股票時間的問題，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

好命密碼：股市贏家篇

為了解決股票時間的問題，作者愛德華Edward 這樣論述：

善用精準的數字磁場法則， 你就會是股市的常勝軍！   　　國際數字磁場大師愛德華(Edward)老師， 　　讓您了解自己的財運類型， 　　再運用數字磁場，扭轉乾坤，創造奇蹟， 　　帶給你在財富上成功幸福的力量，成為股市的常勝軍！

股票時間進入發燒排行的影片

ETF 50投資績效之探討

為了解決股票時間的問題，作者陳柏璁 這樣論述：

　　本研究以元大台灣50ETF(0050)為研究標的，搭配四種演算法模型，LightGBM、LANN、STM與CNN演算法，並將其預測投資報酬率進行比較。LightGBM、ANN、LSTM利用技術指標與三大法人籌碼作為演算法的預測參考資料，CNN則僅利用股價資料作為演算法的預測資料。實證結果顯示，僅利用股價資料的CNN演算法有最佳的投資報酬率。此外，在Covid-19期間股價大跌時，四種演算法也會有相當大的投資虧損出現，顯示即使使用AI投資工具亦無法協助投資人避過股災，建議投資人以長期投資策略可創造較高的投資報酬率。

股票大資料採擷實戰

為了解決股票時間的問題，作者洪志令吳梅紅 這樣論述：

《股票大資料採擷實戰：股票預測篇/新經濟書庫》圍繞股票大資料採擷技術展開，主要介紹資料採擷的方法及其在股票大資料上的實戰應用。 　 《股票大資料採擷實戰：股票預測篇/新經濟書庫》共10章。   第1～3章為相關的基礎內容，介紹了資料採擷的基本概念、常用演算法、資料控掘工具及雲計算；然後將股票與資料採擷結合，介紹大資料炒股、股票時間序列、量化投資等；最後介紹與股票相關的資料類型、資料的獲取源及獲取的方法、獲取資料的預處理等。   在第4～10章中，每一章根據股票挖掘的不同目標，介紹相關的資料採擷演算法，同時基於對基礎演算法的優劣分析，提出適用於股票場內實盤交易全景資料分析的新方法，結合新方法在股

票挖掘平臺上的實現，對股票的操作進行實戰的解析。具體包括：分類方法及股票買賣點的判斷；相似/相關匹配方法及股票走勢的預測；相似股票判斷與投資組合；瑪律可夫模型與股票盤面強弱狀態的判斷；關聯規則與股票間的延時漲跌聯動；N-Gram模型與股票的幅值組合關係；深度學習與迴圈滾動預測等。 洪志令，美國加州大學爾灣分校助理科學家、北京大學心理學／北京大學機器感知與智慧教育部重點實驗室博士後，廈門大學人工智慧專業博士。曾先後任職於IBM、美國Comodo、廈門大學軟體學院，現為股票挖掘網（stocktobe.com）創始人。廈門市高層次引進人才，廈門市思明區思明英才，廈門市思明區政協委

員。近年來發表SCI/EI檢索學術論文32篇。目前擁有10項授權的國家發明專利和超過32項的公開實審國家發明專利。 　　 吳梅紅，廈門大學副教授，美國加州大學洛杉磯分校與廈門大學聯合培養博士，師從圖靈獎獲得者Judea Pearl教授，北京大學博士後，美國加州大學爾灣分校訪問學者。福建省新世紀優秀人才，廈門市高層次引進人才。在智慧科學領域有較深入的研究，並在國內外**期刊發表多篇文章。 第1章 資料採擷基礎 1．1 資料採擷概述 1．1．1 資料採擷的過程 1．1．2 資料採擷的任務 1．1．3 資料採擷的應用 1．1．4 資料採擷的存在問題、未來發展和挑戰 1．2 常用的

資料採擷演算法 1．3 資料採擷工具 1．3．1 MATLAB 1．3．2 SAS 1．3．3 SPSS 1．3．4 WEKA 1．3．5 R 1．3．6 工具的比較與選擇 1．4 資料採擷與雲計算 1．5 Mahout分散式框架 1．5．1 Mahout簡介 1．5．2 Mahout演算法集 1．5．3 Mahout系統架構 1．5．4 Mahout的優缺點 第2章 股票大資料採擷 2．1 股票大資料 2．1．1 大數據概述 2．1．2 大資料的處理 2．1．3 大數據炒股 2．2 股票預測 2．2．1 預測基礎知識 2．2．2 股票預測的結構 2．2．3 股票預測技術 2．3 量化投資

