光陽股價的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

基於CNN-BiLSTM-Attention網路模型預測貨櫃吞吐量

為了解決光陽股價的問題，作者李子昂 這樣論述：

國際海洋貨物運輸，又稱為海洋運輸，是國際物流中最主要的運輸方式，而貨櫃運輸則是海洋運輸中最為廣泛的運輸方式，隨著貨櫃吞吐量成長，港口將面臨防波堤、航道及港區道路等基礎設施規劃、港埠碼頭擴增等問題，為將資源精準的投資在有用的港口上，港口貨櫃吞吐量預測是必要的。本研究提出了CNN -BiLSTM-Attention網路模型，透過結合卷積神經網路（Convolutional neural network，CNN）、雙向長短期記憶（Bidirectional long short-term memory，BiLSTM）和注意力機制（Attention mechanism），進行國際港口貨櫃吞吐量預測

分析。資料來自中國（上海港、寧波舟山港、天津港、青島港、香港港、深圳港、廣州港）、臺灣（基隆港、臺中港、高雄港）、韓國（釜山港）、新加坡（新加坡港）等亞洲十二國際港口，2004年1月至2021年12月之貨櫃吞吐量。與ETS（Exponential smoothing）、ARIMA（Autoregressive integrated moving average）、SVR（Support vector regression） DNN（Deep neural network）和RNN（Recurrent neural network）等五種模型比較， CNN-BiLSTM-Attention之預測

結果顯示平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE）、均方根誤差（Root Mean Square Error，RMSE）和皮爾森積動差相關係數（Pearson product-moment correlation coefficient，PPMCC）皆為最優值，為一高準確度之預測模型，對未來海洋運輸預測成長趨勢、監測未來貨運量走向、港埠當局進行規劃、貨櫃運量預測及港埠裝卸能量時之評估依據，並作為政策訂定之考量因素。

應用機器學習於臺灣股市投資組合框架之研究

為了解決光陽股價的問題，作者林怡君 這樣論述：

本研究的研究對象為臺灣50指數成分股。研究目的是找出最佳化投資組合，並提供有效資金配置，運用機器學習中的單純貝氏、羅吉斯迴歸、支援向量機、隨機森林，以及極限梯度提升演算法分別建立模型，再使用集成學習(Ensemble Learning)的堆疊法(Stacking)獲得最終的模型，預測股價漲跌趨勢作為挑選股票的依據。最後，結合現代投資組合理論(Modern Portfolio Theory, MPT)與資本資產定價模型(Capital Asset Pricing Model, CAPM)找出最佳投資組合的資金配置，進行投資績效的分析及探討，以協助投資者降低風險、增加報酬率，並做為投資決策的參考

。本研究經實證結果顯示，在五種預測模型的比較中，以單純貝氏、羅吉斯迴歸和支援向量機的預測效果較好，預測隔月股價漲跌之準確率平均達58%。比較F值的分數，三者也較其他演算法優，F值達73%。若以集成學習堆疊法建構模型，準確率達59%，及F值達73%，是預測模型中最高的，由此可知，透過集成學習方式可以獲得較優且穩定的預測效果。比較年化報酬率MPT最高達13%與CAPM最高達33%均優於臺灣50指數8%；比較累積報酬率CAPM最高達77%亦較MPT最高達27%為優。