蕭國倫;劉柏辰;蔡泊均;
頁: 177-207
日期: 2024/04
卷期: 31(2)
關鍵字: 股票預測;深度學習;時間卷積網路(TCN);長短期記憶(LSTM);
Keywords: Stock prediction;Deep learning;Temporal Convolutional Network (TCN);Long Short-Term Memory(LSTM);
摘要: 股價預測一直是一個很棘手的問題，由於許多因素都會影響股價，因此簡單的模型無法準確預測。但添加太多的特徵將增加模型的複雜度，若能找到關鍵的特徵，模型的準確性將會更好。在股票預測領域中，許多使用長短期記憶(Long Short-Term Memory, LSTM)的研究顯示了良好的結...

引用     導入Endnote

郝沛毅;龔千芬;
頁: 303-333
日期: 2022/10
卷期: 29(4)
關鍵字: 股價預測;模糊支持向量機;卷積神經網路;雙向長短期記憶體;注意 力機制;
Keywords: Stock prediction;Fuzzy support vector machine;Convolutional neural networks;bi-directional long short-term memory;Attention mechanism.;
摘要: 股價預測是橫跨金融與計算機科學領域的經典預測問題，由於成功預測股價 的潛在好處，它吸引一代又一代的學者與投資者從不同的角度、無數的學理、眾 多的投資策略和不同的實踐經驗來開發各種預測方法。股價預測的困難癥結點在 於影響股票漲跌的因素太多。股市波動通常...

引用     導入Endnote

陳郁晴;李俊賢;
頁: 451-482
日期: 2019/10
卷期: 26(4)
關鍵字: 多目標特徵挑選;人工神經網路;球型複數模糊集;球型複數神經模糊系統;混合式機器學習;
Keywords: multi-target feature selection;artificial neural networks (ANN);sphere complex fuzzy sets (SCFS);sphere complex neuro-fuzzy system (SCNFS);hybrid machine learning algorithm;
摘要: 時間序列資料的變化有著眾多變因，在預測上一直是具有挑戰性的問題和研究。最常應用於股市上的股價變化，從時間的推移中找出股票之間的關係，因此本篇設計一多目標時間序列預測模型，應用於股價預測。模型包含兩種模型架構，人工神經網路（Artificial nural networks; A...

引用     導入Endnote

郝沛毅;歐仁彬;黃天受;林振穎;吳建生;
頁: 363-395
日期: 2018/10
卷期: 25(4)
關鍵字: 股價預測;情緒分析;潛在狄利克雷分配;文字探勘;模糊理論;支持向量機;
Keywords: stock trend prediction;sentiment analysis;latent dirichlet allocation;text mining;fuzzy theory;support vector machine;
摘要: 能夠成功預測股票漲跌趨勢明顯地有許多好處，根據效率市場假設，公司股票的價值是由當前所有可用的信息給定。當分析師、投資者和機構交易者評估當前股價時，新聞在股價估值過程中發揮重要作用。事實上，金融新聞刊載有關於公司基本面的訊息，和影響市場參與者期望的質化...

引用     導入Endnote

吳榮訓;廖高賢;
頁: 111-138
日期: 2007/04
卷期: 14(2)
關鍵字: 技術分析;基因程式規劃;價量關係;機器學習;
Keywords: Technical Analysis;Genetic Programming;Price-and-Volume Relationship;Machine Learning;
摘要: 預測股票走勢的方法有基本分析及技術分析兩類，技術分析是頗受歡迎的一種分析方式，主要是技術分析在判讀上並不一定需要有受過財經教育的專業能力，一般投資人均可以使用技術分析來預測股價走勢。本研究主要目的是使用技術分析中的價量關係為預測變數，並使用十分鐘為一...

引用     導入Endnote