2．3．1 什麼是量化投資 2．3．2 量化投資的特點 2．3．3 量化投資的方法 2．3．4 量化投資選股模型 2．3．5 多因數選股模型 2．3．6 量化模型的建立 第3章 股票資料的準備 3．1 股票相關資料 3．2 資料的獲取源 3．2．1 從雅虎獲取歷史交易資料 3．2．2 從騰訊獲取即時交易資料 3．2．3 從新浪獲取交易資料 3．2．4 從網易獲取成交明細資料 3．2．5 從巨潮資訊獲取基礎資料 3．2．6 多源獲取UGC資料 3．3 資料獲取技術 3．3．1 網路爬蟲技術 3．3．2 HTML解析 3．3．3 XML解析 3．3．4 JSON解析 3．4 數據預處理 3．4．

1 資料清理 3．4．2 資料集成 3．4．3 數據變換 3．4．4 數據歸約 第4章 分類方法與股票買賣點判斷 4．1 分類概述 4．2 樸素貝葉斯 4．2．1 樸素貝葉斯分類演算法的概念 4．2．2 樸素貝葉斯分類器模型 4．2．3 樸素貝葉斯分類器的優缺點 4．2．4 樸素貝葉斯分類器的應用 4．2．5 擴展的分類器 4．3 決策樹 4．3．1 決策樹方法介紹 4．3．2 屬性選擇的度量方法 4．3．3 剪枝技術 4．3．4 常用的決策樹分類演算法 4．3．5 ID3演算法 4．3．6 C4．5 演算法 4．3．7 CART演算法 4．3．8 SLIQ演算法 4．3．9 SPRINT演

算法 4．3．10 PUBLIC演算法 4．3．11 演算法比較 4．4 支持向量機 4．4．1 最優分類面 4．4．2 廣義的最優分類面 4．4．3 序列最小最優化演算法 4．4．4 核函數 4．4．5 SVM參數優化問題 4．4．6 SVM分類器 4．5 評價指標 4．6 基於SVM演算法的股票買賣點判斷 4．6．1 數據預處理 4．6．2 買賣點定義 4．6．3 買賣點判斷 第5章 匹配方法與股票走勢的預測 5．1 目標概述 5．2 模式匹配 5．2．1 模式匹配概述 5．2．2 模式匹配的定義 5．2．3 BF演算法 5．2．4 KMP演算法 5．2．5 BM演算法 5．2．6 BM

H演算法 5．2．7 AC演算法 5．2．8 模式匹配演算法總結 5．3 常用的相似性度量方法 5．3．1 基於距離的度量 5．3．2 基於相似/相關的度量 5．3．3 其他度量方式 5．4 新方法：相似走勢匹配在股票預測中的應用 5．4．1 方法思想 5．4．2 相似匹配的計算步驟 5．4．3 基於最相似走勢的股票短期走勢預測方法 5．4．4 基於多相似股票投票統計的近期漲跌預測方法 5．4．5 基於近期預測漲跌幅及其一致性統計的股票推薦方法 5．4．6 基於同匹配日期相似走勢的股票預測方法 5．4．7 基於強匹配排序的股票趨勢分析與選股方法 5．4．8 基於股票預測走勢進行分類和推薦的方法

5．5 新方法：自身歷史相關在股票預測中的應用 5．5．1 基於自身歷史相關時間點的股票趨勢預測方法 5．5．2 基於自相關排序的股票趨勢分析與選股方法； 5．6 新方法：正負相關走勢在股票預測中的應用 5．6．1 主要思想 5．6．2 計算步驟 5．6．3 方法步驟與創新特徵 5．6．4 輸出結果示例 5．7 新方法：自訂模式匹配在股票預測中的應用 5．7．1 主要思想 5．7．2 計算步驟 5．7．3 方法步驟與創新特徵 5．7．4 輸出結果示例 5．8 平臺實戰解析：搜索相似歷史走勢以替代老司機經驗 第6章 相似股票判斷與投資組合 6．1 目標概述 6．2 DTW動態時間規整演算法

