學位論文

Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73894

Browse

Has files: YesSubject: search.filters.subject.Machine Learning

Search Results

Now showing 1 - 3 of 3
  • No Thumbnail Available
    Item
    基於深度學習與技術分析指標預測股市買賣點
    (2023) 鄭邦廷; Cheng, Pan-Ting
    股票交易市場是由各種金融機構和投資者組成，用於買賣股票和其他金融產品的交易活動。市場的主要目的是提供一個公平、透明和有保障的交易環境，促進股票和其他金融產品的流通。而參與者包括投資者、證券公司、投資銀行、基金、保險公司、政府機構等。投資者可以通過股票交易市場進行交易，包括股票、債券、期貨等各種金融產品。證券公司、投資銀行等機構則負責為投資者提供證券交易相關的服務和產品。然而投資並不是穩賺不賠，以股票來說，其價值可能伴隨著公司業績表現、總體經濟變化，乃至各種政治因素而有波動。這代表著投資者必須去注意這些市場上的各種外在條件去對自己手中的投資標的去做調整，並無一精準的判斷條件。縱使在許多的外在條件影響之下，歷年仍有許多研究希望能藉由各種方式來判斷進場買進和獲利了結的方法甚至到未來股價的判斷。股票交易的獲利方式在於買進及賣出所產生的價差，但每個投資者所買進及賣出的位置不同，即代表各項因素不同，因此買的價格過高則會有套牢的風險，或者買進後遲遲沒有往上漲，因而賠上交易和時間成本。因此，如果可以藉由調整進出場條件及發動策略去預測未來走向，使我們可以更敏銳的判斷價格變化，就可以在價格即將變化時進場，並且賺取其中價差。在各種因素影響的情況之下，股票的進出場訊號可視為一非線性的時序訊號。而人工智慧在非線性模型的表現相當優秀，尤其是在處理大量複雜的數據時更顯突出。本論文希望配合著股票的技術分析及回測過的數據結合人工智慧達到預測未來買賣點位之目的，以強化並優化進出條件，進而增進投資報酬率。
  • No Thumbnail Available
    Item
    基於長短期記憶網路的疲勞檢測
    (2022) 高國瑋; Gao, Guo-Wei
    本論文重點介紹即時疲勞檢測流程。該系統將在 Python 內部完成這一切，並逐步構建它，以便能夠檢測到不同的姿勢，特別是困倦的跡象。 為了做到這一點，我們使用一些關鍵模型並使用 MediaPipe Holistic 來提取關鍵點。 這將使我們能夠從臉部提取關鍵點。 該系統使用 Tensorflow 和 Keras，並建立了一個長短期記憶模型 long short-term memory（LSTM），能夠預測螢幕上顯示的動作。我們需要做的是收集關於我們所有不同關鍵點的一些數據，所以我們收集我們臉上的數據並將它們保存為 Numpy 數據，以便處理多維的陣列或矩陣。人臉檢測方法基於一個深度神經網絡，使用 Sklearn 進行評估和測試，並使用 Matplotlib 幫助進行圖像可視化。能夠從臉部檢測到 468個地標，提取臉部的重要特徵並對數據進行變換，以便將數據導入 LSTM 模型。使用 LSTM 層繼續並預測時間分量，它能夠從多個幀預測動作，而不僅僅是單個幀。使用 Opencv 進行集成，然後使用網路攝影機進行即時預測。本研究成功使用 MediaPipe 與 LSTM 模型相結合，提出一套疲勞檢測的系統。實驗結果顯示，經機器學習後其檢測平均準確率能達到 90%。
  • No Thumbnail Available
    Item
    基於卷積神經網路及疊層長短期記憶神經網路結合短路連結架構的股價預測模型
    (2021) 徐嘉擇; Hsu, Chia-Tze
    股票交易市場係針對已發行之股票進行買賣、轉讓與流通的場所，在現今資本集中的社會中已是一個不可或缺的制度。股份公司發起人為了完成公司設立、公司決策者為了集眾人之力，往往會透過公開發行股票向公眾募集資本以用於公司營運，這些募集而來的資本分為股票交由應募人或買進股票人持有，此稱為股東，股東享有公司資產與營運收益的權利。然而，股票的價值有其變動性，並非歸於一定，可能會隨著公司的業績表現、盈利狀況、總體市場變化，甚至是政治、媒體、公眾情緒而波動，這表示各該股東所持有的股票之價值是變動的，且沒有精準的公式可供計算，因此很難精準預測該如何處理手中持有的股票。雖然股票市場的起伏以及股票交易價格的變動是難以預測且不停變化，但歷年來已有許多研究希望可以藉由某種方法預測股價變化以達到一定精準度的未來股價判斷。因為股票交易價格的變動會使股票持有人在不同時間點買進、賣出產生價差，而這些價差的存在即為短期股票交易者獲利的入手處。如果改善預測股價的方法，使我們能夠精準預測股票交易價格的變化，就可以做到在低價買入，待到高價賣出，以此來賺取股票交易的價差。股票的價格可以視為一個時序的訊號，以下簡稱股票訊號。股票訊號是一維非線性且時變的系統。在預測非線性的訊號時，人工智慧領域裡的機器學習對於非線性的模型表現十分優秀。其中卷積神經網路的長處是特徵抽取，而疊層長短期記憶神經網路的優點是時序記憶，本篇論文希望可以結合這兩個神經網路的優點，並用來預測股票訊號。然而研究成果指出直接結合兩個神經網路，其表現比單純使用疊層長短期記憶神經網路還差。本論文其中一項亮點就在於結合兩者的「短路連結架構」，能夠成功合併兩者優點。使用短路連結的架構不只解決退化問題，使結合後的模型表現的比單純使用疊層長短期記憶神經網路更為精準。