股票成交量的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

神經網路與PyTorch實戰

為了解決股票成交量的問題，作者肖智清 這樣論述：

全書分為三個部分：1.一部分感性介紹神經網路的基礎知識，並給出一個利用PyTorch搭建神經網路解決實際問題的例子，使讀者對神經網路和PyTorch有初步的了解；2.第二部分介紹基於Python和PyTorch的科學計算和神經網路搭建，涵蓋了幾乎所有Python基礎知識和PyTorch基礎功能，並通過例子使讀者完全掌握相關技術；3.第三部分介紹生成對抗網路和遞歸神經網路，使讀者了解更多神經網路的常用用法。 肖智清，深度學習一線研發人員，現就職於世界排名第一的投資銀行，清華大學博士。擅長概率統計、隨機過程、時間序列和機器學習。近5年發表SCI/EI論文十餘篇，是多個頂

級期刊和會議審稿人。在國內外多項程式設計和資料科學競賽獲得冠軍。 前言 第1章 初識神經網路1 1.1 例說神經網路1 1.1.1 從圍棋和AlphaGo說起1 1.1.2 人的神經系統3 1.1.3 人工神經元3 1.1.4 人工神經網路5 1.1.5 神經網路的設計和權重的學習7 1.2 神經網路與人工智慧等概念的關係7 1.2.1 人工智慧和資料採擷7 1.2.2 機器學習和模式識別9 1.2.3 人工神經網路和深度學習11 1.2.4 各概念之間的聯繫11 1.3 本章小結12 第2章 初識PyTorch13 2.1 人工神經網路庫PyTorch13 2.1.1 P

yTorch是什麼13 2.1.2 編寫PyTorch程式14 2.2 例說PyTorch14 2.2.1 迷你AlphaGo介紹15 2.2.2 迷你AlphaGo的完整實現16 2.3 PyTorch學習路線19 2.4 本章小結20 第3章 使用PyTorch進行科學計算21 3.1 初識張量21 3.1.1 張量的數學定義21 3.1.2 PyTorch裡的張量22 3.2 構造torch.Tensor類實例24 3.2.1 構造含有特定資料的張量24 3.2.2 構造特定大小的張量25 3.2.3 構造等比數列和等差數列張量26 3.2.4 構造隨機張量26 3.3 組織張量的元素2

8 3.3.1 重排張量元素28 3.3.2 選取部分張量元素29 3.3.3 張量的擴展和拼接31 3.4 張量的科學計算32 3.4.1 有理運算和廣播語義32 3.4.2 逐元素運算33 3.4.3 張量點積和Einstein求和35 3.4.4 統計函數38 3.4.5 比較和邏輯運算39 3.5 例子：用蒙特卡洛演算法計算圓周率40 3.5.1 隨機計算與蒙特卡洛演算法40 3.5.2 蒙特卡洛演算法求解圓周率的實現41 3.6 本章小結42 第4章 求解優化問題43 4.1 梯度及其計算43 4.1.1 梯度的定義43 4.1.2 梯度的性質和計算45 4.1.3 使用PyTorc

h計算梯度數值45 4.2 優化演算法與torch.optim包46 4.2.1 梯度下降演算法46 4.2.2 梯度下降演算法的缺陷和解決方案48 4.2.3 各種優化演算法50 4.3 例子：Himmelblau函數的優化55 4.3.1 Himmelblau函數及視覺化55 4.3.2 求解Himmelblau的最小值57 4.3.3 求解Himmelblau的局部極大值59 4.4 本章小結59 第5章 線性回歸60 5.1 一元線性回歸60 5.1.1 最小二乘法60 5.1.2 正規方程法62 5.2 多元線性回歸63 5.3 其他損失情況下的線性回歸63 5.3.1 MSE損失、

