指標應用的問題，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

Python：量化交易Ta-Lib技術指標139個活用技巧

為了解決指標應用的問題，作者劉承彥,郭永舜 這樣論述：

　　無論是牛市還是熊市，「維持紀律」才是股市求財的不二法門，但維持紀律又是非常難做到的事，結果就是多數人最終無法在股票市場上賺到錢。 　　什麼時候該買，什麼時候該賣，道理很多人都懂，但往往下單時又摻雜了太多當時的心理因素，要怎麼克服這個心理因素呢？就讓自動化交易來幫助會寫程式的你。 　　技術分析的本質是將市場的走勢進行分類，而量化交易的強大之處，就是能在短短的時間內，進行大量的數據統計，創造更多的收益與機會。 　　很多人對於交易有一種迷思，期望能找到一個永遠不變的通用獲利策略，然而事實上一個完整的交易系統牽扯到交易策略、資金控管、交易心態，這三個部分缺一不可，每個環節

息息相關。 　　要創造好的交易策略，並不是參考別人的想法，就能產生適合自己的交易策略，而是要充分了解交易策略的脈絡，才能在投資時有良好的交易心態。每個人要依據自己的條件、狀態及環境，來找尋合適的投資方式與適合自己的策略邏輯。 　　有鑑於此，本書使用Python作為程式開發的語言，其本身語法友善、操作簡單，是切入量化分析的方便工具。本書中的內容包含指標公式說明、圖片解說、範例程式碼及實際操作結果，讀者可執行本書提供的範例程式檔案，也可自行彈性修改。 　　【精采內容】 　　✪金融資料的取得 　　✪技術指標的介紹及計算 　　✪K線型態的圖片說明 　　✪金融圖表的繪製 　　✪交易績效的介紹及計算

　　✪交易訊號漲跌的統計模組 　　【目標讀者】 　　✪想要學習Python來進行程式交易者 　　✪想要客觀且嚴守紀律來投資者 　　✪沒時間盯盤但想要自動化投資者 　　✪想要了解交易規則並學習正確的程式交易者 本書特色 　　使用Python實作100多種技術分析，掌握量化分析市場趨勢 　　靈活運用Ta-Lib套件計算技術指標，大幅降低自行開發指標模組的時間成本 　　✪使用靈活彈性的Python，搭配循序漸進的範例教學 　　✪收錄Ta-Lib套件的上百種技術指標函數用法，是量化交易者的最佳工具書 　　✪串接公開金融資料API，透過圖表繪製K線圖，並找出合適的交易時機

指標應用進入發燒排行的影片

應用Q學習實現智慧交易代理人機制-以加密貨幣市場為例

為了解決指標應用的問題，作者江宇祥 這樣論述：

程式交易是根據事先定義的交易策略進行自動交易，然而，有學者指出事先定義交易策略的程式交易並不能對所有加密貨幣都產生獲利空間；而是要因應當前貨幣價格的變動趨勢來產生最適合的交易策略並產生獲利。因此，本研究將應用強化式學習之Q學習方法來建構智慧交易代理人，讓其能因應當前貨幣價格的變動趨勢來產生最適合的交易策略。再者，本研究也發現智慧代理人建構最適合交易策略的效能高低，是在於狀態(State)的描述，因此本研究也將提出狀態描述的方法並運用於加密貨幣市場中。本研究將使用6種加密貨幣，分別為BTC、ETH、VET、ADA、TRX和XRP，其中，BTC和ETH設定為上升趨勢，VET和ADA設定為盤整趨勢

，TRX和XRP設定為下降趨勢。另外，本研究也將6種加密貨幣區分成3個時間區間，分別為5分鐘、15分鐘跟1小時，最後使用強化式學習之Q學習進行回測。實證結果顯示，在上升趨勢中，ETH在1小時區間內的年化報酬為725.48%，而在盤整趨勢中，VET在1小時區間內的年化報酬為-14.95%，最後在下降趨勢中，XRP在1小時區間內的年化報酬為-3.7%。若與買入並持有的策略進行比較，本研究發現不管是上升、盤整和下降趨勢，在1小時區間內，6種加密貨幣的年化報酬都會比買入並持有策略的年化報酬還要來得更好。

