rsi指標應用的問題，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

Python：量化交易Ta-Lib技術指標139個活用技巧

為了解決rsi指標應用的問題，作者劉承彥,郭永舜 這樣論述：

　　無論是牛市還是熊市，「維持紀律」才是股市求財的不二法門，但維持紀律又是非常難做到的事，結果就是多數人最終無法在股票市場上賺到錢。 　　什麼時候該買，什麼時候該賣，道理很多人都懂，但往往下單時又摻雜了太多當時的心理因素，要怎麼克服這個心理因素呢？就讓自動化交易來幫助會寫程式的你。 　　技術分析的本質是將市場的走勢進行分類，而量化交易的強大之處，就是能在短短的時間內，進行大量的數據統計，創造更多的收益與機會。 　　很多人對於交易有一種迷思，期望能找到一個永遠不變的通用獲利策略，然而事實上一個完整的交易系統牽扯到交易策略、資金控管、交易心態，這三個部分缺一不可，每個環節

息息相關。 　　要創造好的交易策略，並不是參考別人的想法，就能產生適合自己的交易策略，而是要充分了解交易策略的脈絡，才能在投資時有良好的交易心態。每個人要依據自己的條件、狀態及環境，來找尋合適的投資方式與適合自己的策略邏輯。 　　有鑑於此，本書使用Python作為程式開發的語言，其本身語法友善、操作簡單，是切入量化分析的方便工具。本書中的內容包含指標公式說明、圖片解說、範例程式碼及實際操作結果，讀者可執行本書提供的範例程式檔案，也可自行彈性修改。 　　【精采內容】 　　✪金融資料的取得 　　✪技術指標的介紹及計算 　　✪K線型態的圖片說明 　　✪金融圖表的繪製 　　✪交易績效的介紹及計算

　　✪交易訊號漲跌的統計模組 　　【目標讀者】 　　✪想要學習Python來進行程式交易者 　　✪想要客觀且嚴守紀律來投資者 　　✪沒時間盯盤但想要自動化投資者 　　✪想要了解交易規則並學習正確的程式交易者 本書特色 　　使用Python實作100多種技術分析，掌握量化分析市場趨勢 　　靈活運用Ta-Lib套件計算技術指標，大幅降低自行開發指標模組的時間成本 　　✪使用靈活彈性的Python，搭配循序漸進的範例教學 　　✪收錄Ta-Lib套件的上百種技術指標函數用法，是量化交易者的最佳工具書 　　✪串接公開金融資料API，透過圖表繪製K線圖，並找出合適的交易時機

rsi指標應用進入發燒排行的影片

運用類神經網路模型建立與比較新興市場ETF的買賣決策

為了解決rsi指標應用的問題，作者尤茜 這樣論述：

在投資國際化的環境下，有許多商品可供選擇，新興國家的逐漸發展以及ETF分散投資標的之特性，新興市場ETF為有潛力的市場。本文以Vanguard VWO、SPDR EWX 及 iShare FM之前一日收盤價為研究對象，研究期間為2012年10月1日至2021年10月1日，資料來源為 Yahoo Finance 資料庫，運用類神經網路搭配技術指標與專家訊號進行對比，應用R-Studio軟體進行分析，使用技術指標包含移動平均線(MA)、隨機指標(KD)、相對強弱指標(RSI)、趨向指標(DMI)、風險值(VaR)等不同短中長期之技術指標以建立買賣策略。為求模型適合之參數而進行靈敏度分析，其神經元

與隱藏層數以一個隱藏層6個神經元有較高準確度與較低總誤差、學習速率增加其準確度有下降的趨勢、賣點的誤差值不適合設為0.005且以logistic為適合的活化函數 ; 實驗結果為其三檔新興市場ETF的VWO以及FM有模擬出較適合之倒傳遞類神經模型，其預測報酬分別為309%及229%，有超過專家報酬402%與418%的一半 ; 在17項變數重要度的分析結果中，以過程中皆呈現正面影響為重要之指標，其買賣點共同顯示成交量為重要的指標，而個別適合的技術指標以買點為RSI6、RSI24、DMI14，賣點為MA60、KD是重要的技術指標參數。

新手一看就懂的股市分析(財報增修版)

為了解決rsi指標應用的問題，作者張凱文 這樣論述：

　　本書大膽剔除了很多看起來很有用，但是實際中並沒有用的理論和操作，也摒棄了許多投資領域含混不清的學派和投資技巧。用通俗化的語言、豐富的圖表，力圖讓讀者最快速地掌握股市投資的工具和技巧   　　*最實用的股市分析學習指南 　　本書堪稱為最完整、最實用的股市分析學習指南，從股市基本分析、K線術語、技術指標、量價關係等理論，作者都有精彩且詳盡的解析。   　　*大量的彩色K線圖舉例 　　作者也舉出了大量台灣公司的技術線圖，並且在圖上繪製個人所觀察出的心得，進而讓讀者可以把所學到的理論，實際應用到現今的股票市場裡。  

應用Q學習實現智慧交易代理人機制-以加密貨幣市場為例

為了解決rsi指標應用的問題，作者江宇祥 這樣論述：

程式交易是根據事先定義的交易策略進行自動交易，然而，有學者指出事先定義交易策略的程式交易並不能對所有加密貨幣都產生獲利空間；而是要因應當前貨幣價格的變動趨勢來產生最適合的交易策略並產生獲利。因此，本研究將應用強化式學習之Q學習方法來建構智慧交易代理人，讓其能因應當前貨幣價格的變動趨勢來產生最適合的交易策略。再者，本研究也發現智慧代理人建構最適合交易策略的效能高低，是在於狀態(State)的描述，因此本研究也將提出狀態描述的方法並運用於加密貨幣市場中。本研究將使用6種加密貨幣，分別為BTC、ETH、VET、ADA、TRX和XRP，其中，BTC和ETH設定為上升趨勢，VET和ADA設定為盤整趨勢

，TRX和XRP設定為下降趨勢。另外，本研究也將6種加密貨幣區分成3個時間區間，分別為5分鐘、15分鐘跟1小時，最後使用強化式學習之Q學習進行回測。實證結果顯示，在上升趨勢中，ETH在1小時區間內的年化報酬為725.48%，而在盤整趨勢中，VET在1小時區間內的年化報酬為-14.95%，最後在下降趨勢中，XRP在1小時區間內的年化報酬為-3.7%。若與買入並持有的策略進行比較，本研究發現不管是上升、盤整和下降趨勢，在1小時區間內，6種加密貨幣的年化報酬都會比買入並持有策略的年化報酬還要來得更好。