損失和平滑損失64 5.3.2 torch.nn子包與損失類65 5.3.3 使用優化器求解線性回歸66 5.3.4 數據的歸一化68 5.4 例子：世界人口的線性回歸70 5.4.1 從維琪百科頁面獲取世界人口資料70 5.4.2 對世界人口做最小二乘法線性回歸71 5.4.3 用優化演算法實現最小二乘回歸72 5.5 本章小結74 第6章 線性判決與邏輯回歸75 6.1 線性判決與互熵損失75 6.1.1 判定問題與準確率75 6.1.2 線性判決76 6.1.3 極大似然和互熵損失77 6.2 邏輯回歸78 6.2.1 expit()函數和logit()函數78 6.2.2 用優化器實現

邏輯回歸80 6.2.3 Newton-Raphson方法81 6.3 多項邏輯回歸82 6.4 例子：數位圖像的識別84 6.4.1 使用torchvision讀取MNIST資料集84 6.4.2 利用多項邏輯回歸識別MNIST資料86 6.5 例子：股票成交量預測88 6.5.1 股票資料的讀取和視覺化88 6.5.2 成交量變化方向預測89 6.6 本章小結91 第7章 全連接神經網路92 7.1 前饋神經網路92 7.1.1 前饋神經網路的定義92 7.1.2 使用torch.nn.Sequential類搭建前饋神經網路93 7.1.3 權重的確定與反向傳播94 7.2 全連接層和全連

接神經網路95 7.3 非線性啟動96 7.3.1 逐元素啟動97 7.3.2 非逐元素啟動101 7.4 網路結構的選擇102 7.4.1 欠擬合和過擬合102 7.4.2 訓練集、驗證集和測試集103 7.5 例子：基於全連接網路的非線性回歸105 7.5.1 資料的生成和資料集分割105 7.5.2 確定網路結構並訓練網路106 7.5.3 測試性能108 7.6 本章小結109 第8章 卷積神經網路110 8.1 卷積層110 8.1.1 序列的互相關和卷積110 8.1.2 一維張量的互相關114 8.1.3 一維張量的轉置卷積117 8.1.4 高維張量的互相關和轉置卷積121 8

.1.5 torch.nn包裡的卷積層121 8.2 池化層、視覺層和補全層123 8.2.1 張量的池化124 8.2.2 張量的反池化125 8.2.3 torch.nn包裡的池化層126 8.2.4 張量的上採樣128 8.2.5 torch.nn包裡的視覺層130 8.2.6 張量的補全運算131 8.2.7 torch.nn包裡的補全層131 8.3 例子：MNIST圖片分類的改進132 8.3.1 搭建卷積神經網路133 8.3.2 卷積神經網路的訓練和測試135 8.4 本章小結137 第9章 迴圈神經網路138 9.1 神經網路的迴圈結構138 9.1.1 單向單層迴圈結構13

8 9.1.2 多層迴圈結構139 9.1.3 雙向迴圈結構140 9.2 迴圈神經網路中的迴圈單元141 9.2.1 基本迴圈神經元141 9.2.2 長短期記憶單元141 9.2.3 門控迴圈單元144 9.3 迴圈神經網路的實現145 9.3.1 torch.nn子包中的迴圈單元類145 9.3.2 torch.nn子包中的迴圈神經網路類146 9.4 例子：人均GDP的預測147 9.4.1 使用pandas-datareader讀取世界銀行資料庫147 9.4.2 搭建LSTM預測模型148 9.4.3 網路的訓練和使用149 9.5 本章小結151 第10章 生成對抗網路152 1

