O dividend yield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

一個植基於特徵選取與樣本選取技術的自動選股模型

為了解決O dividend yield的問題，作者洪郁翔 這樣論述：

本論文研究台灣上市上櫃公司之財務指標相關資料，提出以分群演算法（Cluster）區分財務體質良好與不佳的分群結果，搭配特徵選取方法（Feature Selection, FS）或是樣本選取方法（Instance Selection, IS）結合隨機森林（Random Forest）機器學習方法探討股票預測之成效，本研究選取訓練資料為2001年至2018年在台灣加權指數有多頭和空頭股市經歷兩個大週期循環分別為2007年金融海嘯以及2018年中美貿易大戰，並以預測之日為建構日以相同金額買入並且以2018年3月至2022年3月之資料進行投資策略回溯測試。其實驗結果顯示Cascade Simple

K-Means加上樣本選擇（Instance Selection）的遺傳基因演算法（Genetic Algorithm, GA）結合隨機森林（Random Forest）預測結果其報酬率為79%為最優，其次，自我組織設映圖SOM（Self-Organizing Map）加上過採樣方法(Synthesized Minority Oversampling Technique ,SMOTE)其報酬率為75%。本實驗結果在於Cascade Simple K-Means和SOM兩種分群演算法搭配任何一個特徵選取或是樣本選取並結合隨機森林演算法結果都有72%以上報酬率，均優於大盤指數的62%，甚至在EM（

Expectation-Maximization algorithm）演算法也有三種方法（IB3、IS-GA、PCA）可以超過大盤報酬率。

以機器學習建構分類模型應用於財務報表舞弊偵測

為了解決O dividend yield的問題，作者林孟萱 這樣論述：

近幾年舞弊案件接二連三地爆發，根據「2020 年全球經濟犯罪調查報告」中顯示，財務報表舞弊兩年內提高 8%，排名從第七位上升至第五位。本研究旨在運用機器學習技術建構出一套財務報表舞弊偵測系統，輔助查核人員在企業發生舞弊之前能發現不尋常跡象，做出相對應的查核策略，重新擬定查核程式及流程，進而將人力及資源投入在高風險之公司，增加查核深度以及查核效率與效果，並增加查核報告之可靠性。本研究將以重抽樣技術處理不平衡資料集，研究結果顯示，透過結合 SMOTE 重抽樣技術與 XGBoost 演算法可以建立最佳模型，而舞弊前兩年度之資料、財務及公司治理變數之組合，皆有助於提高模型之分類能力。最後本研究以隨機

森林與 XGBoost 特徵重要性計算出每個特徵對於模型預測性能的貢獻程度，排名前五的共同特徵為現金流量比率與獨立董監席次。