技術面 選股 PTT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

新聞情緒與投資人情緒建構台股機器學習交易策略

為了解決技術面 選股 PTT的問題，作者張傳銘 這樣論述：

投資人在股票市場總是尋求新的方式尋找獲利機會，並且使用不同指標與因子建構交易策略，而投資人主要在建構交易策略時，會朝著技術面、基本面、籌碼面以及消息面來做為策略的依據，而本研究主要建立在籌碼面投資人情緒與消息面新聞情緒的策略研究。 將Anue鉅亨網2013/01/02至2019/12/31共7年的臺灣股市新聞蒐集，挑選出新聞內文有提到五十檔股票標的的新聞，並以年的方式做為切割，隨機篩選50%的新聞，以人為的方式，進行情緒標籤，分成「正面」、「負面」、「中立」。接著使用臉書所開發的fastText文本分類模型，訓練及預測2014年至2019共6年全部新聞的新聞情緒。 另一方面使用投

資人情緒特徵，輸入XGBoost演算法模型訓練，預測報酬，並挑選適當的預測值與標的數目，作為進場依據的原始交易策略。再探討運用文本分類模型所建置的新聞情緒加入特徵，成為新的情緒加強策略，是否能夠有效的提升策略績效。回測期間2015年至2019年共五年。 本研究結果顯示(一) fastText分類模型，在樣本內情緒分類上，在3-gram有最好的表現，二元模型最高有92%、三元模型有75%的準確度，而移動窗格下平均有88%及77%。(二)投資人情緒特徵所建立的交易策略以及新聞情緒的交易策略，在挑選越少標的時會有較好的報酬與績效表現，顯示模型是可以預測出實際上真的好的報酬，故可以當作選股的依據

。(三)在策略績效部分，新聞情緒的加入使得績效在5檔標的績效提升20%及10檔標的提升8%，同時要有較好的贏率與較低最大回撤。

運用社群網站推文提升股價漲跌預測準度之研究

為了解決技術面 選股 PTT的問題，作者陸培中 這樣論述：

台灣股票市場之規模不斷成長，目前可運用於投資參考工具的選擇繁多，基本上都是以金融與資金動向為基礎的量化指標為主。此外，投資人亦會接收各種資訊來源，如新聞媒體、網路評論、專家意見等，作為投資決策之依據。然而，面對多項情報的來源，如何取捨才能獲取利潤，是投資者最關心的一件事。消息面之原始資料，因其非結構性之特性，不易藉由電腦處理。近年來隨著文字探勘、網路爬蟲、機器學習等資訊技術逐漸成熟，讓原本必須以人工判讀的資料面消息來源，可以在某種程度下自動並客觀地轉換成電腦上之量化資訊，並成為提升股價預測模型準確度的工具之一。雖然以社群網站評論做為消息面資訊並用於股價分析的研究很多，但對於某些較短之評論，諸

如一般社群網站之評論下方之推文，由於其詞組規則複雜、多變、數量又多，目前未見有將之納入股價預測分析的研究。然而，推文所蘊含之網路社群情感與股價漲跌之關係不容小覷，因此本研究整理出一套分析方法，將其所內含之社群情感量化，並進一步將其做為修正預測模型之用。本研究提出1種用於推文之詞組規則，並利用詞組規則將網路社群情緒量化後，依照推文及評論之關係，假設出5種量化指標，最後經評估後得到1種最能有效提升股價漲跌預測模型之指標，其量化分數與股價漲跌呈現正向相關性，並共提升了5.5%的股價漲跌預測準確度。