6．2．1 匹配模式 6．2．2 DTW演算法原理 6．2．3 DTW演算法改進 6．3 KNN演算法 6．3．1 KNN演算法簡介 6．3．2 k值的選擇 6．3．3 KNN演算法的改進 6．3．4 KNN演算法的實現 6．4 相似股票的判斷和應用 s．4．1 新方法；用於輔助選股的股票分級活醫度計算方法 6．4．2 新方法：基於股票強相關分析的選股推薦方法 6．4．3 平臺實戰解析 第7章 股票盤面強弱狀態的判斷 7．1 目標概述 7．2 瑪律可夫模型 7．2．1 瑪律可夫模型概述 7．2．2 瑪律可夫過程 7．2．3 瑪律可夫鏈 7．2．4 狀態轉移概率 7．2．5 瑪律可夫鏈在天氣預

報中的應用 7．2．6 瑪律可夫鏈在人民幣匯率上的實證分析 7．3 隱瑪律可夫模型 7．3．1 隱瑪律可夫模型概述 7．3．2 隱瑪律可夫的數學模型 7．3．3 評估問題與前向演算法 7．3．4 解碼問題與Viterbi演算法 7．3．5 觀察序列最大概率問題與Baum-Welch演算法 7．3．6 隱瑪律可夫模型在輸入法中的應用 7．4 新方法：基於狀態轉移的股票長期走勢預測與推薦方法 7．4．1 主要思想 7．4．2 計算步驟 7．4．3 方法步驟與創新特徵 7．4．4 平臺實戰解析 第8章 股票間的延時聯動漲跌規則 8．1 目標概述 8．2 貝葉斯 8．2．1 貝葉斯公式 8．2．2

貝葉斯推斷 8．2．3 貝葉斯應用 8．3 關聯規則挖掘 8．3．1 基本概念和模型 8．3．2 Apriori演算法 8．3．3 FP-tree頻集演算法 8．3．4 關聯規則的應用 8．4 關聯規則在股票預測中的應用 8．4．1 新方法：基於時態聯動挖掘的股票預測方法 8．4．2 新方法：基於股票間同現統計的股票推薦方法 8．4．3 平臺實戰解析 第9章 股票漲跌的幅值組合關係 9．1 目標概述 9．2 n-gram模型 9．2．1 自然語言處理 9．2．2 統計語言模型 9．2．3 n-gram模型簡介 9．2．4 n-gram模型的資料平滑 9．2．5 n-gram模型的解碼演算法

9．2．6 利用n-gram糾正中文文本錯誤 9．3 新方法：個股漲跌的幅值組合關係挖掘 9．3．1 基於類似n元語法統計的股票預測方法 9．3．2 基於類似關聯規則統計的股票預測方法 9．3．3 基於局部及全域語法統計的股票推薦方法 9．3．4 用於股市運行邏輯理解的強關聯規則挖掘方法 9．3．5 平臺實戰解析 第10章 股票的迴圈滾動預測方法 10．1 目標概述 10．2 回歸分析與股票預測 10．2．1 回歸分析概述 10．2．2 一元線性回歸模型 10．2．3 多元線性回歸分析模型 10．2．4 線性相關程度測定 10．2．5 非線性回歸分析 10．2．6 用回歸分析進行股票預測 1

0．3 神經網路與股票預測 10．3．1 神經網路的基本原理 10．3．2 BP神經網路演算法 10．3．3 用BP神經網路進行股票預測 10．4 深度學習與股票預測 10．4．1 深度學習介紹 10．4．2 深度學習的理論基礎 10．4．3 典型的深度學習模型 10．4．4 LSTM遞迴神經網路 10．4．5 新方法：用LSTM網路進行股票預測 參考文獻 股票投資是為了獲得更大的收益，然而由於股票市場具有較大的動態特性，股票投資的收益與風險往往成正比，投資收益越高，存在風險則越大。有效地進行股票價格的預測，最大程度地規避股票風險，增加投資收益，是股票投資者最關注的熱點問題

