Python 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Python 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。

基於知識圖譜之異質性網路財金新聞推薦

為了解決Python 選股 PTT的問題，作者高崇恩 這樣論述：

隨著網路的蓬勃發展，近年來推薦系統在各領域的應用已相當廣泛，人們收集各式資訊的方式不斷轉換、電子媒體的傳播速度迅速，投資人獲得股市消息也變得快速且容易。但要如何在龐大的資訊中篩選自身所需的資料，以作為投資決策的參考，仍是一個具有挑戰的議題。本研究的目的為改善推薦系統在財金新聞的推薦效果。本研究所提出的方法首先藉由個股、關鍵字詞，以及上下游資訊建立社群網絡，再以圖嵌入方法取得網絡中每個節點的向量，並且計算節點間的相似度，最後建立推薦模型進行新聞推薦。 本研究藉由實際推薦新聞給受訪者，測試本研究所提出的推薦系統。透過受訪者的回饋，可發現本研究所提出的系統可成功推薦使用者感興趣的新聞。即使無

法取得使用者過去的歷史紀錄，仍可藉由使用者自行挑選的股票，以及社群網絡中的關聯，推薦使用者感興趣的相關新聞。然而，本研究目前所納入的資料來源有限，也尚未將新聞的時效性納入考量，未來研究仍有許多可改善的空間。