0.1 生成對抗

股票成交量進入發燒排行的影片

以成交量預測股票波動率—以台灣股票市場為例

為了解決股票成交量的問題，作者黃姿庭 這樣論述：

本次研究目的旨在驗證在已知上期股票波動率會影響本期股票波動率此前提之下，增加上期股票成交量變動率並以 Fama-French 三因子模型中三個因子 (市場風險溢酬、規模溢酬及淨值市價比溢酬) 平方作為控制變數，檢測新增的自變數是否能夠解釋並使預測未來股票波動率較為準確。藉由迴歸分析可以發現，上期股票波動率對於本期股票波動率有正向影響力。而在上期成交量變動率方面，則為負顯著。最後，Fama-French 三因子平方方面，最多股票在上期規模溢酬平方正顯著、上期市場風險溢酬平方次之、上期淨值市價比溢酬平方最少，且後兩因子均各有三檔股票為負顯著。最後再以移動視窗法比較有無上期成交量變動率迴歸模型兩者

之樣本外資料預測能力，發現不含該自變數之模型預測能力較好，但相距不大，故上期成交量變動率對於預測波動率無明顯助益。

道氏理論盈利法則

為了解決股票成交量的問題，作者（美）羅伯特·雷亞（美）威廉·彼得·漢密爾頓 這樣論述：

查爾斯·道是所有市場技術研究的鼻祖，只要對股市稍有了解的人都對他的道氏理論有所耳聞。該理論受到大多數人的推崇。道氏理論的形成經歷了幾十年。1902年，在查爾斯·道去世以后，威廉·彼得·漢密爾頓和羅伯特·雷亞等繼承了道氏理論，並在有關股市的評論寫作中，加以組織與歸納，從而形成今天我們所知道的理論。他們所著的《股市晴雨表》和《道氏理論》成為后人研究道氏理論的經典著作。道氏理論並不只是用於預測股價，甚至不是用於指導投資者，而是一種反映市場總體趨勢的晴雨表。大多數人將道氏理論當作一種技術分析手段——這是非常遺憾的一種觀點。其實，道氏理論zui偉大之處在於其寶貴的哲學思想，這是它全部

的精髓。雷亞在所有相關著述中都強調，道氏理論在設計上是一種提升投資者知識的配備或工具，並不是一種全方位的可以脫離經濟基本條件與市場現況的嚴格技術理論。根據道氏定義，道氏理論是一種技術理論，換言之，它是根據對價格模式的研究，推測未來價格行為的一種方法。 羅伯特·雷亞（Robert Rhea）,美國20世紀初期著名的股票市場技術分析及交易專家，被盛譽為偉大的道氏理論集大成者，解讀道氏指數和股票成交量的應用大師。雷亞為人謙遜，受人尊敬，在生命的最后十年，雷亞身受疾病襲擾。長期卧床，可依舊堅持股票交易。直到1939年辭世。雷亞將道氏理論應用於長線投資與短線操作之中，曾成功指出了美國1929-19

32年股市大崩盤后的底部，為后人所嘆服。在他真正掌握道氏理論之后，並未完全用於自己操作，而是將自己的理解和認識寫下來，與大眾分享，如今《道氏理論》成為了經典投資指南。威廉·彼得·漢密爾頓，漢密爾頓先生把整個職業生涯都獻給了金融雜志業，不僅繼承了查爾斯·道的理論和思想並將其發揚光大，並終成為《華爾街日報》的編輯。

價值型與成長型選股交易策略實證研究

為了解決股票成交量的問題，作者宋侑杰 這樣論述：

在動盪行情中，本研究希望找出能打敗大盤並且適合散戶投資人的交易策略。本研究建構了一套「超級績效Over the Top」選股模型，這個模型兼具價值型及成長型的概念。這個模型透過成長因子、價值因子、動能因子與其他因子做條件篩選。它結合PEG指標、股價淨值比、現金股利殖利率與「趨勢模版準則」選股。在實證研究中，「超級績效Over the Top」策略年均總報酬為96.82%，交易成功勝率高達53.63%，遠勝於F-Score選股的投資績效。為了提升交易策略之穩健性及可行性，本文進行多項研究，研究發現「波動率大於5日平均」這個其他因子，對「超級績效Over the Top」選股策略，產生相當強大的

加乘效果。