。 　　 近年來，中國股市起起伏伏，熊冠全球，許多投資者傷痕累累，損失慘重，股市已成為大多數中國股民的傷心地。中國股市的現狀是多方面因素共同作用的結果，作為普通的投資者無法改變這一現實，怨天尤人於事無補；要想在股市中博弈，立於不敗之地，只能從現實出發，從自身做起。 　　 在股票交易交易處理中，每天有大量的交易資訊資料匯人資料倉庫，這些資料無疑有益於股民瞭解股市的走勢，做出正確的投資決策，然而從海量資料中提取有用的並最終可理解的模式才是投資者們最為關心的問題。 　　 在大資料時代，資料採擷無疑是最炙手可熱的技術。資料採擷的作用是從大量的、不完全的、有雜訊的、模糊的、隨機的資料中提取隱含在其中的、

人們事先不知道的，但又是潛在有用的資訊和知識的過程。資料採擷技術剛好解決了資料利用的問題，所以資料採擷與股票投資便很自然地結合在一起。但資料採擷在國內也是一個新領域，加上較早之前計算能力的限制，尚未見關於股票投資與資料採擷相結合的相關書籍，以及股票大資料領域的規模應用案例。雖然有一些量化投資方面的著作，但是量化投資和股票挖掘還是存在相當大的差別。在這樣的背景下，本書將結合豐富的金融業資料資源，以及構建的股票大資料採擷平臺，介紹如何利用資料挖掘技術進行股票挖掘和投資實踐。 　　 首先需要學習資料採擷技術。資料採擷是一個交叉學科，融合了統計分析、模式識別、機器學習、資訊檢索、資料庫、資訊理論和最優

化演算法等領域的學習思想，其基礎理論比較多，但卻很分散。其次要學習資料採擷技術怎麼應用到股票投資領域。對於有興趣進行資料採擷應用實踐的讀者來說，他們常有這樣的困惑，如何將實際問題和已經學到的方法、原理聯繫起來，如何將資料採擷技術有效地運用在實際應用中，給使用者帶來價值。 　　 本書以筆者團隊的資料採擷工作為基石，架設起研究和應用的橋樑，説明讀者從應用實例中學習資料採擷和股票投資方法。具體而言，本書從不同的角度，以股票實際應用為導向，始終以實際案例講解應用之下的技術和理論。本書對每個股票應用案例都有詳細的解析，全面介紹了如何將一個實際問題抽象和轉化為資料採擷的問題，讓讀者明白來龍去脈。在過去的1

5年裡，筆者一直從事資料採擷和股票投資方面的學習和研究，本書也算是筆者本人過去多年學習和研究的總結。

利用混合式長短記憶單元支援股市買賣決策

為了解決股票時間的問題，作者黃怡慧 這樣論述：

股票市場是一個具開放與多變的環境，受政治、經濟、人為或其他因素所影響，如果能夠掌握其股價漲跌趨勢，投資者將更容易獲取超額的報酬。人工智慧方法常用於支援股市買賣決策的研究，例如：類神經網路、模糊邏輯與其他機器學習方法，不同於先前文獻常使用的方法，本研究嘗試結合基因演算法、粗糙集合與深度學習中長短記憶單元來支援股市買賣決策。透過基因演算法找出個股最佳買賣點，再利用粗糙集合理論篩選相關的技術指標，最後透過深度學習中得長短記憶單元進行篩選資料訓練與預測。本研究為初期研究，以台股中半導體股台積電（2330）、聯發科（2454）與瑞昱（2379）為測試對象，後期則再追加儒鴻（1476）、聚陽（1477）

、台達電（2308）、友達（2409）、富邦金（2881）不同產業型態公司，研究期間為2010年3月1日至2020年12月31日，訓練樣本為2010年3月1日至2019年12月31日，測試樣本為2020年1月2日至2020年12月31日，測試樣本選在2020年是因為當年為新冠疫情爆發年，測試交易中最低、最高與平均投資報酬率分別為9.06%、61.08%與34.36%。透過實證我們相信結合基因演算法、粗糙集合與長短記憶法能有效的給與投資者買賣建議並增加投資大眾的獲利。