2023程式設計實習完全攻略：名師帶你熟悉新課綱出題模式(含111年統測試題解析)(升科大四技二專)

為了解決指標應用的問題，作者劉焱 這樣論述：

　　◎含111年統測程式設計實習試題與解析！ 　　◎全新編寫！名師帶你熟悉新課綱出題模式 　　◎雙色編排＋圖說＋範例，系統化整理重點 　　◎隨堂練習+主題實戰演練，邊學邊練好上手！ 　　本書根據108課綱十二年國民基本教育技術型高級中等學校電機與電子群課程綱要所摘要「程式設計實習」的學習重點而全新編寫，將相關程式元素的定義及用法清楚說明，包含基本觀念中的資料型態（Data types）、常數（Constants）、變數（Variables）、程式的組成（運算元、運算子）、控制結構（Control structures）、迴圈結構（Loop structures）、陣列與結

構（Arrays and structures）、函式（Functions）、基礎資料結構（Basic data structures）；包含佇列（Queues）和堆疊（Stacks），以及物件導向結構（Object Oriented Structure） 。 　　針對不同程式語言，會有不同的開發環境，如果連開發環境都沒有，就沒有辦法練習寫程式，也就沒有機會發現自己的問題，所以擁有開發環境以及練習寫程式，是非常重要的。本書運用大量的範例，帶你透過實際的練習熟悉考試方向，你可以照著課文邊作練習，就能找出自己的盲點加以改進。 　　總結來說，「程式設計實習」這項科目的主軸，就是先要清楚每個名詞的

定義跟用法，透過課文內容的說明以及實際程式編譯（Compiler）練習，透過除錯（Debug）才能發現錯誤以及熟撚其用法。 　　上戰場前，你也可以把這本書當作考前最後的衝刺，檢視各章節重點，針對比較不熟悉的題目，再次確認其原理及解題方式。最好的方式，就是在研讀各章節時，用自己的方式，整理好筆記及重點，做錯的題目要加以標記，以便在考前能快速瀏覽。 　　有疑問想要諮詢嗎？歡迎在「LINE首頁」搜尋「千華」官方帳號，並按下加入好友，無論是考試日期、教材推薦、解題疑問等，都能得到滿意的服務。我們提供專人諮詢互動，更能時時掌握考訊及優惠活動！  

不同隨機指標價量關係投資績效之研究- 不同天期生技醫療隨機指標比較研究

為了解決指標應用的問題，作者陳秀娟 這樣論述：

本研究目的主要透過技術分析之隨機指標KD探討投資股票之績效，研究範圍應用於生技醫療產業34家公司，研究期間為2016年2月1日至2020年12月31日，共計40,902筆日資料。本研究以KD技術指標為基礎，以程式撰寫方式，分別對KD5日、KD9日、KD10日及KD20日四種濾嘴法則，進行不同天期買點、賣點及模擬投資報酬。資料分析方法採用迴歸分析，進行統計估計及檢定，得到以下結論：一、本研究顯示，以隨機指標KD值黄金交叉時為買點並於死亡交叉後賣出，其四種法則總平均投資績效為14.84%。其中以模型(1)KD5日的平均報酬為23%，較其他三模型大多在13~14%的報酬率為最高。不過持有的天數71

天，相對其他模型持有平均天數30~33天來得久一些，證實以隨機指標KD值來判斷買賣點的獲利能力是確實可行。二、根據表4-1檢視K/D值對投資報酬率之影響，模型(1)K/D5值為1.0004，模型(2)K/D9值為1.0012， 模型(3)K/D10值為1.0010，模型(4)K/D20值為0.9965，四種法則皆未達統計顯著影響，表示KD仰角大小，沒有顯著影響投資報酬率的高低。三、四種法則之命中率皆介於84%~97%之間，其中以模型(4)命中率為97%最高。迴歸分析發現，除了KD5法則外，其他三種法則之命中率對投資績效皆有顯著影響。四、在模型(3)KD10，當日均量比例對投資績效呈現統計顯著影

響。其餘三種法則未達顯著程度。