確度之比較（4）探討不同神經元數及層數對於預測
準確度之影響（5）實際採用2015-2019年Α公司實際股票資料來進行實例驗證