PFE stock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

使用自適應量子啟發式禁忌搜尋演算法解決具權重之投資組合最佳化問題並使用趨勢值及考量投資者心情波動之新穎指標

為了解決PFE stock的問題，作者徐逸睿 這樣論述：

不論是為了對抗通貨膨脹，或是為了退休生活準備，好的理財規劃是都是必要的。由於股票資訊公開透明且入手門檻低，許多人藉由投資股票來理財，俗話說，雞蛋不要放在同一個籃子，投資者通常會選擇多檔股票組成投資組合來分散投資風險。具權重之投資組合最佳化問題就是從眾多股票中選出多檔股票，並且找出資金分配的最佳比例。本研究選擇美國股票市場作為投資標的，並提出基於趨勢值、心情指數、自適應量子啟發式禁忌搜尋演算法、滑動視窗，且具權重之投資組合最佳化模型。趨勢值是在訓練期評估投資組合表現的新穎指標，相較於知名的指標──夏普值，兩者的核心概念皆是每單位風險下的報酬，但是夏普值的風險定義會導致穩定上漲的投資組合被視為高

風險，而穩定上漲的投資組合對於趨勢值來說是低風險的。心情指數是在測試期評估投資組合表現的指標，其概念為承擔每單位心情波動下所獲得的實際收益。要在有限時間內從複雜的解空間中找出最佳解是非常困難的，元啟發式演算法能夠在有限的時間內找出近似最佳解，因此常被應用於解決各種複雜的最佳化問題，自適應量子啟發式演算法便是其中之一，該演算法利用量子反閘、自適應、以歷史已知最佳解導引等機制改善了演算法的廣度及深度搜尋能力。透過滑動視窗選擇適當的訓練期及測試期，能夠避免過度擬合、擬合不足的問題。實驗結果指出，本研究提出的模型在測試期表現優於道瓊工業指數。

結合資料探勘技術與基因演算法預測股票市場買賣信號以提升投資效益-以道瓊指數成分股為例

為了解決PFE stock的問題，作者林奇亨 這樣論述：

摘要 IIIABSTRACT V目錄 VI圖目錄 VIII表目錄 IX1. 緒論 11.1 研究動機與目的 11.2 研究架構與流程 22. 文獻探討 32.1 技術指標 32.1.1 技術指標相關文獻 42.2 資料探勘 42.3 決策樹 52.4 隨機森林 52.4.1 隨機森林相關文獻 52.5 支援向量機 82.5.1 支援向量機相關文獻 82.6 基因演算法(GA) 92.6.1 基因演算法相關文獻 103. 研究方法 123.1 研究設計 123.1.1 個股數據蒐集 123.1.2 統計數據分析 133.1.3 技術指標 133.

1.4 隨機森林 143.1.5 支援向量機(SVM)與建構模型 143.1.6 利用基因演算法(GA)進行參數最佳化 143.2 個股操作策略-KD 超買超賣操作策略 153.2.1 KD指標公式 153.2.2 KD指標運用方式 163.3 績效比較 163.3.1 績效比較基準 164. 研究結果分析 184.1 道瓊成分股實驗分析 184.2 道瓊成分股實驗結果彙總 215. 結論 25參考文獻 27附錄-道瓊成分股詳細實驗結果 3001. 微軟MSFT 3002. 蘋果AAPL 3003. 摩根大通JPM 3104. 嬌生JNJ 3205. 沃爾瑪

WMT 3306. VISA V 3407. 寳鹼PG 3408. 埃克森美孚XOM 3509. 迪士尼DIS 3610. 家得寶HD 3711. 威訊VZ 3712. 可口可樂KO 3813. 雪佛龍CVX 3914. 聯合健康保險UNH 4015. 默克藥廠MRK 4016. 波音BA 4117. 思科CSCO 4218. 英代爾INTC 4319. 輝瑞製藥PFE 4320. 麥當勞MCD 4421. 國際商用機器IBM 4522. 聯合技術UTX 4623. 耐吉NKE 4624. 美國運通AXP 4725. 3M MMM 4826. 高盛GS

4927. 開拓重工CAT 4928. 沃爾格林WBA 5029. 旅行家集團TRV 51