5862股價的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列評價、門市、特惠價和推薦等優惠

一個新的股票買賣點預測機制基於雙層基因演算法

為了解決5862股價的問題，作者沈鈺翔 這樣論述：

近幾年，機器學習與深度學習盛行，RNN、LSTM等技術已經非常普及應用在金融領域，目前大多數論文著重於對歷史資料準確度進行研究，但對未來趨勢仍無法準確預測。本研究探討機器學習與深度學習對未來市場收益的預測效果，利用基因演算法作為主要方法，基於該方法加入雙層構想及歷史資料相似比對前處理，透過雙層基因演算法與深度學習運算，打造一個能精準預測股市未來收益模型。實驗結果顯示本研究提出雙層基因演算法MIGA對於股市未來收益有顯著效果，在0050元大50有36.42%獲利比，3105穩懋有121.92%獲利比，2330台積電有64.11%獲利比。由於深度學習模型LSTM與一般機器學習模型default-

SVR效果太差，因此透過參數最佳化提出optimal-SVR與本研究MIGA比較，結果顯示MIGA方法較佳，是四種模型中最佳的預測模型。

應用技術指標與類神經網路於股票價格預測

為了解決5862股價的問題，作者劉峻宇 這樣論述：

股票市場的預測一直是投資者關注的重要議題，通過高準確的預測系統獲得巨大的投資利潤也一直是開發者努力的目標，而隨著資訊科技的發展及大數據的演進，未來股市投資將不再是以往的人為操作和判斷，科技化及智能化的投資模式，將帶給投資者更精確的策略分析和有效的投資決策。然而現階段要如何開發出一套精確的預測模型是我們努力追尋的目標，而在股市預測研究領域中可發現人工神經網路（Artificial Neural Network, ANN）在這一領域被廣為運用，並在許多方方面得到了改進，但仍然存在一些尚未解決的問題，例如參數的設置、輸入節點的構成、輸入變數的數據，都會造成不同的預測結果，如何定義出最佳的網路模型，

是許多研究者所探討的問題，因此，本研究提出將技術分析指標結合倒傳遞類神經網路(Back Propagation Neural Network, BPN)，運用技術指標作為神經網路的輸入變數，研究是否能提供更準確的股價預測以及實證技術指標是否能提供股價分析和預測之功用，透過數據分析，取得股價中的關鍵數據，經由神經網路模組的訓練與測試，達到股價預測之功能。研究方法運用R撰寫技術分析指標套件，並結合倒傳遞類神經網路開發四種預測模模組來實證研究之比較，將美股四大指數，道瓊工業指數、費城半導體指數、S&P500指數以及納斯達克綜合指數和十六家上市公司作為樣本資料，分別以四種預測模組進行預測結果之比較。經

本研究結果實證技術指標之分析功用以及分析出最佳的預測模組，並為R在股市數據分析領域中提出貢獻。