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

施東河;王勝助;
頁: 123-142
日期: 2001/01
卷期: 07(2)
關鍵字: Black-Scholes模式;類神經模糊;避險部位;
Keywords: Black-Scholes Model;NeuroFuzzy tech;hedging position;
摘要: 認購權證是選擇權的一種，提供投資人套利、避險等多樣化選擇。傳統選擇權訂價模式為一複雜之理論，訂價模式有許多限制，與實務上差距有待克服，因此本研究嘗試使用類神經網路建立認購權證評價模式。為避免差異，以Black-Scholes模式中，五項影響權證價格之因子為輸入變數...

引用     導入Endnote

陳安斌;張志良;
頁: 63-80
日期: 2001/01
卷期: 07(2)
關鍵字: 選擇權;基因演算法;類神經網路;評價;避險;
Keywords: Option;Genetic algorithm;Neural network;Pricing;Hedging;
摘要: 類神經網路具有學習與高速計算之能力，再加上非線性處理與容錯之特性，使其在行為預測上表現相當優異，雖過去曾有多篇文獻使用類神經網路對選擇權進行評價，但至今尚未見其在避險上之運用，本研究運用基因演算法自動演化之類神經網路，掌握特定認購權證之時間價值與避險...

引用     導入Endnote